【技术实现步骤摘要】
一种基于深度神经网络的信源数与DOA同时估计方法
[0001]本专利技术属于信号处理
,具体涉及一种信源数与DOA同时估计方法。
技术介绍
[0002]DOA(Direction of Arrival)估计(阵列目标测向)是阵列信号处理领域的一个重要研究内容,在通信、雷达、声呐、地震、勘探、射电天文等领域获得了广泛应用和迅速发展。MUSIC测向技术是一种超分辨技术,由Schmidt在文献“Multiple emitter location and signal parameter estimation[J].IEEE transactions on antennas and propagation,1986,34(3):276
‑
280”中提出的;MUSIC算法根据协方差矩阵的特征值大小把特征向量空间划分为信号子空间和噪声子空间,最后利用噪声子空间和目标信号导向向量之间的正交性,构造空间谱,通过搜素空间谱峰,获得目标DOA估计;但是这种做法的前提是已知真实信源个数,所以在信源数未知的情况下需配合其他方法预先实现信源数估计。大多信源数估计方法都是基于模型选择的统计学方法。AIC(Akaike Information Criterion)是由日本统计学家Akaike在文献“A new look at the statistical model identification[J].IEEE transactions on automatic control,1974,19(6):716
‑< ...
【技术保护点】
【技术特征摘要】
1.一种基于深度神经网络的信源数与DOA同时估计方法,其特征在于,包括如下步骤:步骤1:阵列由M个阵元组成,所述阵元为标量传感器;阵列接收K个远场、窄带目标信号,第k个信号的目标波达角为θ
k
;第m个阵元的接收信号为r
m
(t);M个阵元的观测数据向量为r(t)=[r1(t),r2(t),
…
,r
M
(t)]
T
,其中,(
·
)
T
表示转置操作;步骤2:构造协方差矩阵其中,(
·
)
H
表示共轭转置操作,N为采样数;步骤3:根据获得由S组数据
‑
标签对组成的训练数据
‑
标签集合{(x1,y1),(x2,y2),
…
,(x
S
,y
S
)},其中x
i
表示第i个输入向量,y
i
表示对应的输出向量;步骤4:利用训练数据
‑
标签集合{(x1,y1),(x2,y2),
…
,(x
S
,y
S
)}训练深度神经网络;步骤5:测试阶段,获得不在训练数据集合中的输入数据输入到经过步骤4训练后的深度神经网络中,获得输出信号向量步骤6:通过判决条件求出输出向量y
out
中的有效信号个数和相应的有效角度值2.根据权利要求1所述的一种基于深度神经网络的信源数与DOA同时估计方法,其特征在于,所述步骤1具体为:步骤1
‑
1:假设收到的K个远场信号为DOAs=(θ1,θ2,
…
,θ
K
),s(t)是由K个信源组成的向量s(t)=[s1(t),
…
s
K
(t)]
T
,A=[a(θ1),a(θ2),
…
,a(θ
K
)],a(θ
i
)是第i个角度的导向向量其中d
m
是第m个阵元和第一个阵元之间的距离,λ是信号的波长,j是虚数单位,噪声向量n(t)=[n1(t),
…
,n
M
(t)]
T
;步骤1
‑
2:接收到的信号阵列:r(t)=As(t)+n(t)。3.根据权利要求2所述的一种基于深度神经网络的信源数与DOA同时估计方法,其特征在于,所述步骤2具体为:步骤2
‑
1:协方差矩阵估计值为步骤2
‑
2:噪声协方差矩阵表示成:R
n
=diag{p
n
},其中是第m个元素的噪声能量。4.根据权利要求3所述的一种基于深度神经网络的信源数与DOA同时估计方法,其特征在于,所述步骤3具体为:步骤3
‑
1:取的右上三角元素排列组成一个维的向量b
cor
=[R
1,2
,R
1,3
,
…
,R
1,M
,R
2,3
,
…
,R
2,M...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。