基于深度卷积生成对抗网络的有限快拍下制造技术

本发明专利技术公开了基于深度卷积生成对抗网络的有限快拍下

【技术实现步骤摘要】
基于深度卷积生成对抗网络的有限快拍下DOA估计方法


[0001]本专利技术属于信号处理领域，涉及深度学习
、
波达方向
(DOA)
估计
、
稀疏阵列信号处理技术
。

技术介绍

[0002]移动设备在自主探测
、
协同作业过程中，探测目标方位信息必不可少，是其正常工作并安全返回的重要保障
。
由于工作环境复杂性不断增加
、
待探测目标数量不断增多，但移动设备所能携带阵列天线尺寸小
、
阵元个数有限，
DOA
估计中经常遇到待探测目标个数大于物理阵元数的情况
。
而且，移动设备在运动中，阵列天线仅能接收到有限快拍且需在短时间内完成快速测向，要求
DOA
估计算法在短快拍下具备较高的实时性
。
然而，现有基于模型驱动的
DOA
估计算法需要足够多的采样快拍，且阵列自由度受限于物理阵元数，多目标同时测向估计精度不高且处理时间较长/>。
因此本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于深度卷积生成对抗网络的有限快拍下
DOA
估计方法，其特征在于该方案包括：第1步
、DOA
估计数据集设计方案；第2步
、
采用深度卷积生成对抗网络提取数据的分布特征并完成数据恢复，其中，所述深度卷积生成对抗网络包括一个转置卷积结构的生成器网络和一个卷积结构的判别器网络；第3步
、
使用低秩矩阵恢复方法将所述恢复数据进一步优化，保证其正定性；第4步
、
将所述被优化后的数据作为参数输入
MUSIC
算法中，以获取信号来向向量，所述向量用于表达信号来向结果
。2.
如权利要求1所述的基于深度卷积生成对抗网络的有限快拍下
DOA
估计方法，其特征在于，第1步中所述
DOA
估计数据集设计方案包括：第
1.1
步
、
考虑
K
个远场的窄带信号入射到由
M
个阵元组成的阵列天线上，根据信号模型生成仿真信号，即
X
＝
As(t)+n(t),t
＝
1,2,...,T
，其中
A
是空间阵列的
M
×
K
维流型矩阵，
s(t)
为空间信号的
K
×1维矢量，
n(t)
为阵列的
M
×1维噪声数据矢量，
T
为采样快拍数；第
1.2
步
、
使用阵列类型为互质阵列，由一对稀疏均匀线性子列构成，第一个子阵列为
[0,Id,2Id,...,(J
‑
1)Id]
，第二个子阵列为
[0,Jd,2Jd,...,(I
‑
1)Jd]
，
I、J
为互质的整数，两子阵除了0位置不会有重叠；第
1.3
步
、
上述信号
X
在互质阵列的协方差矩阵计算公式为：其中
p
k
表示第
k
个信源的功率，
I
表示单位矩阵；第
1.4
步
、
向量化上述协方差矩阵
R
X
并取其不同元素，由互质阵列推导出的差分互阵的等效虚拟信号计算公式为：
y
d
＝
A
d
p+
σ2i
，其中表示克罗内克积运算，
p
＝
[p1,p2,...,p
K
]
T
，
i
＝
vec(I)
；差分互阵存在一些缺失阵元，这些阵元被称为洞；通过内插虚拟阵元，差分互阵进一步扩展为具有
N
＝
max{(I
‑
1)J,(J
‑
1)I}+1
个阵元的虚拟均匀线性阵列；这个虚拟阵列对应于一个0‑1二值向量，记为
v
，其中0表示内插虚拟阵元，1表示其他阵元；对应地，接收信号
y
d
被扩展成一个
N
维的向量
y
i
，它包含一些对应于内插虚拟阵元的0元素；以
y
i
为第一行的托普利兹矩阵
T(y
i
)
等同于接收信号在虚拟均匀线性阵列的协方差矩阵，表示为：
T(y
i
)
＝
R
v
；第
1.5
步
、
对比具有
N
个阵元的真实虚拟均匀线性阵列，第
...

【专利技术属性】
技术研发人员：崔玥，王俊峰，杨飞宇，
申请(专利权)人：天津师范大学，
类型：发明
国别省市：