System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及方位角估计,尤其涉及一种基于神经网络的doa模型训练方法、估计方法。
技术介绍
1、方位角估计(direction of arrival,doa)是指在信号处理和无线通信领域中,通过分析接收器上多个天线接收到的信号,根据收到的信号确定信号源相对于接收器的方向。doa估计在很多应用中都具有重要意义,比如智能音频处理、雷达系统、无线通信和声源定位等。
2、但是基于深度学习的传统方位角估计方法,不能有效捕捉到的信号特征不够准确,导致角度估计结果的精度较低。
技术实现思路
1、有鉴于此,本专利技术的目的是提供一种基于神经网络的doa模型训练方法和估计方法,可以提高信号特征提取的准确度,从而提高角度估计结果的精度。
2、一方面,本专利技术一种基于神经网络的doa模型训练方法,所述doa模型为训练好的复值神经网络,所述训练方法包括以下步骤:
3、获取第一数据集、第二数据集和第三数据集;所述第一数据集、第二数据集和第三数据集中的样本方位角信号包含的噪声不同,所述样本方位角信号是包括实部和虚部的复数;
4、利用所述第一数据集对未训练的复值神经网络进行预训练,得到预训练后的复值神经网络;
5、利用所述第二数据集对所述预训练后的复值神经网络进行信噪比分层训练,得到信噪比分层训练后的复值神经网络;
6、利用所述第三数据集对所述信噪比分层训练后的复值神经网络进行信噪比自适应训练,得到所述训练好的复值神经网络。
8、将所述第一数据集中不包含噪声的样本方位角信号输入所述未训练的复值神经网络,得到样本方位角估计结果;
9、根据所述样本方位角估计结果和预设损失函数计算损失值,根据所述损失值和预设值,得到预训练后的复值神经网络。
10、可选地,应用于训练好的复值神经网络,所述未训练的复值神经网络包括初始特征提取模块、深度特征提取模块和映射模块,将所述第一数据集中不包含噪声的样本方位角信号输入所述未训练的复值神经网络,得到样本方位角估计结果,具体包括:
11、将所述第一数据集中不包含噪声的样本方位角信号输入初始特征提取模块,得到第一初始特征,对所述第一初始特征取模值;所述初始特征提取模块包括复值全连通层和复值卷枳层;
12、将所述模值输入深度特征提取模块,得到深度特征;所述深度特征提取模块包括若干个残差块;
13、将所述深度特征输入映射模块,得到样本方位角估计结果;所述映射模块包括若干个输出神经元。
14、可选地,所述将所述第一数据集中不包含噪声的样本方位角信号输入初始特征提取模块,得到第一初始特征,具体包括:
15、将所述第一数据集中不包含噪声的样本方位角信号输入所述复值全连通层,得到第二初始特征;
16、将所述第二初始特征输入所述复值卷积层,对所述第二初始特征的实部进行第一卷枳,对所述第二初始特征的虚部进行第二卷枳,将卷枳之后的实部和虚部连接,得到所述第一初始特征。
17、可选地,所述映射模块还包括转置卷积层和线性层,所述将所述深度特征输入映射模块,得到方位角估计结果,具体包括:
18、将所述深度特征经过转置卷积层,得到转置后的深度特征;
19、将所述转置后的深度特征输入线性层,得到角度估计矩阵;其中,每一个输出神经元对应角度估计矩阵中的一个元素;
20、以所述角度估计矩阵中最大元素对应的输出神经元的角度作为方位角估计结果。
21、可选地,所述利用所述第二数据集对所述预训练后的复值神经网络进行信噪比分层训练,得到信噪比分层训练后的复值神经网络,具体包括:
22、按照预设步长和噪声比将所述第二数据集中包含噪声的样本方位角信号划分为若干个子数据集;
23、利用若干个所述子数据集对所述预训练后的复值神经网络进行训练,得到所述信噪比分层训练后的复值神经网络。
24、可选地,所述利用所述第三数据集对所述信噪比分层训练后的复值神经网络进行信噪比自适应训练,得到所述训练好的复值神经网络,具体包括:
25、将所述第三数据集包含噪声的样本方位角信号随机打乱,得到第四数据集;
26、利用所述第四数据集对所述信噪比分层训练后的复值神经网络进行训练,得到所述训练好的复值神经网络。
27、另一方面,本专利技术提供一种基于神经网络的doa估计方法,所述估计方法包括以步骤:
28、获取待检测方位角信号,将所述待检测方位角信号输入复值神经网络,得到实际方位角估计结果;所述复值神经网络通过千米那所述的方法训练得到。
29、另一方面,本专利技术提供一种基于神经网络的doa估计系统,包括训练好的复值神经网络和训练模块,其中,
30、所述训练好的复值神经网络,用于获取待检测方位角信号,根据待检测方位角信号得到实际方位角估计结果;
31、所述训练模块,用于训练复值神经网络得到所述训练好的复值神经网络。
32、另一方面,本专利技术提供一种电子设备,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现前面所述的方法。
33、另一方面,本专利技术提供一种计算机可读存储介质,其中存储有处理器可执行的程序,所述处理器可执行的程序在由处理器执行时用于执行如前面所述的方法。
34、实施本专利技术包括以下有益效果:本专利技术通过获取第一数据集、第二数据集和第三数据集;所述第一数据集、第二数据集和第三数据集中的样本方位角信号包含的噪声不同,所述样本方位角信号是包括实部和虚部的复数,直接将复数的样本方位角信号作为一个整体输入到训练好的复值神经网络中,通过对复数信号实部和虚部整体进行处理,不分别对信号的实部和虚部进行处理,从而能够有效的利用方位角信号的结构信息;利用所述第一数据集对未训练的复值神经网络进行预训练,得到预训练后的复值神经网络,利用所述第二数据集对所述预训练后的复值神经网络进行信噪比分层训练,得到信噪比分层训练后的复值神经网络,利用所述第三数据集对所述信噪比分层训练后的复值神经网络进行信噪比自适应训练,得到所述训练好的复值神经网络,通过预训练、信噪比分层训练和信噪比自适应训练,可以提高复值神经网络在待检测信号具有噪声干扰的情况下的信号特征提取准确度,从而提高角度估计结果的精度。
本文档来自技高网...【技术保护点】
1.一种基于神经网络的DOA模型训练方法,其特征在于,所述DOA模型为训练好的复值神经网络,所述方法包括以下步骤:
2.根据权利要求1所述的方法,其特征在于,所述利用所述第一数据集对未训练的复值神经网络进行预训练,得到预训练后的复值神经网络,具体包括:
3.根据权利要求2所述的方法,其特征在于,应用于训练好的复值神经网络,所述未训练的复值神经网络包括初始特征提取模块、深度特征提取模块和映射模块,将所述第一数据集中不包含噪声的样本方位角信号输入所述未训练的复值神经网络,得到样本方位角估计结果,具体包括:
4.根据权利要求3所述的方法,其特征在于,所述将所述第一数据集中不包含噪声的样本方位角信号输入初始特征提取模块,得到第一初始特征,具体包括:
5.根据权利要求3所述的方法,其特征在于,所述映射模块还包括转置卷积层和线性层,所述将所述深度特征输入映射模块,得到方位角估计结果,具体包括:
6.根据权利要求1所述的方法,其特征在于,所述利用所述第二数据集对所述预训练后的复值神经网络进行信噪比分层训练,得到信噪比分层训练后的复值神
7.根据权利要求1所述的方法,其特征在于,所述利用所述第三数据集对所述信噪比分层训练后的复值神经网络进行信噪比自适应训练,得到所述训练好的复值神经网络,具体包括:
8.一种基于神经网络的DOA估计方法,其特征在于,所述估计方法包括以步骤:
9.一种电子设备,其特征在于,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现权利要求1-8任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,其中存储有处理器可执行的程序,所述处理器可执行的程序在由处理器执行时用于执行如权利要求1-8任一项所述的方法。
...【技术特征摘要】
1.一种基于神经网络的doa模型训练方法,其特征在于,所述doa模型为训练好的复值神经网络,所述方法包括以下步骤:
2.根据权利要求1所述的方法,其特征在于,所述利用所述第一数据集对未训练的复值神经网络进行预训练,得到预训练后的复值神经网络,具体包括:
3.根据权利要求2所述的方法,其特征在于,应用于训练好的复值神经网络,所述未训练的复值神经网络包括初始特征提取模块、深度特征提取模块和映射模块,将所述第一数据集中不包含噪声的样本方位角信号输入所述未训练的复值神经网络,得到样本方位角估计结果,具体包括:
4.根据权利要求3所述的方法,其特征在于,所述将所述第一数据集中不包含噪声的样本方位角信号输入初始特征提取模块,得到第一初始特征,具体包括:
5.根据权利要求3所述的方法,其特征在于,所述映射模块还包括转置卷积层和线性层,所述将所述深度特征输入映射模...
【专利技术属性】
技术研发人员:吴亿锋,张宇恒,张书尘,曾嵘,王佳琛,
申请(专利权)人:中山大学,
类型:发明
国别省市:
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。