一种基于SE和CNN的DOA估计方法技术

本发明专利技术涉及DOA估计技术领域，尤其涉及一种基于SE和CNN的DOA估计方法，包括：利用传感器阵列配置构建信号模型，获取阵列接收信号，并计算阵列接收信号协方差矩阵的采样估计值；将阵列接收信号协方差矩阵的采样估计值的对角线元素置零，得到采样估计协方差矩阵，得到采样估计协方差矩阵的实部、虚部和相位；构建SE‑CNN模型，以采样估计协方差矩阵的实部、虚部和相位为输入，离散化DOA的角度范围为标签，对SE‑CNN模型进行训练。本发明专利技术在复杂环境下利用深度学习技术提高DOA估计的精确度和鲁棒性。

【技术实现步骤摘要】

本专利技术涉及doa估计，尤其涉及一种基于se和cnn的doa估计方法。

技术介绍

1、doa估计作为阵列信号处理中的重要研究方向，在雷达、声纳、导航以及无线通信等众多领域中发挥着关键作用。

2、传统的doa估计方法，如最小方差无失真响应(mvdr)和music等，通常依赖于假设信号特性和阵列几何配置，但这些方法在实际环境中往往面临精度不稳定和计算复杂度较高的问题。

3、目前，深度学习方法在doa估计存在以下问题：

4、1、现有深度学习模型对数据质量高度依赖，尤其在低信噪比中，估计精度往往大幅下降，且难以有效应对信号源之间的相关性变化；

5、2、现有方法通常假设阵列位置精度完美，但在实际应用中，阵元位置的误差和信噪比失配会影响doa估计的稳定性；

6、3、深度学习模型对通道间的关系建模不足，导致在复杂场景下，模型对不同信号源间的相互影响缺乏充分的捕捉能力，进而影响估计的准确性。

技术实现思路

1、针对现有方法的不足，本专利技术在复杂环境下利用深度学习本文档来自技高网...

【技术保护点】

1.一种基于SE和CNN的DOA估计方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于SE和CNN的DOA估计方法，其特征在于，步骤一具体包括：

3.根据权利要求1所述的基于SE和CNN的DOA估计方法，其特征在于，步骤二具体包括：

4.根据权利要求1所述的基于SE和CNN的DOA估计方法，其特征在于，SE-CNN模型包括：第一卷积块、SE模块、第二、三、四卷积块、第一全连接层、第二全连接层、第三全连接层级联，输出层采用Sigmoid激活函数；其中，第一卷积块包括：滤波器数量256、核大小3×3、步幅2×2的卷积层，批归一化层和ReLU激活...

【技术特征摘要】

1.一种基于se和cnn的doa估计方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于se和cnn的doa估计方法，其特征在于，步骤一具体包括：

3.根据权利要求1所述的基于se和cnn的doa估计方法，其特征在于，步骤二具体包括：

4.根据权利要求1所述的基于se和cnn的doa估计方法，其特征在于，se-cnn模型包括：第一卷积块、se模块、第二、三、四卷积块、第一全连接层、第二全连接层、第三全连接层级联，输出层采用sigmoid激活函数；其中，第一卷积块包括：滤波器数量256、核大小3×3、步幅2×2的卷积层，批归一化层和relu激活函数；

5.根据权利要求1所述的基于se和cnn的doa估计方法，其特征在于，离散化doa的角度范围的公式为：

...

【专利技术属性】
技术研发人员：陈阳，丁杰，杨彪，王睿，吕继东，邹凌，
申请(专利权)人：常州大学，
类型：发明
国别省市：