CN111446998B - 基于深度学习的波达方向估计方法 - Google Patents
基于深度学习的波达方向估计方法 Download PDFInfo
- Publication number
- CN111446998B CN111446998B CN201911000565.9A CN201911000565A CN111446998B CN 111446998 B CN111446998 B CN 111446998B CN 201911000565 A CN201911000565 A CN 201911000565A CN 111446998 B CN111446998 B CN 111446998B
- Authority
- CN
- China
- Prior art keywords
- signal
- arrival
- array
- neural network
- vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000013135 deep learning Methods 0.000 title claims abstract description 6
- 239000013598 vector Substances 0.000 claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/08—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station
- H04B7/0837—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station using pre-detection combining
- H04B7/0842—Weighted combining
- H04B7/086—Weighted combining using weights depending on external parameters, e.g. direction of arrival [DOA], predetermined weights or beamforming
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Noise Elimination (AREA)
- Variable-Direction Aerials And Aerial Arrays (AREA)
Abstract
基于深度学习的波达方向估计方法。对波达方向的范围进行离散化并编号,将天线阵列每个阵元接收到的窄带信号依顺序排列得到阵列信号矢量,将阵列信号矢量的希尔伯特变换作为虚部,原窄带信号作为实部,得到其解析信号矢量。将解析信号矢量每个元素的实部和虚部分别视作一个信号通道,输入到一个预先训练好的一维深度卷积神经网络提取信号特征,将信号特征输入到一个全连接神经网络,对输出取softmax函数并归一化,得到期望信号波达方向为编号对应方向的概率。本发明能够适用于期望信号与干扰信号到达方向与强度完全未知的情形,能自适应地寻找期望信号的波达方向,具有很高的准确性、快速性、可信性和鲁棒性。
Description
技术领域
本发明涉及信号处理领域,具体而言,涉及基于深度学习的波达方向估 计方法。
背景技术
在电子通讯***中,接收机常通过相控阵天线收发信号来提高波束指向 的灵活性。估计期望信号的波达方向也成为了其中的一个重要问题。传统的 波达方向估计方法大致有基于子空间的方法例如多信号分类法;波达时间延 迟法例如广义互相关法;基于L1范数惩罚的方法例如最大似然方法等。然而 在实用中这些方法面临着许多问题,例如对信号、噪声模型的非真实的假设, 真实环境中的性能不够可靠等。
发明内容
本发明解决的技术问题是:克服现有技术的不足,提供一种基于深度 学习的波达方向估计方法,能够自适应地估计来波信号中的期望信号的波达 方向,具有很好地鲁棒性。
本发明的技术方案是:基于深度学习的波达方向估计方法,步骤如下:
1)采集大量包含干扰和噪声的阵列信号作为训练数据,将训练集中的阵 列信号输送到通过深度神经网络,将深度神经网络的输出取softmax函数得 到不同的方向的概率的估计,将估计的结果与真实结果的交叉熵作为损失函 数,训练深度神经网络;
2)天线阵列接收模块实时接收并采样信号,得到一段信号,将同一时刻 每个阵元接收的信号视为一个分量,按照空间顺序排成一段阵列信号矢量;
3)对步骤2)得到的信号矢量取复包络,得到一段复包络矢量,记作 x(1),x(2),x(3),...;
4)将复包络矢量的每个分量的实部与虚部分别视为一个通道,输入训练 好的深度神经网络模型,取全连接层输出值最大的节点对应的来波方向为估 计的阵列信号的来波方向。
本发明与现有技术相比的优点在于:本发明的来波方向估计方法,实现 了鲁棒的来波方向估计功能,相比传统的来波方向估计方法,无需对干扰信 号与噪声的概率分布进行任何假设,并且对于不同强度的干扰信号都有很好 的抑制效果。
附图说明
图1是本发明方法的流程图。
图2是本发明方法的实施例中采用的模型示意图。
具体实施方式
本发明波达方向估计方法流程图见附图1,具体步骤为:
1)采集大量包含干扰和噪声的阵列信号作为训练数据,将训练集中的阵 列信号输送到通过深度神经网络,得到不同的方向的概率的估计,将估计的 结果与真实结果的交叉熵作为损失函数,训练深度神经网络;
2)天线阵列接收模块实时接收并采样信号,得到一段信号,将同一时刻 每个阵元接收的信号视为一个分量,按照空间顺序排成一段阵列信号矢量;
3)对步骤2)得到的信号矢量取复包络,得到一段复包络矢量,记作 x(1),x(2),x(3),...;
4)将复包络矢量的每个分量的实部与虚部分别视为一个通道,输入训练 好的深度神经网络模型,取全连接层输出值最大的节点对应的来波方向为估 计的阵列信号的来波方向。
实施例
以阵元数目为16的相控阵天线为例。将可能来波方向的范围(取-80° 到80°)均匀地取33个方向,即-80°,-75°,-70°,…,80°,深度神 经网络一共有33个输出单元,每个输出单元对应一个方向,用来估计期望信 号的来波方向为该方向的概率。取估计概率与真实来波方向之间的交叉熵作 为损失函数,利用采集的大量数据训练好深度神经网络。天线阵列接收一段 长度为100的信号,将同一时刻每个阵元的信号作为一个分量按照空间顺序 排列成矢量,得到一个长度为100的信号矢量序列,序列中每个矢量都是16 维矢量。对每个信号矢量取解析信号,得到一个长度为100的解析信号矢量 序列。将解析信号矢量的每个分量的实部和虚部分别视作一个通道,则上面 的16维解析信号矢量有32个通道。将上面的解析信号序列的所有通道输入 到训练好的深度神经网络模型,模型示意图如图2所示,图中的第一个矩形 表示输入信号,上面的数字表示输入信号有32个通道。后面的矩形表示一个卷积层提取到的特征图,矩形上面的数字表示特征图的通道数目,箭头的汇 合表示两个特征图相加,后面虚线框内的是全连接层。取全连接层输出值最 大的节点对应的来波方向为估计的阵列信号的来波方向。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行 了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而 已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做 的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.基于深度学习的波达方向估计方法,其特征在于步骤如下:
1)采集大量包含干扰和噪声的阵列信号及其对应的来波方向, 对每一段阵列信号取复包络,将每个阵元信号的复包络视作一个分量,按照空间顺序排列得到一段信号复包络矢量,记作
x(1),x(2),x(3)...;其中n根据实际需要取值将每个时刻的复包络矢量的实部和虚部分别视为一个通道,输送到深度神经网络,利用深度神经网络的卷积层对输入信号进行特征提取,然后将提取的特征输送到全连接层,对全连接层的输出取softmax函数并归一化,得到来波方向为节点对应的波达方向的概率, 取估计的波达方向的概率分布与真实波达方向的交叉熵作为损失函数,利用误差反向传播算法进一步训练深度神经网络;
2)天线阵列采集一段阵列信号,按1)中方法得到阵列信号的复包络矢量序列,将每个时刻的复包络矢量的实部和虚部分别视为一个信号通道,输入到1)中预先训练好的深度神经网络,取全连接层输出值最大的节点对应的波达方向作为估计的阵列信号的波达方向。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911000565.9A CN111446998B (zh) | 2019-10-21 | 2019-10-21 | 基于深度学习的波达方向估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911000565.9A CN111446998B (zh) | 2019-10-21 | 2019-10-21 | 基于深度学习的波达方向估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111446998A CN111446998A (zh) | 2020-07-24 |
CN111446998B true CN111446998B (zh) | 2021-09-14 |
Family
ID=71652562
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911000565.9A Active CN111446998B (zh) | 2019-10-21 | 2019-10-21 | 基于深度学习的波达方向估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111446998B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113030841B (zh) * | 2021-01-07 | 2024-04-02 | 屠勇刚 | 一种无线电测向方法、装置以及可读存储介质 |
CN113219404B (zh) * | 2021-05-25 | 2022-04-29 | 青岛科技大学 | 基于深度学习的水声阵列信号二维波达方向估计方法 |
CN114217264B (zh) * | 2021-11-22 | 2024-06-28 | 台州学院 | 一种基于深度学习的无线电信号波达方向估计与定位装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106788653A (zh) * | 2016-11-25 | 2017-05-31 | 西安电子科技大学 | 一种基于协方差矩阵重构的自适应波束形成方法 |
CN110133577A (zh) * | 2019-05-23 | 2019-08-16 | 成都理工大学 | 基于时频残差网络的单基互质mimo阵列doa估计算法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102830386B (zh) * | 2012-09-03 | 2014-05-07 | 西安建筑科技大学 | 一种强干扰背景下的任意阵型微弱信号源角度估计方法 |
CN103399291B (zh) * | 2013-07-22 | 2015-04-08 | 西安电子科技大学 | 基于快速稀疏恢复的超分辨波达方向估计方法 |
CN110007265A (zh) * | 2019-04-30 | 2019-07-12 | 哈尔滨工业大学 | 一种基于深度神经网络的波达方向估计方法 |
-
2019
- 2019-10-21 CN CN201911000565.9A patent/CN111446998B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106788653A (zh) * | 2016-11-25 | 2017-05-31 | 西安电子科技大学 | 一种基于协方差矩阵重构的自适应波束形成方法 |
CN110133577A (zh) * | 2019-05-23 | 2019-08-16 | 成都理工大学 | 基于时频残差网络的单基互质mimo阵列doa估计算法 |
Non-Patent Citations (1)
Title |
---|
互耦补偿的神经网络算法用于均匀圆阵波达方向估计;顾长青等;《南京航空航天大学学报》;20030930(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111446998A (zh) | 2020-07-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111446998B (zh) | 基于深度学习的波达方向估计方法 | |
CN107220606B (zh) | 基于一维卷积神经网络的雷达辐射源信号的识别方法 | |
Conte et al. | Recursive estimation of the covariance matrix of a compound-Gaussian process and its application to adaptive CFAR detection | |
CN113469110B (zh) | 一种基于深度学习的uwb非视距信号识别方法 | |
CN107015205B (zh) | 一种分布式mimo雷达检测的虚假目标消除方法 | |
CN109633538B (zh) | 非均匀采样***的最大似然时差估计方法 | |
Shutin et al. | Incremental sparse Bayesian learning for parameter estimation of superimposed signals | |
CN102317808A (zh) | 用于确定相干源抵达的方位角和仰角的方法 | |
CN109324315A (zh) | 基于双层次块稀疏性的空时自适应处理雷达杂波抑制方法 | |
WO2015014007A1 (zh) | 基于最小描述长度的近场源定位方法、装置及*** | |
CN106291449A (zh) | 对称稳定分布噪声下波达方向角估计新方法 | |
CN112684427A (zh) | 基于串行二次强化训练的雷达目标识别方法 | |
CN110888105A (zh) | 一种基于卷积神经网络和接收信号强度的doa估计方法 | |
Papageorgiou et al. | Direction-of-arrival estimation in the low-SNR regime via a denoising autoencoder | |
CN109061556B (zh) | 一种基于弹性网络的稀疏迭代波达角估计方法 | |
CN113466782B (zh) | 一种基于深度学习(dl)的互耦校正doa估计方法 | |
CN112272064B (zh) | 一种合作式mimo雷达的检测概率和互信息计算方法 | |
CN109669157A (zh) | 基于压缩传输的tdoa估计方法 | |
CN116155326B (zh) | 超大规模mimo混合场信道下的去伪峰信道估计方法 | |
CN117498982A (zh) | 基于频谱感知的无人机通信干扰抑制方法 | |
CN113589223B (zh) | 基于互耦情况下嵌套阵列的测向方法 | |
CN115908547A (zh) | 一种基于深度学习的无线定位方法 | |
CN108415005A (zh) | 一种无源定位时延估计方法及装置 | |
CN115052246A (zh) | 一种未知衰减系数下基于多频率代价函数融合的宽带信号直接定位方法 | |
CN116359893B (zh) | 一种适用于非同步阵列的匹配场水下声源定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |