CN112305496B - 一种被动测向通道相位校正方法 - Google Patents

Abstract

本发明公开了一种被动测向通道相位校正方法，利用DNN网络提取接收机接收信号相位特征，将校正问题转化为DNN网络特征提取问题，找出通道输出信号相位差与天线信号原始相位差的映射，并校正通道相位误差。对接收到的信号进行相位误差模型的建立，将天线信号与通道频率响应函数的乘积作为输入，通过对天线信号初始相位差从0到180°的稀疏点校正，从而达到全相位的校正。相比于传统方法，本发明可以具有更好的灵活性，通过将校正后信号的相位以标准差形式展现，可以更好的说明网络的稳定性，从而带来更好的校正效果。

Description

一种被动测向通道相位校正方法

技术领域

本发明涉及一种被动测向通道相位校正方法，特别是一种基于DNN的被动测向通道相位校正方法，属于雷达信号处理领域。

背景技术

通道幅度相位不一致会使得一系列阵列信号处理算法性能严重恶化。通道的失配会使得 DOA估计性能下降，从而使得波束形成算法的性能也严重恶化。通道失配造成MUSIC估角谱峰的尖锐度下降、谱峰存在偏差，而且通道失配程度严重时会造成无法分辨两个角度相近的信号，估角精度大大降低。通道之间存在幅度和相位的不一致性其具体表现形式为不同通道之间的频率响应函数不同，在做通道较正时，宽带信号以及窄带信号的通道幅相不一致性的校正方法是不同的。

早期的通道校正方法，操作比较复杂，对进行通道校正的设备要求苛刻、应用性差。通道校正的一个重大突破就是建立了通道幅相误差模型，将通道校正问题转化为通道误差的估计以及补偿问题，大大降低了通道有源校正和稳健算法研究的困难程度。已有文献提出了在辅助信号源准确方位信息不明确的情况下，采用最小均方误差准则来拟合实际通道误差进而实现通道校正，提出的误差校正方法可对任意阵列形式进行校正，并可对同时存在位置误差, 幅度误差及相位误差的阵列进行校正,解决了实际中的诸多校正问题。

近年来，随着在深度学习领域不断的探索和研究，已经在语音识别、图像识别、自然语言领域取得比较大的成功。可以将深度学习应用于相位校正技术，代替原有的有源校正和无源校正技术。

发明内容

针对上述现有技术，本发明要解决的技术问题是提供一种基于深度神经网络的被动测向通道相位校正方法，解决目前设计均衡滤波器来对通道进行通道校正方法的精度不够，效果不佳以及灵活度不够等问题，建立通道失配模型数据，对频段上接收信号的稀疏相位点数据进行校正，从而达到全相位的校正。

为解决上述技术问题，本发明的一种被动测向通道相位校正方法，包括以下步骤：

步骤1：采用改进的正弦波动模型作为通道的失配模型，所述正弦波动模型具体为：

其中，H(ω)是通道的幅频响应，下标i表示第i个通道的频率响应，a_0i为幅度常数，a_1i为幅度波动峰值，b_0i为相位斜率，b_1i为相位波动峰值。K_1i和K_2i分别表示幅度和相位在整个带宽B内波动的的周期数，

和

表示波动的起始相位；

步骤2：构建网络训练集，天线信号选择单载频正弦信号s(t)，双通道满足：

s₁(t)＝sin(2πf_i1+θ_i2)

s₂(t)＝sin(2πf_i1)

其中，f_i1为信号的频率，选择训练集信号频段范围和信号频率点，θ_i2为天线信号的初始相位，设另一通道的初始相位为0，则θ_i2为两信号的初始相位差，取0到180°每10°取一次将其稀疏化；将s(t)进行快速傅里叶变化，得到其频域表达式S(ω)，与H(ω)相乘将相位误差引入原始信号中，得到：

G(ω)＝S(ω)H(ω)

步骤3：构建DNN支路，定义DNN的层和参数；

步骤4：使用训练集训练模型，使用验证集评估模型，调整模型参数得到神经网络模型；

步骤5：利用测试集对训练好的模型进行校正测试，输出天线信号的初始相位差估计结果。

本发明还包括：

1.步骤3中DNN包括输入层、输出层和三层隐藏层，每一层的输出定义为：

a^l＝σ(z^l)＝σ(W^la^l-1+b^l)

σ(·)为激活函数，假设第l-1层共有m个神经元，而第l层共有n个神经元，则第l层的线性系数w组成了一个n×m的矩阵W^l,第l层的偏倚b组成了一个n×1的向量b^l,第l-1层的输出a组成了一个m×1的向量a^l-1，第l层的未激活前线性输出z组成了一个n×1的向量z^l，第l层的输出a组成了一个n×1的向量a^l，即为第l层的输出。

2.步骤5中天线信号的初始相位差估计结果满足：

其中，y代表真实值，y’代表预测值。

本发明的有益效果：本发明将用DNN网络取代传统的滤波器均衡方法。使用多种不同参数的通道失配模型，通过对这些失配模型数据进行训练，相比于传统方法，此方法可以具有更好的灵活性，通过将校正后信号的相位以标准差形式展现，可以更好的说明网络的稳定性，从而带来更好的校正效果。

附图说明

图1为本发明的总***结构框图；

图2为本发明的实验流程图；

图3为本发明的最小均方误差随训练步数的梯度下降图；

图4为本发明的100个测试集为一轮，共20轮预测并求标准差的结果图。

具体实施方式

下面结合附图对本发明具体实施方式做进一步说明。

本发明提出了一种基于深度学习DNN网络的通道校正方法，利用DNN网络提取接收机接收信号相位特征，将校正问题转化为DNN网络特征提取问题，找出通道输出信号相位差与天线信号原始相位差的映射，并校正通道相位误差。对接收到的信号进行相位误差模型的建立，将天线信号与通道频率响应函数的乘积作为输入，通过对天线信号初始相位差从0到 180°的稀疏点校正，从而达到全相位的校正。本发明不专门研究DNN网络本身，而是针对已经比较成熟的神经网络的结构和参数进行修改，使之适用于训练接收机接收的信号。

本次发明的技术方案为一种基于DNN的通道校正方法，该发明包括如下步骤：

步骤一：这里对通道使用正弦波动模型作为此次通道的失配模型。正弦波动模型是直接利用通道的频率响应描述通道频率特性。假设通道的频率响应表示为：

H(ω)＝|H(ω)|exp(jθ(ω)) (1)

式中，ω为角频率。H(ω)是通道的幅频响应，θ(ω)是通道的相频响应，分别用傅立叶级数展开，a_i为傅里叶级数展开的常系数，c₁为傅里叶级数展开的i次谐波分量。

这就正弦波动模型，它将通道的幅频响应和相频响应展开成多个正弦波动之和。除常数项外，第一项，第二项，...第n项分别称为一次畸变，二次畸变，…n次畸变，畸变次数越高，波动越剧烈，通道失真越严重。若略去傅立叶级数的高次项，则有：

|H(ω)|＝a₀+a₁cos(c₁ω) (4)

θ(ω)＝-b₀ω+b₁sin(c₂ω) (5)

因此，理想通道的频率响应可以表示为：

H₀(ω)＝a₀exp(-jb₀ω) (6)

上式说明理想通道的幅频特性在信号带宽范围内为恒定值，a₀表示幅度，b₀表示相位，均为常数。相频特性在信号带宽范围内和频率成线性关系。失配通道的频率响应可表示为：

H(ω)＝[a₀+a₁cos(c₁ω)]exp[-jb₀ω+jb₁sin(c₂ω)] (7)

一阶正弦波动模型对于分析单通道与频率有关的幅度和相位误差对雷达性能的影响是非常方便的，但是要模拟宽带多通道之间的失配过于简单。而多阶正弦波动表示成多个正弦波动之和，虽然模型准确，但是用于理论及仿真比较复杂。因此一种折中的办法是，将模型稍作修改成如下形式

下标i表示第i个通道的频率响应，a_0i为幅度常数，a_1i为幅度波动峰值，b_0i为相位斜率， b_1i为相位波动峰值。K_1i和K_2i分别表示幅度和相位在整个带宽B内波动的的周期数。

和

表示波动的起始相位。

步骤二：网络的训练集，结合图1进行说明。通道模型将选择以上说明的正弦波动模型，通道的频率响应即为式(8)所给出的H(ω)，天线信号选择简单的单载频正弦信号s(t)，考虑双通道如下式：

s₁(t)＝sin(2πf_i1+θ_i2) (9)

s₂(t)＝sin(2πf_i1) (10)

f_i1为信号的频率，此发明训练集选取频段为0到200MHz，每1MHz选取一个点将其作为训练集的信号频率，θ_i2为天线信号的初始相位，因为设另一通道的初始相位为0，所以可以认为θ_i2为两信号的初始相位差，取0到180°每10°取一次将其稀疏化。将s(t)进行快速傅里叶变化，得到其频域表达式S(ω)，与H(ω)相乘即可将相位误差引入原始信号中。

G(ω)＝S(ω)H(ω) (11)

步骤三：构建DNN支路，定义DNN的层和参数

这里定义DNN共有五层，包含输入层，输出层，三层隐藏层，σ(·)为激活函数，则第l 层的输出定义为

a^l＝σ(z^l)＝σ(W^la^l-1+b^l) (12)

假设第l-1层共有m个神经元，而第l层共有n个神经元，则第l层的线性系数w组成了一个n×m的矩阵W^l,第l层的偏倚b组成了一个n×1的向量b^l,第l-1层的输出a组成了一个m×1的向量a^l-1，第l层的未激活前线性输出z组成了一个n×1的向量z^l，第l层的输出a组成了一个n×1的向量a^l，即为第l层的输出。

激活函数均为ReLU函数，相比sigmoid函数与tanh函数，能克服梯度消失问题和加快训练速度，并且可以激活其稀疏性。ReLU激活函数如下所示：

步骤四：使用训练集训练模型，使用验证集评估模型，不断调整模型参数，从而获得最佳的神经网络模型。损失函数采用二次损失函数，公式如式(14)，y代表真实值，y'代表预测值。训练batch大小设置512，测试batch大小为256，训练750步。

学习率初始值为0.001，采用指数衰减的自动调节学习率方式。通过DNN网络对信号加通道数据进行计算,输出天线信号的原始相位差；经过多次迭代训练，通过估计结果的误差调整DNN模型的各神经元的权重，保存训练模型。

步骤五：利用测试集对训练好的模型进行校正测试，输出天线信号的初始相位差估计结果。测试集信号选取如公式(9)(10)所示的双通道，f_i1则从5到140MHz每5MHz选取一次，θ_i2则从0到180°每1°选取一次，进行测试。最后以100个测试集的随机数据为一轮测试，对输出的相位差求标准差，得到结果。

(15)为所求标准差的公式，同式(14)y代表真实值，y'代表预测值。

结合图2对网络的性能进行进一步的仿真验证：

1.实验场景：本实验采用python语言搭建网络，基于tensorflow对模型进行训练。仿真平台使用pycharm软件进行性能验证。训练集G(m)为，信号频率从0到200M每1M选取一个点的频点设置，相位从0到180°每10°取一个点的相位差设置，每个样本重复10次，总共38000组训练数据。使用深度神经网络训练后，保存网络权值偏移等变量，使用测试集进行测试。测试集G(m)为，信号频率从5M到140M每15M选取一个点的频点设置，相位从0 到180°每1°取一个点的相位差设置，每个样本重复10次，总共18100组测试数据，最后以100个测试集的随机数据为一轮测试，对输出的相位差求标准差，得到结果。

2.实验内容分析

由图3可以看出最小均方误差随训练步数的变化，可以看出最后训练的最小均方误差接近0，而测试的最小均方误差接近20；图4表示以100个测试集的随机数据为一轮测试，对测试输出的相位差求标准差，总共20轮，最后标准差的结果均在4-6之间，说明最后相位差校正结果均在3°到5°，说明效果良好。

Claims (3)

1.一种被动测向通道相位校正方法，其特征在于，包括以下步骤：

步骤1：采用改进的正弦波动模型作为通道的失配模型，所述正弦波动模型具体为：

其中，H(ω)是通道的幅频响应，下标i表示第i个通道的频率响应，a_0i为幅度常数，a_1i为幅度波动峰值，b_0i为相位斜率，b_1i为相位波动峰值；K_1i和K_2i分别表示幅度和相位在整个带宽B内波动的周期数，

和

表示波动的起始相位；

步骤2：构建网络训练集，天线信号选择单载频正弦信号s(t)，双通道满足：

s₁(t)＝sin(2πf_i1+θ_i2)

s₂(t)＝sin(2πf_i1)

其中，f_i1为信号的频率，选择训练集信号频段范围和信号频率点，θ_i2为天线信号的初始相位，设另一通道的初始相位为0，则θ_i2为两信号的初始相位差，取0到180°每10°取一次将其稀疏化；将s(t)进行快速傅里叶变化，得到其频域表达式S(ω)，与H(ω)相乘将相位误差引入原始信号中，得到：

G(ω)＝S(ω)H(ω)

步骤3：构建DNN支路，定义DNN的层和参数；

步骤4：使用训练集训练模型，使用验证集评估模型，调整模型参数得到神经网络模型；

步骤5：利用测试集对训练好的模型进行校正测试，输出天线信号的初始相位差估计结果。

2.根据权利要求1所述的一种被动测向通道相位校正方法，其特征在于：步骤3所述DNN包括输入层、输出层和三层隐藏层，每一层的输出定义为：

a^l＝σ(z^l)＝σ(W^la^l-1+b^l)

σ(·)为激活函数，假设第l-1层共有m个神经元，而第l层共有n个神经元，则第l层的线性系数w组成了一个n×m的矩阵W^l,第l层的偏倚b组成了一个n×1的向量b^l,第l-1层的输出a组成了一个m×1的向量a^l-1，第l层的未激活前线性输出z组成了一个n×1的向量z^l，第l层的输出a组成了一个n×1的向量a^l，即为第l层的输出。

3.根据权利要求1或2所述的一种被动测向通道相位校正方法，其特征在于：步骤5所述天线信号的初始相位差估计结果满足：

其中，y代表真实值，y′代表预测值。

Images