CN112946564B - 基于dnn的波束空间的doa估计方法、装置及计算机存储介质 - Google Patents
基于dnn的波束空间的doa估计方法、装置及计算机存储介质 Download PDFInfo
- Publication number
- CN112946564B CN112946564B CN202110390921.3A CN202110390921A CN112946564B CN 112946564 B CN112946564 B CN 112946564B CN 202110390921 A CN202110390921 A CN 202110390921A CN 112946564 B CN112946564 B CN 112946564B
- Authority
- CN
- China
- Prior art keywords
- array
- dnn
- angle
- space
- beam space
- 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 86
- 230000003287 optical effect Effects 0.000 title abstract description 5
- 239000011159 matrix material Substances 0.000 claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000013528 artificial neural network Methods 0.000 claims abstract description 33
- 239000013598 vector Substances 0.000 claims description 37
- 238000001228 spectrum Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 238000000926 separation method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 7
- 238000013507 mapping Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 5
- 230000003595 spectral effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S3/00—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Radar, Positioning & Navigation (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明实施例公开了一种基于DNN的波束空间的DOA估计方法、装置及计算机存储介质;该方法可以包括:获取阵列接收信号的协方差矩阵;根据所述阵列接收信号的协方差矩阵以及角度空间中各角度区间的波束指向协方差矩阵生成波束空间内的接收信号数据;将所述波束空间内的接收信号数据输入已利用训练数据集完成训练的深度神经网络DNN;将所述DNN输出的信号数据通过线性幅度插值获取DOA估计值。
Description
技术领域
本发明实施例涉及信号处理技术领域,尤其涉及一种基于深度神经网络(DNN,Deep Neural Networks)的波束空间的波达方向(DOA,Direction Of Arrival)估计方法、装置及计算机存储介质。
背景技术
DOA估计是阵列信号处理的一个重要研究方向,已经广泛应用于各种军事民用***,包括无线通信、天文观测、雷达和声纳。DOA估计始终朝着提高精度和超分辨率的趋势发展,并增强对阵列误差、低信噪比、有限快拍等各种未知场景的泛化能力。针对当前常规的DOA估计方案,其都是参数化的方案,也就是说,这些方案都是在假设映射可逆的情况下实现了从信号方向到阵列输出的正向映射。基于上述假设,阵列输出是由预先形成的映射来匹配的,从而实现方向估计。这类参数化方案的性能在很大程度上取决于两种映射之间的一致性,即在数据采集期间从信号方向到阵列输出的正向映射,以及从阵列输出到信号方向的反向映射。
但是,由于在阵列***中可能存在各种缺陷,例如非理想的传感器设计、阵列的安装、传感器之间的相互干扰以及受到环境因素的影响等。从而在实际的信号估计中,上述缺陷都会对DOA估计性能产生很大的影响,进而造成估计精度的下降。
尽管目前已有较多的方案通过简化模型来描述各种缺陷的影响,并提出相应的自动校准过程来提高DOA估计的精度;但上述关于阵列误差的简化模型都是从数学角度触发并带有各种附加假设,从而使得这些简化和假设在不同程度上偏离了实际情况,无法准确地处理阵列缺陷。
发明内容
有鉴于此,本发明实施例期望提供一种基于DNN的波束空间的DOA估计方法、装置及计算机存储介质;有效地利用深度神经网络对阵列误差的适应能力,利用波束空间的优势,在减低计算量的同时进一步增加对阵列误差的适应能力,从而更好地提高DOA估计的精度。
本发明实施例的技术方案是这样实现的:
第一方面,本发明实施例提供了一种基于DNN的波束空间的DOA估计方法,包括:
获取阵列接收信号的协方差矩阵;
根据所述阵列接收信号的协方差矩阵以及角度空间中各角度区间的波束指向协方差矩阵生成波束空间内的接收信号数据;
将所述波束空间内的接收信号数据输入已利用训练数据集完成训练的深度神经网络DNN;
将所述DNN输出的信号数据通过线性幅度插值获取DOA估计值。
第二方面,本发明实施例提供了一种基于DNN的波束空间的DOA估计装置,所述装置包括:获取部分、生成部分、深度神经网络DNN以及插值部分;其中,所述获取部分,经配置为获取阵列接收信号的协方差矩阵;
所述生成部分,经配置为根据所述阵列接收信号的协方差矩阵以及角度空间中各角度区间的波束指向协方差矩阵生成波束空间内的接收信号数据;
所述DNN,经配置为输入所述波束空间内的接收信号数据并输出;
所述插值部分,经配置为将所述DNN输出的信号数据通过线性幅度插值获取DOA估计值。
第三方面,本发明实施例提供了一种计算设备,所述计算设备包括接收阵列、存储器和处理器;其中,
所述接收阵列,用于接收入射的远场信号;
所述存储器,用于存储能够在所述处理器上运行的计算机程序;
所述处理器,用于在运行所述计算机程序时,执行第一方面所述基于DNN的波束空间的DOA估计方法的步骤。
第四方面,本发明实施例提供了一种计算机存储介质,所述计算机存储介质存储有基于DNN的波束空间的DOA估计程序,所述基于DNN的波束空间的DOA估计程序被至少一个处理器执行时实现第一方面所述基于DNN的波束空间的DOA估计方法步骤。
本发明实施例提供了一种基于DNN的波束空间的DOA估计方法、装置及计算机存储介质;将接收信号由阵元空间变换到波束空间,从而能够实现在减小计算量以及降低信噪比分辨率门限的同时提高了对阵列误差的泛化能力;此外,采用深度神经网络来进行DOA估计,则能够进一步提高本技术方案对阵列误差的泛化能力;而且,由于本技术方案在虚拟的波束空间进行频谱估计,所以即使在DNN的训练过程中不考虑阵列误差,也仍然对误差有很强的适应能力。
附图说明
图1为本发明实施例提供的一种基于DNN的波束空间的DOA估计方法流程示意图;
图2为本发明实施例提供的一种DNN的层级示意图;
图3为本发明实施例提供的在不同信噪比条件下角度估计偏差对比结果图;
图4为本发明实施例提供的在角度间隔为9.4°时的角度估计值和估计误差对比结果图;
图5为本发明实施例提供的在角度间隔为16.4°以及60°时的角度估计值和估计误差对比结果图;
图6为本发明实施例提供的在单信号以及三信号场景中角度估计值的对比结果图;
图7为本发明实施例提供的存在不同阵列缺陷的情况下,对来自31.5°和41.5°方向的两个信号的波达方向估计的RMSE对比结果图;
图8为本发明实施例提供的一种基于DNN的波束空间的DOA估计装置的组成示意图;
图9为本发明实施例提供的另一种基于DNN的波束空间的DOA估计装置的组成示意图;
图10为本发明实施例提供的一种计算设备的硬件组成示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
需要说明的是,为了解决常规的参数化方案中依赖于输入与输出两种映射一致性的问题,而且期望在减少计算量以及降低信噪比分辨率门限的同时提高对阵列误差的泛化能力,参见图1,其示出了本发明实施例提供的一种基于DNN的波束空间的DOA估计方法,该方法可以包括:
S101:获取阵列接收信号的协方差矩阵;
S102:根据所述阵列接收信号的协方差矩阵以及角度空间中各角度区间的波束指向协方差矩阵生成波束空间内的接收信号数据;
S103:将所述波束空间内的接收信号数据输入已利用训练数据集完成训练的深度神经网络DNN;
S104:将所述DNN输出的信号数据通过线性幅度插值获取DOA估计值。
通过图1所示的技术方案,将接收信号由阵元空间变换到波束空间,从而能够实现在减小计算量以及降低信噪比分辨率门限的同时提高了对阵列误差的泛化能力;此外,采用深度神经网络来进行DOA估计,则能够进一步提高本技术方案对阵列误差的泛化能力;而且,由于本技术方案在虚拟的波束空间进行频谱估计,所以即使在DNN的训练过程中不考虑阵列误差,也仍然对误差有很强的适应能力。
对于图1所示的技术方案,在一些可能的实现方式中,所述获取阵列接收信号的协方差矩阵,包括:
基于K个独立的远场信号入射到有M个阵元的均匀阵列,设定第k个远场信号的入射方向为θk,所述均匀阵列接收到的第k个远场信号为sk(t);
通过N个相同间隔的采样时刻对接收到的远场信号进行采样,获得阵列接收信号的快拍信号X=[x(t1),...,x(tN)];
其中,v(t)为零均值的高斯白噪声,a(θ)表示理想的导向矢量;
根据下式计算所述阵列接收信号的协方差矩阵:
Rxx=E[x(tN)xH(tN)]=ASAH+RN
其中,E[·]和(·)H分别代表期望运算符和共轭变换运算符;A为阵列导向矩阵,且A=[a(θ1),a(θ2),...,a(θk)];S和RN分别为理想接收信号的协方差矩阵和噪声矩阵,分别定义为:S=E[s(t)sH(t)],RN=E[v(t)vH(t)],由于噪声服从零均值高斯分布,因此RN=σ2I,σ2为噪声功率。
对于上述实现方式,详细来说,假设有K个独立的远场信号入射到有M个阵元的均匀阵列(ULA,Uniform Linear Array)上,各远场信号的入射方向分别为θ1,...,θK,第k个远场信号的真实波形为sk(t),也可被称之为理想接收信号。实际接收信号在N个相同间隔的采样时刻t1,...,tN进行采样,所获得的矩阵为采样所得到的多个快拍信号X=[x(t1),...,x(tN)]。其中,
v(t)为零均值的高斯白噪声;a(θ)表示无缺陷的导向矢量;且Rxx(θ)=E[x(tN)xH(tN)]=ASAH+RN;E[·]和(·)H分别代表期望运算符和共轭变换运算符;A可以称之为阵列导向矩阵,且被定义为A=[a(θ1),a(θ2),...,a(θK)],S和RN为理想接收信号的协方差矩阵和噪声矩阵,分别定义为:S=E[s(t)sH(t)]、RN=E[v(t)vH(t)]。需要说明的是,由于噪声服从零均值高斯分布,因此噪声矩阵可表示为:RN=σ2I。
对于图1所示的技术方案,在一些可能的实现方式中,所述根据所述阵列接收信号的协方差矩阵以及角度空间中各角度区间的波束指向协方差矩阵生成波束空间内的接收信号数据,包括:
将角度空间划分为多个角度区间,并确定每个角度区间对应的波束指向;
根据每个角度区间对应的波束指向确定每个角度区间对应的协方差矩阵;
将所述每个角度区间对应的协方差矩阵转变为每个角度区间对应的列向量;
将所述阵列接收信号的协方差矩阵转变为所述阵列接收信号的列向量;
根据第n个角度区间对应的列向量r(γn)以及所述阵列接收信号的列向量r(θ),按照下式进行波束转换,获取所述阵列接收信号在第n个角度区间的波束空间值:
gn=rH(γn)r(θ)
其中,γn表示第n个角度区间的波束指向值,
将所有角度区间的波束空间值按照下式形成所述阵列接收信号在波束空间的信号数据:
g=[g1,g2,...,gn]T
其中,T表示转置运算符。
对于上述实现方式,详细来说,首先,将角度空间分成n份,就会得到n个角度区间,取每个角度区间中心的角度作为该角度区间对应的波束指向,比如第一个角度空间为[β1,β2],则可以取第一个区间的波束指向为γ1=(β1+β2)/2;若每个角度区间均按照同样的方式实施,将会得到表示整个角度空间的n个波束指向值(γ1,γ2,...,γn)。接着,可以计算每个波束指向值的协方差矩阵,就能计算得到每个角度区间对应的协方差矩阵R(γi)。在得到R(γn)之后,将其转换成列向量r(γi)=rec{R(γi)},其中,rec{·}表示将矩阵转换列向量运算符。类似的,将接收信号所构成的协方差矩阵Rxx(θ)也可以转换为列向量r(θ)之后,可以按照下式进行波束转换:
gi=rH(γi)r(θ)
其中,gn为第i个角度区间对应的波束空间值,i=1,...,n。
最后,将所有角度区间的波束空间值整合到一起,就形成了波束空间的接收信号数据g=[g1,g2,...,gn]T,g为波束空间的接收信号数据;也就表示完成了将接收信号由阵元空间变换到波束空间过程。
对于图1所示的技术方案,在一些可能的实现方式中,所述方法还包括利用训练数据集完成对深度神经网络DNN进行训练的过程,在一些示例中,该训练过程可以包括:
首先是训练集以及对应标签的产生;在训练时,通常采用双信号训练集来泛化到单信号以及三信号场景。在一些示例中,可以选择一些比较特殊的角度间隔Δ={Δ1,Δ2,...,ΔJ},并且采用输入向量r(θ,Δj)表示来自方向θ和θ+Δj的两个入射信号,其中,θ的范围为[θ1,θI-Δj),其中j=1,...,J表示两信号的角度间隔,I表示空间范围按照单位角度划分的网格数目。基于以上所述,DNN的训练数据集可写被表示为:Γ=[Γ1,...,ΓJ],其中表示每个网格对应的角度值;对应的标签为Ψ=[Ψ1,...,ΨJ],其中/> 表示来自方向/>和/>的两个信号对应的标签向量。
初始化一包括多个隐藏层且采用非线性激活函数的神经网络;
通过所述训练数据集利用RMSProp优化器对所述神经网络进行训练,并在训练过程中通过反向传播来更新所述神经网络的参数,以最小化空间谱的重构误差;其中,所述重构误差表示为:y是所述神经网络的理想输出,/>表示所述神经网络的实际输出;用于表征最小化重构误差的损失函数为频谱重构误差的平方的l2范数:/>
对于上述示例,详细来说,在DNN中,本发明实施例优选采用多个隐藏层并添加非线性激活函数来增强表达性,从而实现精确的波达方向估计。为了在分类器的每一层保持输入的极性,使用的非线性激活函数为双曲正切函数tanh(σ)=[tanh(σ1),tanh(σ2),...,tanh(σ-1)]T,其中,σ-1为向量σ的最后一个元素,σi表示向量σ中的第i个元素。在对DNN进行训练的过程中,通过反向传播来更新DNN内的相关参数,进而实现最小化空间谱的重构误差,变量迭代更新为:/>α可以是任意的权重矩阵以及偏置向量,μ是学***方的l2范数,即/>
对于上述示例及详细阐述,在具体实施过程中,优选地使用Tensorflow中自带的RMSProp优化器(Optimizer)依照上述阐述完成DNN的训练过程。
基于以上之阐述,在一些示例中,所述将所述波束空间内的接收信号数据输入已利用训练数据集完成训练的深度神经网络DNN,包括:
将所述阵列接收信号在波束空间的信号数据g的实部与虚部分离;
将分离后所得到的实数列向量作为所述已利用训练数据集完成训练的DNN的输入数据。
基于以上之阐述,在一些示例中,所述将所述DNN输出的信号数据通过线性幅度插值获取DOA估计值,包括:
基于所述DNN输出的信号数据频谱仅在与实际信号方向相邻的网格上具有非零正值,将每个远场信号的DOA通过两个相邻网格之间的线性幅度插值进行估计。
具体来说,线性幅度差值,首先可以从频谱中提取峰值,记录非零正值的索引,统计输出频谱中非零正值区域的数量;其次是进行角度估计,计算当前非零区域的总能量(也就是当前区域输出值的和),将输出频谱值和角度空间的角度一一对应,计算得到当前非零区域估计得到的角度值(即非零区域中频谱值和其对应的角度空间角度值的乘积求和,在与当前区域的总能量求商);最后,根据每个非零区域总能量的大小进行排序,对应于信号数量,选取总能量最大的前几个对应的角度值即为估计得到的角度值。
对于上述示例,需要说明的是,重建的频谱仅在与真实信号方向相邻的网格上具有非零正值,并且每个远场信号的方向可以通过两个相邻网格之间的线性幅度插值来估计。
对于以上本发明实施例所提供的基于深度神经网络DNN的波束空间的波达方向DOA估计方法的阐述,本发明实施例通过具体实验以验证其有效性和可行性。在本实验中,利用10阵元的均匀线性阵列(ULA)来估计从空间范围[-60°,60°)入射的远场信号方向,即M=10,θ(0)=-60°,θ(I)=60°。ULA的相邻阵元间距为信号的半波长。空间谱由1°的网格构成,因此总共有I=120个网格,即DNN的训练数据集中的协方差向量r,以及测试数据集中的向量是从K=400个快拍获得的。基于此角度空间分成20份,即n=20,每个角度区间的区域范围为6°,每个角度区间取中心角度的值作为波束指向,即γ1=-57.5°,γ2=-51.5°,...,γn=56.5°。
对于DNN网络的训练集,也以1°的间隔对[-60°,60°)空间进行采样,以获得的方向集,并计算协方差向量和相关标签。快拍的信噪比为10db。批次大小为32,学习率μ1=0.001,设置迭代次数为300,每次迭代数据集都会被打乱。输入层的大小为40,隐藏层的大小选择为4,分别为[80,160,320,240],输出层的大小对应角度区间的数目,为120。该DNN网络的各层为全连接层(FCL,Fully Connected Layer)如图2所示,且该DNN网络的各层的大小如表1所示。
表1
层名称 | 大小 |
输入层 | 40 |
第一层隐藏层 | 80 |
第二层隐藏层 | 160 |
第三层隐藏层 | 320 |
第四层隐藏层 | 240 |
输出层 | 120 |
此外,DNN网络的所有权重和偏差都是根据-0.1到0.1之间的均匀分布随机初始化。
基于以上所阐述的实验条件以及DNN网络训练,采用本发明实施例所述的基于深度神经网络DNN的波束空间的波达方向DOA估计方法(可简称为Beam space)与常规的基于阵元空间的DOA估计方法(可简称为Array element space)进行比较,实验结果如图3至图7所示。
图3对比了Beam space方法和Array element space方法在不同信噪比条件下对31°和41°方向的两个信号的角度偏差。横坐标表示信号的信噪比,从0db变化到10db,纵坐标为DOA估计的均方根误差。从图3中可以看出,随着信噪比的增加,两种方法的估计精度都有明显的提升。相比之下,本发明实施例所述的基于DNN的波束空间的DOA估计方法要优于基于阵元空间的DOA估计方法。可见,在不同信噪比环境中,本发明实施例所述的基于DNN的波束空间的DOA估计方法有着很强的适应性。
图4对比了Beam space方法和Array element space方法在角度间隔为9.4°时的角度估计值和估计误差。两信号之间的角度间隔没有出现在训练集中,并且第二信号的方向偏离预先设定的训练方向和输出频谱网格。图4的(a)和(b)表示了在虚拟阵列波束空间,当第一信号方向从-60°以1°的步长增加到50°时,两个信号的估计方向和估计误差。在图4的(c)和(d),绘制了在同样的场景中基于阵元空间的DOA估计方向和估计误差。两种方法在同样的训练场景和测试场景下进行比较,在信噪比为10db的环境中。从图4中可以看出,两种方法的估计精度都很高,波达方向估计很好地匹配它们的真实值,并且大多数估计误差都小于0.5°。可见,两种方法在此场景中的性能几乎相等。
图5则扩大了两个信号的角度间隔,分别为16.4°和60°。当角度间隔为16.4的时候,第一个信号的角度方向在-60°到43°之间变化,间隔为60°时,第二个信号的角度方向在-60°到0°之间变化。图5的(a)和(c)分别表示了Beam space方法方法在两种角度间隔时的估计方向,而(b)和(d)分别表示了Array element space方法在两种角度间隔时的估计方向。可以看出,两种方法在相同角度间隔的情况下,估计方向有几乎相同的分布,它们的训练和测试仍然保持在10db环境。因此,两种方法对未知场景都表现出很好的泛化能力。
图6展示了当测试数据包含不同数量的信号时,Beam space方法和Array elementspace方法的表现。两种方法已经在双信号场景中用阵列输出进行了训练。测试场景仍为10db场景,三信号场景中相邻信号之间的角度间隔为20°,第一个信号在-60°到40°之间变化,单信号场景第一个信号在-60°到60°之间变化。图6的(a)和(c)表示Beam space方法在单信号场景和三信号场景中角度估计的结果,(b)和(d)表示Array element space方法的估计结果。从实验结果可以看出,在单信号与双信号场景中,两种方法对未知场景都表现出很好的泛化能力;而在三信号场景中,Array element space方法在一些入射信号位于滤波器子区域的边缘时,相应的波达方向估计在精度上出现了一定程度的恶化,甚至在估计的频谱上消失。而本发明实施例所述的基于DNN的波束空间的DOA估计方法仍然表现了令人满意的性能。
图7对比了Beam space方法和Array element space方法在训练时不掺杂误差,而在测试时考虑四种不同情况的误差。假设信噪比均为10db的两个信号从31.5°和41.5°的方向撞击到阵列上,这两个方向都偏离训练和输出频谱网格。当没有误差时,两种方法都获得了非常高精度的波达方向估计。然而,随着阵列缺陷越来越明显,两种方法的波达方向估计误差几乎线性增加。从实验结果可以看到,当误差强度较小的时候,两种方法的估计偏差比较接近。随着误差强度的逐渐增大,本发明实施例所述的基于DNN的波束空间的DOA估计方法所估计得到的偏差上升的幅度要明显小于基于阵元空间的DOA估计方法。这结果也是可以预见的,由于本发明实施例所述的基于DNN的波束空间的DOA估计方法在虚拟阵列波束空间进行空间谱估计,对误差有很强的适应性。即使在训练时不考虑阵列误差,对误差仍然有很强的适应能力。
通过上述实验及实验结果的说明的和阐述可以得知:本发明实施例所述的基于DNN的波束空间的DOA估计方法具备有效性和可行性。
基于前述技术方案相同的发明构思,参见图8,其示出了本发明实施例提供的一种基于DNN的波束空间的DOA估计装置80,所述装置80可以包括:获取部分801、生成部分802、深度神经网络DNN 803以及插值部分804;其中,
所述获取部分801,经配置为获取阵列接收信号的协方差矩阵;
所述生成部分802,经配置为根据所述阵列接收信号的协方差矩阵以及角度空间中各角度区间的波束指向协方差矩阵生成波束空间内的接收信号数据;
所述DNN 803,经配置为输入所述波束空间内的接收信号数据并输出;
所述插值部分804,经配置为将所述DNN 803输出的信号数据通过线性幅度插值获取DOA估计值。
在上述方案中,所述获取部分801,经配置为:
基于K个独立的远场信号入射到有M个阵元的均匀阵列,设定第k个远场信号的入射方向为θk,所述均匀阵列接收到的第k个远场信号为sk(t);
通过N个相同间隔的采样时刻对接收到的远场信号进行采样,获得阵列接收信号的快拍信号X=[x(t1),...,x(tN)];
其中,v(t)为零均值的高斯白噪声,a(θ)表示理想的导向矢量;
根据下式计算所述阵列接收信号的协方差矩阵:
Rxx=E[x(tN)xH(tN)]=ASAH+RN
其中,E[·]和(·)H分别代表期望运算符和共轭变换运算符;A为阵列导向矩阵,且A=[a(θ1),a(θ2),...,a(θk)];S和RN分别为理想接收信号的协方差矩阵和噪声矩阵,分别定义为:S=E[s(t)sH(t)],RN=E[v(t)vH(t)],由于噪声服从零均值高斯分布,因此RN=σ2I,σ2为噪声功率。
在上述方案中,所述生成部分802,经配置为:
将角度空间划分为多个角度区间,并确定每个角度区间对应的波束指向;
根据每个角度区间对应的波束指向确定每个角度区间对应的协方差矩阵;
将所述每个角度区间对应的协方差矩阵转变为每个角度区间对应的列向量;
将所述阵列接收信号的协方差矩阵转变为所述阵列接收信号的列向量;
根据第n个角度区间对应的列向量r(γn)以及所述阵列接收信号的列向量r(θ),按照下式进行波束转换,获取所述阵列接收信号在第n个角度区间的波束空间值:
gn=rH(γn)r(θ)
其中,γn表示第n个角度区间的波束指向值,
将所有角度区间的波束空间值按照下式形成所述阵列接收信号在波束空间的信号数据:
g=[g1,g2,...,gn]T
其中,T表示转置运算符。
在上述方案中,所述生成部分802,还经配置为:
将所述阵列接收信号在波束空间的信号数据g的实部与虚部分离;
将分离后所得到的实数列向量作为所述已利用训练数据集完成训练的DNN 803的输入数据。
在上述方案中,如图9所示,所述装置80还包括训练部分805,经配置为:
初始化一包括多个隐藏层且采用非线性激活函数的神经网络;
通过所述训练数据集利用RMSProp优化器对所述神经网络进行训练,并在训练过程中通过反向传播来更新所述神经网络的参数,以最小化空间谱的重构误差;其中,所述重构误差表示为:y是所述神经网络的理想输出,/>表示所述神经网络的实际输出;用于表征最小化重构误差的损失函数为频谱重构误差的平方的l2范数:/>
在上述方案中,所述非线性激活函数为双曲正切函数为:
tanh(σ)=[tanh(σ1),tanh(σ2),...,tanh(σ-1)]T,其中,σ-1为向量σ的最后一个元素,σi表示向量σ中的第i个元素。
在上述方案中,所述插值部分804,经配置为:
基于所述DNN 803输出的信号数据频谱仅在与实际信号方向相邻的网格上具有非零正值,将每个远场信号的DOA通过两个相邻网格之间的线性幅度插值进行估计。
可以理解地,在本实施例中,“部分”可以是部分电路、部分处理器、部分程序或软件等等,当然也可以是单元,还可以是模块也可以是非模块化的。
另外,在本实施例中的各组成部分可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
所述集成的单元如果以软件功能模块的形式实现并非作为独立的产品进行销售或使用时,可以存储在一个计算机可读取存储介质中,基于这样的理解,本实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或processor(处理器)执行本实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
因此,本实施例提供了一种计算机存储介质,所述计算机存储介质存储有基于DNN的波束空间的DOA估计程序,所述基于DNN的波束空间的DOA估计程序被至少一个处理器执行时实现上述技术方案中所述基于DNN的波束空间的DOA估计方法步骤。
根据上述基于DNN的波束空间的DOA估计装置80以及计算机存储介质,参见图10,其示出了本发明实施例提供的一种能够实施上述基于DNN的波束空间的DOA估计装置80的计算设备100的具体硬件结构,该计算设备100可以为无线装置、移动或蜂窝电话(包含所谓的智能电话)、个人数字助理(PDA)、视频游戏控制台(包含视频显示器、移动视频游戏装置、移动视频会议单元)、膝上型计算机、桌上型计算机、电视机顶盒、平板计算装置、电子书阅读器、固定或移动媒体播放器,等。计算设备100包括:接收阵列1001,存储器1002和处理器1003;各个组件通过总线***1004耦合在一起。可理解,总线***1004用于实现这些组件之间的连接通信。总线***1004除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见,在图10中将各种总线都标为总线***1004。其中,
所述接收阵列1001,用于在接收入射的远场信号;
所述存储器1002,用于存储能够在所述处理器1003上运行的计算机程序;
所述处理器1003,用于在运行所述计算机程序时,执行前述技术方案中所述基于DNN的波束空间的DOA估计方法的步骤。
可以理解,本发明实施例中的存储器1002可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRate SDRAM,DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM,DRRAM)。本文描述的***和方法的存储器1002旨在包括但不限于这些和任意其它适合类型的存储器。
而处理器1003可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器1003中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1003可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1002,处理器1003读取存储器1002中的信息,结合其硬件完成上述方法的步骤。
可以理解的是,本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现,处理单元可以实现在一个或多个专用集成电路(ApplicationSpecific Integrated Circuits,ASIC)、数字信号处理器(Digital Signal Processing,DSP)、数字信号处理设备(DSP Device,DSPD)、可编程逻辑设备(Programmable LogicDevice,PLD)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。
对于软件实现,可通过执行本文所述功能的模块(例如过程、函数等)来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
可以理解地,上述基于DNN的波束空间的DOA估计装置80以及计算设备100的示例性技术方案,与前述基于DNN的波束空间的DOA估计方法的技术方案属于同一构思,因此,上述对于基于DNN的波束空间的DOA估计装置80以及计算设备100的技术方案未详细描述的细节内容,均可以参见前述基于DNN的波束空间的DOA估计方法的技术方案的描述。本发明实施例对此不做赘述。
需要说明的是:本发明实施例所记载的技术方案之间,在不冲突的情况下,可以任意组合。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (7)
1.一种基于深度神经网络DNN的波束空间的波达方向DOA估计方法,其特征在于,包括:
获取阵列接收信号的协方差矩阵;
根据所述阵列接收信号的协方差矩阵以及角度空间中各角度区间的波束指向协方差矩阵生成波束空间内的接收信号数据;
将所述波束空间内的接收信号数据输入已利用训练数据集完成训练的深度神经网络DNN;
将所述DNN输出的信号数据通过线性幅度插值获取DOA估计值;
其中,将所述DNN输出的信号数据通过线性幅度插值获取DOA估计值,包括:
基于所述DNN输出的信号数据频谱仅在与实际信号方向相邻的网格上具有非零正值,将每个远场信号的DOA通过两个相邻网格之间的线性幅度插值进行估计;
所述根据所述阵列接收信号的协方差矩阵以及角度空间中各角度区间的波束指向协方差矩阵生成波束空间内的接收信号数据,包括:
将角度空间划分为多个角度区间,并确定每个角度区间对应的波束指向;
根据每个角度区间对应的波束指向确定每个角度区间对应的协方差矩阵;
将所述每个角度区间对应的协方差矩阵转变为每个角度区间对应的列向量;
将所述阵列接收信号的协方差矩阵转变为所述阵列接收信号的列向量;
根据第n个角度区间对应的列向量以及所述阵列接收信号的列向量/>,按照下式进行波束转换,获取所述阵列接收信号在第n个角度区间的波束空间值:
其中,表示第n个角度区间的波束指向值,
将所有角度区间的波束空间值按照下式形成所述阵列接收信号在波束空间的信号数据:
其中,T表示转置运算符;
所述将所述波束空间内的接收信号数据输入已利用训练数据集完成训练的深度神经网络DNN,包括:
将所述阵列接收信号在波束空间的信号数据的实部与虚部分离;
将分离后所得到的实数列向量作为所述已利用训练数据集完成训练的DNN的输入数据。
2.根据权利要求1所述的方法,其特征在于,所述获取阵列接收信号的协方差矩阵,包括:
基于K个独立的远场信号入射到有M个阵元的均匀阵列,设定第k个远场信号的入射方向为,所述均匀阵列接收到的第k个远场信号为/>;
通过N个相同间隔的采样时刻对接收到的远场信号进行采样,获得阵列接收信号的快拍信号;
其中,,/>为零均值的高斯白噪声,/>表示理想的导向矢量;
根据下式计算所述阵列接收信号的协方差矩阵:
其中,和/>分别代表期望运算符和共轭变换运算符;/>为阵列导向矩阵,且;/>和/>分别为理想接收信号的协方差矩阵和噪声矩阵,分别定义为:/>,/>,由于噪声服从零均值高斯分布,因此/>,/>为噪声功率。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
初始化一包括多个隐藏层且采用非线性激活函数的神经网络;
通过所述训练数据集利用RMSProp优化器对所述神经网络进行训练,并在训练过程中通过反向传播来更新所述神经网络的参数,以最小化空间谱的重构误差;其中,所述重构误差表示为:,y是所述神经网络的理想输出,/>表示所述神经网络的实际输出;用于表征最小化重构误差的损失函数为频谱重构误差的平方的/>范数:/>。
4.根据权利要求3所述的方法,其特征在于,所述非线性激活函数为双曲正切函数,其中,/>,/>为向量/>的最后一个元素,/>表示向量/>中的第i个元素。
5.一种基于DNN的波束空间的DOA估计装置,其特征在于,所述装置包括:获取部分、生成部分、深度神经网络DNN以及插值部分;其中,
所述获取部分,经配置为获取阵列接收信号的协方差矩阵;
所述生成部分,经配置为根据所述阵列接收信号的协方差矩阵以及角度空间中各角度区间的波束指向协方差矩阵生成波束空间内的接收信号数据;
所述DNN,经配置为输入所述波束空间内的接收信号数据并输出;
所述插值部分,经配置为将所述DNN输出的信号数据通过线性幅度插值获取DOA估计值;
其中,所述插值部分,经配置为;基于所述DNN输出的信号数据频谱仅在与实际信号方向相邻的网格上具有非零正值,将每个远场信号的DOA通过两个相邻网格之间的线性幅度插值进行估计;
所述生成部分,经配置为:
将角度空间划分为多个角度区间,并确定每个角度区间对应的波束指向;
根据每个角度区间对应的波束指向确定每个角度区间对应的协方差矩阵;
将所述每个角度区间对应的协方差矩阵转变为每个角度区间对应的列向量;
将所述阵列接收信号的协方差矩阵转变为所述阵列接收信号的列向量;
根据第n个角度区间对应的列向量以及所述阵列接收信号的列向量/>,按照下式进行波束转换,获取所述阵列接收信号在第n个角度区间的波束空间值:
其中,表示第n个角度区间的波束指向值,
将所有角度区间的波束空间值按照下式形成所述阵列接收信号在波束空间的信号数据:
其中,T表示转置运算符;
所述生成部分,还经配置为:
将所述阵列接收信号在波束空间的信号数据的实部与虚部分离;
将分离后所得到的实数列向量作为所述已利用训练数据集完成训练的DNN的输入数据。
6.一种计算设备,其特征在于,所述计算设备包括接收阵列、存储器和处理器;其中,
所述接收阵列,用于接收入射的远场信号;
所述存储器,用于存储能够在所述处理器上运行的计算机程序;
所述处理器,用于在运行所述计算机程序时,执行权利要求1至4任一项所述基于DNN的波束空间的DOA估计方法的步骤。
7.一种计算机存储介质,其特征在于,所述计算机存储介质存储有基于DNN的波束空间的DOA估计程序,所述基于DNN的波束空间的DOA估计程序被至少一个处理器执行时实现权利要求1至4任一项所述基于DNN的波束空间的DOA估计方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110390921.3A CN112946564B (zh) | 2021-04-12 | 2021-04-12 | 基于dnn的波束空间的doa估计方法、装置及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110390921.3A CN112946564B (zh) | 2021-04-12 | 2021-04-12 | 基于dnn的波束空间的doa估计方法、装置及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112946564A CN112946564A (zh) | 2021-06-11 |
CN112946564B true CN112946564B (zh) | 2024-02-02 |
Family
ID=76231780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110390921.3A Active CN112946564B (zh) | 2021-04-12 | 2021-04-12 | 基于dnn的波束空间的doa估计方法、装置及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112946564B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113970718A (zh) * | 2021-10-27 | 2022-01-25 | 东南大学 | 一种阵列超分辨波达方向估计方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004088347A1 (fr) * | 2003-03-31 | 2004-10-14 | Da Tang Mobile Communications Equipment Co., Ltd. | Procede d'estimation de la direction de l'arrivee d'un faisceau de fixation dans l'espace |
CN1564494A (zh) * | 2004-04-01 | 2005-01-12 | 上海交通大学 | 波束空间正交频分复用调制***自适应波束形成方法 |
CN106772225A (zh) * | 2017-01-20 | 2017-05-31 | 大连大学 | 基于压缩感知的波束域doa估计 |
CN108089147A (zh) * | 2017-12-07 | 2018-05-29 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 改进的短波单位定位方法 |
CN110967665A (zh) * | 2019-10-07 | 2020-04-07 | 西安电子科技大学 | 一种多个外辐射源下运动目标回波的doa估计方法 |
CN111030952A (zh) * | 2019-12-25 | 2020-04-17 | 内蒙古大学 | 一种毫米波***的波束空间信道估计方法及*** |
CN111123202A (zh) * | 2020-01-06 | 2020-05-08 | 北京大学 | 一种室内早期反射声定位方法及*** |
CN111366892A (zh) * | 2020-03-24 | 2020-07-03 | 西北工业大学 | 一种基于神经网络Massive MIMO DOA***及实现方法 |
CN111458676A (zh) * | 2020-03-05 | 2020-07-28 | 北京邮电大学 | 一种基于级联神经网络的波达方向估计方法及装置 |
CN112565118A (zh) * | 2020-11-25 | 2021-03-26 | 哈尔滨工业大学 | 毫米波透镜天线阵列通信***信道估计方法 |
CN112600772A (zh) * | 2020-12-09 | 2021-04-02 | 齐鲁工业大学 | 一种基于数据驱动神经网络的ofdm信道估计与信号检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0405455D0 (en) * | 2004-03-11 | 2004-04-21 | Mitel Networks Corp | High precision beamsteerer based on fixed beamforming approach beampatterns |
US10811032B2 (en) * | 2018-12-19 | 2020-10-20 | Cirrus Logic, Inc. | Data aided method for robust direction of arrival (DOA) estimation in the presence of spatially-coherent noise interferers |
-
2021
- 2021-04-12 CN CN202110390921.3A patent/CN112946564B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004088347A1 (fr) * | 2003-03-31 | 2004-10-14 | Da Tang Mobile Communications Equipment Co., Ltd. | Procede d'estimation de la direction de l'arrivee d'un faisceau de fixation dans l'espace |
CN1564494A (zh) * | 2004-04-01 | 2005-01-12 | 上海交通大学 | 波束空间正交频分复用调制***自适应波束形成方法 |
CN106772225A (zh) * | 2017-01-20 | 2017-05-31 | 大连大学 | 基于压缩感知的波束域doa估计 |
CN108089147A (zh) * | 2017-12-07 | 2018-05-29 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 改进的短波单位定位方法 |
CN110967665A (zh) * | 2019-10-07 | 2020-04-07 | 西安电子科技大学 | 一种多个外辐射源下运动目标回波的doa估计方法 |
CN111030952A (zh) * | 2019-12-25 | 2020-04-17 | 内蒙古大学 | 一种毫米波***的波束空间信道估计方法及*** |
CN111123202A (zh) * | 2020-01-06 | 2020-05-08 | 北京大学 | 一种室内早期反射声定位方法及*** |
CN111458676A (zh) * | 2020-03-05 | 2020-07-28 | 北京邮电大学 | 一种基于级联神经网络的波达方向估计方法及装置 |
CN111366892A (zh) * | 2020-03-24 | 2020-07-03 | 西北工业大学 | 一种基于神经网络Massive MIMO DOA***及实现方法 |
CN112565118A (zh) * | 2020-11-25 | 2021-03-26 | 哈尔滨工业大学 | 毫米波透镜天线阵列通信***信道估计方法 |
CN112600772A (zh) * | 2020-12-09 | 2021-04-02 | 齐鲁工业大学 | 一种基于数据驱动神经网络的ofdm信道估计与信号检测方法 |
Non-Patent Citations (4)
Title |
---|
一种基于RBF神经网络实现波束形成的方法;周书宇;黄宛宁;李崔春;;计算机仿真(10);159-163 * |
基于TOFS的宽带信号波束空间DOA估计;谢坚;陈莹莹;;电子科技(06);60-63 * |
基于优化BM3D的毫米波大规模MIMO信道估计;邱佳锋;;电信科学(09);全文 * |
基于局部保持投影和RBF神经网络的DOA估计;王荣秀;田雨波;张贞凯;;科学技术与工程(24);7054-7058 * |
Also Published As
Publication number | Publication date |
---|---|
CN112946564A (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Adaptive sparse array beamformer design by regularized complementary antenna switching | |
Blunt et al. | Robust DOA estimation: The reiterative superresolution (RISR) algorithm | |
CN108279404B (zh) | 一种基于空间谱估计的双通道sar相位误差校正方法 | |
CN108710103B (zh) | 基于稀疏阵列的强弱多目标超分辨测向与信源数估计方法 | |
CN111337873B (zh) | 一种基于稀疏阵的doa估计方法 | |
CN113176532B (zh) | 基于波束空间的阵列误差和阵元失效的dnn鲁棒性doa估计方法、装置及存储介质 | |
CN110888105B (zh) | 一种基于卷积神经网络和接收信号强度的doa估计方法 | |
CN107290732B (zh) | 一种量子大***的单基地mimo雷达测向方法 | |
CN114745237B (zh) | 一种智能超表面辅助多用户无线通信***的信道估计方法 | |
CN110954860B (zh) | 一种doa和极化参数估计方法 | |
CN112946564B (zh) | 基于dnn的波束空间的doa估计方法、装置及计算机存储介质 | |
CN113835063A (zh) | 一种无人机阵列幅相误差与信号doa联合估计方法 | |
CN106680779B (zh) | 脉冲噪声下的波束成形方法及装置 | |
Liao et al. | Resolution Improvement for MUSIC and ROOT MUSIC Algorithms. | |
CN115372925A (zh) | 一种基于深度学习的阵列稳健自适应波束形成方法 | |
CN117092585B (zh) | 单比特量化DoA估计方法、***和智能终端 | |
Chen et al. | An uncertainty-set-shrinkage-based covariance matrix reconstruction algorithm for robust adaptive beamforming | |
CN113484842B (zh) | 基于目标姿态分帧与散射字典截断的rcs重构方法 | |
CN116047459A (zh) | 脉冲干扰环境下的阵列雷达回波信号恢复方法及相关设备 | |
Khan et al. | Beamspace matrix pencil method for direction of arrival estimation | |
CN115221768A (zh) | 基于多嵌套阵列的改进无迹粒子滤波直接跟踪方法 | |
CN115079090A (zh) | 基于esprit与加权降维搜索的多阵列非圆源快速定位方法 | |
CN114563764A (zh) | 一种自适应波束生成方法及*** | |
CN109270509B (zh) | 数据损失情况下基于矩阵填充的doa估计方法及*** | |
Su et al. | Beyond 10log10m array gain: A beamforming method under non-gaussian noise and multi-sources |
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 |