CN113608192A - 一种探地雷达远场定位方法、装置及计算机可读存储介质 - Google Patents
一种探地雷达远场定位方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113608192A CN113608192A CN202110909174.XA CN202110909174A CN113608192A CN 113608192 A CN113608192 A CN 113608192A CN 202110909174 A CN202110909174 A CN 202110909174A CN 113608192 A CN113608192 A CN 113608192A
- Authority
- CN
- China
- Prior art keywords
- matrix
- receiving
- array
- model
- matrix model
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 230000000149 penetrating effect Effects 0.000 title claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims abstract description 194
- 238000010801 machine learning Methods 0.000 claims abstract description 22
- 238000012216 screening Methods 0.000 claims abstract description 19
- 238000009499 grossing Methods 0.000 claims abstract description 13
- 230000003595 spectral effect Effects 0.000 claims abstract description 13
- 238000006243 chemical reaction Methods 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 230000007547 defect Effects 0.000 claims description 46
- 238000001228 spectrum Methods 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 32
- 239000013598 vector Substances 0.000 claims description 32
- 230000004044 response Effects 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 3
- 238000011426 transformation method Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000004807 localization Effects 0.000 claims description 2
- 238000003491 array Methods 0.000 abstract description 10
- 238000004422 calculation algorithm Methods 0.000 description 16
- 238000001514 detection method Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000011478 gradient descent method Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000011497 Univariate linear regression Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/411—Identification of targets based on measurements of radar reflectivity
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/885—Radar or analogous systems specially adapted for specific applications for ground probing
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Mathematical Physics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Electromagnetism (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请公开了一种探地雷达远场定位方法、装置及计算机可读存储介质，基于均匀圆阵流形矩阵的接收矩阵模型，通过模式空间变换方法将模式空间转换为能满足范德蒙结构的阵列流形矩阵，再利用前向空间平滑方法将阵列流形矩阵分成若干个互相重叠的子阵，通过计算各个子阵的数据协方差矩阵来获得接收矩阵模型的协方差矩阵，最后引入机器学习和深度卷积神经网络的方法获取超参数以及谱峰筛选阈值，利用空间谱对接收的路面缺陷反射信号的定位信息的确定，解决了现有的数量估计算法存在冗余，降低实时性，且容易导致定位完全失效的技术问题。
Description
技术领域
本申请涉及探地雷达技术领域，尤其涉及一种探地雷达远场定位方法、装置及计算机可读存储介质。
背景技术
探地雷达(Ground Penetrating Radar.GPR)是利用天线发射和接收高频电磁波来探测介质内部物质特性和分布规律的一种地球物理方法。其利用电磁波的发射与接收实现大范围的测量，深度从几厘米到几十米不等，是一种无损探测技术，与其他常规的地下探测方法相比，具有探测速度快、探测过程连续、分辨率高、操作方便灵活、探测费用低等优点，非常适用于公路的快速无损检测。而当要求检测分辨率突破瑞利限(由于每个天线的物理尺寸的限制，导致信源信号估计的角度分辨力很小)时，探地雷达自身硬件性能无法满足需求，这就需要使用信号处理中的超分辨率信号源定位算法，对反射信号进行分析处理，实现超性能缺陷无损检测。
在信号处理研究领域中，阵列信号处理是一个十分重要的研究方向。它是通过将多个被称为阵元的传感器以一定的规则放置在空间中的不同位置，形成一定的结构，从而对空域信号进行采样，进而结合采样数据的空间信息和时间信息对阵列接收信号进行进一步处理。由于有多个传感器，阵列信号处理具有信号增益高，能灵活控制波束，空间分辨能力强等优点。测向***中最常用的阵列结构有均匀线阵和均匀圆阵。线阵能进行-90°到90°的一维角测向，但测向范围不能覆盖全方位(360度)。且在需要求二维角的场景中，线阵无法同时测出方位角与俯仰角。与线阵相比，均匀圆阵拥有测向范围覆盖全方位，能同时获得方位角和俯仰角二维的测向值，测向精度均匀，孔径小，无镜像模糊等优点，因此基于均匀圆阵的测向算法在实际工程中作用更大更广。
虽然高分辨率的远场信号源定位算法已经在探地雷达中得到应用并展现出突破硬件本身限制的分辨率及准确率，但上述方法都只能在有缺陷数量先验知识的远场场景下使用。在实际应用场景中，缺陷数量是不可知的，超分辨率算法的使用往往需要事先引入数量估计算法。然而，数量估计算法的引入一方面使得定位算法存在冗余，降低实时性，另一方面在数量估计不准确的情况之下，定位算法将完全失效。
发明内容
本申请提供了一种探地雷达远场定位方法、装置及计算机可读存储介质，解决了现有的数量估计算法存在冗余，降低实时性，且容易导致定位完全失效的技术问题。
有鉴于此，本申请第一方面提供了一种探地雷达远场定位方法，所述方法包括：
步骤S101、构建接收路面缺陷反射信号的天线接收阵列的接收矩阵模型Y＝AS+N，其中，Y表示阵元接收到的所述路面缺陷反射信号，A表示方向响应向量，S表示信号源入射信号，N表示阵列噪声，所述天线接收阵列为均匀圆阵流形矩阵；
步骤S102、通过模式空间变换方法将所述接收矩阵模型的均匀圆阵流形矩阵转换为阵列流形矩阵；
步骤S103、利用前向空间平滑方法将所述接收矩阵模型的阵列流形矩阵分成若干个相互重叠的子阵；
步骤S104、根据各个所述子阵的数据协方差矩阵确定所述接收矩阵模型的阵列流形矩阵的协方差矩阵；
步骤S105、基于机器学习的方法获取所述接收矩阵模型的超参数；
步骤S106、根据接收矩阵模型的所述阵列流形矩阵的协方差矩阵以及所述超参数构建子空间，所述子空间为满秩且与方向响应向量正交；
步骤S107、基于深度卷积神经网络的方法获取所述接收矩阵模型的谱峰筛选阈值；
步骤S108、根据所述子空间、所述谱峰筛选阈值以及所述方向响应向量定义空间谱，并对所述空间谱进行频谱搜索，搜索到的波峰对应的角度信息为所述路面缺陷的定位信息。
可选地，所述步骤S101中，A＝[a(θ1,Φ1),a(θ2,Φ2),…,a(θk,Φk)]T，其中，k为信号源数量，θ为所述信号源入射信号的方位角，Φ为所述信号源入射信号的方向角。
可选地，所述步骤S102具体包括：
将变换矩阵B与所述接收矩阵模型Y＝AS+N的两边同时相乘，使得所述接收矩阵模型的均匀圆阵流形矩阵转换为阵列流形矩阵；
所述变换矩阵具体为：
其中，Jh(β)为h阶段第一类贝塞尔函数，h为模式空间的模式序号，h取h≈β；
所述接收矩阵模型变换为：
可选地，所述步骤S103中第k个子阵为：
其中，
可选地，所述步骤S104具体包括：
根据各个所述子阵的数据协方差矩阵
确定所述接收矩阵模型的阵列流形矩阵的协方差矩阵为
其中，H表示矩阵的共轭转置。
可选地，所述步骤S105具体包括：
构建第一训练数据集以及第一测试数据集；
对预设机器学习模型通过所述第一训练数据集进行训练，直到所述预设机器学习模型的损失函数达到最优值，得到所述预设机器学习模型的最优参数；
将所述接收矩阵模型的所述路面缺陷反射信号的信噪比输入至所述最优参数的预设机器学习模型中，得到所述接收矩阵模型的超参数。
可选地，所述步骤S107具体包括：
构建第二训练数据集以及第二测试数据集；
对预设深度卷积神经网络通过所述第二训练数据集进行训练，直到所述预设深度卷积神经网络的损失函数达到最优值，得到所述预设深度卷积神经网络的最优参数；
将所述接收矩阵模型的所述路面缺陷反射信号输入至所述最优参数的预设深度卷积神经网络中，得到所述接收矩阵模型的谱峰筛选阈值。
可选地，所述步骤S108中的空间谱具体为：
其中，Un为子空间，Un＝I-Rf(RfHRf+μI)-1RfH，I为单位矩阵，μ为超参数，a为方向响应向量A的列向量。
本申请第二方面提供一种探地雷达远场定位装置，所述装置包括：
第一构建单元，用于构建接收路面缺陷反射信号的天线接收阵列的接收矩阵模型Y＝AS+N，其中，Y表示阵元接收到的所述路面缺陷反射信号，A表示方向响应向量，S表示信号源入射信号，N表示阵列噪声，所述天线接收阵列为均匀圆阵流形矩阵；
变换单元，用于通过模式空间变换方法将所述接收矩阵模型的均匀圆阵流形矩阵转换为阵列流形矩阵；
处理单元，用于利用前向空间平滑方法将所述接收矩阵模型的阵列流形矩阵分成若干个相互重叠的子阵；
计算单元，用于根据各个所述子阵的数据协方差矩阵确定所述接收矩阵模型的阵列流形矩阵的协方差矩阵；
第一获取单元，用于基于机器学习的方法获取所述接收矩阵模型的超参数；
第二构建单元，用于根据接收矩阵模型的所述阵列流形矩阵的协方差矩阵以及所述超参数构建子空间，所述子空间为满秩且与方向响应向量正交；
第二获取单元，用于基于深度卷积神经网络的方法获取所述接收矩阵模型的谱峰筛选阈值；
定位单元，用于根据所述子空间、所述谱峰筛选阈值以及所述方向响应向量定义空间谱，并对所述空间谱进行频谱搜索，搜索到的波峰对应的角度信息为所述路面缺陷的定位信息。
本申请第三方面提供一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述第一方面所述的探地雷达远场定位方法。
从以上技术方案可以看出，本申请实施例具有以下优点：
本申请中，提供了一种探地雷达远场定位方法，基于均匀圆阵流形矩阵的接收矩阵模型，通过模式空间变换方法将模式空间转换为能满足范德蒙结构的阵列流形矩阵，再利用前向空间平滑方法将阵列流形矩阵分成若干个互相重叠的子阵，通过计算各个子阵的数据协方差矩阵来获得接收矩阵模型的协方差矩阵，最后引入机器学习和深度卷积神经网络的方法获取超参数以及谱峰筛选阈值，利用空间谱对接收的路面缺陷反射信号的定位信息的确定，解决了现有的数量估计算法存在冗余，降低实时性，且容易导致定位完全失效的技术问题。
附图说明
图1为本申请实施例中一种探地雷达远场定位方法的方法流程图；
图2为本申请实施例中一种探地雷达远场定位装置的结构示意图；
图3为本申请实施例中探地雷达进行路面监测时的工作图示；
图4为本申请实施例中均匀圆阵流形矩阵的模型示意图。
具体实施方式
本申请实施例提供了一种探地雷达远场定位方法、装置及计算机可读存储介质，解决了现有的数量估计算法存在冗余，降低实时性，且容易导致定位完全失效的技术问题。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请设计了一种探地雷达远场定位方法、装置及计算机可读存储介质，由于公路病害发生于内部，不易被直接观测，探地雷达以其无损及快速采集的特性被广泛运用于公路无损检测的工程当中。又由于探地雷达自身硬件条件的限制，要使得检测精度突破瑞利限，需要使用信号处理中的信号源定位算法。但在现有的信号源定位算法中，需要有一个先验条件，即信号源的数量，具体到应用实例中，即探地雷达负责监测公路的缺陷点数量。如上所提，公路病害发生于内部，不易被直接观测，且探地雷达的工作就是监测路面，发现缺陷并定位，这就使得在应有现有的信号源定位算法之前，需要进行公路缺陷数量的估测，不仅增加工作步骤降低了实用性，且估算结果的精确程度将会直接影响到定位的准确程度。本申请提出的这种不受缺陷数量先验知识约束的探地雷达远场定位技术则可以解决传统定位技术依赖于先验知识即缺陷数量，而在实际应用过程中又无法直接得到缺陷数量的问题。下面对该不受缺陷数量先验知识约束的探地雷达远场定位算法进行细节阐述。
为了便于理解，请参阅图1，图1为本申请实施例中一种探地雷达远场定位方法的方法流程图，如图1所示，具体为：
S101、构建接收路面缺陷反射信号的天线接收阵列的接收矩阵模型Y＝AS+N，其中，Y表示阵元接收到的路面缺陷反射信号，A表示方向响应向量，S表示信号源入射信号，N表示阵列噪声，天线接收阵列为均匀圆阵流形矩阵；
需要说明的是，构建接收路面缺陷反射信号的天线接收阵列的接收矩阵模型Y＝AS+N，用接收矩阵模型来表示路面缺陷反射信号与信号源入射信号的关系，多个阵元可以同时接收多个信号。A＝[a(θ1,Φ1),a(θ2,Φ2),…,a(θk,Φk)]T，其中，k为信号源数量，θ为信号源入射信号的方位角，Φ为信号源入射信号的方向角。
探地雷达进行路面监测时的工作图示见图3所示，探测雷达对公路发出探测信号并接收来自缺陷的反射信号，而信号源定位算法在探地雷达中的应用就是根据天线接收阵列接收到的来自公路缺陷的反射信号，进行缺陷定位。
对ym(t)进行N点采样，要处理的问题就变成了通过输出信号ym(t)的采样ym(t)＝1,2，…，M(M为阵元个数)估计信号源入社信号的波达方向角，由此可以很自然的将阵列信号看做是噪声干扰的若干空间谐波的叠加，从而将波达方向估计问题与谱估计联系起来。
S102、通过模式空间变换方法将接收矩阵模型的均匀圆阵流形矩阵转换为阵列流形矩阵；
需要说明的是，均匀圆阵流形矩阵结构如图4所示，其是阵元空间非范德蒙结构，需要通过模式空间变换方法将其转换为成为模式空间，从而满足范德蒙结构。该步骤与下一步利用前向空间平滑方法解信号有关。
具体地，将变换矩阵B与接收矩阵模型Y＝AS+N的两边同时相乘，使得接收矩阵模型的均匀圆阵流形矩阵转换为阵列流形矩阵；
变换矩阵具体为：
其中，Jh(β)为h阶段第一类贝塞尔函数，h为模式空间的模式序号，h取h≈β
接收矩阵模型变换为：
经过变换后的
变换成为满足范德蒙结构的形式，从而将原来的均匀圆阵流形矩阵转换成模式空间的虚拟均匀矩阵，该虚拟均匀矩阵具有M’＝(2h+1)个模式阵元元素，而且与实际均匀圆阵流形矩阵一样具有平移不变性，可以进行空间平滑。
S103、利用前向空间平滑方法将接收矩阵模型的阵列流形矩阵分成若干个相互重叠的子阵；
需要说明的是，利用前向空间平滑方法来解决相干信源的去相干问题，其基本思想是将阵列流形矩阵分为若干个相互重叠的子阵，当相干信源进入原来整个线阵的时候，会使得阵列协方差矩阵的信号子空间矢量减少，但信号进入不同的子阵时，这些子阵的协方差之和的信号子空间矢量就可能不减少，从而达到去相干的目的。
将阵列流形矩阵的阵元从前向后分成相互交错的p个子阵，每个子阵的阵元数为m，显然有M’＝p+m-1。取从左往右第一个子阵为参考子阵，则第k个子阵具体为：
其中，
S104、根据各个子阵的数据协方差矩阵确定接收矩阵模型的阵列流形矩阵的协方差矩阵；
需要说明的是，在得到子阵后，根据各个子阵的数据协方差矩阵
确定接收矩阵模型的阵列流形矩阵的协方差矩阵为
其中，H表示矩阵的共轭转置。
为了恢复满秩的协方差矩阵，前向平滑空间法通过求各个子阵的数据协方差矩阵的均值来实现，即前向平滑修正得到接收矩阵模型的阵列流形矩阵的协方差矩阵。
S105、基于机器学习的方法获取接收矩阵模型的超参数；
需要说明的是，具体为：
构建第一训练数据集以及第一测试数据集；
实验记录信号信噪比，定位角度，合理的阈值，选择的超参数等数据。重复多次实验，并记录相应的数据，得到一个由实验数据组成的带标签的数据集。再将数据集用自助法分成训练集和测试集。对于分出的训练集数据进行数据清晰，将预测量和标签分开。
对预设机器学习模型通过第一训练数据集进行训练，直到预设机器学习模型的损失函数达到最优值，得到预设机器学习模型的最优参数；
选取合适的训练模型，这里因为问题是监督学习任务且为简单的单变量回归问题，选用线性回归模型作为预设机器学习模型进行训练。设特征信噪比为x，线性回归模型函数为y＝b+w.x，其中y即为输出，在这个问题里，y就是我们需要知道的超参数。而其中的w和b的取值就是训练需要解决的问题。
损失函数的定义为
其中，
代表训练数据的标签值(真实值)，
代表第n组实验数据。损失函数的数学意义，就是计算多组实验数据真实值和预测值之差的平方和。这里取10组实验数据，计算损失函数，损失函数越小则代表，模型训练的越好。
损失函数是评价模型训练的好坏的度量标准，要筛选出最好的模型则需要依靠梯度下降法。根据损失函数的意义，找到最优模型即是找到损失函数最小时对应的w和b的值。在这里引入一个概念学习率：移动的步长η。先从w入手，用梯度下降法找到使损失函数最小的w的步骤如下：
1、随机选取一个w0；
2、计算微分，也就是当前的斜率，根据斜率来判定移动方向，大于0向右移动(增加w)，小于0向左移动(减少w)；
3、根据学习率移动。
4、重复步骤2和步骤3，直到找到最低点。
引入两个参数，w和b的做法是类似的，需要做的是偏微分，过程如下：
1、随机选取w0和b0；
2、计算偏微分。
3、根据学习率移动。
4、重复步骤2和3，直到找到最低点。
将接收矩阵模型的路面缺陷反射信号的信噪比输入至最优参数的预设机器学习模型中，得到接收矩阵模型的超参数。
通过梯度下降不断更新损失函数的结果，这个结果会越来越小，而在线性模型里面梯度下降基本上都能找到最优点。最优点对应的w和b值就是训练完成的最优模型。在实际的缺陷检测中，只需要将信噪比作为特征输入模型，即可得到输出的对应的超参数。
S106、根据接收矩阵模型的阵列流形矩阵的协方差矩阵以及超参数构建子空间，子空间为满秩且与方向响应向量正交；
需要说明的是，利用步骤S104得到的协方差矩阵，构成一个满秩的，且与方向响应向量正交的子空间Un。
性质1：协方差矩阵的大特征值对应的特征向量张成的空间与入射信号的导向矢量张成的空间是同一个空间。
性质2：信号子空间和噪声子空间正交，且当i＝N+1,...,M(M为阵元个数)时，有AHei＝0。
综合性质1和性质2，容易得到阵列的导向矢量也与噪声子空间正交。传统的MUSIC算法就是利用这两个性质，对于信号源进行估计。不难发现，在利用这一性质对信号源进行估计的时候，必须分离出信号子空间和噪声子空间，而要分离信号子空间和噪声子空间必须依靠准确的信号源数量K。
在对协方差矩阵进行特征分解后，对分解得到的特征值进行排序，其中较大的K个特征值对应的特征向量，张成信号子空间，其余的即为噪声子空间。然而，本文提出的技术则是需要避免对于信号源数量的依赖性。基于传播算子的原理，分析信号源数量存在的用处，以及出现估计错误时的问题，
分析发现，当估计的信源数K1小于实际信号源数时，构造的子空间的秩小于等于K1，又因为K1<K，且K等于方向向量A的秩，所以构造的子空间与A不满足正交性。当估计的信源数K1大于实际信号源数时，又会导致构造的子空间(假设构造的子空间为Un)不满秩，在下一步的[Un H.Un]-1操作中出现问题。
所以，在构造与方向向量正交的子空间Un时，既要满足该分离子空间的秩大于信号源数量K，又要保证其满秩。这里，因为协方差矩阵的秩，一定大于或等于信号源数量，所以，只需要令Un＝I-Rf(RfHRf+μI)-1RfH(其中Ⅰ为单位矩阵，矩阵的秩等于rank(Rf),μ为超参数)。
S107、基于深度卷积神经网络的方法获取接收矩阵模型的谱峰筛选阈值；
具体地：
构建第二训练数据集以及第二测试数据集；
实验记录信号信噪比，定位角度，合理的阈值等数据。重复多次实验，并记录相应的数据，得到一个由实验数据组成的带标签的数据集。再将数据集用自助法分成训练集和测试集。对于分出的训练集数据进行数据清晰，将预测量和标签分开。
对预设深度卷积神经网络通过第二训练数据集进行训练，直到预设深度卷积神经网络的损失函数达到最优值，得到预设深度卷积神经网络的最优参数；
选取合适的训练模型，利用卷积网络DCN和全连接网络FCN构造深度卷积神经网络，并通过选择合适的训练策略，对网络进行有效训练。
卷积网络DCN可以通过改变卷积核的数目来对网络的性能进行手动调节。而全连接网络FCN训练的过程中，同样需要依靠损失函数和梯度下降法对网络内部参数进行最优搜索，以获得最佳网络。
将接收矩阵模型的路面缺陷反射信号输入至最优参数的预设深度卷积神经网络中，得到接收矩阵模型的谱峰筛选阈值。
S108、根据子空间、谱峰筛选阈值以及方向响应向量定义空间谱，并对空间谱进行频谱搜索，搜索到的波峰对应的角度信息为路面缺陷的定位信息。
需要说明的是，空间谱具体为：
其中，Un为子空间，Un＝I-Rf(RfHRf+μI)-1RfH，I为单位矩阵，μ为超参数，a为方向响应向量A的列向量。
在定义了空间谱后，进行频谱搜索，在超出谱峰筛选阈值的数值范围，寻找波峰，波峰对应的角度即为路面缺陷的定位信息。
本实施例提供了一种探地雷达远场定位方法，基于均匀圆阵流形矩阵的接收矩阵模型，通过模式空间变换方法将模式空间转换为能满足范德蒙结构的阵列流形矩阵，再利用前向空间平滑方法将阵列流形矩阵分成若干个互相重叠的子阵，通过计算各个子阵的数据协方差矩阵来获得接收矩阵模型的协方差矩阵，最后引入机器学习和深度卷积神经网络的方法获取超参数以及谱峰筛选阈值，利用空间谱对接收的路面缺陷反射信号的定位信息的确定，解决了现有的数量估计算法存在冗余，降低实时性，且容易导致定位完全失效的技术问题。
请参阅图2，图2为本申请实施例中一种探地雷达远场定位装置的结构示意图，如图2所示，具体为：
第一构建单元201，用于构建接收路面缺陷反射信号的天线接收阵列的接收矩阵模型Y＝AS+N，其中，Y表示阵元接收到的路面缺陷反射信号，A表示方向响应向量，S表示信号源入射信号，N表示阵列噪声，天线接收阵列为均匀圆阵流形矩阵；
变换单元202，用于通过模式空间变换方法将接收矩阵模型的均匀圆阵流形矩阵转换为阵列流形矩阵；
处理单元203，用于利用前向空间平滑方法将接收矩阵模型的阵列流形矩阵分成若干个相互重叠的子阵；
计算单元204，用于根据各个子阵的数据协方差矩阵确定接收矩阵模型的阵列流形矩阵的协方差矩阵；
第一获取单元205，用于基于机器学习的方法获取接收矩阵模型的超参数；
第二构建单元206，用于根据接收矩阵模型的阵列流形矩阵的协方差矩阵以及超参数构建子空间，子空间为满秩且与方向响应向量正交；
第二获取单元207，用于基于深度卷积神经网络的方法获取接收矩阵模型的谱峰筛选阈值；
定位单元208，用于根据子空间、谱峰筛选阈值以及方向响应向量定义空间谱，并对空间谱进行频谱搜索，搜索到的波峰对应的角度信息为路面缺陷的定位信息。
本申请实施例还提供一种计算机可读存储介质，用于存储程序代码，该程序代码用于执行前述各个实施例的一种探地雷达远场定位方法中的任意一种实施方式。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请所提供的几个实施例中，应该理解到，所揭露的***，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元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单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，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，本申请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)执行本申请各个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(英文全称：Read-OnlyMemory，英文缩写：ROM)、随机存取存储器(英文全称：Random Access Memory，英文缩写：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种探地雷达远场定位方法，其特征在于，包括：
步骤S101、构建接收路面缺陷反射信号的天线接收阵列的接收矩阵模型Y＝AS+N，其中，Y表示阵元接收到的所述路面缺陷反射信号，A表示方向响应向量，S表示信号源入射信号，N表示阵列噪声，所述天线接收阵列为均匀圆阵流形矩阵；
步骤S102、通过模式空间变换方法将所述接收矩阵模型的均匀圆阵流形矩阵转换为阵列流形矩阵；
步骤S103、利用前向空间平滑方法将所述接收矩阵模型的阵列流形矩阵分成若干个相互重叠的子阵；
步骤S104、根据各个所述子阵的数据协方差矩阵确定所述接收矩阵模型的阵列流形矩阵的协方差矩阵；
步骤S105、基于机器学习的方法获取所述接收矩阵模型的超参数；
步骤S106、根据接收矩阵模型的所述阵列流形矩阵的协方差矩阵以及所述超参数构建子空间，所述子空间为满秩且与方向响应向量正交；
步骤S107、基于深度卷积神经网络的方法获取所述接收矩阵模型的谱峰筛选阈值；
步骤S108、根据所述子空间、所述谱峰筛选阈值以及所述方向响应向量定义空间谱，并对所述空间谱进行频谱搜索，搜索到的波峰对应的角度信息为所述路面缺陷的定位信息。
2.根据权利要求1所述的探地雷达远场定位方法，其特征在于，所述步骤S101中，A＝[a(θ1,Φ1),a(θ2,Φ2),…,a(θk,Φk)]T，其中，k为信号源数量，θ为所述信号源入射信号的方位角，Φ为所述信号源入射信号的方向角。
3.根据权利要求1所述的探地雷达远场定位方法，其特征在于，所述步骤S102具体包括：
将变换矩阵B与所述接收矩阵模型Y＝AS+N的两边同时相乘，使得所述接收矩阵模型的均匀圆阵流形矩阵转换为阵列流形矩阵；
所述变换矩阵具体为：
其中，Jh(β)为h阶段第一类贝塞尔函数，h为模式空间的模式序号，h取h≈β；
所述接收矩阵模型变换为：
4.根据权利要求3所述的探地雷达远场定位方法，其特征在于，所述步骤S103中第k个子阵为：
其中，
5.根据权利要求4所述的探地雷达远场定位方法，其特征在于，所述步骤S104具体包括：
根据各个所述子阵的数据协方差矩阵
确定所述接收矩阵模型的阵列流形矩阵的协方差矩阵为
其中，H表示矩阵的共轭转置。
6.根据权利要求5所述的探地雷达远场定位方法，其特征在于，所述步骤S105具体包括：
构建第一训练数据集以及第一测试数据集；
对预设机器学习模型通过所述第一训练数据集进行训练，直到所述预设机器学习模型的损失函数达到最优值，得到所述预设机器学习模型的最优参数；
将所述接收矩阵模型的所述路面缺陷反射信号的信噪比输入至所述最优参数的预设机器学习模型中，得到所述接收矩阵模型的超参数。
7.根据权利要求6所述的探地雷达远场定位方法，其特征在于，所述步骤S107具体包括：
构建第二训练数据集以及第二测试数据集；
对预设深度卷积神经网络通过所述第二训练数据集进行训练，直到所述预设深度卷积神经网络的损失函数达到最优值，得到所述预设深度卷积神经网络的最优参数；
将所述接收矩阵模型的所述路面缺陷反射信号输入至所述最优参数的预设深度卷积神经网络中，得到所述接收矩阵模型的谱峰筛选阈值。
8.根据权利要求7所述的探地雷达远场定位方法，其特征在于，所述步骤S108中的空间谱具体为：
其中，Un为子空间，Un＝I-Rf(RfHRf+μI)-1RfH，I为单位矩阵，μ为超参数，a为方向响应向量A的列向量。
9.一种探地雷达远场定位装置，其特征在于，包括：
第一构建单元，用于构建接收路面缺陷反射信号的天线接收阵列的接收矩阵模型Y＝AS+N，其中，Y表示阵元接收到的所述路面缺陷反射信号，A表示方向响应向量，S表示信号源入射信号，N表示阵列噪声，所述天线接收阵列为均匀圆阵流形矩阵；
变换单元，用于通过模式空间变换方法将所述接收矩阵模型的均匀圆阵流形矩阵转换为阵列流形矩阵；
处理单元，用于利用前向空间平滑方法将所述接收矩阵模型的阵列流形矩阵分成若干个相互重叠的子阵；
计算单元，用于根据各个所述子阵的数据协方差矩阵确定所述接收矩阵模型的阵列流形矩阵的协方差矩阵；
第一获取单元，用于基于机器学习的方法获取所述接收矩阵模型的超参数；
第二构建单元，用于根据接收矩阵模型的所述阵列流形矩阵的协方差矩阵以及所述超参数构建子空间，所述子空间为满秩且与方向响应向量正交；
第二获取单元，用于基于深度卷积神经网络的方法获取所述接收矩阵模型的谱峰筛选阈值；
定位单元，用于根据所述子空间、所述谱峰筛选阈值以及所述方向响应向量定义空间谱，并对所述空间谱进行频谱搜索，搜索到的波峰对应的角度信息为所述路面缺陷的定位信息。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1-8任一项所述的探地雷达远场定位方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110909174.XA CN113608192B (zh) | 2021-08-09 | 2021-08-09 | 一种探地雷达远场定位方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110909174.XA CN113608192B (zh) | 2021-08-09 | 2021-08-09 | 一种探地雷达远场定位方法、装置及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113608192A true CN113608192A (zh) | 2021-11-05 |
| CN113608192B CN113608192B (zh) | 2022-02-18 |
Family
ID=78340024
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110909174.XA Active CN113608192B (zh) | 2021-08-09 | 2021-08-09 | 一种探地雷达远场定位方法、装置及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113608192B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116054909A (zh) * | 2022-12-16 | 2023-05-02 | 广东工业大学 | 一种基于改进型传播算子的卫星通信抗干扰方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8861655B1 (en) * | 2013-06-11 | 2014-10-14 | King Fahd University Of Petroleum And Minerals | Method of performing structure-based bayesian sparse signal reconstruction |
| US20160071526A1 (en) * | 2014-09-09 | 2016-03-10 | Analog Devices, Inc. | Acoustic source tracking and selection |
| CN107255793A (zh) * | 2017-06-16 | 2017-10-17 | 中国电子科技集团公司第二十九研究所 | 一种针对宽带ofdm通信信号的阵列测向方法及装置 |
| CN109541526A (zh) * | 2018-12-29 | 2019-03-29 | 西北工业大学 | 一种利用矩阵变换的圆环阵方位估计方法 |
| CN109975842A (zh) * | 2019-03-04 | 2019-07-05 | 广东工业大学 | 一种基于小波变换的北斗卫星信号高精度盲捕获方法 |
| CN111123192A (zh) * | 2019-11-29 | 2020-05-08 | 湖北工业大学 | 一种基于圆形阵列和虚拟扩展的二维doa定位方法 |
| CN111767791A (zh) * | 2020-05-21 | 2020-10-13 | 中国地质大学（武汉） | 一种基于对抗正则化深度神经网络的到达角估计方法 |
| CN112684408A (zh) * | 2020-11-06 | 2021-04-20 | 西安交通大学 | 一种基于稀疏贝叶斯学习的近场信号源定位方法、***及设备 |
-
2021
- 2021-08-09 CN CN202110909174.XA patent/CN113608192B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8861655B1 (en) * | 2013-06-11 | 2014-10-14 | King Fahd University Of Petroleum And Minerals | Method of performing structure-based bayesian sparse signal reconstruction |
| US20160071526A1 (en) * | 2014-09-09 | 2016-03-10 | Analog Devices, Inc. | Acoustic source tracking and selection |
| CN107255793A (zh) * | 2017-06-16 | 2017-10-17 | 中国电子科技集团公司第二十九研究所 | 一种针对宽带ofdm通信信号的阵列测向方法及装置 |
| CN109541526A (zh) * | 2018-12-29 | 2019-03-29 | 西北工业大学 | 一种利用矩阵变换的圆环阵方位估计方法 |
| CN109975842A (zh) * | 2019-03-04 | 2019-07-05 | 广东工业大学 | 一种基于小波变换的北斗卫星信号高精度盲捕获方法 |
| CN111123192A (zh) * | 2019-11-29 | 2020-05-08 | 湖北工业大学 | 一种基于圆形阵列和虚拟扩展的二维doa定位方法 |
| CN111767791A (zh) * | 2020-05-21 | 2020-10-13 | 中国地质大学（武汉） | 一种基于对抗正则化深度神经网络的到达角估计方法 |
| CN112684408A (zh) * | 2020-11-06 | 2021-04-20 | 西安交通大学 | 一种基于稀疏贝叶斯学习的近场信号源定位方法、***及设备 |
Non-Patent Citations (6)
| Title |
|---|
| FANG DONG等: "Real-Valued Sparse DOA Estimation for MIMO Array System Under Unknown Nonuniform Noise", 《IEEE ACCESS》 * |
| JIANZHONG LI等: "Simplified High-Order DOA and Range Estimation With Linear Antenna Array", 《IEEE COMMUNICATIONS LETTERS》 * |
| MENG SUN等: "Estimation of time delay andi nterface roughness by GPR using modified MUSIC", 《SIGNAL PROCESSING》 * |
| THI NGOC THO NGUYEN等: "Robust Source Counting and DOA Estimation Using Spatial Pseudo-Spectrum and Convolutional Neural Network", 《IEEE/ACM TRANSACTIONS ON AUDIO, SPEECH, AND LANGUAGE PROCESSING》 * |
| 张祺等: "基于模式空间算法的声源二维DOA估计", 《数据采集与处理》 * |
| 张薇等: "基于均匀圆阵Toeplitz矩阵集重构解相干算法", 《吉林大学学报(工学版)》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116054909A (zh) * | 2022-12-16 | 2023-05-02 | 广东工业大学 | 一种基于改进型传播算子的卫星通信抗干扰方法 |
| CN116054909B (zh) * | 2022-12-16 | 2023-08-08 | 广东工业大学 | 一种基于改进型传播算子的卫星通信抗干扰方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113608192B (zh) | 2022-02-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106646344B (zh) | 一种利用互质阵的波达方向估计方法 | |
| Ender | A brief review of compressive sensing applied to radar | |
| Sun et al. | Advanced signal processing methods for ground-penetrating radar: Applications to civil engineering | |
| US5990834A (en) | Radar angle determination with music direction finding | |
| Feng et al. | Airborne radar space time adaptive processing based on atomic norm minimization | |
| CN105652273B (zh) | 一种基于混合匹配追踪算法的mimo雷达稀疏成像算法 | |
| Lay-Ekuakille et al. | Optimizing and post processing of a smart beamformer for obstacle retrieval | |
| CN109597021B (zh) | 一种波达方向估计方法及装置 | |
| CN113608192B (zh) | 一种探地雷达远场定位方法、装置及计算机可读存储介质 | |
| Tian et al. | Passive localization of mixed sources jointly using MUSIC and sparse signal reconstruction | |
| Özkan et al. | Ground multiple target tracking with a network of acoustic sensor arrays using PHD and CPHD filters | |
| CN112444773A (zh) | 基于空域融合的压缩感知二维doa估计方法 | |
| Li et al. | Sparse representation-based joint angle and Doppler frequency estimation for MIMO radar | |
| Ang et al. | Multiband grid-free compressive beamforming | |
| Kujawski et al. | Fast grid-free strength mapping of multiple sound sources from microphone array data using a transformer architecture | |
| RU2491569C2 (ru) | Способ пеленгования с повышенной разрешающей способностью | |
| JP5253278B2 (ja) | 多次元データ識別装置、多次元データ識別方法、及び信号到来方向推定装置 | |
| WO2010066306A1 (en) | Apparatus and method for constructing a sensor array used for direction of arrival (doa) estimation | |
| JP2001337148A (ja) | 電磁波の到来方向推定装置 | |
| CN109557503B (zh) | 基于相关矩阵重建解相干的mimo互质阵列doa估计方法 | |
| CN116299176A (zh) | 一种基于霍夫变换的目标空间特征提取及融合定位方法 | |
| RU2452974C1 (ru) | Способ определения углового спектра | |
| CN112363106B (zh) | 基于量子粒子群的信号子空间波达方向检测方法及*** | |
| Meschino et al. | A practical guide on using SPOT-GPR, a freeware tool implementing a SAP-DoA technique | |
| Rajani et al. | Direction of arrival estimation by using artificial neural networks |
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 |