CN106526565B - 一种基于支持向量机的单比特空间谱估计方法 - Google Patents
一种基于支持向量机的单比特空间谱估计方法 Download PDFInfo
- Publication number
- CN106526565B CN106526565B CN201611109930.6A CN201611109930A CN106526565B CN 106526565 B CN106526565 B CN 106526565B CN 201611109930 A CN201611109930 A CN 201611109930A CN 106526565 B CN106526565 B CN 106526565B
- Authority
- CN
- China
- Prior art keywords
- vector
- spatial spectrum
- bit
- estimation
- sample training
- 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.)
- Expired - Fee Related
Links
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
-
- 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
- G01S3/02—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 using radio waves
- G01S3/14—Systems for determining direction or deviation from predetermined direction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Complex Calculations (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
一种基于支持向量机的单比特空间谱估计方法,涉及阵列信号处理中的空间谱估计领域和人工智能中的支持向量机领域。解决了在单比特极端量化和超大规模天线阵情形,传统空间谱估计算法不仅计算量很大,而且精度较差的问题。本发明将大规模天线阵中的单比特空间谱估计建模为一个人工智能中的分类问题,并采用支持向量机方法来求解来波信号的空间谱。本发明提出的算法相对于传统算法的优势在于提高了空间谱估计的精度以及简化了接收机结构,并且能够同时估计多个信号源的角度。本发明用于对空间谱进行估计。
Description
技术领域
本发明涉及阵列信号处理中的空间谱估计领域和人工智能中的支持向量机领域。
背景技术
在雷达、通信、声呐、气象等领域,阵列信号处理有广泛而重要的应用。而在阵列信号处理中,空间谱估计是进行波束成形和其他阵列信号处理算法的基础。而在5G移动通信的研究中,大规模MIMO成为一个受到关注的热点。在超大规模天线阵列的情况下,进行低复杂度和高精度的空间谱估计是进行其他算法处理的基础。在真实的接收机进行测向处理时,量化处理会降低算法的精度。本发明考虑的是单比特极端量化情形,也即每个阵元只保留接收数据的符号信息。考虑单比特极端量化情形,如果仍然采用传统的空间谱估计方法比如多重信号分类算法,不仅计算量很大,而且精度较差。
因此,在单比特极端量化和超大规模天线阵情形,传统空间谱估计算法不仅计算量很大,而且精度较差,上述问题是本发明亟需解决的问题。
发明内容
本发明是为了解决在单比特极端量化和超大规模天线阵情形,传统空间谱估计算法不仅计算量很大,而且精度较差的问题。本发明提供了一种基于支持向量机的单比特空间谱估计方法。
一种基于支持向量机的单比特空间谱估计方法,该方法包括如下步骤:
步骤一:根据单比特接收数据,构造样本训练模型;
步骤二:对构造样本训练模型的输入和输出,采用支持向量机算法,计算出分类系数向量t,其中t=[t1,t2,...,ti,...,t2m]T;
步骤三:根据的分类系数向量t和下述公式一:
Si=ti+j×ti+m (公式一);
获得空间谱S=[S1,S2,...,Sm]T,从而完成对空间谱S的估计;
其中,i和m均为整数,ti为分类系数向量t的第i个分量,ti+m为分类系数向量t的第i+m个分量,Si表示空间谱S的第i个分量,j为虚数单位。
所述的步骤一中根据单比特接收数据,构造样本训练模型的具体过程为:
步骤一一,对原始样本训练模型:
进行稀疏表示,获得稀疏表示后的原始样本训练模型:
x=FS (公式三),
步骤一二,对稀疏表示后的原始样本训练模型进行单比特量化,获得单比特量化后的模型:
步骤一三,将单比特量化后的模型在实数域表示为,
q=sign(Φt+e′) (公式五),
所述的单比特量化后的模型在实数域为构造的样本训练模型;
其中,
x∈Cm为阵列接收数据,
C为复数域,m为阵元个数,
A为方向矩阵,A=[a(θ1),a(θ2),...,a(θK)],
a(θk)为流型向量,θk为真实入射信号方向,
e为自然指数,d为阵元之间的间距,λ为波长;
n为高斯噪声向量,F∈Cm×m为逆傅里叶矩阵,S∈Cm为空间谱向量;
s′为空间入射信号向量,s′=[s′1,s′2,s′3,.....s′k],s′k为空间入射信号向量s′的第k个分量;
k整数,K为空间信号源个数,
r为单比特量化后的复数域观测信号,
sign()表示取数据的符号,
表示取数据的实部,
表示取数据的虚部;
q为观测向量,q=[q1,q2......qi......qj′],
qi为观测向量q中的第i个观测数据,qj′为观测向量q中的第j′个观测数据,
Φ为流型矩阵,Φi为流型矩阵Φ第i行,
e′为实数域表示的高斯噪声向量。
所述的构造样本训练模型输出为观测向量q,构造样本训练模型的输入为流型矩阵Φ的行。
所述的凸优化目标的表达式为:
其中,ξi为第i个松弛变量,表示对任意。
所述
所述的选取||S||中最大的K个分量,从而得到的角度估计值为:
其中,ni是空间谱S中各元素的模中第i大的分量对应的下标值。
本发明设计思路,在该方法中首先对单比特接收数据进行建模获得样本模型,并将观测模型转化到实数域以便于后续处理。建模之后,将空间谱看成线性分类器的系数,将流型矩阵看成输入的样本,将阵列观测输出作为输入样本对应的输出,这样就把空间谱估计转化为一个线性分类问题。在本发明算法的最后,采用支持向量机对该线性分类问题进行求解,得到的分类系数即对应于阵列输入信号产生的空间谱。
本发明带来的有益效果是,在本发明中,将大规模天线阵中的单比特空间谱估计建模为一个人工智能中的分类问题,并采用支持向量机方法来求解来波信号的空间谱。本发明提出的算法相对于传统算法的优势在于提高了空间谱估计的精度以及简化了接收机结构,并且能够同时估计多个信号源的角度。
本发明采用单比特量化数据进行空间谱估计,能够降低接收机成本和复杂度。对量化器的要求极低,并且拥有比传统算法更好的角度估计精度,并且能够同时估计多个信号源的角度。
本发明考虑的是单比特极端量化情形,也即每个阵元只保留接收数据的符号信息。
附图说明
图1为本发明所述的一种基于支持向量机的单比特空间谱估计方法的流程图;
图2为有一个入射信号情形下,采用本发明的方法形成的空间谱;
图3是采用本发明空间谱估计算法和非量化情形下的MUSIC算法,获得的空间谱对比图;MUSIC为多重信号分类算法;
图4为采用本发明所述的空间谱估计方法,在不同信噪下,获得的空间谱的对比图。
具体实施方式
具体实施方式一:参见图1说明本实施方式,本实施方式所述的一种基于逻辑回归的单比特空间谱估计方法,该方法包括如下步骤:
步骤一:根据单比特接收数据,构造样本训练模型;
步骤二:对构造样本训练模型的输入和输出,采用支持向量机算法,计算出分类系数向量t,其中t=[t1,t2,...,ti,...,t2m]T;
步骤三:根据的分类系数向量t和下述公式一:
Si=ti+j×ti+m (公式一);
获得空间谱S=[S1,S2,...,Sm]T,从而完成对空间谱S的估计;
其中,i和m均为整数,ti为分类系数向量t的第i个分量,ti+m为分类系数向量t的第i+m个分量,Si表示空间谱S的第i个分量,j为虚数单位。
本实施方式,支持向量机算法为现有算法,在分类算法中,一个非常直观的想法是将用一条直线将不同类型的实例之间尽量分隔开,这个直观的想法可以用数学表示为:
其中,γ为间距,w为分类系数,xi为第i个训练样本,yi为第i个样本的观测。然而该表达式非凸,令w′=w/γ,w′为中间变量,则上式可以转化为:
从而使得该优化表达式的优化目标和约束条件为凸函数,可以通过凸优化工具包中的二次规划求解算法有效求解。然而因为噪声的影响,必须考虑数据不是完全可分离的情形,此时,通过增加松弛变量并且在优化目标中增加惩罚项来使优化表达式可以应用于不可分类情形,修改后的数学表达式为:
其中,s.t.表示约束条件,ξi为第i个松弛变量,m为训练样本个数,很明显,该公式十考虑噪声的影响,同时能达到最大化不同类别的间距的要求,并且可以通过凸优化有效求解。此种线性分类器求解算法称为支持向量机算法。
为了将支持向量机技术应用于空间谱估计中,需要构造训练样本和分类系数。在支持向量机中,最终的目标是达到分类的目的,也即给定输入特征下求解其对应的类别。而在空间谱估计中,目标是获得空间信号入射的角度。为了将阵列数据模型(即:构造的样本模型)与支持向量机中的模型相对应,将矩阵Φ的每一行看做训练样本,稀疏向量t看做支持向量机的分类系数,而每一个阵元的判决输出看做对应训练样本的分类结果。
在有一个入射信号情形下,采用本发明的方法获得的空间谱,具体参见图2;采用本发明空间谱估计算法和非量化情形下的MUSIC算法,获得的空间谱对比图,具体参见图3。由图3可知,发明的方法旁瓣更小,因而估计性能更好。在不同信噪下,采用本发明所述的空间谱估计方法,获得的空间谱的对比图,具体参见图4。
具体实施方式二:参见图1说明本实施方式,本实施方式与具体实施方式一所述的一种基于支持向量机的单比特空间谱估计方法的区别在于,所述的步骤一中根据单比特接收数据,构造样本训练模型的具体过程为:
步骤一一,对原始样本训练模型:
进行稀疏表示,获得稀疏表示后的原始样本训练模型:
x=FS (公式三),
步骤一二,对稀疏表示后的原始样本训练模型进行单比特量化,获得单比特量化后的模型:
步骤一三,将单比特量化后的模型在实数域表示为,
q=sign(Φt+e′) (公式五),
所述的单比特量化后的模型在实数域为构造的样本训练模型;
其中,
x∈Cm为阵列接收数据,
C为复数域,m为阵元个数,
A为方向矩阵,A=[a(θ1),a(θ2),...,a(θK)],
a(θk)为流型向量,θk为真实入射信号方向,
e为自然指数,d为阵元之间的间距,λ为波长;
n为高斯噪声向量,F∈Cm×m为逆傅里叶矩阵,S∈Cm为空间谱向量;
s′为空间入射信号向量,s′=[s′1,s′2,s′3,.....s′k],s′k为空间入射信号向量s′的第k个分量;
k整数,K为空间信号源个数,
r为单比特量化后的复数域观测信号,
sign()表示取数据的符号,
表示取数据的实部,
表示取数据的虚部;
q为观测向量,q=[q1,q2......qi......qj′],
qi为观测向量q中的第i个观测数据,qj′为观测向量q中的第j′个观测数据,
Φ为流型矩阵,Φi为流型矩阵Φ第i行,
e′为实数域表示的高斯噪声向量。
本实施方式中,本发明的思想是,可以将单比特空间谱估计的模型进行一定的扩展,将其建模为一个分类问题,通过支持向量机的方式将空间谱的求解最终转化为一个凸优化问题。具体地,首先将接收数学模型扩展为一个频域稀疏模型,并转化为实数域的单比特模型以利于后续处理。之后将扩展流型矩阵的行作为样本输入,对应的量化值作为样本分类结果,考虑噪声影响,在优化项上加上松弛惩罚项,最终将空间谱求解问题转化为一个凸优化问题。获得分类系数后,可以计算出空间谱和入射角度。仿真表明,本发明提出的方法相对传统方法具有更好的估计精度同时大大降低了接收机设计的复杂度,并且能够同时估计多个信号源的角度。
从时间序列的角度,流型向量a(θk)是一个单频复正弦信号,因此单快拍下的阵列接收数据可以看做K个单频复正弦信号的叠加。因此在大规模天线阵假设下,可以认为信号在频率域稀疏。也即我们可以把接收信号表示为一个逆傅里叶矩阵和一个稀疏向量的乘积,
x=FS (公式三)。
具体实施方式三:本实施方式与具体实施方式一或二所述的一种基于支持向量机的单比特空间谱估计方法的区别在于,所述的构造样本训练模型输出为观测向量q,构造样本训练模型的输入为流型矩阵Φ的行。
具体实施方式四:本实施方式与具体实施方式三所述的一种基于支持向量机的单比特空间谱估计方法的区别在于,所述的凸优化目标的表达式为:
其中,ξi为第i个松弛变量,表示对任意。
具体实施方式五:本实施方式与具体实施方式二所述的一种基于支持向量机的单比特空间谱估计方法的区别在于,
所述
具体实施方式六:本实施方式与具体实施方式一或二所述的一种基于支持向量机的单比特空间谱估计方法的区别在于,所述的选取||S||中最大的K个分量,从而得到的角度估计值为:
其中,ni是空间谱S中各元素的模中第i大的分量对应的下标值。
首先对单比特数据进行建模,并将该模型转化为实数域以便于后续算法处理。然后,将流型矩阵的行和观测向量作为训练样本,将空间谱作为分类器的分类系数,建立支持向量机优化目标,通过凸优化工具进行求解。通过求得的分类系数计算空间谱和入射信号角度。
本发明所述一种基于支持向量机的单比特空间谱估计方法的具体流程限于上述各实施方式所记载的具体过程,还可以是上述各实施方式所记载的技术特征的合理组合。
Claims (3)
1.一种基于支持向量机的单比特空间谱估计方法,其特征在于,该方法包括如下步骤:
步骤一:根据单比特接收数据,构造样本训练模型;
所述的步骤一中根据单比特接收数据,构造样本训练模型的具体过程为:
步骤一一,对原始样本训练模型:
进行稀疏表示,获得稀疏表示后的原始样本训练模型:
x=FS (公式三),
步骤一二,对稀疏表示后的原始样本训练模型进行单比特量化,获得单比特量化后的模型:
步骤一三,将单比特量化后的模型在实数域表示为,
q=sign(Φt+e′) (公式五),
所述的单比特量化后的模型在实数域为构造的样本训练模型;
其中,
x∈Cm为阵列接收数据,
C为复数域,m为阵元个数,
A为方向矩阵,A=[a(θ1),a(θ2),...,a(θK)],
a(θk)为流型向量,θk为真实入射信号方向,
e为自然指数,d为阵元之间的间距,λ为波长;
n为高斯噪声向量,F∈Cm×m为逆傅里叶矩阵,S∈Cm为空间谱向量;
s′为空间入射信号向量,s′=[s′1,s′2,s′3,.....s′k],s′k为空间入射信号向量s′的第k个分量;
k为整数,K为空间信号源个数,
r为单比特量化后的复数域观测信号,
sign()表示取数据的符号,
表示取数据的实部,
表示取数据的虚部;
q为观测向量,q=[q1,q2......qi......qj′],
qi为观测向量q中的第i个观测数据,qj′为观测向量q中的第j′个观测数据,
Φ为流型矩阵,Φi为流型矩阵Φ第i行,
e′为实数域表示的高斯噪声向量;
步骤二:对构造样本训练模型的输入和输出,采用支持向量机算法,计算出分类系数向量t,其中t=[t1,t2,...,ti,...,t2m]T;
步骤三:根据分类系数向量t和下述公式一:
Si=ti+j×ti+m (公式一);
获得空间谱S=[S1,S2,...,Sm]T,从而完成对空间谱S的估计;
其中,i和m均为整数,ti为分类系数向量t的第i个分量,ti+m为分类系数向量t的第i+m个分量,Si表示空间谱S的第i个分量,j为虚数单位。
2.根据权利要求1所述的一种基于支持向量机的单比特空间谱估计方法,其特征在于,所述的构造样本训练模型输出为观测向量q,构造样本训练模型的输入为流型矩阵Φ的行。
3.根据权利要求1所述的一种基于支持向量机的单比特空间谱估计方法,其特征在于,所述
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611109930.6A CN106526565B (zh) | 2016-12-06 | 2016-12-06 | 一种基于支持向量机的单比特空间谱估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611109930.6A CN106526565B (zh) | 2016-12-06 | 2016-12-06 | 一种基于支持向量机的单比特空间谱估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106526565A CN106526565A (zh) | 2017-03-22 |
CN106526565B true CN106526565B (zh) | 2019-02-22 |
Family
ID=58342545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611109930.6A Expired - Fee Related CN106526565B (zh) | 2016-12-06 | 2016-12-06 | 一种基于支持向量机的单比特空间谱估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106526565B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109343018B (zh) * | 2018-08-27 | 2023-11-10 | 南京理工大学 | 基于单比特压缩感知雷达的目标时延估计方法 |
CN109298385A (zh) * | 2018-11-29 | 2019-02-01 | 深圳大学 | 一种波达方向的估计方法,系统及终端设备 |
CN110031793B (zh) * | 2019-04-09 | 2023-06-02 | 中国电子科技集团公司第三十六研究所 | 一种干涉仪测向方法、装置和系统 |
CN111738291A (zh) * | 2020-05-18 | 2020-10-02 | 广东工业大学 | 一种基于增广加权盖尔圆矩阵的信源个数估计建模方法 |
CN113381777B (zh) * | 2021-06-15 | 2022-03-29 | 湖南国科雷电子科技有限公司 | 一种数字可重构信道化单比特接收机及其实现方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103473294A (zh) * | 2013-09-03 | 2013-12-25 | 重庆邮电大学 | 基于msvm脑电信号特征分类的方法及智能轮椅系统 |
CN105699948A (zh) * | 2015-11-27 | 2016-06-22 | 中国人民解放军理工大学 | 基于支持向量机并改进均方误差性能的波束形成方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101413229B1 (ko) * | 2013-05-13 | 2014-08-06 | 한국과학기술원 | 방향 추정 장치 및 방법 |
-
2016
- 2016-12-06 CN CN201611109930.6A patent/CN106526565B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103473294A (zh) * | 2013-09-03 | 2013-12-25 | 重庆邮电大学 | 基于msvm脑电信号特征分类的方法及智能轮椅系统 |
CN105699948A (zh) * | 2015-11-27 | 2016-06-22 | 中国人民解放军理工大学 | 基于支持向量机并改进均方误差性能的波束形成方法及系统 |
Non-Patent Citations (3)
Title |
---|
"1比特空间谱估计方法";郑娜;《中国优秀硕士学位论文全文数据库信息科技辑》;20140115;第I136-196页 |
"A smart antenna system for direction of arrival estimation based on a support vector regression";Matteo Pastorino等;《IEEE transactions on antennas and propagation》;20050731;第53卷(第7期);第2161-2167页 |
"An innovative multiresolution approach for DOA estimation based on a support vector classification";Massimo Donelli等;《IEEE transactions on antennas and propagation》;20090831;第57卷(第8期);第2279-2292页 |
Also Published As
Publication number | Publication date |
---|---|
CN106526565A (zh) | 2017-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106526565B (zh) | 一种基于支持向量机的单比特空间谱估计方法 | |
CN109993280B (zh) | 一种基于深度学习的水下声源定位方法 | |
CN105142177B (zh) | 复数神经网络信道预测方法 | |
CN103971029B (zh) | 一种用于网格失配下的doa估计的交替迭代方法 | |
Jing et al. | Designing unimodular sequence with low peak of sidelobe level of local ambiguity function | |
CN112152948A (zh) | 一种无线通信处理的方法和装置 | |
CN106021637B (zh) | 互质阵列中基于迭代稀疏重构的doa估计方法 | |
Hu et al. | Underdetermined DOA estimation method for wideband signals using joint nonnegative sparse Bayesian learning | |
Liu et al. | Off-grid DOA estimation for colocated MIMO radar via reduced-complexity sparse Bayesian learning | |
Yang et al. | A unified array geometry composed of multiple identical subarrays with hole-free difference coarrays for underdetermined DOA estimation | |
Liu et al. | Coprime array‐based robust beamforming using covariance matrix reconstruction technique | |
Saad Saoud et al. | Fully complex valued wavelet network for forecasting the global solar irradiation | |
Zhang et al. | Learning reflection beamforming codebooks for arbitrary RIS and non-stationary channels | |
Su et al. | Real-valued deep unfolded networks for off-grid DOA estimation via nested array | |
Xie et al. | Deep compressed sensing-based cascaded channel estimation for RIS-aided communication systems | |
Yang et al. | Low-cost beamforming and DOA estimation based on one-bit reconfigurable intelligent surface | |
CN106772223B (zh) | 一种基于逻辑回归的单比特空间谱估计方法 | |
Efimov et al. | Angle of arrival estimator based on artificial neural networks | |
Tang et al. | One-bit gridless DOA estimation with multiple measurements exploiting accelerated proximal gradient algorithm | |
Jiang et al. | Frequency-domain quaternion-valued adaptive filtering and its application to wind profile prediction | |
Su et al. | Convolution Neural Networks for Localization of Near‐Field Sources via Symmetric Double‐Nested Array | |
Yu et al. | Joint Nuclear Norm and ℓ 1–2-Regularization Sparse Channel Estimation for mmWave Massive MIMO Systems | |
CN104166795B (zh) | 一种基于多观测向量稀疏表示的复正弦波频率估计方法 | |
Tang et al. | An atmospheric refractivity inversion method based on deep learning | |
Su et al. | Co-prime Array Interpolation for DOA Estimation Using Deep Matrix Iterative Network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | 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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190222 Termination date: 20201206 |