CN106772223A - 一种基于逻辑回归的单比特空间谱估计方法 - Google Patents
一种基于逻辑回归的单比特空间谱估计方法 Download PDFInfo
- Publication number
- CN106772223A CN106772223A CN201611109952.2A CN201611109952A CN106772223A CN 106772223 A CN106772223 A CN 106772223A CN 201611109952 A CN201611109952 A CN 201611109952A CN 106772223 A CN106772223 A CN 106772223A
- Authority
- CN
- China
- Prior art keywords
- spatial spectrum
- bit
- estimation
- vector
- returned
- 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
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
- 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
- G01S3/143—Systems for determining direction or deviation from predetermined direction by vectorial combination of signals derived from differently oriented antennae
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Complex Calculations (AREA)
Abstract
一种基于逻辑回归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逻辑回归领域。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,采用逻辑回归算法对该线性分类问题进行求解,得到的分类系数及对应于阵列输入信号产生的空间谱。本发明主要用于空间谱的估计。
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逻辑回归领域。
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大规模MIMO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。考虑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。
因此,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。
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逻辑回归的单比特空间谱估计方法。
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,构造样本模型;
步骤二:对构造样本模型的输入和输出,采用逻辑回归算法建立关于分类系数的凸优化目标,利用梯度下降法对凸优化目标进行迭代更新,获得分类系数向量t,所述的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,构造样本模型的具体过程为:
步骤一一,对原始样本模型:
进行稀疏表示,获得稀疏表示后的原始样本模型:
x=FS (公式三),
步骤一二,对稀疏表示后的原始样本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;
s′为空间入射信号向量,s′=[s1′,s′2,s3′,.....sk′],sk′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,
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;
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。
所述的步骤二中,构造样本模型的输出为观测向量q,构造样本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,t0为分类器的截距。
所述的梯度下降法的梯度下降的更新公式为:
η为更新步长,Φj′为流型矩阵Φ第j′行,Φj′i为流型矩阵Φ第j′行第i列的元素,为条件概率。
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。
本发明首先构造训练样本,流型矩阵Φ的行作为训练样本输入,观测向量q作为训练样本输出。根据构造的训练样本,采用梯度下降法,获得分类系数向量,并不断更新系数向量。最后,计算空间谱。根据获得的分类系数向量,计算出空间谱值。还可根据获得的空间谱值计算入射信号角度值。根据空间谱中最大值对应的索引,计算入射角度值。
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,采用逻辑回归算法对该线性分类问题进行求解,得到的分类系数及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,并采用逻辑回归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。
发明采用单比特观测数据,简化了接收机的设计,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。
附图说明
图1为本发明所述的一种基于逻辑回归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是不同信噪下,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,构造样本模型;
步骤二:对构造样本模型的输入和输出,采用逻辑回归算法建立关于分类系数的凸优化目标,利用梯度下降法对凸优化目标进行迭代更新,获得分类系数向量t,所述的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,逻辑回归算法为现有算法,该逻辑回归算法可由最大似然估计算法推导获得,在参数估计中,最大似然估计算法是一种非常常用的估计方法。对于逻辑回归方法中,最大化似然函数的数学描述为:
其中,Φi′为第i个样本输入,qi为第i个样本观测,t′为分类器的分类系数,tmle为最大似然估计结果,P为概率。
在逻辑回归中,假设输出在输入的条件下的条件概率密度函数为Logistic函数,这也是逻辑回归名称的由来,Logistic函数的具体形式为:
其中,t0为分类器的截距,P(y|x)为条件概率。
在求解最大似然估计时,很常用的一个技巧就是对表达式取对数,将乘积项转化为求和项,也即最大对数似然估计。最大对数似然估计的结果和最大似然估计的结果一致。假设各个样本之间互不相关,则最大对数似然函数的数学表达式为:
为了将逻辑回归方法应用于空间谱估计中,需要构造训练样本和分类系数。在逻辑回归方法中,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)与逻辑回归中的模型相对应,将矩阵Φ′的每一行看做训练样本,稀疏向量t′看做逻辑回归中的分类系数,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逻辑回归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,构造样本模型的具体过程为:
步骤一一,对原始样本模型:
进行稀疏表示,获得稀疏表示后的原始样本模型:
x=FS (公式三),
步骤一二,对稀疏表示后的原始样本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;
s′为空间入射信号向量,s′=[s1′,s′2,s3′,.....sk′],sk′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,
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;
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,通过逻辑回归的方式表达出观测的似然函数并通过梯度下降法求解最大似然估计。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,建立似然函数表达式,最终将空间谱求解问题转化为一个最大似然估计问题,通过梯度下降法进行最大对数似然估计。
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二所述的一种基于逻辑回归的单比特空间谱估计方法的区别在于,所述的步骤二中,构造样本模型的输出为观测向量q,构造样本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二或三所述的一种基于逻辑回归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,t0为分类器的截距。
具体实施方式五:本实施方式与具体实施方式一所述的一种基于逻辑回归的单比特空间谱估计方法的区别在于,所述的梯度下降法的梯度下降的更新公式为:
η为更新步长,Φj′为流型矩阵Φ第j′行,Φj′i为流型矩阵Φ第j′行第i列的元素,为条件概率。
具体实施方式六:本实施方式与具体实施方式二所述的一种基于逻辑回归的单比特空间谱估计方法的区别在于,所述
具体实施方式七:本实施方式与具体实施方式一所述的一种基于逻辑回归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。
Claims (7)
1.一种基于逻辑回归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,构造样本模型;
步骤二:对构造样本模型的输入和输出,采用逻辑回归算法建立关于分类系数的凸优化目标,利用梯度下降法对凸优化目标进行迭代更新,获得分类系数向量t,所述的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。
2.根据权利要求1所述的一种基于逻辑回归的单比特空间谱估计方法,其特征在于,所述的步骤一中根据单比特接收数据,构造样本模型的具体过程为:
步骤一一,对原始样本模型:
进行稀疏表示,获得稀疏表示后的原始样本模型:
x=FS (公式三),
步骤一二,对稀疏表示后的原始样本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;
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,
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;
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。
3.根据权利要求2所述的一种基于逻辑回归的单比特空间谱估计方法,其特征在于,所述的步骤二中,构造样本模型的输出为观测向量q,构造样本模型的输入为流型矩阵Φ的行。
4.根据权利要求2或3所述的一种基于逻辑回归的单比特空间谱估计方法,其特征在于,所述的凸优化目标的表达式为:
其中,t0为分类器的截距。
5.根据权利要求1所述的一种基于逻辑回归的单比特空间谱估计方法,其特征在于,所述的梯度下降法的梯度下降的更新公式为:
η为更新步长,Φj′为流型矩阵Φ第j′行,Φj′i为流型矩阵Φ第j′行第i列的元素,为条件概率。
6.根据权利要求2所述的一种基于逻辑回归的单比特空间谱估计方法,其特征在于,所述
7.根据权利要求1所述的一种基于逻辑回归的单比特空间谱估计方法,其特征在于,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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611109952.2A CN106772223B (zh) | 2016-12-06 | 2016-12-06 | 一种基于逻辑回归的单比特空间谱估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611109952.2A CN106772223B (zh) | 2016-12-06 | 2016-12-06 | 一种基于逻辑回归的单比特空间谱估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106772223A true CN106772223A (zh) | 2017-05-31 |
CN106772223B CN106772223B (zh) | 2019-04-16 |
Family
ID=58874571
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611109952.2A Expired - Fee Related CN106772223B (zh) | 2016-12-06 | 2016-12-06 | 一种基于逻辑回归的单比特空间谱估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106772223B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN115685056A (zh) * | 2023-01-04 | 2023-02-03 | 南京理工大学 | 空间目标二维角度的测量方法、装置、电子设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101383791A (zh) * | 2008-09-26 | 2009-03-11 | 中国科学技术大学 | 一种基于单比特量化采样的超宽带频域线性均衡方法 |
US20100265799A1 (en) * | 2007-11-01 | 2010-10-21 | Volkan Cevher | Compressive sensing system and method for bearing estimation of sparse sources in the angle domain |
CN101977068A (zh) * | 2010-09-28 | 2011-02-16 | 电子科技大学 | 不需目标仰角参数对目标来波方向进行快速测定的方法 |
CN103344940A (zh) * | 2013-06-21 | 2013-10-09 | 哈尔滨工业大学深圳研究生院 | 低复杂度的doa估计方法及系统 |
-
2016
- 2016-12-06 CN CN201611109952.2A patent/CN106772223B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100265799A1 (en) * | 2007-11-01 | 2010-10-21 | Volkan Cevher | Compressive sensing system and method for bearing estimation of sparse sources in the angle domain |
CN101383791A (zh) * | 2008-09-26 | 2009-03-11 | 中国科学技术大学 | 一种基于单比特量化采样的超宽带频域线性均衡方法 |
CN101977068A (zh) * | 2010-09-28 | 2011-02-16 | 电子科技大学 | 不需目标仰角参数对目标来波方向进行快速测定的方法 |
CN103344940A (zh) * | 2013-06-21 | 2013-10-09 | 哈尔滨工业大学深圳研究生院 | 低复杂度的doa估计方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN115685056A (zh) * | 2023-01-04 | 2023-02-03 | 南京理工大学 | 空间目标二维角度的测量方法、装置、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106772223B (zh) | 2019-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109993280B (zh) | 一种基于深度学习的水下声源定位方法 | |
CN109948029B (zh) | 基于神经网络自适应的深度哈希图像搜索方法 | |
Min et al. | A gradually distilled CNN for SAR target recognition | |
Simon et al. | A blockwise descent algorithm for group-penalized multiresponse and multinomial regression | |
Cao et al. | Extreme learning machine with affine transformation inputs in an activation function | |
CN106526565B (zh) | 一种基于支持向量机的单比特空间谱估计方法 | |
Shrivastava et al. | GLAD: Learning sparse graph recovery | |
Yu et al. | Accelerating convolutional neural networks by group-wise 2D-filter pruning | |
Liu et al. | Resource-constrained federated edge learning with heterogeneous data: Formulation and analysis | |
Moon et al. | Hierarchical architectures in reservoir computing systems | |
CN106772223B (zh) | 一种基于逻辑回归的单比特空间谱估计方法 | |
Ni et al. | Algorithm-hardware co-design for efficient brain-inspired hyperdimensional learning on edge | |
Li et al. | Automatic modulation recognition based on a new deep K-SVD denoising algorithm | |
Pan et al. | Specific radar emitter identification using 1D-CBAM-ResNet | |
CN109800856A (zh) | 一种混沌粒子群优化小波神经网络的方法 | |
CN114004353A (zh) | 减少光器件数量的光神经网络芯片构建方法及系统 | |
Ye et al. | Research on machine learning algorithm based on contour matching modal matrix | |
Wu et al. | The Complex Convolutional Neural Network for Adaptive Spatio-temporal Broadband Beamforming | |
CN113378731B (zh) | 基于卷积神经网络及能量约束的绿地水系矢量提取方法 | |
Benala et al. | Software effort estimation using functional link neural networks optimized by improved particle swarm optimization | |
Han et al. | Detection of Face Mask Wearing for COVID-19 Protection based on Transfer Learning and Classic CNN Model | |
Heng-Li et al. | INTEGRATING EMD, CHAOS-BASED NEURAL NETWORK AND PSO FOR FINANCIAL TIME SERIES FORECASTING. | |
CN113807400B (zh) | 一种基于对抗攻击的高光谱图像分类方法、系统和设备 | |
He et al. | Application of fast independent component analysis on extracting the information of remote sensing imagery | |
Liu et al. | Towards permutation-invariant graph generation |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190416 Termination date: 20201206 |
|
CF01 | Termination of patent right due to non-payment of annual fee |