CN109597047A - 基于有监督深度神经网络的米波雷达doa估计方法 - Google Patents

Abstract

本发明属于雷达技术领域，公开了一种基于有监督深度神经网络的米波雷达DOA估计方法，包括：获取P个点迹作为训练集；计算训练集中每个点迹的协方差矩阵，以及上三角元素组成上三角元素相位矩阵，得到对应的相位平均值矩阵和相位标准差矩阵；以第i个点迹对应的按列重排后的相位矩阵作为有监督深度神经网络的输入，得到第i个点迹的输出矩阵；根据目标函数对有监督深度神经网络的网络参数进行修正；获取实测目标点迹，将实测目标点迹的相位矩阵输入有监督深度神经网络中，重构实测目标点迹的协方差矩阵对目标点迹进行DOA估计，将DOA估计问题转化成一个纯粹的回归问题。

Description

基于有监督深度神经网络的米波雷达DOA估计方法

技术领域

本发明属于雷达技术领域，尤其涉及一种基于有监督深度神经网络的米波雷达DOA估计方法。

背景技术

米波雷达由于波长较长，在反隐身、抗反辐射导弹以及远距离探测等优势，故近年来被广泛研究。但由于天线尺寸的限制，米波雷达的主瓣波束较宽，角分辨率较差，抗干扰能力较差。特别是在探测远距离目标时，由于波束较宽，俯仰维波束会“打地”，雷达接收到直达波信号以及经地面反射或散射的多径信号，复杂的多径信号严重降低了测角精度。在DOA问题中，DBF、APML或SSMUSIC算法均是从时域、频域或空域等有限特征出发，但工程实际中，多径信号与直达波信号并不是完全相干的，或者仅有部分阵元接收到多径信号，复杂的多径效应使得各算法在低仰角情况下效果变差甚至完全失效，如何去挖掘更多的特征信息，突破特征有限的约束，增强直达波信号特征，抑制多径信号是本发明的重点内容。

经典的算法可分为超分辨类算法、最大似然类算法和稀疏信号重构类算法。

其中对于超分辨类算法，数字波束形成算法和空间平滑MUSIC算法通过利用信号源的空域特征或者利用信号子空间和噪声子空间的正交性的特征，进而达到DOA估计的目的。对于数字波束形成算法或者空间平滑MUSIC算法仅利用了数据的某一个特征，其测角精度是有限的，而且空间平滑MUSIC算法会带来孔径损失。

对于最大似然类算法，需要建立精确的信号模型，且需要对噪声分布等先验参数等。在工程实际中，噪声类型是未知的且难以预估，故最大似然算法取决于已知的先验信息，先验信息越多，估计精度越高。在实际工程背景下，获取先验信息的代价较大。且如噪声模型等往往较难建模。

对于稀疏重构类算法，其原理在于信号的空域信息，具有空域稀疏的特性，通过对接收信号进行稀疏恢复达到DOA估计的目的。但在优化求解中，需要反复迭代，且较难收敛到全局最优解。

发明内容

针对上述现有技术的问题，本发明的目的在于提供一种基于有监督深度神经网络的米波雷达DOA估计方法，不仅能够有效解决米波雷达在工程实际上遇到的模型失配、数据特征有限、运算量大的问题，而且有效提高了DOA估计精度。

实现本发明的技术思路是：首先提取带标签的训练集数据的协方差矩阵的上三角元素的相位，按列重排并计算相位数据集的均值μ_X和标准差σ_X，并利用μ_X和σ_X对相位数据集进行归一化；同时，根据标签角度集计算出理想的协方差矩阵的上三角元素的相位数据集，且归一化后的相位数据集作为网络的输入。以网络的输出和理想的相位的均方误差作为网络的目标函数，利用自适应时刻估计(Adam)算法更新网络权值，利用误差反向传播修正网络权值，直至目标函数收敛。在测试过程中，提取协方差矩阵上三角元素的相位与幅度并按列重排，重排后的相位数据使用测试集的均值μ_X和σ_X标准差进行归一化处理，且归一化后的相位作为网络的输入，并将网络的输出和重排后的幅度重构出新的协方差矩阵，并利用经典的算法实现DOA估计。

为达到上述目的，本发明采用如下技术方案予以实现。

一种基于有监督深度神经网络的米波雷达DOA估计方法，所述方法包括如下步骤：

步骤1，设所述米波雷达的接收阵列为M个阵元的均匀线阵，获取所述米波雷达采集的P个点迹作为训练集；

分别计算训练集中每个点迹的协方差矩阵，得到P个协方差矩阵组成的矩阵集，每个协方差矩阵的上三角元素对应的相位组成上三角元素相位矩阵，得到P个上三角元素相位矩阵组成的相位集，进而得到所述相位集对应的相位平均值矩阵和相位标准差矩阵；

步骤2，获取所述训练集中的第i个点迹，且第i个点迹对应的目标角度为θ_i，对第i个点迹的协方差矩阵的上三角元素对应的相位矩阵进行归一化，得到第i个点迹对应的归一化相位矩阵，其中，i＝1，2，..，P；

步骤3，对所述第i个点迹对应归一化相位矩阵按列重排，得到第i个点迹对应的按列重排后的相位矩阵；

步骤4，获取第i个点迹对应的目标角度的导向矢量，从而得到第i个点迹对应的理想协方差矩阵，获取第i个点迹对应的理想协方差矩阵的上三角元素组成的相位矩阵；

步骤5，根据网络参数构建有监督深度神经网络，以所述第i个点迹对应的按列重排后的相位矩阵作为所述有监督深度神经网络的输入，从而得到第i个点迹对应的有监督深度神经网络的输出矩阵；所述初始网络参数随机产生，

确定第i个点迹对应的有监督深度神经网络的输出矩阵和所述第i个点迹对应的理想协方差矩阵的上三角元素组成的相位矩阵的均方误差，并将其作为有监督深度神经网络的目标函数，对所述有监督深度神经网络的网络参数进行修正；

步骤6，令i的值加1，重复执行子步骤2-5，直到每个目标函数均收敛，得到最终训练得到的有监督深度神经网络对应的网络参数；

步骤7，获取所述米波雷达的实测目标点迹，将所述实测目标点迹的相位矩阵输入所述最终训练得到的有监督深度神经网络中，得到所述实测目标点迹对应的输出相位矩阵，从而重构所述实测目标点迹的协方差矩阵，并根据重构的实测目标点迹的协方差矩阵对目标点迹进行DOA估计。

本发明技术方案的特点和进一步的改进为：

(1)步骤1具体为：

(1a)获取所述米波雷达采集的P个点迹作为训练集X＝{x₁，…，x_i，…，x_P}，其中，x_i为第i个点迹，x_i＝a(θ_i)s_i+n_i，a(θ_i)表示第i个点迹对应的导向矢量，s_i；为目标数据，n_i为噪声数据，d为米波雷达阵元间距；

(1b)计算训练集中第i个点迹的协方差矩阵i＝1，2，..，P，得到P个协方差矩阵组成的矩阵集第i个点迹的协方差矩阵的上三角元素对应的相位组成上三角元素相位矩阵φ_i，得到P个上三角元素相位矩阵组成的相位集Φ＝{φ₁，…，φ_i，…，φ_p}，进而得到所述相位集对应的相位平均值矩阵μ_X和相位标准差矩阵σ_X。

(2)步骤2具体为：

获取所述训练集中的第i个点迹，且第i个点迹对应的目标角度为θ_i，对第i个点迹的协方差矩阵的上三角元素对应的相位矩阵进行归一化，得到第i个点迹对应的归一化相位矩阵其中，i＝1，2，…，P。

(3)步骤4具体为：

获取第i个点迹对应的目标角度的导向矢量从而得到第i个点迹对应的理想协方差矩阵获取第i个点迹对应的理想协方差矩阵的上三角元素组成的相位矩阵

(4)步骤5中所述有监督深度神经网络的网络参数采用自适应时刻估计算法Adam进行估计，并采用误差反向传播方法对有监督深度神经网络的网络参数进行修正。

(5)步骤7具体为：

(7a)获取所述米波雷达的实测目标点迹y，确定所述实测目标点迹的协方差矩阵R_yy及其对应的上三角元素组成的实测上三角矩阵，根据所述实测上三角矩阵得到对应的实测上三角相位矩阵φ_y和实测上三角幅度矩阵ρ_y；

(7b)对所述实测上三角相位矩阵φ_y进行归一化，得到归一化后的实测上三角相位矩阵

(7c)对所述归一化后的实测上三角相位矩阵按列重排，得到按列重排后的实测上三角相位矩阵将其作为实测目标点迹的相位矩阵；

(7d)将所述实测目标点迹的相位矩阵输入所述最终训练得到的有监督深度神经网络中，得到所述实测目标点迹对应的输出相位矩阵

(7e)根据所述实测目标点迹对应的输出相位矩阵和实测上三角幅度矩阵ρ_y，重构所述实测目标点迹的协方差矩阵并根据重构的实测目标点迹的协方差矩阵对实测目标点迹的进行波达方向估计。

本发明与现有技术相比具有以下优点：(1)弥补目前经典数学方法寻求特征有限的问题，通过神经网络训练的方式，充分挖掘数据的高维特征。目前，利用深度神经网络去解决DOA问题属于较空白的领域。(2)提出了一种训练相位的有监督深度神经网络学习模型，目前该模型在DOA估计领域较新，且测量结果表明，本发明方法是有效的。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明的处理流程图；

图2是在两点相干源条件下本发明与SSMUSIC算法在不同信噪比下测角误差图；

图3是在两点相干源条件下本发明与SSMUSIC算法在不同信源夹角下测角误差图；

图4是实测数据处理结果示意图。

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，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

参照图1，为本发明的一种基于深度神经网络的米波雷达DOA估计方法，包括以下具体步骤：

步骤1，对于训练集接收数据和标签角度集分别表示为X和Θ，可以得到训练集接收数据的协方差矩阵集R_XX。由于协方差矩阵具有共轭对称性，故其相位信息量等价于上三角元素的相位信息量。按列排列每个协方差矩阵上三角元素的相位得到列矢量，那么可以得到R_XX上三角相位元素的均值μ_X和标准差σ_X；

步骤2，对于训练集中的一个接收数据及其对应的标签角度分别表示为x和θ_x，得到x对应的协方差矩阵R_xx的上三角元素的相位信息并按列重排，记为φ_x；为不破坏相位的分布特性且保证神经元的活性，需要对φ_x进行高斯归一化处理，

步骤3，对于x的标签角度θ_x，先得到θ_x所对应的导向矢量，再由导向矢量得到理想情况下的协方差矩阵并提取的上三角元素相位并按列重排，结果记为

步骤4，构建卷积神经网络，作为网络的输入，那么有网络输出以与的均方误差作为目标函数，利用自适应时刻估计(Adam)算法更新网络权值，利用误差反向传播修正网络权值；

步骤5，重复步骤2～4直到目标函数收敛并保存网络参数；

步骤6，对于测试集中的单个接收数据y，得到y对应的协方差矩阵R_yy及其上三角元素的相位和幅度，且重排后相位和幅度分别记为φ_y和ρ_y。以训练集数据的均值μ_X和标准差σ_X对φ_y进行高斯归一化处理，归一化的数据作为训练好的网络的输入，并将网络的输出与原始的幅度ρ_y重构协方差矩阵并进行DOA估计；

本发明的效果可通过以下仿真实验作进一步说明：

1)仿真内容：

两点相干源条件下测角均方根误差与信噪比的关系。阵列为24阵元的均匀线阵，阵元间距为0.5m，波长1m，快拍数10，SNR∈[0∶4∶20]dB，入射角[θ₁，θ₂]＝[-2.2°，2.2°]；比较SSMUSIC算法和经深度神经网络处理后的算法精度。

2)仿真内容：两点相干源条件下测角均方根误差与信源夹角的关系。阵列为24阵元均匀线阵，阵元间距为0.5m，波长1m，快拍数30，SNR＝15dB，入射角θ₁∈[-1°：-0.2°：-2.2°]，θ₂∈[1°：0.2°：2.2°]；比较SSMUSIC算法和经深度神经网络处理后的算法精度。

3)仿真内容：实测数据分析。阵列为21阵元均匀线阵。其中，一条航迹作为训练集数据，另一条作为测试集数据。比较DBF和SSMUSIC算法和经深度神经网络处理后的测角测高精度。

4)仿真结果分析：

图2说明经过深度神经网络处理后，本发明的统计测角误差在均要小于SSMUSIC算法。经典SSMUSIC算法约在20dB时，误差才能有效收敛至0.25度，而本发明在16dB时就已经能收敛至0.25度，因此通过训练后，数据的信噪比大约提高了4dB。

图3说明了在相干源条件下，对于一个波束宽度内的信源，经过深度神经网络训练相位后，其测角误差相比直接使用经典算法是较小的。这说明本发明有效提高了DOA估计的分辨率。

图4(a～c)和(d～f)分别表示训练集和测试集的航迹、测角结果和测高结果，(g～h)表示经过深度神经网络训练前后的测角误差和测高误差图。同测角误差和测高误差结果上分析，当目标仰角较低时，由于存在严重的多径，无论是SSMUSIC算法还是DBF算法均不能有效测角。从测高结果起伏情况来分析，地面多径反射复杂多变。但经过神经网络训练后，其测高误差均能保持在300m左右，完全符合实际工程上高度的精度需求。

综合以上分析可以得出如下结论：本发明方法在数据量充足的条件下，通过训练深度神经网络增强有用信号信息比直接利用经典的测角算法进行DOA估计效果要好得多。且从实测数据的统计结果上分析，本发明能够有效对抗多径效应，有效提高DOA估计精度。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、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，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 (6)

1.一种基于有监督深度神经网络的米波雷达DOA估计方法，其特征在于，所述方法包括如下步骤：

步骤1，设所述米波雷达的接收阵列为M个阵元的均匀线阵，获取所述米波雷达采集的P个点迹作为训练集；

分别计算训练集中每个点迹的协方差矩阵，得到P个协方差矩阵组成的矩阵集，每个协方差矩阵的上三角元素对应的相位组成上三角元素相位矩阵，得到P个上三角元素相位矩阵组成的相位集，进而得到所述相位集对应的相位平均值矩阵和相位标准差矩阵；

步骤2，获取所述训练集中的第i个点迹，且第i个点迹对应的目标角度为θ_i，对第i个点迹的协方差矩阵的上三角元素对应的相位矩阵进行归一化，得到第i个点迹对应的归一化相位矩阵，其中，i＝1，2，...，P；

步骤3，对所述第i个点迹对应归一化相位矩阵按列重排，得到第i个点迹对应的按列重排后的相位矩阵；

步骤4，获取第i个点迹对应的目标角度的导向矢量，从而得到第i个点迹对应的理想协方差矩阵，获取第i个点迹对应的理想协方差矩阵的上三角元素组成的相位矩阵；

步骤5，根据网络参数构建有监督深度神经网络，以所述第i个点迹对应的按列重排后的相位矩阵作为所述有监督深度神经网络的输入，从而得到第i个点迹对应的有监督深度神经网络的输出矩阵；所述初始网络参数随机产生，

确定第i个点迹对应的有监督深度神经网络的输出矩阵和所述第i个点迹对应的理想协方差矩阵的上三角元素组成的相位矩阵的均方误差，并将其作为有监督深度神经网络的目标函数，对所述有监督深度神经网络的网络参数进行修正；

步骤6，令i的值加1，重复执行子步骤2-5，直到每个目标函数均收敛，得到最终训练得到的有监督深度神经网络对应的网络参数；

步骤7，获取所述米波雷达的实测目标点迹，将所述实测目标点迹的相位矩阵输入所述最终训练得到的有监督深度神经网络中，得到所述实测目标点迹对应的输出相位矩阵，从而重构所述实测目标点迹的协方差矩阵，并根据重构的实测目标点迹的协方差矩阵对目标点迹进行DOA估计。

2.根据权利要求1所述的一种基于有监督深度神经网络的米波雷达DOA估计方法，其特征在于，步骤1具体为：

(1a)获取所述米波雷达采集的P个点迹作为训练集X＝{x₁，…，x_i，…，x_P}，其中，x_i为第i个点迹，x_i＝a(θ_i)s_i+n_i，a(θ_i)表示第i个点迹对应的导向矢量，s_i为目标数据，n_i为噪声数据，d为米波雷达阵元间距；

(1b)计算训练集中第i个点迹的协方差矩阵得到P个协方差矩阵组成的矩阵集第i个点迹的协方差矩阵的上三角元素对应的相位组成上三角元素相位矩阵φ_i，得到P个上三角元素相位矩阵组成的相位集Φ＝{φ₁，…，φ_i，…，φ_p}，进而得到所述相位集对应的相位平均值矩阵μ_X和相位标准差矩阵σ_X。

3.根据权利要求1所述的一种基于有监督深度神经网络的米波雷达DOA估计方法，其特征在于，步骤2具体为：

获取所述训练集中的第i个点迹，且第i个点迹对应的目标角度为θ_i，对第i个点迹的协方差矩阵的上三角元素对应的相位矩阵进行归一化，得到第i个点迹对应的归一化相位矩阵其中，i＝1，2，...，P。

4.根据权利要求1所述的一种基于有监督深度神经网络的米波雷达DOA估计方法是，其特征在于，步骤4具体为：

获取第i个点迹对应的目标角度的导向矢量从而得到第i个点迹对应的理想协方差矩阵获取第i个点迹对应的理想协方差矩阵的上三角元素组成的相位矩阵

5.根据权利要求1所述的一种基于有监督深度神经网络的米波雷达DOA估计方法，其特征在于，步骤5中所述有监督深度神经网络的网络参数采用自适应时刻估计算法Adam进行估计，并采用误差反向传播方法对有监督深度神经网络的网络参数进行修正。

6.根据权利要求1所述的一种基于有监督深度神经网络的米波雷达DOA估计方法，其特征在于，步骤7具体为：

(7a)获取所述米波雷达的实测目标点迹y，确定所述实测目标点迹的协方差矩阵R_yy及其对应的上三角元素组成的实测上三角矩阵，根据所述实测上三角矩阵得到对应的实测上三角相位矩阵φ_y和实测上三角幅度矩阵ρ_y；

(7b)对所述实测上三角相位矩阵φ_y进行归一化，得到归一化后的实测上三角相位矩阵

(7c)对所述归一化后的实测上三角相位矩阵按列重排，得到按列重排后的实测上三角相位矩阵将其作为实测目标点迹的相位矩阵；

(7d)将所述实测目标点迹的相位矩阵输入所述最终训练得到的有监督深度神经网络中，得到所述实测目标点迹对应的输出相位矩阵

(7e)根据所述实测目标点迹对应的输出相位矩阵和实测上三角幅度矩阵ρ_y，重构所述实测目标点迹的协方差矩阵并根据重构的实测目标点迹的协方差矩阵对实测目标点迹的进行波达方向估计。