CN110133576A - 基于级联残差网络的双基互质mimo阵列方位估计算法 - Google Patents

基于级联残差网络的双基互质mimo阵列方位估计算法 Download PDF

Info

Publication number
CN110133576A
CN110133576A CN201910435983.4A CN201910435983A CN110133576A CN 110133576 A CN110133576 A CN 110133576A CN 201910435983 A CN201910435983 A CN 201910435983A CN 110133576 A CN110133576 A CN 110133576A
Authority
CN
China
Prior art keywords
matrix
array element
signal
array
channel
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
Application number
CN201910435983.4A
Other languages
English (en)
Other versions
CN110133576B (zh
Inventor
贾勇
郭勇
肖钧友
钟晓玲
晏超
宋瑞源
陈胜亿
王刚
胡月杨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Univeristy of Technology
Original Assignee
Chengdu Univeristy of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Univeristy of Technology filed Critical Chengdu Univeristy of Technology
Priority to CN201910435983.4A priority Critical patent/CN110133576B/zh
Publication of CN110133576A publication Critical patent/CN110133576A/zh
Application granted granted Critical
Publication of CN110133576B publication Critical patent/CN110133576B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • 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
    • G01S3/74—Multi-channel systems specially adapted for direction-finding, i.e. having a single antenna system capable of giving simultaneous indications of the directions of different signals

Abstract

本发明公开了一种基于级联残差神经网络的双基互质MIMO阵列DOA与DOD联合估计算法，包括对目标数量的估计，对多目标方位角的估计。该方法对传统的双基MIMO的DOA和DOD估计中数据处理部分进行了改进。深度学习的方法相较于传统信号处理类算法有着更强的时效性，以及在低信噪比、低快拍、大方位角、相干目标条件下的鲁棒性方面均表现的更好。本发明采用的深度神经网络采用的是级联的网络结构，首先对阵列接收到的信号进行DFT处理后再作相关处理，把处理后的信号送入神经网络得到信号的DOA信息，把DOA信息作为先验信息再送入级联网络中得出信号的DOD信息，最终完成信号的DOA与DOD匹配估计问题。

Description

基于级联残差网络的双基互质MIMO阵列方位估计算法
技术领域
本发明涉及双基互质MIMO阵列的DOA和DOD估计技术领域，特别是一种基于级联残差神 经网络的双基互质MIMO阵列DOA与DOD联合估计算法。
背景技术
波达方向DOA估计可以确定多个空间目标的方位角位置信息，具有高分辨率，广泛应用 于通信、雷达、声呐、地震传感等领域。近年提出的互质阵列在阵元位置确定、相邻阵元耦 合互扰等方面具有突出的优势，逐渐成为关注的热点。
多发多收MIMO阵列主要用于对不具备辐射信号能力或者不存在稳定外部辐射源的目标 进行探测，此时目标一般表现为相干与非相干目标混合的情况。基于MIMO阵列的目标DOA估 计的自由度决定于“虚拟和协同阵”对应的“虚拟差协同阵”中虚拟阵元的位置数目，当收 发阵列均采用均匀密布阵列结构时，“虚拟和协同阵”和“虚拟差协同阵”中存在多个虚拟阵 元位于相同位置的情况，即存在大量冗余，造成了DOA估计自由度的损失。为此，互质MIMO 阵列的设计即是考虑在相同物理阵元数目下减少虚拟阵元同位的情况，考虑到“物理阵列” 到“虚拟和协同阵”再到“虚拟差协同阵”的复杂映射关系，目前常采用的稀疏MIMO阵列为 嵌套MIMO阵列和互质MIMO阵列，两种MIMO阵列在“虚拟和协同阵”层面不存在虚拟阵元同 位的情况，但在“虚拟差协同阵”层面仍然存在虚拟阵元同位的情况，虽然有一定的自由度 损失，但阵列设计相对简单，已成为目前主流的互质MIMO阵列结构。
基于双基互质MIMO接收阵列的DOA、DOD估计方法，构建适用于非均匀互质阵列的深度 学习方位识别网络，在保留传统信号处理类算法具有的方位分辨率高、最大可分辨目标数目 突破物理阵元数目限制的优势下，进一步增强非均匀互质MIMO阵列对目标方位估计的时效性 和环境适应性，以及在低信噪比、低快拍、大方位角、相干目标条件下的鲁棒性。由于考虑 到经典的深度神经网络在训练过程中可能会出现梯度爆炸和消失的缘故，本发明选择了残差 神经网络。
该算法主要解决面向双基稀疏MIMO阵列的、适用于窄带/宽带和多个相干/非相干目标的 特征表达域的形成问题和对应的具备DOA与DOD估计与配对能力的深度学习网络的构建问题。 其实质是采用两级残差神经网络级联的方式，第一级采用仅与DOA相关的多频接收相关矩阵 作为特征表达域，网络提取特征输出DOA估计，DOA估计结果作为先验信息辅助第二级网络 从与DOA和DOD都相关的时频收发特征表达域提取特征实现DOD的配对估计。维度扩充的多 频接收特征表达域的使用有助于多目标的DOA估计，同时联合时频收发特征表达域有助于窄 带/宽带、相干/非相干目标的通用化处理。
发明内容
有鉴于此，本发明的目的在于提供一种基于级联残差神经网络的双基互质MIMO阵列DOA 与DOD联合估计算法，结合了MIMO的DOA与DOD匹配估计与深度学习。
为达到上述目的，本发明提供如下技术方案：
本发明提供的基于级联残差网络的双基互质MIMO阵列方位估计算法，包括以下步骤：
(1)构造互质发射阵列，所述发射阵列包括两个子阵列构成，具体如下：
一个子阵的阵元发射坐标为A1＝{A1 i|i＝0,Qd,...(P-1)Qd}；
另一个子阵的阵元的发射坐标为A2＝{A2 i|i＝Pd,2Pd,...(2Q-1)Pd}；
其中，P和Q为互质关系，Q<P；i表示发射阵列中阵元坐标序号；
构造互质接收阵列，所述接收阵列包括两个子阵列构成，具体如下：
一个子阵列的阵元接收坐标为
另一个子阵列的阵元接收坐标为
其中，M和N为互质关系，M<N，λ为波长，对应发射信号的波长，阵元基础间距为j表示发射阵列中阵元坐标序号；
(2)由2Q+P-1个发射阵元发射频率为c/2d的电磁波对空间目标进行探测，c为光在空气中传播的速度，电磁波通过空间中若干目标反射后由2M+N-1个接收阵元接收，通 过匹配滤波对信号进行分离，得到(2M+N-1)×(2Q+P-1)个通道的回波信号，对每个通道 信号进行K次快拍采样，按照发射通道序号为行、接收通道序号为列排放时域多快拍数据， 得到(2M+N-1)×(2Q+P-1)×k的三维时域多快拍数据矩阵C，所述三维时域多快拍数据 矩阵的表示式为：
C＝[1C,2C,...nC,...kC]，其中，nC为快拍序数均为n的多通道数据矩阵；
(3)对k次采样离散的(2M+N-1)×(2Q+P-1)个通道信号中的每一通道信号进行L点离散傅里叶变换，并筛选出感兴趣的频率，得到三维不同频率的多通道数据矩阵X，多通道数据矩阵X的大小为(2M+N-1)×(2Q+P-1)×L；
所述多通道数据矩阵X＝[1X,2X,...lX,...LX]；
其中，lX为频点位l的多通道数据矩阵；
lX中的每一个元素为(2M+N-1)×(2Q+P-1)个通道信号中的一个，且频点l，
lX的每一排为同一接收阵元，不同发射阵元形成通道的信号；
lX的每一列为同一发射阵元，不同接收阵元形成通道的信号；
(4)将矩阵lX的每一排抽出，将第二排放置在第一排后面，将第三排放置在第二排后面， 依次类推将矩阵lX矢量化为向量所述向量具体如下：
将矢量化后的向量按照频率大小进行排序，并形成时频收发特征表达域矩阵U：
将矩阵U分解为两个对应的纯实数矩阵Ur和纯虚数矩阵Ui，所述纯实数矩阵Ur和纯虚数矩阵Ui的大小与矩阵U相同：
将纯虚数矩阵Ui与-i进行点乘，得到与纯虚数矩阵Ui矩阵大小相同的矩阵UI；完成信 号DOA和DOD表征域信息提取，得到时频接收特征域矩阵Ur和Ui；
(5)对单频多通道数据矩阵lX做相关运算得到单频相关矩阵RT(fl)；
(6)将RT(fl)中和值为非负的元素一一取出并按照和值大小进行重新排序，生成频点l 的增广相关向量
其中，rl(0)表示接收阵列中坐标为0的阵元接收到频点为l的信号数据；
rl(2MN-N-1)表示接收阵列中坐标为2MN-N-1的阵元接收到频点为l的信号数据；
将得到的所有频率的增广相关向量按频率大小进行重新排序得到多频接收特征表达域矩 阵T：
(7)将多频接收特征表达域矩阵T分解为两个对应的纯实数矩阵Tr和纯虚数矩阵Ti，所 述纯实数矩阵Tr和纯虚数矩阵Ti的大小与多频接收特征表达域T相同；
将多频接收特征表达域Ti与-i进行点乘，得到与纯虚数矩阵Ti大小相同的多频接收特征 域矩阵TI；
(8)构建两级级联残差神经网络，用于提取多频接收特征域矩阵中波的到达角度信息和时 频收发特征表达域矩阵中波的离开角度信息；
构建第一级残差神经网络用于DOA估计，输入为多频接收特征域矩阵Tr TI；
构建第二级残差神经网络，输入为时频接收特征域矩阵Ur Ui；
最终完成信号的DOA与DOD匹配估计问题。
进一步，所述三维时域多快拍数据矩阵C具体如下：
C＝[1C,2C,…nC,…kC]，其中nC为：
其中，nc中的每一个元素为(2M+N-1)×(2Q+P-1)个通道信号中的一个，且快拍序数为n，每一排为同一接收阵元，不同发射阵元形成通道的信号，每一列为同一发射阵元，不同接收阵元形成通道的信号；
其中，表示第1个发射阵元与第1个接收阵元形成的快拍序数为n的通道信号数据；
表示第2P+Q-1个发射阵元与第2M+N-1个接收阵元形成的快拍序数为n的通道 信号数据。
进一步，所述多通道数据矩阵X按照以下公式计算：
X＝[1X,2X,…lX,…LX]，其中lX为单频多通道数据矩阵，所述单频多通道数据矩 阵按照以下公式得到：
其中，lX中的每一个元素为(2M+N-1)×(2Q+P-1)个通道信号中的一个，且频点为l；lX的每一排为同一接收阵元，不同发射阵元形成通道的信号，lX的每一列为同一发射 阵元，不同接收阵元形成通道的信号；
其中，表示第1个发射阵元与第1个接收阵元形成的频点为l的通道信号数据；
表示第2P+Q-1个发射阵元与第2M+N-1个接收阵元形成的频点为n的通道信号数 据。
进一步，所述时频接收特征域矩阵UI按照以下步骤得到：
将矩阵lX的每一排抽出，将第二排放置在第一排后面，将第三排放置在第二排后面，依 次类推将矩阵lX矢量化为向量
将矢量化后的向量按照频率大小进行排序，并形成时频收发特征表达域矩阵U：
其中，表示第1个发射阵元与第1个接收阵元形成的频点为L的通道信号数据；
表示第2P+Q-1个发射阵元与第2M+N-1个接收阵元形成的频点L的通道信号数 据；
将矩阵U分解为两个对应的纯实数矩阵Ur和纯虚数矩阵Ui，所述纯实数矩阵Ur和纯虚数矩阵Ui的大小与U相同：
所述实数矩阵Ur如下：
所述虚数矩阵Ui如下：
其中，表示第1个发射阵元与第1个接收阵元形成的频点为1的通道信号数据的实数 部分数据；
表示；第2P+Q-1个发射阵元与第2M+N-1个接收阵元形成的频点为L的通道信 号数据的实数部分数据；
表示；第1个发射阵元与第1个接收阵元形成的频点为1的通道信号数据的虚数部分 数据；
表示；第2P+Q-1个发射阵元与第2M+N-1个接收阵元形成的频点为L的通道信 号数据的虚数部分数据；
将虚数矩阵Ui与-i进行点乘，得到与虚数矩阵Ui矩阵大小相同的矩阵UI；
UI＝Ui.*(-i)；
完成信号DOA和DOD表征域信息提取，得到时频接收特征域矩阵Ur和Ui。
进一步，所述对单频多通道数据矩阵lX做相关运算具体如下：
RT(fl)＝X(fl)XH(fl)；
其中，Q＝2MN-N-1，RT(fl)中的每个元素r(·)由两个物理阵元的和值决定；元素从-(2MN-N-1)一直延伸到2MN-N-1，RT(fl)表示单频多通道数据矩阵lX；
其中，X(fl)即lX表示频点为l的所有道信号数据的矩阵；
XH(fl)表示表示频点为l的所有道信号数据的矩阵的共轭转置；
r(-Q)表示坐标为-Q的接收阵元接收到的信号数据。
进一步，所述多频接收特征域矩阵按照以下步骤得到：
将单频多通道数据矩阵RT(fl)中和值为非负的元素一一取出并按照和值大小进行重新 排序，生成频点为l的增广相关向量
将得到的所有频率的增广相关向量按频率大小进行重新排序得到多频接收特征表达域矩 阵T：
其中，r1(0)表示；阵列的阵元坐标为0且频点为1的增广相关向量；
rL(2MN-N-1)表示；阵列的阵元坐标为2MN-N-1且频点为L的增广相关向量；
将矩阵T分解为两个对应的纯实数矩阵Tr和纯虚数矩阵Ti，所述纯实数矩阵Tr和纯虚 数矩阵Ti的大小与T相同；
所述实数矩阵Tr如下：
所述虚数矩阵Ti如下：
其中，rr 1(0)表示阵列的阵元坐标为0且频点为1的增广相关向量的实数部分；
rr L(2MN-N-1)表示阵列的阵元坐标为2MN-N-1且频点为L的增广相关向量的实数部分；
ri 1(0)表示阵列的阵元坐标为0且频点为1的增广相关向量的虚数部分；
ri L(2MN-N-1)表示阵列的阵元坐标为2MN-N-1且频点为L的增广相关向量的虚数部分；
将虚数矩阵Ti与-i进行点乘，得到与虚数矩阵Ti矩阵大小相同的矩阵TI；
TI＝Ti.*(-i)；
完成目标信号表征域提取，得到多频接收特征域矩阵Tr和TI。
进一步，所述第一级残差神经网络为多输入残差网络，具体结构为：并行第一层网络是 卷积神经网络；二、三并行层为两个残差块，之后在第四残差块汇合，合并后的网络有六个 残差块，再连接一层平均池化层，网络在最后连接一层有1800个神经元的全连接层，完成基 于角度的分类问题，最终完成DOA估计并输出信号的空间谱，分辨力为0.1°。
进一步，所述第二级残差神经网络为多输入残差网络，两个并行的网络在第四残差块汇 合，最后输出神经元的全连接层，全连接层与作为先验信息的第一级网络的输出汇合,经过两 个神经元数分别为2048、1800的全连接层，完成基于角度的分类问题，最终完成DOD估计并 输出信号的空间谱，分辨力为0.1°。
本发明的有益效果在于：
本发明提出了一种基于级联残差神经网络的双基互质MIMO阵列DOA与DOD联合估计算 法，包括对目标数量的估计，对多目标方位角的估计。该方法对传统的双基MIMO的DOA和 DOD估计中数据处理部分进行了改进。深度学习的方法相较于传统信号处理类算法有着更强 的时效性，以及在低信噪比、低快拍、大方位角、相干目标条件下的鲁棒性方面均表现的更 好。本发明采用的深度神经网络采用的是级联的网络结构，首先对阵列接收到的信号进行DFT 处理后再作相关处理，把处理后的信号送入神经网络得到信号的DOA信息，把DOA信息作为 先验信息再送入级联网络中得出信号的DOD信息，最终完成信号的DOA与DOD匹配估计问题。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某 种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发 明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：
图1为互质发射与接收阵列结构。
图2为总体结构图。
图3为第一级残差神经网络。
图4为第二级残差神经网络。
图5为两级级联残差神经网络。
图6为一次测量中k个目标的标签。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好的 理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
如图1所示，图1为互质发射与接收阵列结构，黑色实心三角表示物理阵元，本实施例 的基于级联残差神经网络的双基互质MIMO阵列DOA与DOD联合估计算法，具体包括以下步骤：
(1)构造互质发射阵列，
一个子阵的阵元发射坐标为A1＝{A1 i|i＝0,Qd,…(P-1)Qd}；
另一个子阵的阵元的发射坐标为A2＝{A2 i|i＝Pd,2Pd,…(2Q-1)Pd}；
其中，P和Q为互质关系，Q<P；i表示发射阵列中阵元坐标序号；
构造互质接收阵列，所述接收阵列包括两个子阵列构成，具体如下：
一个子阵列的阵元接收坐标为
另一个子阵列的阵元接收坐标为
其中，M和N为互质关系，M<N，λ为波长，对应发射信号的波长，阵元基础间距为j表示发射阵列中阵元坐标序号；
本实施例提供的双基MIMO阵列是建立在非同一坐标系下的阵元。
如图2所示，图2为总体结构图。
(2)由2Q+P-1个发射阵元发射频率为c/2d的电磁波对空间目标进行探测，c为光在空气中传播的速度，电磁波通过空间中若干目标反射后由2M+N-1个接收阵元接收，通 过匹配滤波对信号进行分离，得到(2M+N-1)×(2Q+P-1)个通道的回波信号，对每个通道 信号进行K次快拍采样，按照发射通道序号为行、接收通道序号为列排放时域多快拍数据， 得到(2M+N-1)×(2Q+P-1)×k的三维时域多快拍数据矩阵C，
C＝[1C,2C,…nC,…kC]，其中nC为：
其中，nc中的每一个元素为(2M+N-1)×(2Q+P-1)个通道信号中的一个，且快拍序数为n，每一排为同一接收阵元，不同发射阵元形成通道的信号。每一列为同一发射阵元，不同接收阵元形成通道的信号。
同时生成两个对应的角度标签向量TDOA和TDOD，标签均为大小为1×1800的向量，为后 期神经网络训练提供标签，配置向量过程为：在TDOA TDOD两个标签向量中在相应角度处置1 其余角度处置0。
(3)对k次采样离散的(2M+N-1)×(2Q+P-1)个通道信号中的每一通道信号进行L点离散傅里叶变换，并筛选出感兴趣的频率，得到三维不同频率的多通道数据矩阵X，矩阵X的大小为(2M+N-1)×(2Q+P-1)×L，X＝[1X,2X,…lX,…LX]，其中lX为：
其中，lX中的每一个元素为(2M+N-1)×(2Q+P-1)个通道信号中的一个，且频点为l。lX的每一排为同一接收阵元，不同发射阵元形成通道的信号。lX的每一列为同一发射 阵元，不同接收阵元形成通道的信号。
(4)将矩阵lX的每一排抽出，将第二排放置在第一排后面，将第三排放置在第二排后面， 依次类推将矩阵lX矢量化为向量
将矢量化后的向量按照频率大小进行排序，并形成时频收发特征表达域矩阵U：
将矩阵U分解为两个对应的纯实数矩阵和纯虚数矩阵，矩阵大小与U相同：
实数矩阵Ur
虚数矩阵Ui
将虚数矩阵Ui与-i进行点乘，得到与虚数矩阵Ui矩阵大小相同的矩阵UI；
UI＝Ui.*(-i)；
完成信号DOA和DOD表征域信息提取，得到时频接收特征域矩阵Ur和Ui；
(5)单频多通道数据矩阵X(fl)即lX。对X(fl)做相关运算得到单频相关矩阵RT(fl)；
RT(fl)＝X(fl)XH(fl)；
其中，Q＝2MN-N-1，RT(fl)中的每个元素r(·)由两个物理阵元的和值决定；元素从-(2MN-N-1)一直延伸到2MN-N-1，其中，会产生原有物理阵元没有的信息，称为虚 拟阵元，RT(fl)中的元素因相关运算去除了DOD信息，只留下了DOA信息，即可将RT(fl)用 来做DOA估计。
(6)将RT(fl)中和值为非负的元素一一取出并按照和值大小进行重新排序，生成频点为 l的增广相关向量
将得到的所有频率的增广相关向量按频率大小进行重新排序得到多频接收特征表达域矩 阵T：
(7)将矩阵T分解为两个对应的纯实数矩阵和纯虚数矩阵，矩阵大小与T相同。
实数矩阵Tr：
虚数矩阵Ti：
将Ti与-i进行点乘，得到与Ti矩阵大小相同的矩阵TI；
TI＝Ti.*(-i)；
完成目标信号表征域提取，得到多频接收特征域矩阵Tr TI；
本实施例中的多频接收特征域矩阵中包含DOA信息，而时频接收特征域矩阵中包含DOA 和DOD信息。Tr是矩阵T的实数部分，TI是实数化后的虚数部分，只有当两个矩阵联合输 入的时候才能表现出角度信息。由于神经网络不能输入虚数，所有要分成实部和实数化的虚 部。本实施例的时频接收特征域矩阵Ur Ui和多频接收特征域矩阵Tr TI；作为神经网络是 级联网络的两个输入，对初始的数据对有关角度信息进行提取，最后将提取的数据再送入神 经网络。
(8)构建两级级联残差神经网络，用于提取多频接收特征域矩阵中波的到达角度信息和时 频收发特征表达域矩阵中波的离开角度信息。
构建第一级残差神经网络用于DOA估计，输入为多频接收特征域矩阵Tr TI；如图3所示， 图3为第一级残差神经网络。
第一级残差神经网络为多输入残差网络，具体结构为：并行第一层网络是卷积神经网络； 二、三并行层为两个残差块，之后在第四残差块汇合，合并后的网络有6个残差块，再连接 一层平均池化层，网络在最后连接一层有1800个神经元的全连接层，完成基于角度的分类问 题，最终完成DOA估计并输出信号的空间谱，分辨力为0.1°。
构建第二级残差神经网络。输入为时频接收特征域矩阵Ur Ui。如图4所示，图4为第二级残差神经网络；
第二级残差神经网络为多输入残差网络，结构与第一级残差神经网络相似，两个并行的 网络在第四残差块汇合，网络最后输出一个1024个神经元的全连接层，全连接层与作为先验 信息的第一级网络的输出汇合,经过两个神经元数分别为2048、1800的全连接层完成基于角 度的分类问题，最终完成DOD估计并输出信号的空间谱，分辨力为0.1°。
整个网络中3×3代表卷积核的大小，64、128、256、512分别代表对应残差块中卷积核 数量，Conv为卷积层。/2是对卷积核的数量调整，以匹配该残差块输出，Avg pool为平均池化层，FC为全连接层，Sigmoid为激活函数。网络中并行的第一个残差块的步长为1，其 余的步长均为2。网络的整体结构如图5所示，图5为两级级联残差神经网络。
(9)本方法采用的数据集通过matlab仿真生成，数据集具体构成如下：
双基MIMO雷达发射阵与接收阵安放在一条直线上。
1、单信号源：单个目标在远大于雷达孔径距离的远场平面区域随机分布并生成对应仿真 数据，对于发射阵和接收阵生成先对应的DOD和DOA角度标签，并生成两个对应的角度标签 一起以txt文件形式存放。单个目标随机生成30000组DOD和DOA数据集。
2、多信号源：通过matlab随机生成目标数小于20的多目标，目标在远大于雷达孔径距 离的远场平面区域随机分布并生成对应仿真数据。对于发射阵和接收阵生成对应的DOD和DOA 角度组标签，每一组包含k个目标的DOD和DOA关系。如图6所示，图6为一次测量中k个 目标的标签；标签为1×1800的向量，黑色竖条代表角度位置并置1，其余区域位置为白色 并置0。多个目标随机生成60000组DOD和DOA数据集。
将上述数据集中单信号源数据和多信号源数据各自按照7：3的比例随机分出训练集和测 试集。将训练集和测试集合并在一起，就准备好了训练集和测试集。
将训练集数据和对应标签送入深度神经网络中完成训练。输出层的角度判决准确率达 到94.1％，超过预设值90％，得到完成训练的深度神经网络。
将测试集数据送入深度神经网络中进行测试，实验表明训练好的深度神经网络准确度能 够达到95.3％,实时性和抗干扰能力表现很好，达到本发明的预设效果。
(10)本方法中使用的是matlab，Python3.7.1，Pycharm以及pytorch作为实验平台， 编程实现了本方法的设计方案。
本实施例提供的基于级联残差神经网络的双基互质MIMO阵列DOA与DOD联合估计算法， 包括对目标数量的估计，对多目标方位角的估计。该方法对传统的双基MIMO的DOA和DOD估 计中数据处理部分进行了改进。深度学习的方法相较于传统信号处理类算法有着更强的时效 性，以及在低信噪比、低快拍、大方位角、相干目标条件下的鲁棒性方面均表现的更好。
本实施例采用的深度神经网络采用的是级联的网络结构，首先对阵列接收到的信号进行 DFT处理后再作相关处理，把处理后的信号送入神经网络得到信号的DOA信息，把DOA信息 作为先验信息再送入级联网络中得出信号的DOD信息，最终完成信号的DOA与DOD匹配估计 问题。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限 于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范 围之内。本发明的保护范围以权利要求书为准。

Claims (8)

1.基于级联残差网络的双基互质MIMO阵列方位估计算法，其特征在于：包括以下步骤：
(1)构造互质发射阵列，所述发射阵列包括两个子阵列构成，具体如下：
一个子阵的阵元发射坐标为A1＝{A1 i|i＝0,Qd,…(P-1)Qd}；
另一个子阵的阵元的发射坐标为A2＝{A2 i|i＝Pd,2Pd,…(2Q-1)Pd}；
其中，P和Q为互质关系，Q<P；i表示发射阵列中阵元坐标序号；
构造互质接收阵列，所述接收阵列包括两个子阵列构成，具体如下：
一个子阵列的阵元接收坐标为
另一个子阵列的阵元接收坐标为
其中，M和N为互质关系，M<N，λ为波长，对应发射信号的波长，阵元基础间距为j表示发射阵列中阵元坐标序号；
(2)由2Q+P-1个发射阵元发射频率为c/2d的电磁波对空间目标进行探测，c为光在空气中传播的速度，电磁波通过空间中若干目标反射后由2M+N-1个接收阵元接收，通过匹配滤波对信号进行分离，得到(2M+N-1)×(2Q+P-1)个通道的回波信号，对每个通道信号进行K次快拍采样，按照发射通道序号为行、接收通道序号为列排放时域多快拍数据，得到(2M+N-1)×(2Q+P-1)×k的三维时域多快拍数据矩阵C，所述三维时域多快拍数据矩阵的表示式为：
C＝[1C,2C,…nC,…kC]，其中，nC为快拍序数均为n的多通道数据矩阵；
(3)对k次采样离散的(2M+N-1)×(2Q+P-1)个通道信号中的每一通道信号进行L点离散傅里叶变换，并筛选出感兴趣的频率，得到三维不同频率的多通道数据矩阵X，多通道数据矩阵X的大小为(2M+N-1)×(2Q+P-1)×L；
所述多通道数据矩阵X＝[1X,2X,…lX,…LX]；
其中，lX为频点位l的多通道数据矩阵；
lX中的每一个元素为(2M+N-1)×(2Q+P-1)个通道信号中的一个，且频点l，
lX的每一排为同一接收阵元，不同发射阵元形成通道的信号；
lX的每一列为同一发射阵元，不同接收阵元形成通道的信号；
(4)将矩阵lX的每一排抽出，将第二排放置在第一排后面，将第三排放置在第二排后面，依次类推将矩阵lX矢量化为向量所述向量具体如下：
将矢量化后的向量按照频率大小进行排序，并形成时频收发特征表达域矩阵U：
将矩阵U分解为两个对应的纯实数矩阵Ur和纯虚数矩阵Ui，所述纯实数矩阵Ur和纯虚数矩阵Ui的大小与矩阵U相同：
将纯虚数矩阵Ui与-i进行点乘，得到与纯虚数矩阵Ui矩阵大小相同的矩阵UI；完成信号DOA和DOD表征域信息提取，得到时频接收特征域矩阵Ur和Ui；
(5)对单频多通道数据矩阵lX做相关运算得到单频相关矩阵RT(fl)；
(6)将RT(fl)中和值为非负的元素一一取出并按照和值大小进行重新排序，生成频点l的增广相关向量
其中，rl(0)表示接收阵列中坐标为0的阵元接收到频点为l的信号数据；
rl(2MN-N-1)表示接收阵列中坐标为2MN-N-1的阵元接收到频点为l的信号数据；
将得到的所有频率的增广相关向量按频率大小进行重新排序得到多频接收特征表达域矩阵T：
(7)将多频接收特征表达域矩阵T分解为两个对应的纯实数矩阵Tr和纯虚数矩阵Ti，所述纯实数矩阵Tr和纯虚数矩阵Ti的大小与多频接收特征表达域T相同；
将多频接收特征表达域Ti与-i进行点乘，得到与纯虚数矩阵Ti大小相同的多频接收特征域矩阵TI；
(8)构建两级级联残差神经网络，用于提取多频接收特征域矩阵中波的到达角度信息和时频收发特征表达域矩阵中波的离开角度信息；
构建第一级残差神经网络用于DOA估计，输入为多频接收特征域矩阵Tr TI；
构建第二级残差神经网络，输入为时频接收特征域矩阵Ur Ui；
最终完成信号的DOA与DOD匹配估计问题。
2.如权利要求1所述的基于级联残差网络的双基互质MIMO阵列方位估计算法，其特征在于：所述三维时域多快拍数据矩阵C具体如下：
C＝[1C,2C,…nC,…kC]，其中nC为：
其中，nc中的每一个元素为(2M+N-1)×(2Q+P-1)个通道信号中的一个，且快拍序数为n，每一排为同一接收阵元，不同发射阵元形成通道的信号，每一列为同一发射阵元，不同接收阵元形成通道的信号；
其中，表示第1个发射阵元与第1个接收阵元形成的快拍序数为n的通道信号数据；
表示第2P+Q-1个发射阵元与第2M+N-1个接收阵元形成的快拍序数为n的通道信号数据。
3.如权利要求1所述的基于级联残差网络的双基互质MIMO阵列方位估计算法，其特征在于：所述多通道数据矩阵X按照以下公式计算：
X＝[1X,2X,…lX,…LX]，其中lX为单频多通道数据矩阵，所述单频多通道数据矩阵按照以下公式得到：
其中，lX中的每一个元素为(2M+N-1)×(2Q+P-1)个通道信号中的一个，且频点为l；lX的每一排为同一接收阵元，不同发射阵元形成通道的信号，lX的每一列为同一发射阵元，不同接收阵元形成通道的信号；
其中，表示第1个发射阵元与第1个接收阵元形成的频点为l的通道信号数据；
表示第2P+Q-1个发射阵元与第2M+N-1个接收阵元形成的频点为n的通道信号数据。
4.如权利要求1所述的基于级联残差网络的双基互质MIMO阵列方位估计算法，其特征在于：所述时频接收特征域矩阵UI按照以下步骤得到：
将矩阵lX的每一排抽出，将第二排放置在第一排后面，将第三排放置在第二排后面，依次类推将矩阵lX矢量化为向量
将矢量化后的向量按照频率大小进行排序，并形成时频收发特征表达域矩阵U：
其中，表示第1个发射阵元与第1个接收阵元形成的频点为L的通道信号数据；
表示第2P+Q-1个发射阵元与第2M+N-1个接收阵元形成的频点L的通道信号数据；
将矩阵U分解为两个对应的纯实数矩阵Ur和纯虚数矩阵Ui，所述纯实数矩阵Ur和纯虚数矩阵Ui的大小与U相同：
所述实数矩阵Ur如下：
所述虚数矩阵Ui如下：
其中，表示第1个发射阵元与第1个接收阵元形成的频点为1的通道信号数据的实数部分数据；
表示；第2P+Q-1个发射阵元与第2M+N-1个接收阵元形成的频点为L的通道信号数据的实数部分数据；
表示；第1个发射阵元与第1个接收阵元形成的频点为1的通道信号数据的虚数部分数据；
表示；第2P+Q-1个发射阵元与第2M+N-1个接收阵元形成的频点为L的通道信号数据的虚数部分数据；
将虚数矩阵Ui与-i进行点乘，得到与虚数矩阵Ui矩阵大小相同的矩阵UI；
UI＝Ui.*(-i)；
完成信号DOA和DOD表征域信息提取，得到时频接收特征域矩阵Ur和Ui。
5.如权利要求1所述的基于级联残差网络的双基互质MIMO阵列方位估计算法，其特征在于：所述对单频多通道数据矩阵lX做相关运算具体如下：
RT(fl)＝X(fl)XH(fl)；
其中，Q＝2MN-N-1，RT(fl)中的每个元素r(·)由两个物理阵元的和值决定；元素从-(2MN-N-1)一直延伸到2MN-N-1，RT(fl)表示单频多通道数据矩阵lX；
其中，X(fl)即lX表示频点为l的所有道信号数据的矩阵；
XH(fl)表示表示频点为l的所有道信号数据的矩阵的共轭转置；
r(-Q)表示坐标为-Q的接收阵元接收到的信号数据。
6.如权利要求1所述的基于级联残差网络的双基互质MIMO阵列方位估计算法，其特征在于：所述多频接收特征域矩阵按照以下步骤得到：
将单频多通道数据矩阵RT(fl)中和值为非负的元素一一取出并按照和值大小进行重新排序，生成频点为l的增广相关向量
将得到的所有频率的增广相关向量按频率大小进行重新排序得到多频接收特征表达域矩阵T：
其中，r1(0)表示；阵列的阵元坐标为0且频点为1的增广相关向量；
rL(2MN-N-1)表示；阵列的阵元坐标为2MN-N-1且频点为L的增广相关向量；
将矩阵T分解为两个对应的纯实数矩阵Tr和纯虚数矩阵Ti，所述纯实数矩阵Tr和纯虚数矩阵Ti的大小与T相同；
所述实数矩阵Tr如下：
所述虚数矩阵Ti如下：
其中，rr 1(0)表示阵列的阵元坐标为0且频点为1的增广相关向量的实数部分；
rr L(2MN-N-1)表示阵列的阵元坐标为2MN-N-1且频点为L的增广相关向量的实数部分；
ri 1(0)表示阵列的阵元坐标为0且频点为1的增广相关向量的虚数部分；
ri L(2MN-N-1)表示阵列的阵元坐标为2MN-N-1且频点为L的增广相关向量的虚数部分；
将虚数矩阵Ti与-i进行点乘，得到与虚数矩阵Ti矩阵大小相同的矩阵TI；
TI＝Ti.*(-i)；
完成目标信号表征域提取，得到多频接收特征域矩阵Tr和TI。
7.如权利要求1所述的基于级联残差网络的双基互质MIMO阵列方位估计算法，其特征在于：所述第一级残差神经网络为多输入残差网络，具体结构为：并行第一层网络是卷积神经网络；二、三并行层为两个残差块，之后在第四残差块汇合，合并后的网络有六个残差块，再连接一层平均池化层，网络在最后连接一层有1800个神经元的全连接层，完成基于角度的分类问题，最终完成DOA估计并输出信号的空间谱，分辨力为0.1°。
8.如权利要求1所述的基于级联残差网络的双基互质MIMO阵列方位估计算法，其特征在于：所述第二级残差神经网络为多输入残差网络，两个并行的网络在第四残差块汇合，最后输出神经元的全连接层，全连接层与作为先验信息的第一级网络的输出汇合,经过两个神经元数分别为2048、1800的全连接层，完成基于角度的分类问题，最终完成DOD估计并输出信号的空间谱，分辨力为0.1°。
CN201910435983.4A 2019-05-23 2019-05-23 基于级联残差网络的双基互质mimo阵列方位估计算法 Expired - Fee Related CN110133576B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910435983.4A CN110133576B (zh) 2019-05-23 2019-05-23 基于级联残差网络的双基互质mimo阵列方位估计算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910435983.4A CN110133576B (zh) 2019-05-23 2019-05-23 基于级联残差网络的双基互质mimo阵列方位估计算法

Publications (2)

Publication Number Publication Date
CN110133576A true CN110133576A (zh) 2019-08-16
CN110133576B CN110133576B (zh) 2020-11-27

Family

ID=67572924

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910435983.4A Expired - Fee Related CN110133576B (zh) 2019-05-23 2019-05-23 基于级联残差网络的双基互质mimo阵列方位估计算法

Country Status (1)

Country Link
CN (1) CN110133576B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110780849A (zh) * 2019-10-29 2020-02-11 深圳芯英科技有限公司 矩阵处理方法、装置、设备及计算机可读存储介质
CN111580040A (zh) * 2020-03-29 2020-08-25 重庆邮电大学 双基地展开互质阵列mimo雷达dod和doa降维估计方法
CN111948622A (zh) * 2020-08-07 2020-11-17 哈尔滨工程大学 基于并联cnn-lstm的线性调频雷达信号toa估计算法
WO2021068495A1 (zh) * 2020-05-03 2021-04-15 浙江大学 基于平面互质阵列块采样张量信号构造的自由度增强型空间谱估计方法
CN113030847A (zh) * 2021-04-13 2021-06-25 中国民用航空飞行学院 一种用于双通道测向系统的深度学习数据集生成方法
CN113219404A (zh) * 2021-05-25 2021-08-06 青岛科技大学 基于深度学习的水声阵列信号二维波达方向估计方法
WO2023070994A1 (zh) * 2021-10-27 2023-05-04 东南大学 一种阵列超分辨波达方向估计方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107576953A (zh) * 2017-09-12 2018-01-12 成都理工大学 基于互质mimo阵列的相干与非相干混合目标doa估计方法
CN109471086A (zh) * 2018-10-18 2019-03-15 浙江大学 基于多采样快拍和集阵列信号离散傅里叶变换的互质mimo雷达波达方向估计方法
CN109557502A (zh) * 2018-12-19 2019-04-02 成都理工大学 基于互质双频的稀疏嵌套mimo阵列doa估计方法
CN109557503A (zh) * 2018-12-19 2019-04-02 成都理工大学 基于相关矩阵重建解相干的mimo互质阵列doa估计方法
CN109613475A (zh) * 2019-02-18 2019-04-12 西南交通大学 一种自适应优化互质阵的排布方法及目标doa估算方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107576953A (zh) * 2017-09-12 2018-01-12 成都理工大学 基于互质mimo阵列的相干与非相干混合目标doa估计方法
CN109471086A (zh) * 2018-10-18 2019-03-15 浙江大学 基于多采样快拍和集阵列信号离散傅里叶变换的互质mimo雷达波达方向估计方法
CN109557502A (zh) * 2018-12-19 2019-04-02 成都理工大学 基于互质双频的稀疏嵌套mimo阵列doa估计方法
CN109557503A (zh) * 2018-12-19 2019-04-02 成都理工大学 基于相关矩阵重建解相干的mimo互质阵列doa估计方法
CN109613475A (zh) * 2019-02-18 2019-04-12 西南交通大学 一种自适应优化互质阵的排布方法及目标doa估算方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YONG JIA ET AL.: "DOA and DOD Estimation Based on Bistatic MIMO", 《2017 IEEE RADAR CONFERENCE》 *
樊劲宇 等: "基于张量分解的互质阵MIMO雷达目标多参数估计方法", 《电子与信息学报》 *
陈川 等: "基于双频互质阵列的DOA估计方法", 《计算机应用研究》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110780849A (zh) * 2019-10-29 2020-02-11 深圳芯英科技有限公司 矩阵处理方法、装置、设备及计算机可读存储介质
CN111580040A (zh) * 2020-03-29 2020-08-25 重庆邮电大学 双基地展开互质阵列mimo雷达dod和doa降维估计方法
WO2021068495A1 (zh) * 2020-05-03 2021-04-15 浙江大学 基于平面互质阵列块采样张量信号构造的自由度增强型空间谱估计方法
US11422177B2 (en) 2020-05-03 2022-08-23 Zhejiang University Spatial spectrum estimation method with enhanced degree-of-freedom based on block sampling tensor construction for coprime planar array
CN111948622A (zh) * 2020-08-07 2020-11-17 哈尔滨工程大学 基于并联cnn-lstm的线性调频雷达信号toa估计算法
CN113030847A (zh) * 2021-04-13 2021-06-25 中国民用航空飞行学院 一种用于双通道测向系统的深度学习数据集生成方法
CN113219404A (zh) * 2021-05-25 2021-08-06 青岛科技大学 基于深度学习的水声阵列信号二维波达方向估计方法
WO2023070994A1 (zh) * 2021-10-27 2023-05-04 东南大学 一种阵列超分辨波达方向估计方法

Also Published As

Publication number Publication date
CN110133576B (zh) 2020-11-27

Similar Documents

Publication Publication Date Title
CN110133576A (zh) 基于级联残差网络的双基互质mimo阵列方位估计算法
CN107576953B (zh) 基于互质mimo阵列的相干与非相干混合目标doa估计方法
Hassanien et al. Transmit/receive beamforming for MIMO radar with colocated antennas
CN102866401B (zh) 一种基于mimo技术的三维成像方法
CN108169708B (zh) 模块化神经网络的直接定位方法
CN106680815A (zh) 基于张量稀疏表示的mimo雷达成像方法
CN106707257A (zh) 基于嵌套阵列的mimo雷达波达方向估计方法
CN105699945A (zh) 频控阵mimo雷达系统中的波形优化设计方法
CN102981152A (zh) 双基地多输入多输出雷达的多目标收发角度估计方法
CN104931931A (zh) 互耦条件下基于张量实值子空间的双基地mimo雷达角度估计方法
CN110161453A (zh) 基于多输入残差网络的互质阵列宽窄带目标doa估计算法
CN105652273A (zh) 一种基于混合匹配追踪算法的mimo雷达稀疏成像算法
CN111693975A (zh) 一种基于深度神经网络的mimo雷达稀疏阵列设计方法
CN105974388B (zh) 基于距离-方位耦合的双基地mimo雷达信号处理方法
CN105487054B (zh) 提高基于mimo-ofdm雷达stap最差检测性能的稳健波形设计方法
Bekkerman et al. Spatially coded signal model for active arrays
CN109375152A (zh) 电磁矢量嵌套l阵下低复杂度的doa与极化联合估计方法
CN107783078A (zh) 一种波束‑多普勒酉esprit多目标角度估计方法
CN108398659A (zh) 一种矩阵束与求根music结合的波达方向估计方法
CN105676219A (zh) 基于正交相位调制的mimo雷达三维成像方法
Wang et al. Jointly Learning Selection Matrices For Transmitters, Receivers And Fourier Coefficients In Multichannel Imaging
CN110133577B (zh) 基于时频残差网络的单基互质mimo阵列doa估计算法
CN104346532B (zh) 一种mimo雷达降维自适应波束形成方法
CN103926586B (zh) 一种使用发射子阵的mimo阵列测深方法
CN108896974B (zh) 一种改进的mimo阵列高分辨空间谱估计方法

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: 20201127

CF01 Termination of patent right due to non-payment of annual fee