CN111446997B - 基于深度学习的自适应数字波束合成方法 - Google Patents

Abstract

基于深度学习的自适应数字波束合成方法。将天线阵列每个阵元接收到的窄带信号依顺序排列得到阵列信号矢量，将阵列信号矢量的希尔伯特变换作为虚部，原窄带信号作为实部，得到其解析信号矢量。将解析信号矢量每个元素的实部和虚部分别视作一个信号通道，输入到一个预先训练好的深度神经网络模型得到波束合成加权矢量；计算加权矢量与阵列信号矢量的内积可得期望信号。本发明能够适用于期望信号与干扰信号到达方向与强度未知的情形，自适应地调整波束指向，能够有效地增强期望信号，抑制干扰信号，拥有很高的鲁棒性。

Description

基于深度学习的自适应数字波束合成方法

技术领域

本发明涉及信号处理领域，具体而言，涉及基于深度学习的自适应数字波束合成方法。

背景技术

在电子通讯系统中，接收机常通过相控阵天线收发信号来提高波束指向的灵活性。理想情况下直接令加权矢量为方向矢量即可，但由于通常无法得知所需信号到达的位置以及环境中存在的干扰源和噪声，因此需要用自适应的数字波束合成方法，使得接收到期望信号的同时正好对干扰方向的信号具有抑制作用。传统的自适应波束合成算法如LCMV方法需要有精确的来波方位信息，而一些其他的方法如贝叶斯方法等也需要预先给出来波方位的先验概率分布，并假定干扰源方向远离信号源方向，难以适应于复杂的电磁环境。

发明内容

本发明解决的技术问题是：克服现有技术的不足，提供一种基于深度学习的自适应数字波束合成方法，无需来波方位的先验信息，对于不同的信噪比的情形也有很好的鲁棒性。

本发明的技术方案是：基于深度学习的自适应数字波束合成方法，步骤如下：

1)采集大量包含干扰和噪声的阵列信号作为训练数据，将训练集中的含噪声阵列信号进行波束合成，计算的结果与真实期望信号之间的均方误差作为损失函数，训练深度学习模型，完成训练步骤；

2)天线阵列接收模块实时接收并采样信号，得到一段信号，将同一时刻每个阵元接收的信号视为一个分量，按照空间顺序排成一段阵列信号矢量；

3)对步骤2)得到的信号矢量取复包络，得到一段复包络矢量，记作x(1),x(2),x(3),...；

4)将复包络矢量的每个分量的实部与虚部分别视为一个通道，输入训练好的深度神经网络模型，得到加权矢量w的实部与虚部；

5)将加权矢量与复包络矢量做内积得到期望信号的复包络，即

y(k)＝w^Hx(k),k＝1,2,3,...

取其实部并上变频即可得到期望信号。

本发明与现有技术相比的优点在于：本发明的自适应数字波束合成方法，实现了自适应的波束合成功能，相比传统的自适应波束合成方法，无需预先获得期望信号与干扰信号的方位先验信息，无需对干扰信号与噪声的概率分布进行任何假设，并且对于不同强度的干扰信号都有很好的抑制效果。

附图说明

图1是本发明方法的流程图。

图2是本发明方法的实施例中采用的模型示意图。

图3是本发明方法的实施例中得到的归一化阵列方向图。

具体实施方式

本发明数字波束合成方法流程图见附图1，具体步骤为：

1)采集大量包含干扰和噪声的阵列信号作为训练数据，将训练集中的含噪声阵列信号进行波束合成，计算的结果与真实期望信号之间的均方误差作为损失函数，训练深度神经网络模型，完成训练步骤；

2)天线阵列接收模块实时接收并采样信号，得到一段信号，将同一时刻每个阵元接收的信号视为一个分量，按照空间顺序排成一段阵列信号矢量；

3)对步骤2)得到的信号矢量取复包络，得到一段复包络矢量，记作 x(1),x(2),x(3),...；

4)将复包络矢量的每个分量的实部与虚部分别视为一个通道，输入训练好的深度神经网络模型，得到加权矢量w的实部与虚部；

5)将加权矢量与复包络矢量做内积得到期望信号的复包络，即

y(k)＝w^Hx(k),k＝1,2,3,...

取其实部并上变频即可得到期望信号。

实施例

以阵元数目为12的相控阵天线为例。首先通过仿真生成大量的信号数据，每组信号中期望信号与干扰信号的来波方向是随机的，并且包含不同强度的干扰，利用这些数据作为训练数据，完成深度神经网络的训练。在测试或者使用环节，天线阵列接收一段长度为100的信号，将同一时刻每个阵元的信号作为一个分量按照空间顺序排列成矢量，得到一个长度为100的信号矢量序列，序列中每个矢量都是12维矢量。对每个信号矢量取复包络，得到一个长度为100的复包络矢量序列，记作{x(1),x(2),...,x(100)}。将复包络矢量的每个分量的实部和虚部分别视作一个通道，则上面的12维解析信号矢量有24 个通道。将上面的解析信号序列的所有通道输入到训练好的深度神经网络模型，模型示意图如图2所示，图中的第一个矩形表示输入信号，上面的数字表示输入信号有24个通道。后面的矩形表示一个卷积层提取到的特征图，矩形上面的数字表示特征图的通道数目，箭头的汇合表示两个特征图相加，后面虚线框内的是全连接层。深度神经网络模型根据输入信号预测出对应的最佳的波束合成矢量w的实部和虚部，将波束合成矢量w与每一时刻的复包络 x(k)做内积即可恢复出期望信号的复包络y(k)＝w^Hx(k),k＝1,2,...,100，取期望信号复包络的实部并上变频即可获得期望信号。图3所示为仿真效果图，横轴为信号入射角度，纵轴为该波束合成器的归一化增益，红色实线的横坐标为期望信号的方向角，棕色虚线的横坐标为干扰信号的方向角，可以看到波束合成器在对期望信号进行恢复的同时也很好地抑制了干扰信号。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.基于深度学习的自适应数字波束合成方法，其特征在于步骤如下：

1)采集大量包含干扰和噪声的阵列信号及其对应的期望信号，对每一段阵列信号取复包络，将每个阵元信号的复包络视作一个分量，按照空间顺序排列得到一段复包络矢量，记作

x(1),x(2),x(3)...；

将每个时刻的复包络矢量的实部和虚部分别视为一个通道输送到深度神经网络，神经网络输出波束合成加权矢量w的实部和虚部，将加权矢量与解析信号做内积，取其实部并上变频即可得到估计信号， 取估计信号与期望信号的均方误差作为损失函数，利用误差回传算法训练神经网络；

2)天线阵列采集一段阵列信号，按1)中方法得到阵列信号的复包络矢量序列，将每个时刻的复包络矢量的实部和虚部分别视为一个通道，输送1)中预先训练好的深度神经网络，神经网络输出波束合成加权矢量的实部和虚部，将加权矢量与解析信号做内积，取其实部并上变频即可得到估计信号。

Images