CN111610488A - 基于深度学习的任意阵列波达角估计方法 - Google Patents
基于深度学习的任意阵列波达角估计方法 Download PDFInfo
- Publication number
- CN111610488A CN111610488A CN202010271077.8A CN202010271077A CN111610488A CN 111610488 A CN111610488 A CN 111610488A CN 202010271077 A CN202010271077 A CN 202010271077A CN 111610488 A CN111610488 A CN 111610488A
- Authority
- CN
- China
- Prior art keywords
- deep learning
- radiation source
- data
- arrival angle
- training sample
- 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
Images
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
- G01S3/46—Systems for determining direction or deviation from predetermined direction using antennas spaced apart and measuring phase or time difference between signals therefrom, i.e. path-difference systems
- G01S3/48—Systems for determining direction or deviation from predetermined direction using antennas spaced apart and measuring phase or time difference between signals therefrom, i.e. path-difference systems the waves arriving at the antennas being continuous or intermittent and the phase difference of signals derived therefrom being measured
-
- 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
- G01S3/46—Systems for determining direction or deviation from predetermined direction using antennas spaced apart and measuring phase or time difference between signals therefrom, i.e. path-difference systems
- G01S3/465—Systems for determining direction or deviation from predetermined direction using antennas spaced apart and measuring phase or time difference between signals therefrom, i.e. path-difference systems the waves arriving at the aerials being frequency modulated and the frequency difference of signals therefrom being measured
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
- Variable-Direction Aerials And Aerial Arrays (AREA)
Abstract
本发明公开了基于深度学习的任意阵列波达角估计方法,具体步骤如下:对各阵元接收到的辐射源信号下变频和数字采样处理,获得采样数据;对采样数据进行信号处理,提取各阵元采样数据的特征信息,并将得到的采样数据和提取的特征信息一同作为深度学习的输入数据;基于已知的辐射源信号来建立训练样本集,并将其作为深度学习的训练数据;深度学习模型初始化,即卷积神经网络参数初始化;利用优化算法进行深度学习训练,得到优化分类器;利用深度学习模型和优化分类器,基于采样数据和提取的特征信息,来估计辐射源信号的波达角;本发明能够适应任意的多元阵列,无需进行通道校正,于深度学习的基础上,实现对辐射源信号的快速高精度测向。
Description
技术领域
本发明涉及电子侦察技术领域,具体为基于深度学习的任意阵列波达角估计方法。
背景技术
辐射源信号的波达角估计就是利用电子侦察所接收到的辐射源信号,通过信号处理,来估计辐射源信号的到达方向;现有的辐射源信号的波达角估计方法主要为振幅法测向、相位法测向和空间谱估计测向等方式。
振幅法测向是利用接收到的信号幅度信息进行波达角估计,该方法的测向精度较低,单振元振幅法测向采用搜索法测向,瞬时覆盖范围小,多振元振幅法测向对天线的布阵有一定的要求,即各阵元相对位置和相对角度都有要求,且对多阵元天线方向图和多通道的幅度一致性要求较高。
相位法测向是利用多阵元接收到的相位差信息进行波达角估计,典型的有多基线相位干扰仪测向,该方法对天线的布阵有一定的要求,即对各阵元间距有一定的要求,对多通道的相位一致性要求较高,其布阵不同,测向解算模型也不同,且存在测向模糊,需要进行解模糊处理。
空间谱估计测向是利用现代谱估计技术,以MUSIC为代表所进行的波达角估计,该方法理论上具有很高的估计精度,但对阵元的布阵和通道一致性要求很高,且运算量较大,很难满足实时性处理要求,工程应用较少。
即现有的波达角估计方法主要存在以下缺陷:1、对天线阵列的布阵有一定的要求,且其阵列不同,测向模型也不同;2、对通道一致性要求都较高,通常要求进行通道校正;3、振幅法测向精度较低;4、相位法测向存在测向模糊,需要解模糊处理;5、空间谱估计很难满足实时性要求;
为了解决上述缺陷,现提供一种技术方案。
发明内容
本发明的目的在于提供基于深度学习的任意阵列波达角估计方法,该方法与阵列布阵无关,能够适应任意的多元阵列,对通道一致性要求不高,无需进行通道校正,于深度学习的基础上,实现对辐射源信号的快速高精度测向。
本发明所要解决的技术问题如下:
如何依据一种有效的方式,来解决现有的波达角估计方法所存在的对天线阵列的布阵有一定的要求,且其阵列不同,测向模型也不同;对通道一致性要求都较高,通常要求进行通道校正;振幅法测向精度较低;相位法测向存在测向模糊,需要解模糊处理和空间谱估计很难满足实时性要求的问题。
本发明的目的可以通过以下技术方案实现:
基于深度学习的任意阵列波达角估计方法,具体步骤如下:
步骤一:对各阵元接收到的辐射源信号下变频和数字采样处理,获得采样数据,即依据各阵元接收到的辐射源信号,经滤波放大和下变频,再对中频的辐射源信号进行A/D转换,变成数字信号;
步骤二:对采样数据进行信号处理,提取各阵元采样数据的特征信息,而特征信息包括信号频率、阵元间相位差(无需解模糊)等,并将得到的采样数据和提取的特征信息一同作为深度学习的输入数据;
步骤三:基于已知的辐射源信号来建立训练样本集,并将其作为深度学习的训练数据,即将已知的辐射源分别放置于不同角度,获得采样数据并提取相关联的特征信息来建立训练样本集,并将其作为深度学习的训练数据;
步骤四:深度学习模型初始化,即卷积神经网络参数初始化;
步骤五:利用优化算法进行深度学习训练,得到优化分类器,即将训练样本集P输入至卷积神经网络来进行网络训练,并根据预先设定的epoch数目进行训练,而在训练过程中,采用Adam优化算法训练该卷积神经网络;
步骤六:利用深度学习模型和优化分类器,基于采样数据和提取的特征信息,来估计辐射源信号的波达角。
进一步的,所述深度学习模型初始化,即卷积神经网络参数初始化表示为利用训练样本集来训练卷积神经网络,自动提取训练样本集中与目标到达角相关联的特征并分类,具体方式如下:
第一步:对于已形成的训练样本集P,其训练样本总量为M,记第i个样本为P(Xi,Yi),其中Xi为样数据和提取的特征信息,Yi为第i个训练样本的到达角标签,i=1、2...M;
第二步:网络的连接权重初始化采用Xavier初始化方式,服从均匀分布,网络的偏置项初始化为0;
第三步:信号波达角估计的卷积神经网络结构由3个卷积层、3个池化层、1个全连接层和1个Softmax分类层组成;每层卷积层后分别跟averagepool池化层,而池化层分别采用1*4,1*4和1*2的小窗口对卷积后的特征进行不重叠的下采样;每个卷积层采用Sigmoid激活函数,卷积层步长为1;输入原始数据大小为1*500,经1*13的卷积核卷积后输出6个1*488的特征图,经平均池化后特征图的大小变为1*122,并将其送至第二卷积层,卷积核尺寸为1*11,输出12个1*112的特征图,经第二次池化后大小变为1*28,之后经类似的卷积与下采样操作,第三次池化后得到30个1*12的特征图,连接为一个一维向量,该向量与全连接层节点全连接,然后经过Softmax分类层,最终得到辐射源的到达角,分类层采用交叉熵损失函数。
本发明的有益效果:
本发明的方法与阵列布阵无关,能够适应任意的多元阵列,对通道一致性要求不高,无需进行通道校正,于深度学习的基础上,实现对辐射源信号的快速高精度测向,测向精度优于0.2度。
附图说明
为了便于本领域技术人员理解,下面结合附图对本发明作进一步的说明;
图1为本发明的天线阵列布阵示意图;
图2为本发明的步骤流程图;
图3为本发明的卷积神经网络结构图。
具体实施方式
如图1-3所示,基于深度学习的任意阵列波达角估计方法,数学模型:
传统的测向系统是采用线形布阵或圆形布阵,分别如图1(a)和1(b)所示,不适用于如图1(c)所示的不规则布阵;
而本发明的方法与阵列布阵无关,能够适应任意的多元阵列,以如图1(c)所示的不规则布阵为例,来建立一维波达角估计模型;
设测向阵列由L个天线阵元组成,第k个阵元位置矢量Xk=(xk,yk),入射信号源为窄带远场信号,信源数为p且p小于L,信号入射方向为θi,i=1、2...p,则第k个阵元接收到的总信号表示为:
则将上式写成矩阵形式表示为:
Z=AS+N
且其中的A、S、Z、N和ai解释如下:
A=[a1 a2 … ap]
S=[s1(t) s2(t) … sp(t)]T
Z=[z0(t) z1(t) … zL-1(t)]T
N=[n0(t) n1(t) … nL-1(t)]T
ai=[a0i a1i … a(L-1)i]T;
而基于深度学习的任意阵列波达角估计方法,具体步骤如下:
步骤一:对各阵元接收到的辐射源信号下变频和数字采样处理,获得采样数据,即依据各阵元接收到的辐射源信号,经滤波放大和下变频,再对中频的辐射源信号进行A/D转换,变成数字信号;
步骤二:对采样数据进行信号处理,提取各阵元采样数据的特征信息,而特征信息包括信号频率、阵元间相位差(无需解模糊)等,并将得到的采样数据和提取的特征信息一同作为深度学习的输入数据;
而阵元间相位差的提取是采用频域鉴相算法,以第一路与第二路信号为例,两路信号的相位差包括信号到达波程差引起的相位差和通道不一致引起的相位差;
设第一路信号为x1(t),第二路信号为x2(t),且两路信号均为常规信号,它们的傅里叶变换分别表示为:
其中的,τ01为信号到达两个阵元的时延;
在频域上用第一路信号和第二路信号的共轭相乘得到:
Y(f)=X1(f)[exp(-j2πfτ01)X1(f)]*=exp(j2πfτ01)|X1(f)|2
即测得相位差表示为:
估计信号载频,求出此载频在数字频谱上对应的最大值的位置,即得到精确的相位差;
再考虑通道的相位不一致性,即实际上得到的两路信号相位差表示为:
其中的φ01是两个通道不一致引起的相位差;
据此提取的特征数据,实际上包含了由阵元布阵得到的相位差信息,也包含了通道不一致引起的相位差信息;
步骤三:基于已知的辐射源信号来建立训练样本集,并将其作为深度学习的训练数据,即将已知的辐射源分别放置于不同角度,获得采样数据并提取相关联的特征信息来建立训练样本集,并将其作为深度学习的训练数据;
步骤四:深度学习模型初始化,即卷积神经网络参数初始化;
即利用训练样本集来训练卷积神经网络,自动提取训练样本集中与目标到达角相关联的特征并分类,具体方式如下:
第一步:对于已形成的训练样本集P,其训练样本总量为M,记第i个样本为P(Xi,Yi),其中Xi为样数据和提取的特征信息,Yi为第i个训练样本的到达角标签,i=1、2...M;
第二步:网络的连接权重初始化采用Xavier初始化方式,服从均匀分布,网络的偏置项初始化为0;
第三步:信号波达角估计的卷积神经网络结构由3个卷积层、3个池化层、1个全连接层和1个Softmax分类层组成;每层卷积层后分别跟averagepool池化层,而池化层分别采用1*4,1*4和1*2的小窗口对卷积后的特征进行不重叠的下采样;每个卷积层采用Sigmoid激活函数,卷积层步长为1;输入原始数据大小为1*500,经1*13的卷积核卷积后输出6个1*488的特征图,经平均池化后特征图的大小变为1*122,并将其送至第二卷积层,卷积核尺寸为1*11,输出12个1*112的特征图,经第二次池化后大小变为1*28,之后经类似的卷积与下采样操作,第三次池化后得到30个1*12的特征图,连接为一个一维向量,该向量与全连接层节点全连接,然后经过Softmax分类层,最终得到辐射源的到达角,分类层采用交叉熵损失函数;
步骤五:利用优化算法进行深度学习训练,得到优化分类器,即将训练样本集P输入至卷积神经网络来进行网络训练,并根据预先设定的epoch数目进行训练,而在训练过程中,采用Adam优化算法训练该卷积神经网络;
步骤六:利用深度学习模型和优化分类器,基于采样数据和提取的特征信息,来估计辐射源信号的波达角;
实验分析:辐射源信号的频率为9600MHz,采用如图1(c)中的天线布阵形式,将辐射源分别放置在0、25、50、75、100、125和150度,采用本文提出的测向方法,基于单脉冲进行测向,得到的实验结果如表1所示:
表1单脉冲测向仿真结果
实验结果表明,基于深度学习的任意阵列波达角估计方法,能够适应任意的多元阵列,在不进行通道校正的情况下,测向精度仍优于0.2度;即本发明的方法与阵列布阵无关,对通道一致性要求不高,无需进行通道校正,于深度学习的基础上,实现对辐射源信号的快速高精度测向。
以上内容仅仅是对本发明结构所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (2)
1.基于深度学习的任意阵列波达角估计方法,其特征在于,具体步骤如下:
步骤一:对各阵元接收到的辐射源信号下变频和数字采样处理,获得采样数据;
步骤二:对采样数据进行信号处理,提取各阵元采样数据的特征信息,并将得到的采样数据和提取的特征信息一同作为深度学习的输入数据;
步骤三:基于已知的辐射源信号来建立训练样本集,并将其作为深度学习的训练数据;
步骤四:深度学习模型初始化,即卷积神经网络参数初始化;
步骤五:利用优化算法进行深度学习训练,得到优化分类器;
步骤六:利用深度学习模型和优化分类器,基于采样数据和提取的特征信息,来估计辐射源信号的波达角。
2.根据权利要求1所述的基于深度学习的任意阵列波达角估计方法,其特征在于,所述深度学习模型初始化,即卷积神经网络参数初始化表示为利用训练样本集来训练卷积神经网络,自动提取训练样本集中与目标到达角相关联的特征并分类,具体方式如下:
第一步:对于已形成的训练样本集P,其训练样本总量为M,记第i个样本为P(Xi,Yi),其中Xi为样数据和提取的特征信息,Yi为第i个训练样本的到达角标签,i=1、2...M;
第二步:网络的连接权重初始化采用Xavier初始化方式,服从均匀分布,网络的偏置项初始化为0;
第三步:信号波达角估计的卷积神经网络结构由3个卷积层、3个池化层、1个全连接层和1个Softmax分类层组成;每层卷积层后分别跟averagepool池化层,而池化层分别采用1*4,1*4和1*2的小窗口对卷积后的特征进行不重叠的下采样;每个卷积层采用Sigmoid激活函数,卷积层步长为1;输入原始数据大小为1*500,经1*13的卷积核卷积后输出6个1*488的特征图,经平均池化后特征图的大小变为1*122,并将其送至第二卷积层,卷积核尺寸为1*11,输出12个1*112的特征图,经第二次池化后大小变为1*28,之后经类似的卷积与下采样操作,第三次池化后得到30个1*12的特征图,连接为一个一维向量,该向量与全连接层节点全连接,然后经过Softmax分类层,最终得到辐射源的到达角,分类层采用交叉熵损失函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010271077.8A CN111610488B (zh) | 2020-04-08 | 2020-04-08 | 基于深度学习的任意阵列波达角估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010271077.8A CN111610488B (zh) | 2020-04-08 | 2020-04-08 | 基于深度学习的任意阵列波达角估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111610488A true CN111610488A (zh) | 2020-09-01 |
CN111610488B CN111610488B (zh) | 2023-08-08 |
Family
ID=72197781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010271077.8A Active CN111610488B (zh) | 2020-04-08 | 2020-04-08 | 基于深度学习的任意阵列波达角估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111610488B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113472415A (zh) * | 2021-09-02 | 2021-10-01 | 网络通信与安全紫金山实验室 | 信号到达角估计方法、装置、电子设备及存储介质 |
CN114487989A (zh) * | 2022-01-07 | 2022-05-13 | 中国人民解放军国防科技大学 | 多径效应下基于深度胶囊网络的阵列测向方法 |
CN115236587A (zh) * | 2022-07-20 | 2022-10-25 | 中国人民解放军国防科技大学 | 一种在低信噪比背景下高精度doa估计的方法 |
CN115856768A (zh) * | 2023-03-01 | 2023-03-28 | 深圳泽惠通通讯技术有限公司 | 一种基于卷积神经网络的doa波达角估计方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229404A (zh) * | 2018-01-09 | 2018-06-29 | 东南大学 | 一种基于深度学习的雷达回波信号目标识别方法 |
CN109490822A (zh) * | 2018-10-16 | 2019-03-19 | 南京信息工程大学 | 基于ResNet的语音DOA估计方法 |
CN109597046A (zh) * | 2018-11-29 | 2019-04-09 | 西安电子科技大学 | 基于一维卷积神经网络的米波雷达doa估计方法 |
CN109765519A (zh) * | 2018-12-14 | 2019-05-17 | 北京邮电大学 | 一种模数混合天线阵列的角度估计方法 |
CN110045322A (zh) * | 2019-03-21 | 2019-07-23 | 中国人民解放军战略支援部队信息工程大学 | 一种基于高分辨测向语图智能识别的短波自动测向方法 |
CN110531313A (zh) * | 2019-08-30 | 2019-12-03 | 西安交通大学 | 一种基于深度神经网络回归模型的近场信号源定位方法 |
CN110888105A (zh) * | 2019-10-09 | 2020-03-17 | 哈尔滨工程大学 | 一种基于卷积神经网络和接收信号强度的doa估计方法 |
CN110967665A (zh) * | 2019-10-07 | 2020-04-07 | 西安电子科技大学 | 一种多个外辐射源下运动目标回波的doa估计方法 |
-
2020
- 2020-04-08 CN CN202010271077.8A patent/CN111610488B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229404A (zh) * | 2018-01-09 | 2018-06-29 | 东南大学 | 一种基于深度学习的雷达回波信号目标识别方法 |
CN109490822A (zh) * | 2018-10-16 | 2019-03-19 | 南京信息工程大学 | 基于ResNet的语音DOA估计方法 |
CN109597046A (zh) * | 2018-11-29 | 2019-04-09 | 西安电子科技大学 | 基于一维卷积神经网络的米波雷达doa估计方法 |
CN109765519A (zh) * | 2018-12-14 | 2019-05-17 | 北京邮电大学 | 一种模数混合天线阵列的角度估计方法 |
CN110045322A (zh) * | 2019-03-21 | 2019-07-23 | 中国人民解放军战略支援部队信息工程大学 | 一种基于高分辨测向语图智能识别的短波自动测向方法 |
CN110531313A (zh) * | 2019-08-30 | 2019-12-03 | 西安交通大学 | 一种基于深度神经网络回归模型的近场信号源定位方法 |
CN110967665A (zh) * | 2019-10-07 | 2020-04-07 | 西安电子科技大学 | 一种多个外辐射源下运动目标回波的doa估计方法 |
CN110888105A (zh) * | 2019-10-09 | 2020-03-17 | 哈尔滨工程大学 | 一种基于卷积神经网络和接收信号强度的doa估计方法 |
Non-Patent Citations (2)
Title |
---|
吴彪;陈辉;胡晓琴;: "基于Y型阵的互耦矩阵与DOA的同时估计方法", 通信学报, no. 06 * |
葛晓凯;胡显智;戴旭初: "利用深度学习方法的相干源DOA估计", 信号处理, vol. 35, no. 008 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113472415A (zh) * | 2021-09-02 | 2021-10-01 | 网络通信与安全紫金山实验室 | 信号到达角估计方法、装置、电子设备及存储介质 |
CN114487989A (zh) * | 2022-01-07 | 2022-05-13 | 中国人民解放军国防科技大学 | 多径效应下基于深度胶囊网络的阵列测向方法 |
CN115236587A (zh) * | 2022-07-20 | 2022-10-25 | 中国人民解放军国防科技大学 | 一种在低信噪比背景下高精度doa估计的方法 |
CN115856768A (zh) * | 2023-03-01 | 2023-03-28 | 深圳泽惠通通讯技术有限公司 | 一种基于卷积神经网络的doa波达角估计方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111610488B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111610488A (zh) | 基于深度学习的任意阵列波达角估计方法 | |
CN109085531B (zh) | 基于神经网络的近场源到达角估计方法 | |
CN110967665A (zh) | 一种多个外辐射源下运动目标回波的doa估计方法 | |
CN110109059B (zh) | 一种基于深度学习网络的雷达辐射源信号识别方法 | |
CN109655799B (zh) | 基于iaa的协方差矩阵向量化的非均匀稀疏阵列测向方法 | |
CN110531313B (zh) | 一种基于深度神经网络回归模型的近场信号源定位方法 | |
CN109298383B (zh) | 一种基于变分贝叶斯推断的互质阵波达方向角估计方法 | |
CN110045323A (zh) | 一种基于矩阵填充的互质阵稳健自适应波束形成算法 | |
CN110888105B (zh) | 一种基于卷积神经网络和接收信号强度的doa估计方法 | |
CN112630784A (zh) | 基于凸优化和神经网络的平面阵列幅相误差校正方法 | |
CN112487703A (zh) | 基于稀疏贝叶斯在未知噪声场的欠定宽带信号doa估计方法 | |
CN110275163B (zh) | 一种基于神经网络的毫米波雷达探测目标成像方法 | |
Adhikari | Shift-invariant structure-imposed convolutional neural networks for direction of arrival estimation | |
CN113466782B (zh) | 一种基于深度学习(dl)的互耦校正doa估计方法 | |
CN109507634B (zh) | 一种任意传感器阵列下的基于传播算子的盲远场信号波达方向估计方法 | |
CN111352075A (zh) | 一种基于深度学习的水下多声源定位方法及系统 | |
CN114415106A (zh) | 基于改进lamp网络的互耦阵列doa估计方法 | |
CN109298384B (zh) | 一种基于变分贝叶斯推断的非均匀直线阵波达方向角估计方法 | |
CN114994627B (zh) | 一种基于深度神经网络与子空间原理的测向方法 | |
CN106950530B (zh) | 基于互协方差的声矢量传感器阵列解相干参数估计方法 | |
CN114415105B (zh) | 一种阵列互耦情况下波达方向估计方法 | |
Suleiman et al. | Decentralized direction-of-arrival estimation for arbitrary array geometries | |
Luo et al. | A novel aliasing-free subband information fusion approach for wideband sparse spectral estimation | |
CN114217264B (zh) | 一种基于深度学习的无线电信号波达方向估计与定位装置 | |
CN117630807A (zh) | 一种五元阵智能测向方法及系统 |
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 |