CN111723686B - 一种信号个数估计方法、装置、电子设备和存储介质 - Google Patents

Abstract

本申请公开了一种信号个数估计方法、装置、电子设备和存储介质。信号个数估计方法包括：根据信号入射角度以及天线阵列测向角度范围，生成各训练样本；各训练样本包含的信号个数大于0且小于Q，Q为小于天线阵列阵元数的正整数；通过神经网络对训练样本进行训练，得到信号个数预测模型；获取天线阵列的目标接收信号，利用所述信号个数预测模型估计所述目标接收信号中信号的个数，得到估计结果。本申请实施例的技术方案不受天线阵列阵型限制，应用范围广，基于信号个数预测模型预测信号个数简单、快速、正确率高，在天线阵列测向中具有较高的应用价值。

Description

一种信号个数估计方法、装置、电子设备和存储介质

技术领域

本申请涉及通信技术领域，具体涉及一种信号个数估计方法、装置、电 子设备和存储介质。

背景技术

在通信测向系统中，信号检测及参数估计对系统设计和性能分析具有重 要作用，信号个数是信号重要的特征参数之一，当信号个数估计不准确时， 就意味着信号子空间、噪声子空间的估计不准确，就会造成信号的漏警或虚 警，从而导致入射信号来波方向的估计偏差。

在信噪比较高且都是独立信号时，可以直接根据接收信号协方差矩阵的 较大特征值数量来判断信号个数，但在实际场合应用时，由于受到样本数量、 信噪比、各信号间接收功率差距较大等实际因素的限制，对数据协方差矩阵 进行特征分解，可能无法得到差距明显的特征值，从而难以估计信号个数。

而为了根据差异不明显的特征值估计信号个数，很多学者提出了一些较 为估计方法，包括信息论准则方法、盖氏圆半径法、正则相关法等。其中信 息论准则中的AIC方法(Akaike Information Theoretic Criteria，Akaike 信息量准则)和MDL方法(MinimumDescription Length，最小描述长度)。这些算法的估计准确性不佳，而且难以应对接收信号中包含多径信号的情况。

发明内容

鉴于上述问题，提出了本申请以便提供一种克服上述问题或者至少部分 地解决上述问题的信号个数估计方法、装置、电子设备和存储介质。

依据本申请的一个方面，提供了一种信号个数估计方法，包括：

根据信号入射角度以及天线阵列测向角度范围，生成各训练样本；各训 练样本包含的信号个数大于0且小于Q，Q为小于天线阵列阵元数的正整数；

通过神经网络对训练样本进行训练，得到信号个数预测模型；

获取天线阵列的目标接收信号，利用所述信号个数预测模型估计所述目 标接收信号中信号的个数，得到估计结果。

依据本申请的另一个方面，提供了一种信号个数估计装置，包括：

样本生成模块，用于根据信号入射角度以及天线阵列测向角度范围，生 成各训练样本；各训练样本包含的信号个数大于0且小于Q，Q为小于天线阵 列阵元数的正整数；

模型训练模块，用于通过神经网络对训练样本进行训练，得到信号个数 预测模型；

估计模块，用于获取天线阵列的目标接收信号，利用所述信号个数预测 模型估计所述目标接收信号中信号的个数，得到估计结果。

依据本申请的又一方面，提供了一种电子设备，包括：处理器；以及被 安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述 处理器执行如上述任一所述的方法。

依据本申请的再一方面，提供了一种计算机可读存储介质，其中，所述 计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器 执行时，实现如上述任一所述的方法。

由上述可知，本申请的技术方案，通过在天线阵列测向角度范围内产生 各类训练样本，采用神经网络对训练样本进行训练，得到信号个数预测模型； 利用该模型对实际入射信号进行信号个数估计，即可获得信号个数。采用该 技术方案能实现对各类阵型接收信号个数的快速、准确的估计，在阵列测向 中具有较高的应用价值。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本 领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的， 而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示 相同的部件。在附图中：

图1示出了本申请实施例的信号个数估计方法的流程示意图；

图2示出了本申请实施例的信号个数估计方法的流程图；

图3示出了LSTM神经网络结构的示意图；

图4示出了应用本申请方法与应用MDL方法、AIC方法测试包含两个独 立信号的目标时正确率随角度间隔变化曲线的对比示意图；

图5示出了应用本申请方法与应用MDL方法、AIC方法测试包含三个独 立信号的目标时正确率随角度间隔变化曲线的对比示意图；

图6示出了应用本申请方法与应用MDL方法、AIC方法测试包含两个相 干信号的目标时正确率随角度间隔变化曲线的对比示意图；

图7示出了应用本申请方法与应用MDL方法、AIC方法测试包含三个相 干信号的目标时正确率随角度间隔变化曲线的对比示意图；

图8示出了应用本申请方法与应用MDL方法、AIC方法测试包含三个信 号(其中两个为相干信号)的目标时正确率随角度间隔变化曲线的对比示意 图；

图9示出了本申请实施例的信号个数估计装置的框图；

图10示出了本申请实施例的电子设备的示意图；

图11示出了本申请实施例的计算机可读存储介质的结构示意图。

具体实施方式

下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示 了本申请的示例性实施例，然而应当理解，可以以各种形式实现本申请而不 应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地 理解本申请，并且能够将本申请的范围完整的传达给本领域的技术人员。

在一些城市环境等比较复杂的环境下，接收的信号中往往包含多径信号， 比如接收信号中包含强相关信号甚至相干信号。但是对于相干信号，只有空 间平滑处理加信息论准则算法及高阶累积量算法可以实现信号个数的正确估 计。然而空间平滑处理技术只适用于均匀线阵的阵列构型，因此对于非均匀 线阵或圆阵等其他阵列构型均无法正确估计相干信号个数。而高阶累积量算法则由于运算量大且复杂度高，不利于工程实现。

对此，本申请考虑采用人工智能对信号个数进行估计，基于人工智能的 信号个数估计方法，不受天线阵列阵型限制且对于独立信号和相关信号甚至 相干信号同时存在的接收场景也同样适用。利用人工智能训练信号预测模型， 基于该模型实现了对入射信号中信号个数的简单、快速、准确估计，满足了 应用需求。

图1示出了本申请实施例的信号个数估计方法的流程示意图，参见图1， 本申请实施例的信号个数估计方法包括下列步骤：

步骤S110，根据信号入射角度以及天线阵列测向角度范围，生成各训练样本。各训练样本包含的信号个数大于0且小于Q，Q为小于天线阵列阵元数 的正整数。

步骤S120，通过神经网络对训练样本进行训练，得到信号个数预测模型。

在本步骤中利用人工智能技术领域的神经网络算法对训练样本进行训练， 得到信号个数预测模型。需要说明的是，尽管本申请实施例中需要花费一定 的训练时间，但训练过程为一次性投入，一旦信号个数预测模型训练完成， 后续运用时将变得十分简单、快速。

步骤130，获取天线阵列的目标接收信号，利用所述信号个数预测模型 估计所述目标接收信号中信号的个数，得到估计结果。

这里的目标接收信号比如是天线阵列接收的待估计的信号。

由图1所示可知，本申请实施例的信号个数估计方法，在天线阵列测向 角度范围内产生训练样本，采用人工智能算法中的神经网络对训练样本进行 训练，得到信号个数的预测模型，最后利用该模型对实际入射信号进行信号 个数估计，得到信号个数估计结果，本申请实施例的方法能对任意阵型且存在相干信号的情况进行信号个数的估计，信号个数估计过程简单、快速准确， 在阵列测向中具有较高的应用价值。

图2示出了本申请实施例的信号个数估计方法的流程图，参见图2，本 申请实施例的信号个数估计方法主要包括下列三个步骤：

步骤一，在天线阵列测向角度范围内产生n个训练样本。

n个训练样本包含所有该阵列天线可测或者后续实际应用的场景。需要 说明的是，本申请实施例中，入射信号个数的最大值Q以及天线阵列阵元个 数N均为已知数值。

n个训练样本中每个训练样本包含的信号个数(用字母q表示)大于0 且小于Q，Q为小于天线阵列阵元数N的正整数。比如，N为6，Q为5，0<q<Q。

在步骤一中，本申请实施例根据信号入射角度以及天线阵列测向角度范 围，生成各训练样本，具体的：选取信号入射角度在天线阵列测向角度范围 内的第一信号，并随机选取第二信号；根据所述第一信号以及所述第二信号 确定样本信号；基于所述样本信号的协方差矩阵，得到训练样本。

比如，本申请实施例中，训练样本主信号(即第一信号)入射角度在天 线阵列测向角度范围[α°,β°]内均匀分布，在入射角度与主信号入射角度间隔 (角度间隔，即，角度差)在允许的角度间隔[ξ°,η°]内的备选信号中随机选 取与主信号独立或相干的信号(即第二信号)，得到包含信号个数1，2，…，Q这Q种情况的n个训练样本。需要说明的是，本申请实施例的n个样本中 有一个第一信号，其余的均可看做第二信号，第二信号是相对于第一信号而 言的，第一信号可以理解为当前样本的主信号，第二信号可以理解为当前样本的其它信号，其它信号以主信号为标准生成。

注：天线阵列测向角度范围根据阵列类型不同而不同，比如线阵一般取 值为[-90°,90°]，圆形天线阵阵的一般取值为[0°,360°)。

在根据所述第一信号以及所述第二信号确定样本信号之后，基于所述样 本信号的协方差矩阵，得到训练样本。具体的包括：对样本信号进行协方差 矩阵运算，将协方差矩阵中各个元素除以协方差矩阵的2范数，得到样本信 号的归一化协方差矩阵；提取归一化协方差矩阵的上半对角阵的元素构成样本特征矢量。

本申请实施例中根据括阵列接收信号协方差矩阵A，计算得到归一化上 半对角阵B，将归一化上半对角阵B构成的特征矢量作为神经网络的输入， 其中，比如，N元天线阵列接收信号为：m＝1,…,M，M表示 一次采样过程中的采样点数，则，

阵列接收信号的协方差矩阵的计算公式阵列接 收信号的协方差矩阵形式为：

根据阵列接收信号协方差矩阵A，计算得到归一化上半对角阵B：

B＝[A₁₂,L,A_1N,A₂₃,L,A_2N,L,A_(N-1)N]/||A||。

考虑到复杂环境中接收信号包括强相关信号甚至相干信号的情况，本申 请实施例针对需要估计相干信号个数的场景提出，n个训练样本中每个样本 的其他信号随机选取与当前样本主信号相干或者独立的信号。

比如，随机选取第二信号包括：从备选信号中随机选取与第一信号相干 或者独立的信号作为第二信号，所述备选信号是与第一信号的入射角度之间 角度差在预设角度间隔范围内的信号。

通过在训练样本生成阶段选取与第一信号相干或者独立的信号作为第二 信号，利用训练样本进行训练得到信号个数预测模型，从而利用信号个数预 测模型估计实际入射信号个数时能够估计相干信号个数，满足应用需求。

步骤二，采用长短期记忆神经网络对训练样本进行训练，得到信号个数 预测模型。

本申请实施例采用长短期记忆神经网络(Long ShortTerm Memory，简称 LSTM)对步骤一得到的训练样本进行训练。长短期记忆神经网络是一种时间 循环神经网络，是为了解决一般循环神经网络存在的长期依赖问题而专门设 计出来的。

如图3所示，长短期记忆神经网络包含输入层、LSTM层、全连接层、 dropout层、全连接层以及分类层(即输出层)，通过图3所示的长短期记 忆神经网络对这n个训练样本进行训练，即可得到信号个数预测模型。需要 说明的是，通过长短期记忆神经网络对训练样本进行训练的步骤为现有技术，更多细节可以参见现有技术中的说明，这里不再赘述。

步骤三，利用信号个数预测模型对目标接收信号进行信号个数估计。

这里是利用前述步骤二中得到的信号个数预测模型对实际入射信号(即 目标接收信号)进行信号个数估计。比如，在获取天线阵列的目标接收信号 之后，根据目标接收信号的协方差矩阵得到特征矢量，具体的，对所述目标 接收信号进行协方差矩阵运算，将协方差矩阵中各个元素除以协方差矩阵的 2范数，得到所述目标接收信号的归一化协方差矩阵；提取归一化协方差矩阵的上半对角阵的元素构成特征矢量。

需要说明的是，对目标接收信号进行处理获取特征矢量的过程与前述基 于样本信号得到样本特征矢量的过程相同。即，提取实际入射信号的归一化 协方差矩阵的上半对角阵作为信号个数预测模型输入，信号个数预测模型的 输出即为信号个数的估计值。

为便于理解，以下示意一个本申请的具体实施例。

在该具体实施例中，天线阵列采用八元非均匀线阵，位置为 [013610152128]×0.25d/λ。在天线阵列测向角度范围[-90°，90°]内，每隔1°产生2400个训练样本，Q＝1,2,3个正交相移键控QPSK (Quadrature Phase Shift Keying，简称QPSK)信号(包含相干信号和非 相关信号)各800个训练样本，信号间入射角度间隔在2°～44°角度间隔 范围内随机选取，信噪比为10dB，采样点数M为1000点。

采用8元线阵接收信号的协方差矩阵的归一化上半对角阵构成特征矢量， 对应输出估计的信号个数q。采用长短期记忆神经网络LSTM对训练样本进行训练，得到信号个数预测模型。考察来波方向2°～37°间隔的2～3个正交相 移键控QPSK信号的个数估计，信噪比均为10dB。

分别利用本申请实施例的信号个数预测模型(图4至图8中标记为本申 请)、MDL方法、AIC方法进行来波方向信号个数估计，三种方法信号个数估 计正确率随角度间隔变化曲线如图4至图8所示。

由图4至图8中的变化曲线对比可知，基于人工智能(即本申请实施例 的信号个数预测模型)的信号个数估计方法对于非相关信号的估计比传统的 MDL方法略差，但对相干信号个数估计优势明显，具有较高的正确率，而传 统的MDL方法及AIC方法对相干信号的信号个数估计均已失效。

至此，本申请实施例的信号个数估计方法，不受阵型限制且对于独立信 号和相关信号甚至相干信号同时存在的接收场景同样适用实现了对实际入射 信号简单、快速、准确的信号个数估计。

与前述信号个数估计方法同属一个技术构思，本申请实施例还提供了信 号个数估计装置。参见图9，本申请实施例的信号个数估计装置900包括：

样本生成模块910，用于根据信号入射角度以及天线阵列测向角度范围， 生成各训练样本；各训练样本包含的信号个数大于0且小于Q，Q为小于天线 阵列阵元数的正整数；

模型训练模块920，用于通过神经网络对训练样本进行训练，得到信号 个数预测模型；

估计模块930，用于获取天线阵列的目标接收信号，利用所述信号个数 预测模型估计所述目标接收信号中信号的个数，得到估计结果。

在本申请的一个实施例中，样本生成模块910，具体用于选取信号入射 角度在天线阵列测向角度范围内的第一信号，并随机选取第二信号；根据所 述第一信号以及所述第二信号确定样本信号；基于所述样本信号的协方差矩 阵，得到训练样本；其中，所述随机选取第二信号包括：从备选信号中随机 选取与第一信号相干或者独立的信号作为第二信号，所述备选信号是与第一 信号的入射角度之间角度差在预设角度间隔范围内的信号。

在本申请的一个实施例中，估计模块930，具体用于在所述获取天线阵 列的目标接收信号之后，对所述目标接收信号进行协方差矩阵运算，将协方 差矩阵中各个元素除以协方差矩阵的2范数，得到所述目标接收信号的归一化协方差矩阵；提取归一化协方差矩阵的上半对角阵的元素构成特征矢量。

在本申请的一个实施例中，模型训练模块920，具体用于通过长短期记 忆神经网络LSTM对训练样本进行训练，得到信号个数预测模型，所述长短期 记忆神经网络LSTM包含输入层、LSTM层、全连接层、dropout层、全连接层 以及分类层。

需要说明的是，上述装置实施例的具体实施方式可以参照前述对应方法 实施例的具体实施方式进行，在此不再赘述。

综上所述，本申请实施例通过在天线阵列测向角度范围内产生各类训练 样本，采用神经网络对训练样本进行训练，得到信号个数预测模型；利用该 模型对实际入射信号进行信号个数估计，即可获得信号个数。采用该技术方 案能实现对各类阵型接收信号个数的快速、准确的估计，在阵列测向中具有 较高的应用价值。

需要说明的是：

在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固 有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述， 构造这类装置所要求的结构是显而易见的。此外，本申请也不针对任何特定 编程语言。应当明白，可以利用各种编程语言实现在此描述的本申请的内容， 并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本申请的实施 例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本申请并帮助理解各个发明方面中的一个 或多个，在上面对本申请的示例性实施例的描述中，本申请的各个特征有时 被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开 的方法解释成反映如下意图：即所要求保护的本申请要求比在每个权利要求 中所明确记载的特征更多的特征。

更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前 面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由 此明确地并入该具体实施方式，其中每个权利要求本身都作为本申请的单独 实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自 适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以 把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可 以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者 单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴 随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴 随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相 似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其 它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组 合意味着处于本申请的范围之内并且形成不同的实施例。例如，在下面的权 利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使 用。

本申请的各个部件实施例可以以硬件实现，或者以在一个或者多个处理 器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当 理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本 申请实施例的信号个数估计装置中的一些或者全部部件的一些或者全部功能。 本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或 者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本申请的 程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。 这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

例如，图10示出了本申请实施例的电子设备的结构示意图。该电子设备 1000包括处理器1010和被安排成存储计算机可执行指令(计算机可读程序 代码)的存储器1020。存储器1020可以是诸如闪存、EEPROM(电可擦除可 编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器1020 具有存储用于执行上述方法中的任何方法步骤的计算机可读程序代码1031 的存储空间1030。例如，用于存储计算机可读程序代码的存储空间1030可以包括分别用于实现上面的方法中的各种步骤的各个计算机可读程序代码 1031。计算机可读程序代码1031可以从一个或者多个计算机程序产品中读出 或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸 如硬盘，紧致盘(CD)、存储卡或者软盘之类的程序代码载体。这样的计算 机程序产品通常为例如图11所述的计算机可读存储介质。

图11示出了本申请实施例的计算机可读存储介质的结构示意图。该计算 机可读存储介质1100存储有用于执行根据本申请的方法步骤的计算机可读 程序代码1031，可以被电子设备1000的处理器1010读取，当计算机可读程序代码1031由电子设备1000运行时，导致该电子设备1000执行上面所描述 的方法中的各个步骤，具体来说，该计算机可读存储介质存储的计算机可读 程序代码1031可以执行上述任一实施例中示出的方法。计算机可读程序代码 1031可以以适当形式进行压缩。

应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制， 并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实 施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要 求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于 元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在 列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。 可将这些单词解释为名称。

Claims (6)

1.一种信号个数估计方法，其特征在于，包括：

根据信号入射角度以及天线阵列测向角度范围，生成各训练样本；各训练样本包含的信号个数大于0且小于Q，Q为小于天线阵列阵元数的正整数；

通过神经网络对训练样本进行训练，得到信号个数预测模型；

获取天线阵列的目标接收信号，利用所述信号个数预测模型估计所述目标接收信号中信号的个数，得到估计结果；

所述根据信号入射角度以及天线阵列测向角度范围，生成各训练样本包括：

选取信号入射角度在天线阵列测向角度范围内的第一信号，并随机选取第二信号；

根据所述第一信号以及所述第二信号确定样本信号；

基于所述样本信号的协方差矩阵，得到训练样本；其中，所述训练样本包括当前训练样本，所述当前训练样本中有一个第一信号，所述第一信号为当前训练样本的主信号，所述当前训练样本中的其它信号为第二信号，其它信号以主信号为标准生成；

其中，所述随机选取第二信号包括：

从备选信号中随机选取与第一信号相干或者独立的信号作为第二信号，所述备选信号是与第一信号的入射角度之间角度差在预设角度间隔范围内的信号；

所述天线阵列测向角度范围根据阵列类型不同而不同；

在获取天线阵列的目标接收信号之后，该方法还包括：

对所述目标接收信号进行协方差矩阵运算，将协方差矩阵中各个元素除以协方差矩阵的2范数，得到所述目标接收信号的归一化协方差矩阵；

提取归一化协方差矩阵的上半对角阵的元素构成特征矢量。

2.如权利要求1所述的方法，其特征在于，所述通过神经网络对训练样本进行训练，得到信号个数预测模型包括：

通过长短期记忆神经网络LSTM对训练样本进行训练，得到信号个数预测模型，所述长短期记忆神经网络LSTM包括输入层、LSTM层、全连接层、dropout层、全连接层以及分类层。

3.一种信号个数估计装置，其特征在于，包括：

样本生成模块，用于根据信号入射角度以及天线阵列测向角度范围，生成各训练样本；各训练样本包含的信号个数大于0且小于Q，Q为小于天线阵列阵元数的正整数；

模型训练模块，用于通过神经网络对训练样本进行训练，得到信号个数预测模型；

估计模块，用于获取天线阵列的目标接收信号，利用所述信号个数预测模型估计所述目标接收信号中信号的个数，得到估计结果；

所述样本生成模块，具体用于选取信号入射角度在天线阵列测向角度范围内的第一信号，并随机选取第二信号；根据所述第一信号以及所述第二信号确定样本信号；基于所述样本信号的协方差矩阵，得到训练样本；其中，所述随机选取第二信号包括：从备选信号中随机选取与第一信号相干或者独立的信号作为第二信号，所述备选信号是与第一信号的入射角度之间角度差在预设角度间隔范围内的信号；其中，所述训练样本包括当前训练样本，所述当前训练样本中有一个第一信号，所述第一信号为当前训练样本的主信号，所述当前训练样本中的其它信号为第二信号，其它信号以主信号为标准生成；

所述天线阵列测向角度范围根据阵列类型不同而不同；

所述估计模块，用于在获取天线阵列的目标接收信号之后，对所述目标接收信号进行协方差矩阵运算，将协方差矩阵中各个元素除以协方差矩阵的2范数，得到所述目标接收信号的归一化协方差矩阵；提取归一化协方差矩阵的上半对角阵的元素构成特征矢量。

4.如权利要求3所述的装置，其特征在于，所述模型训练模块，具体用于通过长短期记忆神经网络LSTM对训练样本进行训练，得到信号个数预测模型，所述长短期记忆神经网络LSTM包括输入层、LSTM层、全连接层、dropout层、全连接层以及分类层。

5.一种电子设备，其特征在于，该电子设备包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行如权利要求1-2中任一项所述方法。

6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现如权利要求1-2中任一项所述方法。