CN112699735A - 基于深度学习的近场源定位方法 - Google Patents

Abstract

本发明提供一种基于深度学习的近场源定位方法。技术方案包括以下步骤：首先，利用雷达天线阵列得到近场源相位差矩阵；随后，将近场源相位差矩阵的信息输入自动编码器，计算近场源的波达方向；其次，将自动编码器的输出，输入至第一类卷积神经网络，计算近场源的波达方向；最后，利用第一类卷积神经网络的输出信息，将近场源相位差矩阵信息中包含的波达方向参数除去，并输入至第二类卷积神经网络，计算近场源的距离。本发明能够对多个近场源的波达方向和距离参数进行有效分离和计算，而且定位精度高，泛化能力强。

Description

基于深度学习的近场源定位方法

技术领域

本发明属于阵列信号处理和人工智能技术领域，特别是涉及一种利用雷达阵列对近场源定位方法。

背景技术

近场源定位在无源雷达和反辐射导弹打击中发挥着重要作用。按照辐射源与雷达阵列的距离，辐射源定位包含远场源定位和近场源定位，相较于远场源定位只需要对波达方向(Direction Of Arriva,DOA)进行估计，对近场源进行定位需要对DOA和距离参数进行估计，近场源通常相对于雷达阵列的距离为 0.62(D³/λ)^1/2～2D²/λ，其中D为雷达阵列孔径，λ为雷达接收信号的波长。运用深度学习进行信源定位是由数据驱动建立输入和输出之间的非线性映射关系，对样本内在规律和表示层次进行学习。

对比文件1“Direction-of-arrival estimation based on deep neuralnetworks with robustness to array imperfections[J]”(IEEE Transactions onAntennas and Propagation,2018,66(12):第7315页～第7327页)能够对远场源进行定位。对比文件1采用均匀线阵，将波达方向的探测区域划分为若干个子区间，通过自动编码器和深度神经网络模型获得每个子区间谱，最后将子区间谱进行拼接并通过搜索谱峰实现波达方向估计。该方法为了使多个远场源在不同的自动编码器具有线性可加性，在自动编码器的训练过程中没有采用激活函数，导致自动编码器的输出和输入之间存在较大的误差。此外，该方法只能对远场源的波达方向进行估计，无法实现近场源距离参数估计。

对比文件2“Deep Learning Based Localization of Near-Field Sources withExact Spherical Wavefront Model[J]”(27th European Signal ProcessingConference (EUSIPCO),2019:第1页～第5页)能够对近场源进行定位。对比文件2采用均匀线阵，建立三层卷积神经网络回归模型，实现近场源波达方向和距离参数估计。相较于对比文件1采用深度神经网络模型，该方法采用卷积神经网络在训练时收敛速度快，使用时计算定位参数时间短。但是，对比文件2提供的方法只能对两个近场源同时进行定位。不能应用于多余两个近场源的场景。

但是为了提高参数估计精度，上述两种方法只能通过增加均匀线阵的阵元个数来增大孔径，造成系统和硬件成本增加。此外，上述两种方法均采用协方差矩阵的元素作为输入，导致神经网络的泛化能力较差，当使用神经网络时的辐射源个数与训练时的辐射源个数不相同时，上述两种方法均无法实现辐射源定位。

对比文件3“Near-Field Source Localization with Two-Level Nested Arrays[J]” (IEEE Communications Letters,2020:第1页～第5页)也能够对近场源进行定位。对比文件3采用两级嵌套子阵，通过将四阶累积量矩阵向量化，运用二维多重信号分类(TwoDimensional Multiple Signal Classification，2-D MUSIC)算法估计出近场源波达方向和距离参数。该方法在阵元数相同的情况下增大阵列孔径，提高参数估计精度。但是相较于基于深度学习的方法，该方法计算量较大，并且参数估计的泛化能力较差，即当波达方向和距离参数没有在MUSIC方法划分的网格上时，该方法会出现较大的误差。

发明内容

针对以上技术问题，本发明提出一种基于深度学习的近场源定位方法，能够对多个近场源的波达方向和距离参数进行有效分离和计算，而且定位精度高，泛化能力强。

本发明的技术方案是：一种基于深度学习的近场源定位方法，其特征在于，采用自动编码器和卷积神经网络计算近场源定位参数。

进一步地，所述自动编码器用于对近场源波达方向子区间进行划分。

进一步地，所述卷积神经网络包括两类卷积神经网络，第一类卷积神经网络和第二类卷积神经网络。

进一步地，第一类卷积神经网络用于计算近场源的波达方向；第二类卷积神经网络用于计算近场源的距离。

进一步地，自动编码器的输出，直接输入至第一类卷积神经网络；第一类卷积神经网络的输出信息经过处理输入至第二类卷积神经网络。

进一步地，自动编码器的输入是近场源相位差矩阵的上半副对角线元素。

进一步地，将第一类卷积神经网络的输出信息进行处理时，即将近场源相位差矩阵信息中包含的波达方向参数除去。

本发明还提供一种基于深度学习的近场源定位系统，其特征在于，采用上述的基于深度学习的近场源定位方法。

进一步地，所述基于深度学习的近场源定位系统，其特征在于，利用两级嵌套对称阵列接收近场源信号。

相比于现有技术，本发明的有益效果是：

1.利用近场相位差作为自动编码器的输入，能够在训练过程中使用激活函数，提高近场源波达方向的估计精度；

2.利用近场源的相位差作为自动编码器的输入，能够适应多个近场源个数的定位场景，对近场源个数具有泛化能力；

3.利用卷积神经网络的特点能够计算未经训练的近场源定位参数，对DOA 和距离估计具有泛化能力；

4.利用两级嵌套对称阵列能够在阵元数相同的情况下增大阵列孔径，提高参数估计精度；

附图(表)说明

图1本发明提供的基于深度学习的近场源定位方法流程示意图；

图2本发明涉及的自动编码器的结构示意图；

图3本发明涉及的第一类卷积神经网络的结构示意图；

图4本发明涉及的第二类卷积神经网络的结构示意图；

图5利用两级嵌套对称阵列进行近场源定位的场景示意图；

图6利用本发明得到的近场源波达方向空间谱；

图7利用本发明得到的近场源在不同波达方向下的估计结果；

图8利用本发明得到的近场源在不同波达方向下的估计误差；

图9利用本发明得到的近场源在不同距离下的估计结果；

图10利用本发明得到的近场源在不同距离下的估计误差；

图11使用不同方法得到的近场源波达方向的估计均方根误差；

图12使用不同方法得到的近场源距离的估计均方根误差。

具体实施方式

下面结合附图和实例对本发明进一步说明。

本发明包括以下步骤：

首先，利用雷达天线阵列得到近场源相位差矩阵；随后，将近场源相位差矩阵的信息输入自动编码器，计算近场源的波达方向；其次，将自动编码器的输出，输入至第一类卷积神经网络，计算近场源的波达方向；最后，利用第一类卷积神经网络的输出信息，将近场源相位差矩阵信息中包含的波达方向参数除去，并输入至第二类卷积神经网络，计算近场源的距离。

如图1所示，基于深度学习的近场源定位方法，包括以下步骤：

第一步，利用雷达天线阵列得到近场源相位差矩阵。

已知雷达天线阵列为对称排布，包括2M+1个天线阵元。利用雷达天线阵列得到的第m个阵元频谱中第p个峰值X_m(p)，m＝-M,...,-2,-1,0,1,2,...,M， p＝1,2,...,P，P的取值根据实际计算结果确定，可知P的取值数即为近场源的个数。

计算第p个近场源的相位差：

其中

为第m₁个阵元频谱中第p个峰值

的相位，

为第m₂个阵元频谱中第p个峰值

的相位，

为第m₁个阵元和第m₂个阵元的频谱中第p个峰值的相位差，m₁,m₂＝-M,...,-2,-1,0,1,2,...,M；

利用第p个近场源相位差

即可得到第p个近场源相位差矩阵U_p如下：

对本发明而言，雷达天线阵列优选两级嵌套对称线阵，因此这种雷达天线阵列的能够在阵元数相同的情况下增大阵列孔径，提高参数估计精度。

第二步，将近场源相位差矩阵的信息输入自动编码器，计算近场源的波达方向。

记第p个近场源相位差矩阵U_p的上半副对角线元素为

即：

其中(·)^T表示转置运算，m₃＝M,M-1,...,1。

将

输入第k个自动编码器，分别得到第k个自动编码器的输出

如果近场源波达方向在第k个子区间内，则第k个自动编码器的输出

为

即输出等于输入；如果近场源波达方向不在第k个子区间内，则第k个自动编码器的输出

的元素全部为0，k＝1,2,...,K，K为波达方向子区间个数，自动编码器的结构如图2所示：

自动编码器由编码器和解码器组成，其中编码器的输入

的元素个数为 M，编码器的输出

的元素个数为M/2，编码器的输出

同时是解码器的输入，解码器的输出

的元素个数为M。本发明涉及的编码器和解码器均采用全连接方式。

值得说明的是，在使用自动编码器是必须先对它进行训练，训练过程采用通用的自动编码器训练过程即可。训练样本包括若干个近场源，已知这些近场源的相位差矩阵U_p，由U_p得到其上半副对角线元素

自动编码器的输出为

训练中均方误差(MeanSquare Error，MSE)作为损失函数，使用自适应矩估计(Adaptive Moment Estimation，Adam)进行网络参数更新，线性整流函数(Rectified Linear Unit，ReLU)作为激活函数。自动编码器搭建和训练过程基于Keras平台，其他平台如TensorFlow、Caffe和Pytorch也可。

第三步，将自动编码器的输出，输入至第一类卷积神经网络，计算近场源的波达方向。

对第k个自动编码器的输出

输入至第k个第一类卷积神经网络，利用第一类卷积神经网络计算，得到第k个第一类卷积神经网络的输出

即第k 个波达方向子区间谱，第一类卷积神经网络的结构包括依次连接的三个卷积层、一个压平层(Flatten)和一个全连接层，其中：

第一类卷积神经网络的输入尺寸为1×M×1，第1个卷积层的卷积核长度为 (M-1)，卷积核数量为L^(1,1)(L^(1,1)的取值根据实际情况确定)，输出尺寸为 L^(1,1)×M×1，第2个卷积层的卷积核长度为(M-2)，卷积核数量为L^(1,2)(L^(1,2)的取值根据实际情况确定)，输出尺寸为L^(1,2)×M×1，第3个卷积层的卷积核长度为(M-3)，卷积核数量为L^(1,3)(L^(1,3)的取值根据实际情况确定)，输出尺寸为 L^(1,3)×M×1，压平层(Flatten)输出尺寸为L^(1,3)M×1，全连接层输出尺寸为 round(R_DOA/K)×1，round(·)为四舍五入运算，R_DOA为近场源波达方向区域。

值得说明的是，在使用第一类卷积神经网络是必须先对它进行训练，训练过程采用通用的卷积神经网络训练过程即可。已知

为第二步得到的自动编码器的输出，第一类卷积神经网络的输出为子区间谱。训练中损失函数采用 MSE，参数更新采用Adam，卷积层激活函数采用ReLU，全连接层激活函数采用正切双曲函数(Tangent Hyperbolic，Tanh)。本发明优选的搭建和训练过程基于Keras平台，其他平台如TensorFlow、Caffe和Pytorch也可。

将第一类卷积神经网络得到的K个子区间谱

按顺序拼接即为第p个近场源波达方向空间谱

k＝1,2,…,K。将

累加即可获得P个近场源波达方向空间谱z⁽¹⁾。对近场源波达方向空间谱z⁽¹⁾进行谱峰搜索，搜索是确定峰值的元素，由谱峰所对应的位置即可确定近场源的波达方向估计值

p＝1,2,…,P。

第四步，利用第一类卷积神经网络的输出信息，将近场源相位差矩阵信息中包含的波达方向参数除去，并输入至第二类卷积神经网络，计算近场源的距离。

对近场源相位差矩阵U_p关于副对角线对称元素进行预处理：

表示由第三步确定的第p个近场源波达方向估计，m₄＝-M,-M+1,...,-1， m₅＝m₄+1,m₄+2,...,0；

将

输入第二类卷积神经网络，得到第二类卷积神经网络的输出

即第p个近场源的波达方向估计

第二类卷积神经网络的结构包括依次连接的三个卷积层、一个压平层和三个全连接层，其中：

第二类卷积神经网络的输入尺寸为1×(M(M+1)/2)×1，第1个卷积层的卷积核长度为round(M(M+1)/3)，卷积核数量为L^(2,1)，输出尺寸为 L^(2,1)×(M(M+1)/2)×1，第2个卷积层的卷积核长度为round(M(M+1)/8)，卷积核数量为L^(2,2)，输出尺寸为L^(2,2)×(M(M+1)/2)×1，第3个卷积层的卷积核长度为round(M(M+1)/14)，卷积核数量为L^(2,3)，输出尺寸为 L^(2,3)×(M(M+1)/2)×1，压平层输出尺寸为(L^(2,3)M(M+1)/2)×1，第1个全连接层输出尺寸为round(M(M+1)/3)×1，第2个全连接层输出尺寸为 round(M(M+1)/9)×1，第3个全连接层输出尺寸为1×1。

值得说明的是，在使用第二类卷积神经网络是必须先对它进行训练，训练过程采用通用的卷积神经网络训练过程即可。训练样本包括若干个近场源，已知这些近场源的相位差矩阵U_p，由U_p得到其经过预处理的关于副对角线对称元素

第二类卷积神经网络的输出为归一化的近场源距离，即距离的取值范围为设定的范围。训练中损失函数采用MSE，参数更新采用Adam，激活函数采用ReLU。本发明优选的搭建和训练过程基于Keras平台，其他平台如TensorFlow、Caffe和Pytorch也可。

为验证本发明对近场源的定位性能，通过四个仿真实验进行说明。

仿真实验中，第一类卷积神经网络的结构如图3所示，三个卷积层的卷积核长度分别为5、4、3，卷积核数量分别为12、6、3，卷积层的输出尺寸分别为12×6×1、6×6×1和3×6×1，Flatten层和全连接层的输出尺寸分别为18×1和 10×1。

仿真实验中，第二类卷积神经网络的结构如图4所示，三个卷积层的卷积核数量分别为6、3、1，卷积核长度分别为15、5、3，卷积层的输出尺寸分别为6×21×1、3×21×1和1×21×1，Flatten层和三个全连接层的输出尺寸分别为 21×1、14×1、5×1和1×1。

仿真实验中，利用两级嵌套对称阵列进行近场源定位的场景如图5所示，两级嵌套对称线阵的阵元个数2M+1为13，M＝6，实心圆圈表示第一级嵌套子阵，间距为0.1λ，空心圆圈表示第二级嵌套子阵，间距为0.4λ，近场源的波达方向和距离参数描述为(θ_NF,r_NF)。

仿真实验中，阵列波达方向探测区域为-60°～60°，划分子区间K为12，阵列近场区为2.4λ～11.5λ，在空域中以1°和0.1λ为间隔对波达方向探测区域 -60°～60°和阵列近场区2.4λ～11.5λ进行均匀采样得到训练样本，共计产生11132 组样本；每组样本各产生10个信噪比(Signal to Noise Ratio，SNR)不同的相位差矩阵，快拍数为1024，信噪比在5dB到25dB随机抽取，最后共计111320 个样本。对自动编码器、第一类卷积神经网络和第二类卷积神经网络进行训练过程epoch均为300，mini-batch均为32。

仿真实验一用于验证本发明对近场源定位个数的泛化能力，实验以5个近场源为例，两级嵌套对称阵列接收到5个近场源的位置分别为(-40°,5.1λ)、(-20°, 8.5λ)、(10°,3.3λ)、(15°,6.8λ)、(20°,11.2λ)，信噪为10dB，将

和

分别输入至自动编码器和第二类卷积神经网络，获得波达方向估计

和距离估计

p＝1,2,…,5，近场源位置参数估计分别为(-40°,5.083λ)、(-20°,8.502λ)、(10°, 3.279λ)、(15°,6.795λ)、(20°,11.173λ)。图6为利用本发明得到的近场源的波达方向空间谱，其中横轴表示波达方向，纵轴表示空间谱强度，菱形点表示真实波达方向，可以看出空间谱出现五个峰值，五个峰值所在位置分别对应近场源的波达方向。本发明对近场源定位个数具有泛化能力，近场源个数不仅局限于上述5个，通过本发明也可以对其他个数的近场源定位。

仿真实验二用于验证本发明对近场源波达方向估计的泛化能力，实验中近场源的距离设置为5λ，在空域中以1°为间隔进行均匀采样产生3组测试样本，测试样本的信噪比在5dB到25dB随机抽取，第1组样本波达方向为 -59.99°,-58.99°,…,-0.99°,0.01°,1.01°,…,59.01°，第2组样本波达方向为 -59.90°,-58.90°,…,-0.90°,0.10°,1.10°,…,59.10°，第3组样本波达方向为 -59.70°,-58.70°,…,-0.70°,0.30°,1.30°,…,59.30°，共计360个测试样本，可以看出测试样本与训练样本的波达方向的差值为分别0.01°、0.1°和0.3°。图7为利用本发明获得的波达方向估计结果，横坐标为测试样本编号，纵坐标为测试样本波达方向的估计结果，图8为利用本发明获得的波达方向估计误差，横坐标为测试样本编号，纵坐标为测试样本波达方向的估计误差，可以看出当测试样本与训练样本的波达方向的差值为0.01°和0.1°时，波达方向估计的结果为与训练样本相邻的标签，误差为0.01°和0.1°；当测试样本与训练样本的波达方向的差值为 0.3°时，99.97％的波达方向估计的结果为与训练样本相邻的标签，误差为0.3°，其余的波达方向估计误差在2°以内，表明本发明对近场源波达方向估计具有泛化能力。

仿真实验三用于验证本发明对近场源距离估计的泛化能力，实验中近场源的波达方向设置为10°，在空域中以0.1λ为间隔进行均匀采样产生3组测试样本，测试样本的信噪比在5dB到25dB随机抽取，第1组样本距离为 2.41λ,2.51λ,…,11.41λ，第2组样本距离为2.43λ,2.53λ,…,11.43λ，第3组样本距离为2.45λ,2.55λ,…,11.45λ，共计273个测试样本，可以看出测试样本与训练样本的波达方向的差值为分别0.01λ、0.03λ和0.05λ。图9为利用本发明获得的距离估计结果，横坐标为测试样本编号，纵坐标为测试样本的距离估计结果，图10为利用本发明获得的距离估计误差，横坐标为测试样本编号，纵坐标为测试样本的距离估计误差，可以看出测试样本距离估计误差在8e^-2λ以内，表明本发明对近场源距离估计具有泛化能力。

仿真实验四用于验证本发明在不同信噪比下的近场源的定位性能，并与对比文件3方法和克拉美罗下界(Cramer–Rao lower Bound，CRLB)进行了对比。实验中共设置2个近场源，位置分别为(10°,4λ)、(20°,6.1λ)，图11和图12 和分别为近场源的波达方向和距离参数的估计均方根误差(Root Mean Squared Error，RMSE)，每个信噪比下的均方根误差是由500次独立重复的蒙特卡洛仿真实验确定，其中横坐标表示信噪比，纵坐标表示参数估计的均方根误差，加“○”的线表示本发明的RMSE，加“◇”的线表示对比文件3方法的RMSE，加“□”的线表示CRLB。可以看出随着信噪比的增大，本发明确定的近场源参数的RMSE逐渐降低，并且定位精度高于对比文件3方法的近场源定位精度。

以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.一种基于深度学习的近场源定位方法，其特征在于，采用自动编码器和卷积神经网络计算近场源定位参数。

2.根据权利要求1所述的基于深度学习的近场源定位方法，其特征在于，所述自动编码器用于对近场源波达方向子区间进行划分。

3.根据权利要求2所述的基于深度学习的近场源定位方法，其特征在于，所述卷积神经网络包括两类卷积神经网络，第一类卷积神经网络和第二类卷积神经网络。

4.根据权利要求3所述的基于深度学习的近场源定位方法，其特征在于，第一类卷积神经网络用于计算近场源的波达方向；第二类卷积神经网络用于计算近场源的距离。

5.根据权利要求4所述的基于深度学习的近场源定位方法，其特征在于，自动编码器的输出，直接输入至第一类卷积神经网络；第一类卷积神经网络的输出信息经过处理输入至第二类卷积神经网络。

6.根据权利要求5所述的基于深度学习的近场源定位方法，其特征在于，自动编码器的输入是近场源相位差矩阵的上半副对角线元素。

7.根据权利要求6所述的基于深度学习的近场源定位方法，其特征在于，将第一类卷积神经网络的输出信息进行处理时，即将近场源相位差矩阵信息中包含的波达方向参数除去。

8.一种基于深度学习的近场源定位系统，其特征在于，采用权利要求1至7所述技术方案之一的基于深度学习的近场源定位方法。

9.一种基于深度学习的近场源定位系统，其特征在于，采用权利要求1至7所述技术方案之一的基于深度学习的近场源定位方法，并利用两级嵌套对称阵列接收近场源信号。

Images