CN112699992A - 基于卷积神经网络的混合源定位方法 - Google Patents

Abstract

本发明提供一种基于卷积神经网络的混合源定位方法。技术方案包括以下步骤：首先，利用雷达天线阵列得到混合源相位差矩阵；随后，将混合源相位差矩阵的信息输入第一卷积神经网络，计算混合源的波达方向；其次，利用第一卷积神经网络的输出信息，将混合源相位差矩阵信息中包含的波达方向参数除去，并输入至自动编码器；最后，将自动编码器的输出，输入至第二卷积神经网络，对混合源进行识别并确定近场源的距离。本发明能够实现对近场源和远场源的同时定位，而且提出的卷积神经网络训练时收敛速度快，使用时计算定位参数的时间短，定位精度高，泛化能力强。

Description

基于卷积神经网络的混合源定位方法

技术领域

本发明属于人工智能和阵列信号处理技术领域，特别是涉及一种利用雷达阵列对近场源和远场源同时定位的方法。

背景技术

混合源定位在无源雷达中发挥着重要作用，混合源中包含近场源和远场源，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，对近场源进行定位需要估计出波达方向 (Direction Of Arrival,DOA)和距离；远场源通常相对于雷达阵列的距离大于 2D²/λ，对远场源进行定位需要估计出波达方向。卷积神经网络(Convolutional Neural Networks,CNN)是具有卷积计算的前馈神经网络，具有局部感知和参数共享的特点，能够对输入信息进行特征提取。

对比文件1“Two-stage matrix differencing algorithm for mixed far-fieldand near-field sources classification and localization[J]”(IEEE SensorsJournal,2014, 14(6):第1957页～第1965页)能够对混合源进行定位。对比文件1采用均匀线阵，首先利用协方差矩阵差分方法从混合源中分离出近场源分量，通过类旋转不变技术估计信号参数(Estimation of Signal Parameters via Rotational InvarianceTechniques Like,ESPRIT-like)方法估计出近场源的波达方向，接着通过多重信号分类(Multiple Signal Classification，MUSIC)方法估计出近场源的距离；其次利用子空间差分方法从混合源中分离出远场源分量，通过MUSIC方法估计出远场源的波达方向。

对比文件2“Localization of mixed near-field and far-field sourcesusing symmetric double-nested arrays[J]”(IEEE Transactions on Antennas andPropagation,2019,67(11):第7059页～第7070页)也能对混合源进行定位。对比文件2采用两级嵌套对称阵列，首先运用MUSIC方法对远场源的波达方向进行估计，接着通过斜投影方法去除混合源中的远场源分量，将近场源分量的四阶累积量进行向量化处理，利用平滑MUSIC方法对近场源波达方向和距离参数进行估计。该方法在阵元个数相同的情况下增大了阵列孔径，提高了混合源的参数估计精度。

上述两种方法均采用ESPRIT方法或者MUSIC方法对混合源的波达方向和距离参数进行估计，导致上述两种方法的泛化能力较差，当混合源参数与上述两种方法所划分的网格失配时，混合源定位结果会出现较大的误差。

对比文件3“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)运用深度神经网络获得波达方向空间谱，通过谱峰搜索确定远场源的波达方向。由于通过神经网络计算波达方向，该方法也能够对未经训练的波达方向进行估计，具有泛化能力。但是，该方法只能实现远场源的波达方向估计，无法对近场源或者混合源进行定位。

发明内容

针对以上技术问题，本发明提出一种基于卷积神经网络的混合源定位方法，能够实现对近场源和远场源的同时定位，而且提出的卷积神经网络训练时收敛速度快，使用时计算定位参数的时间短，定位精度高，泛化能力强。

本发明的技术方案是：一种基于卷积神经网络的混合源定位方法，其特征在于，采用卷积神经网络计算混合源定位参数。

进一步地，所述卷积神经网络包括两个卷积神经网络，第一卷积神经网络和第二卷积神经网络。

进一步地，第一卷积神经网络用于估计混合源的波达方向；第二卷积神经网络用于识别混合源，并估计近场源的距离。

进一步地，第一卷积神经网络的输出信息经过处理输入至自动编码器；自动编码器的输出，直接输入至第二卷积神经网络。

进一步地，第一卷积神经网络的输入是混合源相位差矩阵的上半副对角线元素。

进一步地，将第一卷积神经网络的输出信息进行处理时，即将混合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卷积神经网络的混合源定位系统，其特征在于，采用上述的基于卷积神经网络的混合源定位方法。

进一步地，所述基于卷积神经网络的混合源定位系统，其特征在于，利用两级嵌套对称阵列接收混合源信号。

相比于现有技术，本发明的有益效果是：

1.利用卷积神经网络的特点能够加快训练收敛速度，降低计算混合源波达方向的估计时间，同时提高定位精度；

2.利用卷积神经网络的特点能够对未经训练的波达方向距离进行估计，具有泛化能力；

3.利用第二卷积神经网络能够对混合源进行识别，同时能够估计出近场源距离；

4.利用两级嵌套对称阵列接收混合源信号，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。

附图说明

图1本发明提供的基于卷积神经网络的混合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本发明涉及的第一卷积神经网络的结构示意图；

图4本发明涉及的第二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混合源定位的场景示意图；

图6利用本发明得到的混合源在不同波达方向下的估计结果；

图7利用本发明得到的混合源在不同波达方向下的估计误差；

图8利用本发明得到的混合源在不同距离下的估计结果；

图9利用本发明得到的混合源在不同距离下的估计误差；

图10使用不同方法得到的混合源波达方向的估计均方根误差；

图11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混合源相位差矩阵；随后，将混合源相位差矩阵的信息输入第一卷积神经网络，计算混合源的波达方向；其次，利用第一卷积神经网络的输出信息，将混合源相位差矩阵信息中包含的波达方向参数除去，并输入至自动编码器；最后，将自动编码器的输出，输入至第二卷积神经网络，对混合源进行识别并确定近场源的距离。

如图1所示，基于卷积神经网络的混合源定位方法，具体包括以下步骤：

第一步，利用雷达天线阵列得到混合源相位差矩阵。

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的取值数即为混合源的个数。

计算第p个混合源的相位差

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个混合源的相位差

即可得到第p个混合源相位差矩阵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，将混合源相位差矩阵的信息输入第一卷积神经网络，计算混合源的波达方向。

记第p个混合源相位差矩阵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

输入第一卷积神经网络，利用第一卷积神经网络计算，得到第一卷积神经网络的输出

即第p个混合源的波达方向估计

为

第一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)和三个全连接层，其中：

第一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，压平层输出尺寸为L^(1,3)M×1，第1个全连接层输出尺寸为 round(2M/3)×1，第2个全连接层输出尺寸为round(M/3)×1，第3个全连接层输出尺寸为1×1，round(·)为四舍五入运算。

值得说明的是，在使用第一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和若干个远场源，已知这些近场源或远场源的相位差矩阵U_p，由U_p得到其上半副对角线元素

第一卷积神经网络的输出为归一化的波达方向，即波达方向的取值范围为设定的范围。训练中均方误差(MeanSquare Error，MSE)作为卷积层和全连接层的损失函数，使用自适应矩估计(AdaptiveMoment Estimation，Adam) 进行网络参数更新，线性整流函数(Rectified Linear Unit，ReLU)作为卷积层的激活函数，正切双曲函数(Tangent Hyperbolic，Tanh)作为全连接层激活函数。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。

第三步，利用第一卷积神经网络的输出信息，将混合源相位差矩阵信息中包含的波达方向参数除去，并输入至自动编码器。

对第p个混合源相位差矩阵U_p关于副对角线对称元素Δ_p进行预处理：

其中

为第二步确定的第p个混合源波达方向估计，m₄＝-M,-M+1,…,-1， m₅＝m₄+1,m₄+2,...,0；

将

输入自动编码器，通过自动编码器计算，得到自动编码器输出如下：如果第p个混合源为近场源，则自动编码器的输出

为

即输出等于输入；如果第p个混合源为远场源，则自动编码器的输出

的元素全部为0，自动编码器的结构如图2所示：

自动编码器包括编码器和解码器，其中编码器的输入

的元素个数为 M(M+1)/2，编码器的输出

的元素个数为round((M(M+1)/4))，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(M+1)/2。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和若干个远场源，已知这些近场源或远场源的相位差矩阵U_p，由U_p得到其经过预处理的关于副对角线对称元素

自动编码器的输出为

训练中MSE作为损失函数，使用 Adam进行网络参数更新，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。

第四步，将自动编码器的输出，输入至第二卷积神经网络，对混合源进行识别并计算近场源的距离。

将

输入至第二卷积神经网络，利用第二卷积神经网络计算，得到第二卷积神经网络的输出

第二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)(L^(2,1)的取值根据实际情况确定)，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)(L^(2,2)的取值根据实际情况确定)，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)(L^(2,3)的取值根据实际情况确定)，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，在使用第二卷积神经网络是必须先对它进行训练，训练过程网络中各层之间的连接只使用权重，均不使用偏置。当

的元素全为零时，表示

代表的为远场源，此时

不作为第二卷积神经网络的输入；当

的元素不全为零时，表示

代表的为近场源，此时

作为第二卷积神经网络的输入，第二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MSE作为损失函数，使用Adam进行网络参数更新，ReLU 作为卷积层和全连接层的激活函数。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。

对第二卷积神经网络的输出

进行判断，得到混合源定位结果：

如果

则该混合源为近场源，

即为近场源距离估计

其中D为雷达阵列孔径，λ为雷达接收信号的波长；如果

则该混合源为远场源，σ为判别阈值，设置为0.01。

为了验证本发明对混合源进行定位和识别的性能，通过四个仿真实验进行说明。

仿真实验中，第一卷积神经网络的结构如图3所示，第一卷积层至第三卷积层的卷积核长度分别为5、4、3，卷积核数量分别为6、3、1，卷积层的输出尺寸分别为6×6×1、3×6×1和1×6×1，压平层和三个全连接层的输出尺寸分别为6×1、4×1、2×1和1×1。

仿真实验中，第二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混合源定位的场景如图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，远场源的波达方向描述为θ_FF，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，以1°和1λ为间隔分别在波达方向的探测区域-60°～60°和距离的探测区域3λ～100λ产生训练样本，共计产生11858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，信噪比为5dB 到25dB随机值，快拍数为1024，最后共计产生118580个训练样本。对第一卷积神经网络、自动编码器和第二卷积神经网络进行训练过程的epoch均为500， mini-batch均为16。

仿真实验一用于验证本发明对混合源波达方向估计的泛化能力，实验中以1 为间隔产生3组测试样本，信噪比为5dB到25dB之间的随机值，第1组测试样本设置为近场源，距离设置为5λ，波达方向设置为 -60°,-59°,…,-1°,0°,1°,…,59°,60°，第2组样本设置为远场源，波达方向设置为 -59.90°,-58.90°,…,-0.90°,0.10°,1.10°,…,59.10°，第3组样本设置为近场源，距离设置为5λ，波达方向设置为-59.70°,-58.70°,…,-0.70°,0.30°,1.30°°,…,59.30°，共计361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°、0.1°和0.3°。图6为利用本发明的第一卷积神经网络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7为利用本发明的第一卷积神经网络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，对未经训练的波达方向的测试样本，本发明的第一卷积神经网络能够实现混合源的波达方向估计，并且估计误差在0.5°以内，表明本发明的第一卷积神经网络对混合源波达方向估计具有泛化能力。

仿真实验二用于验证本发明对混合源识别以及近场源距离估计的泛化能力，实验中混合源的波达方向设置为20°，在空域中以1λ为间隔产生3组测试样本，测试样本的信噪比为5dB到25dB之间的随机值，第1组样本距离为 3λ,4λ,…,100λ，第2组样本距离为3.1λ,4.1λ,…,99.1λ，第3组样本距离为 3.3λ,4.3λ,…,99.3λ，共计292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、0.1λ和0.3λ。图8为利用本发明第二卷积神经网络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，可以看出，当测试样本的距离位于阵列的近场区域，即距离参数为3λ～12λ。第二卷积神经网络输出为近场源距离估计，当测试样本的距离大于阵列的近场区域，第二卷积神经网络输出为0，表明本发明第二卷积神经网络能够识别混合源并对近场源距离进行估计。图9为利用本发明第二卷积神经网络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，对未经训练的波达方向的测试样本，本发明的第二卷积神经网络能够实现近场源的距离估计，并且距离估计误差在0.3λ以内，表明本发明第二卷积神经网络对近场源距离估计具有泛化能力。

仿真实验三用于验证本发明在不同信噪比下的混合源的定位性能，并与对比文件2方法进行了对比。实验中混合源共包含1个近场源和1个远场源，位置分别为(10°,4.2λ)和(-45°)，图10和图11和分别为信噪比在5dB～30dB下的混合源波达方向和距离的均方根误差(Root Mean Squared Error，RMSE)，每个信噪比下的均方根误差是通过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RMSE，加“○”的实线表示本发明获得近场源RMSE，加“○”的虚线表示本发明获得远场源RMSE，加“◇”的实线表示对比文件2方法获得近场源RMSE，加“◇”的虚线表示对比文件2 方法获得远场源RMSE。可以看出随着信噪比的增大，本发明确定的混合源参数RMSE逐渐降低，并且定位精度高于对比文件2方法的定位精度。

仿真实验四用于验证本发明对卷积神经网络训练的收敛速度快以及计算波达方向时间短，并与对比文件3的深度神经网络进行了对比。由于对比文件3 只能够对远场源波达方向进行估计，在训练时间方面，选取距离大于12λ的远场源训练样本对卷积神经网络进行训练，本发明的第一卷积神经网络的训练时间为39分36.256秒，对比文件3的训练时间为203分28.367秒，表明通过本发明的第一卷积神经网络收敛速度快。在计算波达方向时间方面，通过本发明的第一卷积神经网络和对比文件3的卷积神经网络均可实现远场源的波达方向估计，本发明的第一卷积神经网络的估计时间为0.321秒，对比文件3的估计时间为11.952秒，表明通过本发明的第一卷积神经网络能够大大降低计算波达方向的时间。

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 (8)

1.一种基于卷积神经网络的混合源定位方法，其特征在于，采用卷积神经网络计算混合源定位参数。

2.根据权利要求1所述的基于卷积神经网络的混合源定位方法，其特征在于，所述卷积神经网络包括两个卷积神经网络，第一卷积神经网络和第二卷积神经网络。

3.根据权利要求2所述的基于卷积神经网络的混合源定位方法，其特征在于，第一卷积神经网络用于估计混合源的波达方向；第二卷积神经网络用于识别混合源，并估计近场源的距离。

4.根据权利要求3所述的基于卷积神经网络的混合源定位方法，其特征在于，第一卷积神经网络的输出信息经过处理输入至自动编码器；自动编码器的输出，直接输入至第二卷积神经网络。

5.根据权利要求4所述的基于卷积神经网络的混合源定位方法，其特征在于，第一卷积神经网络的输入是混合源相位差矩阵的上半副对角线元素。

6.根据权利要求5所述的基于卷积神经网络的混合源定位方法，其特征在于，将第一卷积神经网络的输出信息进行处理时，即将混合源相位差矩阵信息中包含的波达方向参数除去。

7.一种基于卷积神经网络的混合源定位系统，其特征在于，权利要求1至6所述技术方案之一的基于卷积神经网络的混合源定位方法。

8.根据权利要求7所述的基于卷积神经网络的混合源定位系统，其特征在于，利用两级嵌套对称阵列接收混合源信号。

Images