CN112710982B - 一种天线阵列波达角估计方法、系统、介质、设备及应用 - Google Patents

一种天线阵列波达角估计方法、系统、介质、设备及应用 Download PDF

Info

Publication number
CN112710982B
CN112710982B CN202011340464.9A CN202011340464A CN112710982B CN 112710982 B CN112710982 B CN 112710982B CN 202011340464 A CN202011340464 A CN 202011340464A CN 112710982 B CN112710982 B CN 112710982B
Authority
CN
China
Prior art keywords
model
tcclnet
angle
layer
covariance
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.)
Active
Application number
CN202011340464.9A
Other languages
English (en)
Other versions
CN112710982A (zh
Inventor
张若南
丁启民
张剑
李彬
蒋毅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern Polytechnical University
Xian Institute of Space Radio Technology
Original Assignee
Northwestern Polytechnical University
Xian Institute of Space Radio Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northwestern Polytechnical University, Xian Institute of Space Radio Technology filed Critical Northwestern Polytechnical University
Priority to CN202011340464.9A priority Critical patent/CN112710982B/zh
Publication of CN112710982A publication Critical patent/CN112710982A/zh
Application granted granted Critical
Publication of CN112710982B publication Critical patent/CN112710982B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/02—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems using reflection of acoustic waves
    • 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
    • G01S3/80—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 ultrasonic, sonic or infrasonic waves
    • G01S3/802—Systems for determining direction or deviation from predetermined direction
    • 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
    • G01S7/539—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/0082—Monitoring; Testing using service channels; using auxiliary channels
    • H04B17/0087—Monitoring; Testing using service channels; using auxiliary channels using auxiliary channels or channel simulators
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H04B17/3912—Simulation models, e.g. distribution of spectral power density or received signal strength indicator [RSSI] for a given geographic region
    • 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

Abstract

本发明属于电子信息技术领域，公开了一种天线阵列波达角估计方法、系统、介质、设备及应用，波达角估计模型初始化，包括构建TCCLNet模型、初始化模型的训练样本集、初始化模型可训练参数；根据基于余弦回归的误差函数，对每一个输入进模型的协方差上三角矩阵样本，计算损失函数值；根据损失函数值使用梯度下降法训练TCCLNet模型；将待估计信号的协方差上三角矩阵作为输入，通过TCCLNet模型得到输出模型前向运算输出节点的值；计算得到模型所估计的波达角。本发明将模型计算量减少约55％，同时基于余弦回归的损失函数不存在边界角度的损失函数值突变问题，可以在任意角度范围内平稳训练模型，加速模型的收敛。

Description

一种天线阵列波达角估计方法、系统、介质、设备及应用
技术领域
本发明属于电子信息技术领域，尤其涉及一种天线阵列波达角估计方法、系统、介质、设备及应用。
背景技术
目前：波达角(DOA)估计是各个领域中广泛研究的问题，包括无线通信，天文观测，声呐等。DOA估计研究的主要趋势是提高精度和分辨率，增强对快照数量有限、信噪比(SNR)低等苛刻场景的适应性。目前已经有各种方法尝试满足这些要求，例如波束形成器，基于子空间的方法，稀疏性诱导方法以及最大似然方法。随着上述方法的改进，DOA估计性能已经有了长久的发展。上述方法基于一个假设：信号方向到阵列输出的前向映射是可逆的，在这样的假设下，上述方法都使用参数化的方法将预先的信号映射的实际待估的信号映射进行匹配，以实现方向估计。不同的匹配标准会产生不同的方法，例如，波束形成器的流形相关方法，基于子空间的方法的超平面拟合方法，对不完全字典的原始数组输出重构用于稀疏性诱导方法，以及用于最大似然方法的原始数组输出拟合方法。这些参数方法的性能在很大程度上取决于两个映射之间的一致性，即在数据收集期间从信号方向到数组输出的正向映射以及从数组输出到信号方向的反映射的一致性。
由于非理想的传感器设计和制造，阵列安装和传感器间的相互干扰，背景辐射等，阵列系统中可能存在各种缺陷，因此在实际系统中，从信号方向到阵列输出的前向映射比在参数DOA估计方法中使用的向后映射要复杂得多。这些缺陷中的一些缺陷太复杂而无法精确建模。最近的研究引入了机器学习技术特别是深度学习技术来解决DOA估计问题。基于参数方法的建模能力要比其他同类机器学习技术浅。一般而言，使用机器学习技术的方法首先使用DOA标签建立训练数据集，然后使用现有的机器学习技术，例如径向基函数(RBF)和支持向量回归(SVR)建立信号和阵列响应之间的映射，然后将导出的映射用于测试数据以估计信号方向。这些方法是数据驱动的，并且不依赖于有关阵列几何形状以及它们是否经过校准的假设。在仿真中，它们已被证明比基于子空间的方法在计算上更有效，并且精心设计的模型可以在精度上和传统基于参数的方法相比拟。
在过去的几年中，深度学习技术被用来解决麦克风阵列的DOA估计和源定位问题。在声学领域的阵列信号基础上中建立分析信号传播模型非常困难，参数化方法在解决这些问题时可能会遇到很大的困难。但是，基于深度学习的方法能够基于训练数据集重建复杂的传播模型，然后估计源方向和位置。这些方法在单信号场景或在声学信号处理领域方面取得了成功，但它们几乎不能直接用于一般的DOA估计。这是因为阵列在短时间内会接收相当数量的信号，对每个信号都进行准确的DOA估计需要深度学习方法每次估计角度的耗时很低，这往往不能实现。
在无线通信领域，阵列信号的DOA估计最终大多以图像的模式识别等方式呈现，但是为了快速估计DOA以达成时限要求，大多数深度学习方法将角度估计当作分类任务并将可能的信号波达角度假设在5°甚至10°的粗糙网格上，这种粗略的估计不能满足大多数DOA估计在实际场景中的精度要求，当需要提升角度估计的精度时，一些方法扩充了模型的规模，试图使用更强大的模型达成更高的估计精度，此时模型需要更多的输出节点数量。在最佳情况下，模型的复杂度会线性增加，但是这样付出的计算量代价过于高昂，同时更加庞大的模型在训练时需要更长的时间和更多的数据，并且需要更精细地调节训练参数。
在诸多基于深度学习的DOA估计方法中，一些方法使用阵列信号的协方差上三角矩阵进行角度估计，通过模型的训练尝试建立协方差中的特征和波达角之间的映射关系，但是大多数此类方法使用完整的协方差上三角矩阵，忽略了协方差上三角矩阵的对称关系，导致模型训练和推理时计算量的浪费。另外，一些深度学习方法使用全连接层将协方差上三角矩阵中的元素重新排列为一维向量，忽视了协方差上三角矩阵中元素位置和元素值的相对关系，这导致模型的可解释性和性能都受到不良影响。一些方法将角度估计当作回归任务，性能较好的方法通过三角变换和反变换计算估计的角度和真实角度的误差，进而优化模型。这种方法引入了不必要的反三角运算并且需要当角度在180或360度突变为0时处理特殊情况。
通过上述分析，现有技术存在的问题及缺陷为：由于没有恰当的技术手段利用协方差上三角矩阵的对称性来减小计算量，导致DOA估计算法不能满足实际应用中的时限要求；同时，基于全连接层的深度学习方法忽视了协方差上三角矩阵中元素位置和元素值的相对关系，这造成了模型性能的下降。另外，目前没有针对波达角估计设计的模型损失函数能够在不影响甚至加速模型收敛的同时，解决波达角度估计时出现的角度突变问题。
解决以上问题及缺陷的难度为：需要设计新的利用协方差上三角矩阵对称性的深度学习网络层进行特征提取才能在不影响模型性能的情况下减小模型的计算量以尽可能减少模型的估角时间；只有针对阵列信号波达角估计场景设计模型的损失函数，才能在避免反复多次的反三角运算的同时，加速模型的收敛。
解决以上问题及缺陷的意义为：本发明以协方差三角卷积和基于余弦回归的损失函数为基础，利用了阵列信号协方差上三角矩阵的对称性，在不影响模型性能的前提条件下，压缩了模型所需的计算量，提高了模型计算波达角度的速度。同时，改进的模型损失函数能够避免不必要的反三角运算和角度突变问题，而且不影响模型的收敛速度。
发明内容
针对现有技术存在的问题，本发明提供了一种天线阵列波达角估计方法、系统、介质、设备及应用。
本发明是这样实现的，一种天线阵列波达角估计方法，所述天线阵列波达角估计方法包括：
波达角估计模型初始化，包括构建TCCLNet模型、初始化模型的训练样本集、初始化模型可训练参数；
根据基于余弦回归的误差函数，对每一个输入进模型的协方差上三角矩阵样本，计算损失函数值；
根据损失函数值使用梯度下降法训练TCCLNet模型；
将待估计信号的协方差上三角矩阵作为输入，通过TCCLNet模型得到输出模型前向运算输出节点的值；
计算得到模型所估计的波达角。
进一步，通过TCCLNet模型得到输出模型前向运算输出节点的值α，β；根据
Figure GDA0002902784590000041
得到模型所估计的波达角。
进一步，所述天线阵列波达角估计方法具体包括以下步骤：
第一步，用多层三角卷积层、批归一化层、全连接层和正则化层构建TCCLNet模型，所述TCCLNet模型有一个输入节点和两个输出节点，所述模型包含的神经元所具有的参数集合为W；
第二步，使用R＝E{XXH}计算阵列信号矩阵X的协方差矩阵，N个信号样本的协方差上三角矩阵构成协方差样本集Ω＝{ω1，ω2，...ωN}；
第三步，将协方差样本集Ω中的样本ω分为B个批次，Ω＝{Ω1，...ΩB}，每个批次包含b个样本，Ωn＝{ωn1，ωn2，...ωnb}；
第四步，轮流将样本集中的批次样本Ωn作为TCCLNet的输入，使用TCCLNet模型对批次样本进行前向传播运算，对同一批次中的任意样本ωn，得到两个输出节点神经元产生的浮点数值(an，βn)；
第五步，根据所述浮点值(an，βn)和基于余弦回归的损失函数计算TCCLNet模型的损失函数值L；
第六步，根据所述损失函数值L进行反向计算得到TCCLNet模型所述参数W的梯度G；
第七步，根据所述梯度G使用梯度下降法更新TCCLNet模型的参数W；
第八步，重复步骤三至步骤七完成TCCLNet模型的训练；
第九步，将待估计的阵列信号的协方差上三角矩阵
Figure GDA0002902784590000051
作为模型输入，使用训练完的TCCLNet模型，计算模型前向运算输出节点的值
Figure GDA0002902784590000052
第十步，根据所述输出节点的值
Figure GDA0002902784590000053
计算待估计阵列信号的波达角θ。
进一步，所述基于协方差三角卷积的天线阵列波达角估计方法的TCCLNet模型构造方法包括：
步骤一，使用特征提取器构造方法和多层三角卷积层构造特征提取器，所述特征提取器接收协方差上三角矩阵作为输入值；
步骤二，使用全连接层构造角度提取器，所述角度提取器有两个输出神经元节点，对于每个输入样本，角度提取器的两个输出神经元各产生一个浮点数值；
步骤三，将所述特征提取器的输出作为角度提取器的输入值；
所述基于协方差三角卷积的天线阵列波达角估计方法的TCCLNet模型特征提取器的构造方法包括：
步骤一，构造并初始化C个三角卷积层T1，T2，...TC，C个批归一化层BN1，BN2，...BNC以及C-1个激活层RE1，RE2，...，REC-1；
步骤二，设置三角卷积层T1为特征提取器中的第一层网络，T1负责接收协方差上三角矩阵；
步骤三，将三角卷积层、批归一化层和激活层按照{T1，BN1，RE1，T2，BN2，RE2，...TC，BNC}的顺序依次连接，前一层网络的输出作为后一层网络的输入；
步骤四，将特征提取器中BNC层的输出作为整个特征提取器的输出。
进一步，所述基于协方差三角卷积的天线阵列波达角估计方法的三角卷积层构造和初始化方法包括：
步骤一，使用五个控制变量TI，TO，TK，TS，TP控制三角卷积层的生成，分别表示输入通道数量、输出通道数量、卷积核长宽量、卷积步长量和卷积填充量；
步骤二，将(TK+1)*TK/2个神经元按照行列数相等的矩阵的上三角形状进行排布，构成三角卷积核中的一个通道；
步骤三，堆叠TI*TO个通道形成一个三角卷积层的卷积核；
步骤四，使用一维正态分布的随机数初始化卷积核中所有的神经元参数。
进一步，所述基于协方差三角卷积的天线阵列波达角估计方法的TCCLNet模型角度估计器的构造方法包括：
步骤一，构造并初始化M个全连接层LI1，LI2，...LIM和M-1个激活层RE1，RE2，...REM-1；
步骤二，设置全连接层LI1为角度估计器的第一层网络，LI1负责接收特征提取器的输出；
步骤三，将全连接层、激活层按照{LI1，RE1，LI2，RE2，...LIM}的顺序依次连接，前一层网络的输出作为后一层网络的输入；
步骤四，将角度估计器中LIM层的输出作为整个角度估计器的输出；
所述基于协方差三角卷积的天线阵列波达角估计方法的基于余弦回归的损失函数的计算方法包括：
步骤一，取待估角度的范围[θ1，θ2)的中心角度θc＝(θ1+θ2)/2；
步骤二，将TCCLNet的输出α，β进行L2正则化，记为α′，β′，定义信号真实的波达角为
Figure GDA0002902784590000061
步骤三，使用
Figure GDA0002902784590000062
计算损失函数。
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
波达角估计模型初始化，包括构建TCCLNet模型、初始化模型的训练样本集、初始化模型可训练参数；
根据基于余弦回归的误差函数，对每一个输入进模型的协方差上三角矩阵样本，计算损失函数值；
根据损失函数值使用梯度下降法训练TCCLNet模型；
将待估计信号的协方差上三角矩阵作为输入，通过TCCLNet模型得到输出模型前向运算输出节点的值；
计算得到模型所估计的波达角。
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
波达角估计模型初始化，包括构建TCCLNet模型、初始化模型的训练样本集、初始化模型可训练参数；
根据基于余弦回归的误差函数，对每一个输入进模型的协方差上三角矩阵样本，计算损失函数值；
根据损失函数值使用梯度下降法训练TCCLNet模型；
将待估计信号的协方差上三角矩阵作为输入，通过TCCLNet模型得到输出模型前向运算输出节点的值；
计算得到模型所估计的波达角。
本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述的天线阵列波达角估计方法，所述信息数据处理终端包括：无线通信终端、天文观测终端、声呐终端。
本发明的另一目的在于提供一种实施所述天线阵列波达角估计方法的天线阵列波达角估计系统，所述天线阵列波达角估计系统包括：
初始化模块，用于波达角估计模型初始化，包括构建TCCLNet模型、初始化模型的训练样本集、初始化模型可训练参数；
损失函数值计算模块，用于根据基于余弦回归的误差函数，对每一个输入进模型的协方差上三角矩阵样本，计算损失函数值；
TCCLNet模型训练模块，用于根据损失函数值使用梯度下降法训练TCCLNet模型；
输出模型前向运算输出节点值计算模块，用于将待估计信号的协方差上三角矩阵作为输入，通过TCCLNet模型得到输出模型前向运算输出节点的值；
波达角计算模块，用于计算得到模型所估计的波达角。
使用3GPP SCME信道模型生成的仿真数据以及使用空时域信道探测器获得的实测数据对TCCLNet和DNN算法进行测试，其估角的均方误差随模型迭代更新次数的折线图如附图7和附图8所示。图表显示TCCLNet的模型收敛速度明显快于DNN算法，并且TCCLNet模型收敛完毕后估角的均方误差比DNN算法更小。结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明以基于三角卷积的TCCLNet和基于余弦回归的损失函数为基础，利用阵列信号协方差的对称性，在使用协方差上三角的情况下进行波达角估计，将模型计算量减少约55％，同时基于余弦回归的损失函数不存在边界角度的损失函数值突变问题，可以在任意角度范围内平稳训练模型，加速模型的收敛。本发明在同等条件下(阵列规模，信号信噪比等)的均方误差比基于DNN的方法低约66％。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的天线阵列波达角估计方法流程图。
图2是本发明实施例提供的天线阵列波达角估计系统的结构示意图；
图2中：1、初始化模块；2、损失函数值计算模块；3、TCCLNet模型训练模块；4、输出模型前向运算输出节点值计算模块；5、波达角计算模块。
图3是本发明实施例提供的TCCLNet构造方法流程图。
图4是本发明实施例提供的三角卷积层构造方法流程图。
图5是本发明实施例提供三角卷积核一个通道的形状示意图。
图6是本发明实施例提供基于余弦回归的损失函数的计算方法流程图。
图7是本发明实施例提供TCCLNet和DNN算法在SCME仿真数据下的性能表现测试图。
图8是本发明实施例提供TCCLNet和DNN算法在信道实测数据下的性能表现测试图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种天线阵列波达角估计方法、系统、介质、设备及应用，下面结合附图对本发明作详细的描述。
如图1所示，本发明提供的天线阵列波达角估计方法包括以下步骤：
S101：波达角估计模型初始化，包括构建TCCLNet模型、初始化模型的训练样本集、初始化模型可训练参数；
S102：根据基于余弦回归的误差函数，对每一个输入进模型的协方差上三角矩阵样本，计算损失函数值；
S103：根据损失函数值使用梯度下降法训练TCCLNet模型；
S104：将待估计信号的协方差上三角矩阵作为输入，通过TCCLNet模型得到输出模型前向运算输出节点的值；
S105：计算得到模型所估计的波达角。
根据
Figure GDA0002902784590000091
得到模型所估计的波达角
本发明提供的天线阵列波达角估计方法业内的普通技术人员还可以采用其他的步骤实施，图1的本发明提供的天线阵列波达角估计方法仅仅是一个具体实施例而已。
如图2所示，本发明提供的天线阵列波达角估计系统包括：
初始化模块1，用于波达角估计模型初始化，包括构建TCCLNet模型、初始化模型的训练样本集、初始化模型可训练参数；
损失函数值计算模块2，用于根据基于余弦回归的误差函数，对每一个输入进模型的协方差上三角矩阵样本，计算损失函数值；
TCCLNet模型训练模块3，用于根据损失函数值使用梯度下降法训练TCCLNet模型；
输出模型前向运算输出节点值计算模块4，用于将待估计信号的协方差上三角矩阵作为输入，通过TCCLNet模型得到输出模型前向运算输出节点的值；
波达角计算模块5，用于计算得到模型所估计的波达角。
下面结合附图对本发明的技术方案作进一步的描述。
本发明提供的天线阵列波达角估计方法具体包括以下步骤：
步骤一，用C个三角卷积层、M个全连接层和C个批归一化层以及正则化层构建TCCLNet模型，所述TCCLNet模型有一个输入节点和两个输出节点，其中输入节点接收阵列信号的协方差上三角矩阵作为整个模型的输入，每个输出节点都输出一个浮点值；
步骤二，使用服从正态分布且值的范围为[-1，1]的随机数初始化TCCLNet中所有可训练的神经元的参数W；
步骤三，使用R＝E{XXH}计算阵列信号矩阵X的协方差上三角矩阵，用N个信号样本的协方差矩阵组成协方差样本集Ω＝{ω1，ω2，...ωN}，将协方差样本集和对应的信号角度Θ＝{θ1，θ2，...θN}一一配对，组成模型训练集S＝{(ω1，θ1)，(ω2，θ2)，...(ωN，θN)}；
步骤四，将训练集S中的样本-标签对分为B个批次，每个批次包含b个样本；
步骤五，轮流将训练集中的批次样本Sn作为TCCLNet的输入，使用TCCLNet模型对批次样本进行前向传播运算，对同一批次中的任意样本sn，得到两个输出节点神经元产生的浮点数值(an，βn)；
步骤六，根据(an，βn)和θn计算余弦回归损失函数L，再根据L的值计算模型所有可训练参数的梯度G，使用梯度G和梯度下降法更新TCCLNet模型的参数W；
步骤七，重复步骤四-步骤六完成TCCLNet模型的训练；
步骤八，将待估计的阵列信号的协方差上三角矩阵
Figure GDA0002902784590000111
作为模型输入，使用训练完的TCCLNet模型，计算模型前向运算输出节点的值
Figure GDA0002902784590000112
再通过
Figure GDA0002902784590000113
计算模型估计的波达角；
所述基于协方差三角卷积的天线阵列波达角估计方法的TCCLNet模型构造方法包括：
步骤一，使用三角卷积层和批归一化层构造特征提取器Fa，Fa接收协方差上三角矩阵作为输入值Fai，并产生输出Fao；
步骤二，使用全连接层和正则化层构造角度估计器Fb,Fb接收Fao作为输入，并产生Fb1和Fb2两个浮点数值作为输出。
如图3所示，本发明实施例提供的TCCLNet构造方法包括以下步骤：
步骤一：构造并初始化C个三角卷积层T1，T2，...TC，C个批归一化层BN1，BN2，...BNC以及C-1个激活层RE1，RE2，...，REC-1；
步骤二：构造并初始化M个全连接层LI1，LI2，...LIM和M-1个激活层RE1，RE2，...REM-1；
步骤三：将三角卷积层、批归一化层和激活层按照{T1，BN1，RE1，T2，BN2，RE2，...TC，BNC}的顺序依次连接，将全连接层、激活层按照{LI1，RE1，LI2，RE2，...LIM}的顺序依次连接；
步骤四：设置三角卷积层T1为特征提取器中的第一层网络，将特征提取器中BNC层的输出作为整个特征提取器的输出，设置全连接层LI1为角度估计器的第一层网络，将角度估计器中LIM层的输出作为整个角度估计器的输出。
如图4所示，本发明实施例提供的三角卷积层构造方法包括以下步骤：
步骤一：定义TI，TO，TK，TS，TP分别表示输入通道数量、输出通道数量、卷积核长宽量、卷积步长量和卷积填充量，并用上述五个变量控制三角卷积层的生成；
步骤二：如图5所示，将(TK+1)*TK/2个神经元按照行列数相等的矩阵的上三角形状进行排布，构成三角卷积核中的一个通道；
步骤三：堆叠TI*TI个通道形成一个三角卷积层的卷积核；
步骤四：将待卷积的协方差上三角矩阵的长宽使用TP个值为0的元素拓宽，并让卷积核以步长TS进行卷积二维卷积；
步骤五：对于具有Cin个通道的输入I，三角卷积层使用
Figure GDA0002902784590000121
计算输出，其中w为卷积核神经元参数，b为三角卷积层的偏置，*表示三角形二维卷积。
如图6所示，本发明实施例提供的基于余弦回归的损失函数的计算方法包括以下步骤：
步骤一：根据θc＝(θ1+θ2)/2计算角度范围上下界的中心角度；
步骤二：将TCCLNet的输出α，β进行L2正则化，记为α′，β′，定义信号真实的波达角为
Figure GDA0002902784590000122
与其协方差上三角样本一一对应；
步骤三：使用
Figure GDA0002902784590000123
计算损失函数至此本发明提出的阵列信号波达角度估计方法以及系统框架完成，系统框架包括：
基于协方差三角卷积的阵列信号波达角估计模块：用于使用阵列信号的协方差上三角进行信号波达角估计；
基于TCCLNet的波达角估计模型构造模块：用于构造并初始化可训练、可进行波达角估计的模型；
基于三角卷积核的三角卷积层模块：用于TCCLNet模型特征提取器中提取协方差上三角的特征；
基于余弦回归的损失函数模块：用于计算TCCLNet在训练中的损失函数值并以此更新模型参数。
下面结合具体实施例对本发明的技术效果作详细的描述。
实施例1：
使用由3GPP标准SCME仿真模型生成的3000个阵列信号作为原始数据，计算阵列信号的协方差上三角矩阵，并和对应的信号波达角度配对构成模型训练样本集。在TCCLNet训练完毕后，使用1000个额外生成的阵列信号作为测试数据，生成测试样本集。使用TCCLNet对测试样本集中所有的阵列信号估计波达角度并计算与真实角度的均方误差，实验表明TCCLNet的均方误差达到0.27度，而普通的DNN算法的均方误差大约为0.81度，两种方法的TCCLNet的均方误差比DNN算法低约66％。TCCLNet和DNN方法在迭代过程中，各自的均方误差随模型迭代更新次数的变化如附图7所示。其中横轴表示模型迭代次数，纵轴表示模型估角和真实角度的均方误差。
实施例2：
在一个城市街道场景中，使用空时域信道探测器进行信道测量，其中信号发射端放置在一个高约25米的楼顶上，接收端防止在相邻楼宇的各个楼层走廊中。取原始数据中直射径的角度作为真实的参考角度，将该角度相对应的阵列信号作为TCCLNet和DNN方法的输入，使用多组数据计算两种方法所估角度和真实角度的均方误差。两种算法的对比图如附图8所示。其中横轴表示模型迭代次数，纵轴表示模型估角和真实角度的均方误差。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (9)

1.一种天线阵列波达角估计方法，其特征在于，所述天线阵列波达角估计方法包括：
波达角估计模型初始化，包括构建TCCLNet模型、初始化模型的训练样本集、初始化模型可训练参数；
根据基于余弦回归的误差函数，对每一个输入进模型的协方差上三角矩阵样本，计算损失函数值；
根据损失函数值使用梯度下降法训练TCCLNet模型；
将待估计信号的协方差上三角矩阵作为输入，通过TCCLNet模型得到输出模型前向运算输出节点的值；
计算得到模型所估计的波达角；
所述天线阵列波达角估计方法具体包括以下步骤：
第一步，用多层三角卷积层、批归一化层、全连接层和正则化层构建TCCLNet模型，所述TCCLNet模型有一个输入节点和两个输出节点，所述模型包含的神经元所具有的参数集合为W；
第二步，使用R＝E{XXH}计算阵列信号矩阵X的协方差矩阵，N个信号样本的协方差上三角矩阵构成协方差样本集Ω＝{ω1，ω2，...ωN}；
第三步，将协方差样本集Ω中的样本ω分为B个批次，Ω＝{Ω1，...ΩB}，每个批次包含b个样本，Ωn＝{ωn1，ωn2，...ωnb}；
第四步，轮流将样本集中的批次样本Ωn作为TCCLNet的输入，使用TCCLNet模型对批次样本进行前向传播运算，对同一批次中的任意样本ωn，得到两个输出节点神经元产生的浮点数值(an，βn)；
第五步，根据所述浮点值(an，βn)和基于余弦回归的损失函数计算TCCLNet模型的损失函数值L；
第六步，根据所述损失函数值L进行反向计算得到TCCLNet模型所述参数W的梯度G；
第七步，根据所述梯度G使用梯度下降法更新TCCLNet模型的参数W；
第八步，重复步骤三至步骤七完成TCCLNet模型的训练；
第九步，将待估计的阵列信号的协方差上三角矩阵
Figure FDA0003881298220000021
作为模型输入，使用训练完的TCCLNet模型，计算模型前向运算输出节点的值
Figure FDA0003881298220000022
第十步，根据所述输出节点的值
Figure FDA0003881298220000023
计算待估计阵列信号的波达角θ。
2.如权利要求1所述的天线阵列波达角估计方法，其特征在于，通过TCCLNet模型得到输出模型前向运算输出节点的值α，β；根据
Figure FDA0003881298220000024
得到模型所估计的波达角。
3.如权利要求1所述的天线阵列波达角估计方法，其特征在于，所述基于协方差三角卷积的天线阵列波达角估计方法的TCCLNet模型构造方法包括：
步骤一，使用特征提取器构造方法和多层三角卷积层构造特征提取器，所述特征提取器接收协方差上三角矩阵作为输入值；
步骤二，使用全连接层构造角度提取器，所述角度提取器有两个输出神经元节点，对于每个输入样本，角度提取器的两个输出神经元各产生一个浮点数值；
步骤三，将所述特征提取器的输出作为角度提取器的输入值；
所述基于协方差三角卷积的天线阵列波达角估计方法的TCCLNet模型特征提取器的构造方法包括：
步骤一，构造并初始化C个三角卷积层T1，T2，...TC，C个批归一化层BN1，BN2，...BNC以及C-1个激活层RE1，RE2，...，REC-1；
步骤二，设置三角卷积层T1为特征提取器中的第一层网络，T1负责接收协方差上三角矩阵；
步骤三，将三角卷积层、批归一化层和激活层按照{T1，BN1，RE1，T2，BN2，RE2，...TC，BNC}的顺序依次连接，前一层网络的输出作为后一层网络的输入；
步骤四，将特征提取器中BNC层的输出作为整个特征提取器的输出。
4.如权利要求1所述的天线阵列波达角估计方法，其特征在于，所述基于协方差三角卷积的天线阵列波达角估计方法的三角卷积层构造和初始化方法包括：
步骤一，使用五个控制变量TI，TO，TK，TS，TP控制三角卷积层的生成，分别表示输入通道数量、输出通道数量、卷积核长宽量、卷积步长量和卷积填充量；
步骤二，将(TK+1)*TK/2个神经元按照行列数相等的矩阵的上三角形状进行排布，构成三角卷积核中的一个通道；
步骤三，堆叠TI*TO个通道形成一个三角卷积层的卷积核；
步骤四，使用一维正态分布的随机数初始化卷积核中所有的神经元参数。
5.如权利要求1所述的天线阵列波达角估计方法，其特征在于，所述基于协方差三角卷积的天线阵列波达角估计方法的TCCLNet模型角度估计器的构造方法包括：
步骤一，构造并初始化M个全连接层LI1，LI2，...LIM和M-1个激活层RE1，RE2，...REM-1；
步骤二，设置全连接层LI1为角度估计器的第一层网络，LI1负责接收特征提取器的输出；
步骤三，将全连接层、激活层按照{LI1，RE1，LI2，RE2，...LIM}的顺序依次连接，前一层网络的输出作为后一层网络的输入；
步骤四，将角度估计器中LIM层的输出作为整个角度估计器的输出；
所述基于协方差三角卷积的天线阵列波达角估计方法的基于余弦回归的损失函数的计算方法包括：
步骤一，取待估角度的范围[θ1，θ2)的中心角度θc＝(θ1+θ2)/2；
步骤二，将TCCLNet的输出α，β进行L2正则化，记为α′，β′，定义信号真实的波达角为
Figure FDA0003881298220000031
步骤三，使用
Figure FDA0003881298220000032
计算损失函数。
6.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
波达角估计模型初始化，包括构建TCCLNet模型、初始化模型的训练样本集、初始化模型可训练参数；
根据基于余弦回归的误差函数，对每一个输入进模型的协方差上三角矩阵样本，计算损失函数值；
根据损失函数值使用梯度下降法训练TCCLNet模型；
将待估计信号的协方差上三角矩阵作为输入，通过TCCLNet模型得到输出模型前向运算输出节点的值；
计算得到模型所估计的波达角。
7.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
波达角估计模型初始化，包括构建TCCLNet模型、初始化模型的训练样本集、初始化模型可训练参数；
根据基于余弦回归的误差函数，对每一个输入进模型的协方差上三角矩阵样本，计算损失函数值；
根据损失函数值使用梯度下降法训练TCCLNet模型；
将待估计信号的协方差上三角矩阵作为输入，通过TCCLNet模型得到输出模型前向运算输出节点的值；
计算得到模型所估计的波达角。
8.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现权利要求1～5任意一项所述的天线阵列波达角估计方法，所述信息数据处理终端包括：无线通信终端、天文观测终端、声呐终端。
9.一种实施权利要求1～5任意一项所述天线阵列波达角估计方法的天线阵列波达角估计系统，其特征在于，所述天线阵列波达角估计系统包括：
初始化模块，用于波达角估计模型初始化，包括构建TCCLNet模型、初始化模型的训练样本集、初始化模型可训练参数；
损失函数值计算模块，用于根据基于余弦回归的误差函数，对每一个输入进模型的协方差上三角矩阵样本，计算损失函数值；
TCCLNet模型训练模块，用于根据损失函数值使用梯度下降法训练TCCLNet模型；
输出模型前向运算输出节点值计算模块，用于将待估计信号的协方差上三角矩阵作为输入，通过TCCLNet模型得到输出模型前向运算输出节点的值；
波达角计算模块，用于计算得到模型所估计的波达角。
CN202011340464.9A 2020-11-25 2020-11-25 一种天线阵列波达角估计方法、系统、介质、设备及应用 Active CN112710982B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011340464.9A CN112710982B (zh) 2020-11-25 2020-11-25 一种天线阵列波达角估计方法、系统、介质、设备及应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011340464.9A CN112710982B (zh) 2020-11-25 2020-11-25 一种天线阵列波达角估计方法、系统、介质、设备及应用

Publications (2)

Publication Number Publication Date
CN112710982A CN112710982A (zh) 2021-04-27
CN112710982B true CN112710982B (zh) 2023-04-14

Family

ID=75542210

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011340464.9A Active CN112710982B (zh) 2020-11-25 2020-11-25 一种天线阵列波达角估计方法、系统、介质、设备及应用

Country Status (1)

Country Link
CN (1) CN112710982B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113472415B (zh) * 2021-09-02 2021-12-28 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
CN114423079B (zh) * 2022-03-30 2022-07-15 中国科学技术大学 无线信号源的定位方法、装置、设备及介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111767791A (zh) * 2020-05-21 2020-10-13 中国地质大学（武汉） 一种基于对抗正则化深度神经网络的到达角估计方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5768477A (en) * 1996-09-10 1998-06-16 Southwest Research Institute Radio direction finding system for narrowband multiple signals
JP6548376B2 (ja) * 2014-10-06 2019-07-24 日本電産株式会社 レーダシステム、レーダ信号処理装置、車両走行制御装置および方法、ならびにコンピュータプログラム
CN109085531B (zh) * 2018-08-27 2023-04-07 西安电子科技大学 基于神经网络的近场源到达角估计方法
CN109597046B (zh) * 2018-11-29 2022-11-18 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
CN109597047B (zh) * 2018-11-29 2022-11-18 西安电子科技大学 基于有监督深度神经网络的米波雷达doa估计方法
CN111291786B (zh) * 2020-01-17 2022-10-25 清华大学 一种车载视觉实时多目标航向角估计方法及装置
CN111460932B (zh) * 2020-03-17 2022-06-21 哈尔滨工程大学 基于自适应卷积的水声信号分类识别方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111767791A (zh) * 2020-05-21 2020-10-13 中国地质大学（武汉） 一种基于对抗正则化深度神经网络的到达角估计方法

Also Published As

Publication number Publication date
CN112710982A (zh) 2021-04-27

Similar Documents

Publication Publication Date Title
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
CN112710982B (zh) 一种天线阵列波达角估计方法、系统、介质、设备及应用
CN108802683B (zh) 一种基于稀疏贝叶斯学习的源定位方法
CN110849369A (zh) 机器人跟踪方法、装置、设备及计算机可读存储介质
CN110161452B (zh) 基于互质式l型电磁矢量传感器阵列的波达方向估计方法
CN110244272B (zh) 基于秩一去噪模型的波达方向估计方法
CN106646414B (zh) 基于Bi-CGSTAB和SL0算法的MIMO雷达目标参数估计方法
CN110031793B (zh) 一种干涉仪测向方法、装置和系统
CN112630784B (zh) 基于凸优化和神经网络的平面阵列幅相误差校正方法
CN111401565B (zh) 一种基于机器学习算法XGBoost的DOA估计方法
CN111427022A (zh) 一种基于极大似然估计的阵列雷达测角方法
CN111257845B (zh) 一种基于近似消息传递的不在网格目标角度估计方法
CN110954860B (zh) 一种doa和极化参数估计方法
CN110095750B (zh) 基于准平稳信号稀疏重构的快速二维欠定测角方法
CN112180369A (zh) 基于深度学习的一维综合孔径辐射计海面风速反演方法
CN115236584A (zh) 基于深度学习的米波雷达低仰角估计方法
CN113176532B (zh) 基于波束空间的阵列误差和阵元失效的dnn鲁棒性doa估计方法、装置及存储介质
CN113759303A (zh) 一种基于粒子群算法的无网格波达角估计方法
CN111765883B (zh) 机器人蒙特卡罗定位方法、设备及存储介质
CN116563096A (zh) 用于图像配准的形变场的确定方法、装置以及电子设备
CN113642591A (zh) 一种基于迁移学习的多波束海底沉积层类型的估计方法及系统
CN109459768A (zh) 一种基于北斗卫星信号强度权重优化模型的快速选星方法
CN112991445B (zh) 模型训练方法、姿态预测方法、装置、设备及存储介质
CN108387865B (zh) 一种基于向量误差模型的波达方向估计方法
CN112561033B (zh) 基于三角卷积的天线阵列波达角估计方法、系统及应用

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