CN113156363A - 阵元互耦和幅相误差下的近场源智能定位方法 - Google Patents
阵元互耦和幅相误差下的近场源智能定位方法 Download PDFInfo
- Publication number
- CN113156363A CN113156363A CN202110240819.5A CN202110240819A CN113156363A CN 113156363 A CN113156363 A CN 113156363A CN 202110240819 A CN202110240819 A CN 202110240819A CN 113156363 A CN113156363 A CN 113156363A
- Authority
- CN
- China
- Prior art keywords
- array
- amplitude
- network
- mutual coupling
- array element
- 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
- 230000008878 coupling Effects 0.000 title claims abstract description 31
- 238000010168 coupling process Methods 0.000 title claims abstract description 31
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 18
- 238000006880 cross-coupling reaction Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 abstract description 2
- 230000003595 spectral effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
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
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/08—Learning methods
-
- 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
本发明提供了一种阵元互耦和幅相误差下的近场源智能定位方法,实现互耦和幅相误差条件下的近场源定位,并且该方法将参数估计问题巧妙转化为回归问题,将手动提取到的信号特征输入网络,通过回归得到近场信源的位置参数。本发明利用误差数据就可以通过构造深度神经网络、设置损失函数和优化算法等方法,训练出适应于解决该问题的一组权值,因此该方法可以适用于在互耦和幅相等误差条件下的近场源定位,采用离线训练在线测试的过程,避免了耗时的谱峰搜索过程,有效提高了定位精度,降低了算法复杂度,提升了算法实时性。
Description
技术领域
本发明涉及阵列信号处理参数估计领域,尤其是一种近场源智能定位方法。
背景技术
在现代化信息战争中,对信源位置的探测至关重要。大孔径短波长的阵列系统具有探测精度高、范围广、可靠性高等优点,但该系统近场区域的范围也更大。另外,近场信源也广泛出现在无线通信、麦克风阵列、传感器网络等系统中。与远场平面波前不同,近场区域内信源到达阵列的波前更接近于球面波,其距离参数造成的包络时延对接收信号的影响不可忽略。因此,研究高效准确的近场源定位算法十分迫切。然而,传统的近场算法通常针对理想的阵列接收模型进行分析和研究,对实际阵列互耦和幅相误差等扰动适应不足。因此亟需一种全新的方法来解决这些问题。
发明内容
为了克服现有技术的不足,本发明提供一种阵元互耦和幅相误差下的近场源智能定位方法,实现互耦和幅相误差条件下的近场源定位,并且该方法将参数估计问题巧妙转化为回归问题,将手动提取到的信号特征输入网络,通过回归得到近场信源的位置参数。该算法避免了耗时的谱峰搜索过程,有效提高了定位精度,降低了算法复杂度,提升了算法实时性。
本发明解决其技术问题所采用的技术方案包括以下步骤:
(2)构建深度回归网络,网络的输入为步骤(1)中获得的特征提取向量网络输出为近场信源的定位结果y(θ,r),以此对深度回归网络的参数进行离线训练,损失函数设为最小均方根误差,当整个网络的损失函数达到最低即认为网络训练完成,将训练好的网络参数固化;
(3)进入在线测试阶段,将实际采集或仿真生成的互耦和幅相误差下阵列接收到的近场源数据每段数据的长度为L,并通过计算获得采样得到的近场源数据的协方差并计算出特征提取向量将特征提取向量直接输入到深度回归网络中,网络的输出就是该网络预测到的近场信源的角度和距离信息,重复步骤(3),直至满足终止条件则停止探测。
所述步骤(1)中,一个由2M+1个全向天线构成的均匀线阵,天线阵列的孔径为D,阵元间距为d,信源发射的信号波长为λ,当K个非相关的窄带信源处于近场区域时,即处于距离天线阵列的区域时,当不存在误差时阵列理想的接收模型用矢量式表达为:
X=As+n
其中,A为阵列的方向矩阵,s为信源信号,n为阵列噪声,当阵列存在互耦和幅相误差时,那么X=As+n的接收模型需要修正,误差分为两个部分,即幅度误差和相位误差;以阵元中心0号阵元为参考阵元,整个阵列的幅度误差G和相位误差Φ写作:
阵列的互耦误差用一个Toeplitz矩阵表示,设每根天线与左右各P根天线存在耦合,那么互耦对阵列带来的影响写作:
其中,ci,i=1,…,P-1对该天线左/右第i根天线的影响程度;因此,互耦和幅相误差下阵列模型表示为:
计算得到的协方差写作:
其中,||·||2表示取向量的2-范数。
所述步骤(2)中,对于n个近场信源,深度回归网络的输出表示为:
y(θ,r)=[θ1,r1,θ2,r2,…,θn,rn]
其中,θi,ri,i=1,2,…,n表示第i个信源的角度和距离的预测值,网络训练采用的损失函数为输出与标签的均方根误差(Root Mean Squard Error,RMSE),即:
网络训练采用Adam算法进行优化。
本发明的有益效果是:
(1)由于深度学习数据驱动的特性,我们利用误差数据就可以通过构造深度神经网络、设置损失函数和优化算法等方法,训练出适应于解决该问题的一组权值,因此该方法可以适用于在互耦和幅相等误差条件下的近场源定位。
(2)采用离线训练在线测试的过程,避免了耗时的谱峰搜索过程,有效提高了定位精度,降低了算法复杂度,提升了算法实时性。
附图说明
图1为本发明基于深度回归网络的近场源定位算法框架。
图2为本发明的两种回归网络模型;图2(a)为NF-FCNN模型,图2(b)为NF-CNN模型。
图3为本发明中不同算法的角度RMSE曲线对比。
图4为本发明中不同算法的距离RMSE曲线对比。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
本发明解决其技术问题所采用的技术方案包括以下步骤:
(2)构建深度回归网络,如图2所示,网络的输入为步骤(1)中获得的特征提取向量网络输出为近场信源的定位结果y(θ,r),以此对深度回归网络的参数进行离线训练,损失函数设为最小均方根误差,当整个网络的损失函数达到最低即认为网络训练完成,将训练好的网络参数固化;
(3)进入在线测试阶段,将实际采集或仿真生成的互耦和幅相误差下阵列接收到的近场源数据每段数据的长度为L,并通过计算获得采样得到的近场源数据的协方差并计算出特征提取向量将特征提取向量直接输入到深度回归网络中,网络的输出就是该网络预测到的近场信源的角度和距离信息,重复步骤(3),直至满足终止条件则停止探测。
所述步骤(1)中,一个由2M+1个全向天线构成的均匀线阵,天线阵列的孔径为D,阵元间距为d,信源发射的信号波长为λ,当K个非相关的窄带信源处于近场区域时,即处于距离天线阵列的区域时,当不存在误差时阵列理想的接收模型用矢量式表达为:
X=As+n
其中,A为阵列的方向矩阵,s为信源信号,n为阵列噪声,当阵列存在互耦和幅相误差时,那么X=As+n的接收模型就需要修正。一般来说,幅相误差是由于射频通道的特性不一致而造成的幅度和相位上的偏差,是一个与信号来向无关的误差。该误差分为两个部分,即幅度误差和相位误差;以阵元中心0号阵元为参考阵元,整个阵列的幅度误差G和相位误差Φ写作:
真实场景下的互耦误差的建模是相当复杂的,但是可以预设一些条件使得模型可以适当简化。假设每个阵元影响相邻天线的个数是固定的,并且每根天线对相邻天线影响的程度也是固定的,也就是说每根天线都遵循一个相同的互耦方式,那么阵列的互耦误差用一个Toeplitz矩阵表示,设每根天线与左右各P根天线存在耦合,那么互耦对阵列带来的影响写作:
其中,ci,i=1,…,P-1对该天线左/右第i根天线的影响程度;因此,互耦和幅相误差下阵列模型表示为:
计算得到的协方差写作:
其中,||·||2表示取向量的2-范数。
所述步骤(2)中,对于n个近场信源,深度回归网络的输出表示为:
y(θ,r)=[θ1,r1,θ2,r2,…,θn,rn]
其中,θi,ri,i=1,2,…,n表示第i个信源的角度和距离的预测值,网络训练采用的损失函数为输出与标签的均方根误差(Root Mean Squard Error,RMSE),即:
以下结合附图和附表对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
本发明提出了一种基于自编码与并行网络的近场源定位方法,其算法框图如图1所示,网络模型如图2所示。在本例中,采用9阵元均匀线阵,阵元间距为四分之一波长,以阵列中心点为相位参考点,编号为0,每个阵元可以从左到右依次编号为{-4,-3,…,0,…,3,4},采样快拍数为128。同时我们设置幅相误差为:
Γ=ΦG
=diag{1.1ejπ/4,1.2ejπ/5,0.9e-jπ/4,0.8e-jπ/6,1,1.3e-jπ/8,1.2ejπ/2,1.1ejπ/3,0.9e-jπ/9}
假设阵列中每个阵元仅影响左右各两个相邻阵元,因此互耦误差就可以写作:
c1=0.4545+0.4755j
c2=0.1235+0.2012j
从理论上讲,可以使用我们提出的回归网络框架同时训练多个信源的情形,为简单起见,以单信源为例。具体实施步骤如下:
(1)首先,以表1的形式实际采集或仿真生成阵列接收的近场源数据X(n):
表1数据集的具体构造形式
(2)以表2和表3的参数构造深度回归网络:
表2:NF-FCNN网络的参数
表3:NF-CNN网络的参数
(3)进入在线测试阶段,将实际采集或仿真生成的互耦和幅相误差下阵列接收到的近场源信号每段数据的长度为L,并通过计算获得算法的协方差并进一步计算出特征提取向量将该向量直接输入到深度回归网络中,网络的输出就是该网络预测到的近场信源的角度和距离信息。信源位置为{40°,3λ}时,所提的NF-FCNN算法和NF-CNN算法与经典算法进行比较,角度估计的RMSE曲线如图3所示,距离估计的RMSE曲线如图4所示,由图可知,传统算法在互耦和幅相误差下完全失效,而本发明所提出的NF-FCNN算法和NF-CNN算法可以在互耦和幅相误差下得到较好的定位性能,同时误差环境下FCNN网络比CNN网络性能更优秀,且算法计算复杂度更低。而整测试数据集总数据量为31000组,不同算法在测试集的耗时对比如表4所示:
表4不同算法在测试集的耗时对比
所提算法的在测试集的耗时比传统算法均低四个数量级以上,其中NF-FCNN算法耗时最短,而NF-CNN算法相对NF-FCNN算法耗时稍长一点,重复步骤(3)。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种阵元互耦和幅相误差下的近场源智能定位方法,其特征在于包括下述步骤:
(2)构建深度回归网络,网络的输入为步骤(1)中获得的特征提取向量网络输出为近场信源的定位结果y(θ,r),以此对深度回归网络的参数进行离线训练,损失函数设为最小均方根误差,当整个网络的损失函数达到最低即认为网络训练完成,将训练好的网络参数固化;
2.根据权利要求1所述的一种阵元互耦和幅相误差下的近场源智能定位方法,其特征在于:
所述步骤(1)中,一个由2M+1个全向天线构成的均匀线阵,天线阵列的孔径为D,阵元间距为d,信源发射的信号波长为λ,当K个非相关的窄带信源处于近场区域时,即处于距离天线阵列的区域时,当不存在误差时阵列理想的接收模型用矢量式表达为:
X=As+n
其中,A为阵列的方向矩阵,s为信源信号,n为阵列噪声,当阵列存在互耦和幅相误差时,那么X=As+n的接收模型需要修正,误差分为两个部分,即幅度误差和相位误差;以阵元中心0号阵元为参考阵元,整个阵列的幅度误差G和相位误差Φ写作:
阵列的互耦误差用一个Toeplitz矩阵表示,设每根天线与左右各P根天线存在耦合,那么互耦对阵列带来的影响写作:
其中,ci,i=1,…,P-1对该天线左/右第i根天线的影响程度;因此,互耦和幅相误差下阵列模型表示为:
计算得到的协方差写作:
其中,||·||2表示取向量的2-范数。
4.根据权利要求1所述的一种阵元互耦和幅相误差下的近场源智能定位方法,其特征在于:
网络训练采用Adam算法进行优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110240819.5A CN113156363B (zh) | 2021-03-04 | 2021-03-04 | 阵元互耦和幅相误差下的近场源智能定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110240819.5A CN113156363B (zh) | 2021-03-04 | 2021-03-04 | 阵元互耦和幅相误差下的近场源智能定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113156363A true CN113156363A (zh) | 2021-07-23 |
CN113156363B CN113156363B (zh) | 2023-10-10 |
Family
ID=76884183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110240819.5A Active CN113156363B (zh) | 2021-03-04 | 2021-03-04 | 阵元互耦和幅相误差下的近场源智能定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113156363B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010038359A1 (ja) * | 2008-09-30 | 2010-04-08 | パナソニック株式会社 | 無線到来方向推定装置及び無線到来方向推定方法 |
CN104965188A (zh) * | 2015-06-10 | 2015-10-07 | 重庆邮电大学 | 一种阵列误差下的波达方向估计方法 |
CN106501770A (zh) * | 2016-10-26 | 2017-03-15 | 黑龙江大学 | 基于幅相误差阵列的远近场宽带混合源中近场源定位方法 |
WO2018045601A1 (zh) * | 2016-09-09 | 2018-03-15 | 深圳大学 | 一种阵列误差下的稀疏恢复stap方法及其系统 |
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 |
-
2021
- 2021-03-04 CN CN202110240819.5A patent/CN113156363B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010038359A1 (ja) * | 2008-09-30 | 2010-04-08 | パナソニック株式会社 | 無線到来方向推定装置及び無線到来方向推定方法 |
CN104965188A (zh) * | 2015-06-10 | 2015-10-07 | 重庆邮电大学 | 一种阵列误差下的波达方向估计方法 |
WO2018045601A1 (zh) * | 2016-09-09 | 2018-03-15 | 深圳大学 | 一种阵列误差下的稀疏恢复stap方法及其系统 |
CN106501770A (zh) * | 2016-10-26 | 2017-03-15 | 黑龙江大学 | 基于幅相误差阵列的远近场宽带混合源中近场源定位方法 |
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 |
Non-Patent Citations (2)
Title |
---|
倪萌钰;陈辉;校松;倪柳柳;张佳佳;: "基于辅助阵元的近场源幅相误差校正算法", 电子与信息学报, no. 10 * |
李龙军;王布宏;夏春和;沈海鸥;: "基于多任务学习方向图可重构稀疏阵列天线设计", 系统工程与电子技术, no. 12 * |
Also Published As
Publication number | Publication date |
---|---|
CN113156363B (zh) | 2023-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104749553B (zh) | 基于快速稀疏贝叶斯学习的波达方向角估计方法 | |
CN108375763B (zh) | 一种应用于多声源环境的分频定位方法 | |
CN108318862B (zh) | 一种基于神经网络的声源定位方法 | |
CN110300075B (zh) | 一种无线信道估计方法 | |
CN109782231B (zh) | 一种基于多任务学习的端到端声源定位方法及系统 | |
CN112130111B (zh) | 一种大规模均匀十字阵列中单快拍二维doa估计方法 | |
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 | |
CN109946643B (zh) | 基于music求解的非圆信号波达方向角估计方法 | |
CN112881972A (zh) | 一种阵列模型误差下基于神经网络的波达方向估计方法 | |
CN111856402A (zh) | 信号处理方法及装置、存储介质、电子装置 | |
CN109600152A (zh) | 一种基于子空间基变换的自适应波束形成方法 | |
CN113607447A (zh) | 一种声学光学联合风机故障定位装置及方法 | |
CN110413939B (zh) | 一种基于原子范数的到达角估计方法 | |
CN112034418A (zh) | 基于频域Bark子带的波束扫描方法及声源定向装置 | |
CN111352063A (zh) | 一种均匀面阵中基于多项式求根的二维测向估计方法 | |
CN111352075B (zh) | 一种基于深度学习的水下多声源定位方法及系统 | |
CN109870670B (zh) | 一种基于阵列重构的混合信号参数估计方法 | |
CN113156363A (zh) | 阵元互耦和幅相误差下的近场源智能定位方法 | |
CN109581291B (zh) | 一种基于人工蜂群的直接定位方法 | |
CN111505566A (zh) | 一种特高频射频信号doa估计方法 | |
CN113030849B (zh) | 一种基于自编码器与并行网络的近场源定位方法 | |
CN106685507A (zh) | 色噪声环境下基于约束Kalman波束形成方法 | |
CN112180318B (zh) | 声源波达方向估计模型训练和声源波达方向估计方法 | |
CN111859241B (zh) | 一种基于声传递函数学习的非监督声源定向方法 | |
CN104730489A (zh) | 一种阵元互耦条件下的低复杂度doa估计方法 |
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 |