CN113176532B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113176532B CN113176532B CN202110462111.4A CN202110462111A CN113176532B CN 113176532 B CN113176532 B CN 113176532B CN 202110462111 A CN202110462111 A CN 202110462111A CN 113176532 B CN113176532 B CN 113176532B
- Authority
- CN
- China
- Prior art keywords
- array
- dnn
- signal
- covariance matrix
- angle
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 239000011159 matrix material Substances 0.000 claims abstract description 78
- 238000012549 training Methods 0.000 claims abstract description 59
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 238000007635 classification algorithm Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 60
- 230000006870 function Effects 0.000 claims description 22
- 238000001228 spectrum Methods 0.000 claims description 22
- 230000003595 spectral effect Effects 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 230000007547 defect Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 9
- 238000009826 distribution Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000013507 mapping Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000011084 recovery Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明实施例公开了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;该方法可以包括:将接收阵列所接收到的原始阵列接收信号通过设定的分类算法确定所述原始阵列接收信号的阵元失效类型;通过已训练完毕的去噪自编码器DAE将所述原始阵列接收信号中由于阵元失效所导致的损坏进行恢复,获得恢复后的阵列接收信号;根据所述恢复后的阵列接收信号的协方差矩阵以及角度空间中各角度区间的波束指向协方差矩阵生成波束空间内的接收信号数据;将所述波束空间内的接收信号数据输入已利用训练数据集完成训练的并行深度神经网络DNN中与所述阵元失效类型相对应的目标DNN;将所述目标DNN输出的信号数据通过线性幅度插值获取DOA估计值。
Description
技术领域
本发明实施例涉及雷达信号处理技术领域,尤其涉及一种基于波束空间的阵列误差和阵元失效的深度神经网络(DNN,Deep Neural Networks)鲁棒性波达方向(DOA,Direction Of Arrival)估计方法、装置及存储介质。
背景技术
DOA估计是阵列信号处理的一个重要研究方向,已经广泛应用于各种军事民用系统,包括无线通信、天文观测、雷达和声纳。DOA估计始终朝着提高精度和超分辨率的趋势发展,并增强对阵列误差、低信噪比、有限快拍等各种未知场景的泛化能力。针对当前常规的DOA估计方案,其都是参数化的方案,也就是说,这些方案都是在假设映射可逆的情况下实现了从信号方向到阵列输出的正向映射。基于上述假设,阵列输出是由预先形成的映射来匹配的,从而实现方向估计。这些参数化方案的性能在很大程度上取决于两种映射之间的一致性,即在数据采集期间从信号方向到阵列输出的正向映射,以及从阵列输出到信号方向的反向映射。
由于在阵列系统中可能存在各种缺陷,例如非理想的传感器设计、阵列的安装、传感器之间的相互干扰以及受到环境因素的影响等;所以,在实际的信号估计过程中,上述缺陷都会对估计性能产生很大的影响,造成估计精度的下降。许多方案通过简化模型来描述各种缺陷的影响,提出自动校准过程来提高 DOA估计的精度。由于简化模型都是从数学角度进行的,并带有各种附加假设。而这些简化和假设不同程度的偏离了实际,如何处理阵列缺陷仍然是一个悬而未决的问题。
此外,除了阵列误差以外,还会存在阵列失效的问题,实际上,阵元失效和阵列误差同时存在才能更加符合阵列系统实际工作情况。但是目前已有的常规方案中,并没有相关方案考虑阵元失效和阵列误差共存时的情况。
发明内容
有鉴于此,本发明实施例期望提供一种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;能够在进行DOA估计时同时考虑阵元失效以及阵列误差所造成的影响,提高对各种阵列缺陷的泛化能力,从而提高DOA估计精度。
本发明实施例的技术方案是这样实现的:
第一方面,本发明实施例提供了一种基于波束空间的阵列误差和阵元失效的深度神经网络DNN鲁棒性波达方向DOA估计方法,所述方法包括:
将接收阵列所接收到的原始阵列接收信号通过设定的分类算法确定所述原始阵列接收信号的阵元失效类型;
通过已训练完毕的去噪自编码器DAE将所述原始阵列接收信号中由于阵元失效所导致的损坏进行恢复,获得恢复后的阵列接收信号;
根据所述恢复后的阵列接收信号的协方差矩阵以及角度空间中各角度区间的波束指向协方差矩阵生成波束空间内的接收信号数据;
将所述波束空间内的接收信号数据输入已利用训练数据集完成训练的并行深度神经网络DNN中与所述阵元失效类型相对应的目标DNN;
将所述目标DNN输出的信号数据通过线性幅度插值获取DOA估计值。
第二方面,本发明实施例提供了一种基于波束空间的阵列误差和阵元失效的DNN鲁棒性DOA估计装置,所述装置包括:确定部分,去噪自编码器DAE,生成部分,并行DNN以及获取部分;其中,
所述确定部分,经配置为将接收阵列所接收到的原始阵列接收信号通过设定的分类算法确定所述原始阵列接收信号的阵元失效类型;
所述去噪自编码器DAE,经配置为通过已训练完毕的去噪自编码器DAE 将所述原始阵列接收信号中由于阵元失效所导致的损坏进行恢复,获得恢复后的阵列接收信号;
所述生成部分,经配置为根据所述恢复后的阵列接收信号的协方差矩阵以及角度空间中各角度区间的波束指向协方差矩阵生成波束空间内的接收信号数据;
所述并行DNN,经配置为将所述波束空间内的接收信号数据输入已利用训练数据集完成训练的并行深度神经网络DNN中与所述阵元失效类型相对应的目标DNN;
所述获取部分,经配置为将所述目标DNN输出的信号数据通过线性幅度插值获取DOA估计值。
第三方面,本发明实施例提供了一种计算设备,所述计算设备包括:接收阵列、存储器和处理器;其中,
所述接收阵列,用于接收入射的远场信号;
所述存储器,用于存储能够在所述处理器上运行的计算机程序;
所述处理器,用于在运行所述计算机程序时,执行第一方面所述基于波束空间的阵列误差和阵元失效的DNN鲁棒性DOA估计方法的步骤。
第四方面,本发明实施例提供了一种计算机存储介质,所述计算机存储介质存储有基于波束空间的阵列误差和阵元失效的DNN鲁棒性DOA估计程序,所述基于波束空间的阵列误差和阵元失效的DNN鲁棒性DOA估计程序被至少一个处理器执行时实现第一方面所述基于波束空间的阵列误差和阵元失效的 DNN鲁棒性DOA估计方法步骤。
本发明实施例提供了一种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;能够在进行DOA估计时同时考虑阵元失效以及阵列误差所造成的影响,提高对各种阵列缺陷的泛化能力,从而提高 DOA估计精度。
附图说明
图1为本发明实施例提供的基于波束空间的阵列误差和阵元失效的DNN 鲁棒性DOA估计方法流程示意图;
图2为本发明实施例提供的针对单信号、双信号、三信号以及相位差为π的特殊角度进行分类结果示意图;
图3为本发明实施例提供的在空间范围[-60°,60°)内,对受损传感器个数分别为0、1、2、3的信号进行恢复的结果示意图;
图4为本发明实施例提供的单信号与双信号对并行DNN所得到的重构频谱示意图;
图5为本发明实施例提供的四种不同损失程度的信号在恢复后的DOA估计的均方根误差示意图;
图6为本发明实施例提供的不同缺陷强度下不同缺陷类型的适应性效果示意图;
图7为本发明实施例提供的在不同损失程度的情况下,DOA估计偏差示意图;
图8为本发明实施例提供的一种基于波束空间的阵列误差和阵元失效的 DNN鲁棒性DOA估计装置的组成示意图;
图9为本发明实施例提供的另一种基于波束空间的阵列误差和阵元失效的 DNN鲁棒性DOA估计装置的组成示意图;
图10为本发明实施例提供的一种计算设备的硬件组成示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
需要说明的是,为了能够解决阵元失效和阵列误差共存时的DOA估计相关问题,本发明实施例采用了去噪自编码器(DAE,Denoising AutoEncoder) 和并行DNN进行信号处理,相比常规方案中的DOA估计方法,DNN对离网型off-grid信号的DOA估计具备较强的泛化能力;而且DAE通常能够将掺杂着噪声的数据恢复为“干净的”的数据,因此本发明实施例的技术方案考虑引入去噪自编码器来解决阵元数据受损的问题,并行DNN的引入主要是为了应对不同阵元失效的情况,以提高网络对阵元失效的适应能力。基于此,参见图 1,其示出了本发明实施例提供的一种基于波束空间的阵列误差和阵元失效的深度神经网络DNN鲁棒性波达方向DOA估计方法,该方法可以包括:
S101:将接收阵列所接收到的原始阵列接收信号通过设定的分类算法确定所述原始阵列接收信号的阵元失效类型;
S102:通过已训练完毕的去噪自编码器DAE将所述原始阵列接收信号中由于阵元失效所导致的损坏进行恢复,获得恢复后的阵列接收信号;
S103:根据所述恢复后的阵列接收信号的协方差矩阵以及角度空间中各角度区间的波束指向协方差矩阵生成波束空间内的接收信号数据;
S104:将所述波束空间内的接收信号数据输入已利用训练数据集完成训练的并行深度神经网络DNN中与所述阵元失效类型相对应的目标DNN;
S105:将所述目标DNN输出的信号数据通过线性幅度插值获取DOA估计值。
通过上述图1所示的技术方案,引入DAE将受损的阵列信号恢复为“无损”信号,有助于提高DOA估计的精度,从而提升DNN在阵元失效环境中的适应能力;此外,根据信号的数据特点对不同受损信号进行分类,并采用并行网络来处理不同受损程度的信号,能够进一步地提高DOA估计精度。
对于图1所示的技术方案,结合以下阵列信号模型进行详细阐述,该阵列信号模型可以被设定为:有K个独立的远场信号入射到有M个阵元的均匀阵列 (ULA,Uniform LinearArray)上,信号的入射方向分别为θ1,...,θk。第k个信号的波形为sk(t),接收信号在N个唯一间隔的时刻被采样t1,...,tN以便获得矩阵中收集的多个快拍X=[x(t1),...,x(tN)],其中:
阵列信号模型为理想状态下的传感器阵列,在实际的传感器阵列中,往往会存在各种误差,其中的增益和相位误差、传感器位置误差和耦合误差被广泛研究。为了提高对各种误差的泛化能力,本发明实施例将各种阵列误差建模为球形分布,通过设置球半径的大小来控制误差强度,如此,将各种阵列误差建模为球形分布,并在该分布下抽取训练样本,能够提高网络对各种阵列缺陷的泛化能力。举例来说,阵列误差的范数Δ可以被误差强度ε∈[0,1]所限定为:||Δ||≤ε。由此可知:实际情况下的信号导向矢量应该表示为:,||e||≤ε,其中:/>α为误差向量的幅度,/>为误差向量的相位。⊙表示对应位置元素相乘,d为符合0-1分布的向量;对应于阵元失效的情况,设定0表示阵元失效,1表示阵元正常,则实际情况下的x(tN)可被重新写为:
如此,就可以不同类型的阵列误差都统一简化定义为e(θ),对接收信号进行了重新定义。基于上述实际情况下的x(tN),其协方差矩阵定义如下:
Rxx=E[x(tN)xH(tN)]=ASAH+RN
其中,E[·]和(·)H分别代表期望运算符和共轭变换运算符,A是阵列导向矩阵,被定义为A=[a(θ1),a(θ2),...,a(θk)],S和RN为信号的协方差矩阵和噪声矩阵,分别被定义为:S=E[s(t)sH(t)],RN=E[v(t)vH(t)],在一些示例中,噪声服从零均值高斯分布,因此噪声矩阵可表示为:RN=σ2I,I表示单位矩阵,σ2表示噪声功率。
对于图1所示的技术方案,在一些可能的实现方式中,所述将接收阵列所接收到的原始阵列接收信号通过设定的分类算法确定所述原始阵列接收信号的阵元失效类型,包括:
计算所述原始阵列接收信号的协方差矩阵;
针对所述原始阵列接收信号的协方差矩阵的第i行及第j列,当下式所示的不等式成立,且满足i=j,则确定第i个阵元失效;
其中,r(i,:)表示所述原始阵列接收信号的协方差矩阵各行绝对值之和,且r(:,j)表示所述原始阵列接收信号的协方差矩阵/>各列绝对值之和,且/>α表示检测门限因子,N表示接收阵列的阵元数目;
将失效阵元的数量确定为所述原始阵列接收信号的阵元失效类型。
对于上述实现方式,结合前述阵列信号模型,具体来说,由于考虑信号的还原,并且协方差矩阵中左下方元素与右上方元素相对应的互为共轭,因此仅考虑协方差矩阵中的右上方元素。举例来说,将协方差矩阵的上三角矩阵元素的实部和虚部归一化后重构为输入向量。
其中,表示协方差矩阵R的第m1行m2列元素,且1≤m1,m2≤M;real{·} 和imag{·}分别表示复数的实部和虚部。
基于前述阵列信号模型,在构建阵元损失模型的过程中,可以通过随机映射将初始输入/>损坏为/>其中,/>为信号在/>方向上的输入向量。在构建时,根据损失率计算损坏的传感器的个数m,将M个阵元随机损坏m个,具体来说,传感器的损坏体现在对应阵元的方向矢量幅度为 0。在理想状态下,当原始阵列接收信号的协方差矩阵/>中存在唯一非零值的行和列,则可以确定有阵元失效,并且该行可以表示失效的阵元标号;但是在实际场景中,噪声并非理想的高斯白噪声,所以即便存在失效阵元,实际的协方差矩阵中也不会出现零值,零值位置被信号与噪声互相关项和噪声互相关项所替代,如此,则会出现其所在行的绝对值之和明显小于其他未失效阵元对应行绝对值之和的均值,对于列也是如此,因此,通过上述方案进行判断就可以确定阵元是否失效以及失效阵元的具体位置。
当获取到原始阵列接收信号的阵元失效类型之后,就可以根据已训练完成的DAE对原始阵列接收信号中由于阵元失效所导致的损坏进行恢复,获得恢复后的阵列接收信号,在一些示例中,图1所示的技术方案还可以包括对DAE 的训练过程,该过程可以包括:
设计一线性且初始化参数为随机设置的DAE;
设定单信号场景的接收信号r方向从θ(0)变化到θ(I)且信号空间按照单个频谱网格的大小I等分,即至/>其中,I同样为去噪自编码器训练样本信号的个数;
根据来自方向的信号的协方差向量/>设置DAE的训练数据集为:
以及与训练数据集相关联的列方向标签集是:
其中,N表示阵元损坏情况;表示方向/>的输出;(·)(1)表示与DAE相关的变量,(·)(2)表示与并行DNN相关的变量;数据标签对(Γ(1),Ψ(1))作为输入和输出以训练DAE;
将实际输出和预期输出的二范数的平方用作损失函数,即:
其中,是当输入为/>时的真实输出,/>是输入为/>时的预测输出,/>为预测值和真实值之间的偏差,/>为误差的二范式,为角度为/>时的损失;
通过下式进行变量迭代更新:
其中,α可以是任意的权重矩阵以及偏置向量,μ1是学习率,αold和αnew分别表示当前更新前、后的变量值。
对于上述实现方式,在一些示例中,可以将去噪自编码器设计为线性,可以理解地,若该DAE在单信号情况下表现良好,那么就能够说明其性能可以得到保证。因此,本发明实施例优选采用单信号场景的接收信号r来构建训练数据集,具体来说,信号方向从θ(0)变化到θ(I)。信号方向的直接选择是分类器输出的等距频谱网格,也就是将信号空间按照单个频谱网格的大小I等分,即其中,I同样为去噪自编码器训练样本信号的个数。
对应于来自方向的信号的协方差向量/>输入到去噪自编码器中,设定期望得到输出为/>那么在构建训练样本时,可以根据损失率计算损坏的传感器的个数m,将M个阵元随机损坏m个,详细来说,传感器的损坏体现在对应阵元的方向矢量幅度为0。
设定有N种损失情况,对应在每个映射角度上,那么训练数据集就扩大了 (N-1)×I倍。可以理解地,训练数据集覆盖的损失情况越多,该DAE的模型鲁棒性就越强。因此,去噪自编码器的训练数据集为:
并且与训练数据集相关联的列方向标签集是:
其中,(·)(1)表示与去噪自编码器相关的变量,(·)(2)表示与并行网络相关的变量。数据标签对(Γ(1),Ψ(1))作为输入和输出以训练去噪自编码器。在自编码网络中,通常期待输入等于输出,以保证信号恢复的完整性,即可在实际的应用场景中,这样的假设是很难实现的;因此,优选将实际输出和预期输出的二范数的平方用作损失函数,即:
其中,是当输入为/>时的真实输出,/>是输入为/>时的预测输出,/>为预测值和真实值之间的偏差,/>为误差的二范式,为角度为/>时的损失。
当DAE的参数随机初始化后,可以基于损失函数相对于变量的反向传播梯度,更新权重矩阵和偏差向量。具体来说,梯度可以通过直接的数学推导来计算,即每次输入训练数据时,都会生成不同的损坏版本。由此可以得到,去噪自编码器用于最小化干净的输入和它的重建输出之间的损失。
接着,变量迭代更新如下:
其中,α可以是任意的权重矩阵以及偏置向量,μ1是学习率,αold和αnew分别表示当前更新前、后的变量值。
针对上述实现方式及其示例,在具体实现过程中,将实际输出和预期输出的二范数的平方作为损失函数,并使用RMSProp优化器来训练DAE的网络模型学习,并保存训练完成后所得到的DAE网络模型。
通过上述DAE对原始阵列接收信号恢复完毕后,对于图1所示的技术方案,在一些可能的实现方式中,所述根据所述恢复后的阵列接收信号的协方差矩阵以及角度空间中各角度区间的波束指向协方差矩阵生成波束空间内的接收信号数据,包括:
将角度空间划分为多个角度区间,并确定每个角度区间对应的波束指向;
根据每个角度区间对应的波束指向确定每个角度区间对应的协方差矩阵;
将所述每个角度区间对应的协方差矩阵转变为每个角度区间对应的列向量;
将所述恢复后的阵列接收信号的协方差矩阵转变为所述恢复后的阵列接收信号的列向量;
根据第n个角度区间对应的列向量r(γn)以及所述恢复后的阵列接收信号的列向量r(θ),按照下式进行波束转换,获取所述恢复后的阵列接收信号在第n 个角度区间的波束空间值:
gn=rH(γn)r(θ)
其中,γn表示第n个角度区间的波束指向值,H表示共轭转置运算符;
将所有角度区间的波束空间值按照下式形成所述恢复后的阵列接收信号在波束空间的信号数据:
g=[g1,g2,...,gn]T
其中,T表示转置运算符。
对于上述实现方式,在一些示例中,由于阵元空间复杂的运算量,信噪比分辨率门限高、对各种误差的稳健性较差。本发明实施例优选将信号从阵元空间变化到波束空间,也就是进行波束空间预处理。首先根据协方差矩阵的对称性,将DAE所输出的恢复后的阵列接收信号还原为协方差矩阵,再将信号变换到波束空间。具体来说,将角度空间分成n份,就会得到n个角度区间,取每个角度区间中心的角度作为该角度区间对应的波束指向,比如第一个角度空间为[β1,β2],则可以取第一个区间的波束指向为γ1=(β1+β2)/2;若每个角度区间均按照同样的方式实施,将会得到表示整个角度空间的n个波束指向值 (γ1,γ2,...,γn)。接着,可以计算每个波束指向值的协方差矩阵,就能计算得到每个角度区间对应的协方差矩阵R(γi)。在得到R(γn)之后,将其转换成列向量 r(γi)=rec{R(γi)},其中,rec{·}表示将矩阵转换列向量运算符。类似的,将接收信号所构成的协方差矩阵Rxx(θ)也可以转换为列向量r(θ)之后,可以按照下式进行波束转换:
gi=rH(γi)r(θ)
其中,gn为第i个角度区间对应的波束空间值,i=1,...,n。
最后,将所有角度区间的波束空间值整合到一起,就形成了波束空间的接收信号数据g=[g1,g2,...,gn]T,g为波束空间的接收信号数据;也就表示完成了将恢复后的阵列接收信号由阵元空间变换到波束空间过程。
在变换为波束空间之后,就可以结合前述实现方式中所获得阵元失效类型将波束空间内的接收信号数据输入至并行DNN中与阵元失效类型相对应的目标DNN。在一些示例中,图1所示的技术方案还可以包括对并行DNN的训练过程,该过程可以包括:
针对设定的P种损失类型中的每一种损失类型对应初始化一DNN以形成并行DNN;其中,各DNN的初始化参数相同,并且每个DNN均包含多个隐藏层且采用非线性激活函数;
采用双信号训练数据集训练并行DNN以泛化到单信号以及三信号应用场景;
在训练并行DNN过程中,通过反向传播来更新参数以最小化空间谱的重构误差;重构误差表示为:
y(θ,Δ)=y(θ,Δ)-y(θ,Δ)
其中,y(θ,Δ)是对应于输入r(θ,Δ)期待的输出,而y(θ,Δ)表示实际的输出;设置并行DNN的损失函数为频谱重构误差的平方的l2范数:
关于权重矩阵和偏置向量采用如下梯度进行更新:
其中,μ2为并行DNN的学习率。
对于上述示例,具体来说,首先对受损信号进行分类,根据分类的结果,赋予其对应的损失类别。一共有P种损失级别,分别为[1,2,...,P]。设定线性接收阵列一共有M个传感器,假设损失级别为p,则表示受损的传感器个数为p 个,并且设定受损传感器对应的方向矢量的幅度为零。
在解码器的输出之后有P个并行网络,每个网络代表一种损失类型,这P 个网络的初始化参数都是相同的。在得到恢复信号之后,首先通过对称性将它还原为协方差矩阵,然后将信号从阵元空间变换到波束空间。根据损失类型,输入到对应的并行网络中,其它的P-1个网络的输入为零。因此在训练时,我们只需要训练输入不为0的网络。
由于在阵列输出中,空间上较为接近的信号分量通常具有相似的导向向量,因此网络输出的分布比接收信号r更集中。在每个网络中,可以使用多个隐藏层并添加非线性激活函数来增强表达性,从而实现精确的波达方向估计。为了在分类器的每一层保持输入的极性,使用双曲正切函数来激活:
tanh(σ)=[tanh(σ1),tanh(σ2),...,tanh(σ-1)]T
其中,σ-1为向量σ的最后一个元素。在DAE训练完成之后,可以保持其权重和偏置不变,输入向量r和重构频谱y形成一个新的端到端的神经网络,训练并行网络的权重和偏置。在训练并行网络时,采用双信号训练集,通过训练双信号场景,来泛化到单信号以及三信号场景。
在训练并行网络时,通过反向传播来更新参数,进而最小化空间谱的重构误差。重构误差可以表示为:
y(θ,Δ)=y(θ,Δ)-y(θ,Δ)
其中,y(θ,Δ)是对应于输入r(θ,Δ)期待的输出,而y(θ,Δ)表示实际的输出。并行网络的损失函数为频谱重构误差的平方的l2范数:
关于权重矩阵和偏置向量优选采用其的梯度进行更新:
其中,μ2为并行网络的学习率。
对于上述示例及具体阐述,在具体实施过程中,优选地使用Tensorflow中自带的RMSProp优化器(Optimizer)依照上述阐述完成并行DNN的训练过程。并且在一些示例中,所述将波束空间内的接收信号数据输入目标DNN具体可以包括:将所述阵列接收信号在波束空间的信号数据g的实部与虚部分离;将分离后所得到的实数列向量作为已完成训练的目标DNN的输入数据。
基于以上之阐述,在一些示例中,所述将所述目标DNN输出的信号数据通过线性幅度插值获取DOA估计值,包括
从所述目标DNN输出的信号数据频谱中提取峰值,记录非零正值的索引,统计输出的信号数据频谱中非零正值区域的数量;
计算当前非零区域的总能量,将输出的信号数据频谱值和角度空间的角度一一对应,计算得到当前非零区域估计得到的角度值;
根据每个非零区域总能量的大小进行排序,对应于信号数量,选取总能量最大的设定数目角度值即为估计得到的角度值。
具体来说,基于所述目标DNN输出的信号数据频谱仅在与实际信号方向相邻的网格上具有非零正值,因此,可以将每个远场信号的DOA通过两个相邻网格之间的线性幅度插值进行估计。
基于前述技术方案所阐述的基于波束空间的阵列误差和阵元失效的DNN 鲁棒性DOA估计方法的阐述,本发明实施例通过具体实验以验证其有效性和可行性。在本实验中,利用10阵元的均匀线性阵列(ULA)来估计从空间范围 [-60°,60°)入射的远场信号方向,即M=10,θ(0)=-60°,θ(I)=60°。ULA的相邻阵元间距为信号的半波长。空间谱由1的网格构成,因此总共有I=120个网格,即DAE以及并行DNN的训练数据集协方差向量r,以及测试数据集中的向量是从K=400个快拍获得的。基于此,将角度空间分成 20份,即n=20,每个角度区间的区域范围为6°,每个角度区间取中心角度的值作为波束指向,即γ1=-57.5°,γ2=-51.5°,...,γn=56.5°。
对于DAE的训练数据集,以1°的间隔对[-60°,60°)空间进行采样,以获得的方向集并计算协方差向量和相关标签。设置最大损失级别为3,最小为0,损失一共分为4个级别,即P∈{0,1,2,3}。在每个方向网格上,要进行N次随机映射对信号进行损坏,设置N=130。快拍的信噪比为10db。遵循小批量训练策略批次大小为32,学习率μ1=0.001,设置迭代次数为300,每次迭代数据集都会被打乱。输入层的大小为κ=(M+1)×M×2,设置两个隐藏层,大小分别为110、55,输出层的大小为110。
DAE的参数在训练完毕后即被固定,在双信号场景中收集另一个数据集来训练并行DNN。角度间隔从集合Δ∈{2°,4°,...,60°}中采样得到,其能够涵盖从非常接近的信号到间隔为角度区域一半的信号的情况;随后,将第一个信号的方向θ从-60°变换到60°-Δ,每次变化1°,第二个信号的方向为θ+Δ。两个信号的信噪比均为10db,每个方向设置随机噪声采集10组快照。用于训练的向量批次大小为32,学习率为μ2=0.001,训练迭代次数为120。隐藏层的层数选择为 4,分别为[80,160,320,240],输出层的大小为120,对应角度区间的大小。并行 DNN的所有权重和偏差都是根据-0.1到0.1之间的均匀分布随机初始化的。
设置训练所需要的阵列误差,首先设置误差强度的范围为ε∈[0,1],为满足设置/>为[0,2π]之间的随机数,而α为一组满足(0,b)正态分布的随机数,b随着误差强度的增加而增加,比如误差强度每增加0.01,b增加0.003。而在测试阶段,可以考虑三种典型的阵列缺陷类型,包括增益和相位不一致、传感器位置误差和传感器间的相互耦合这三种。可以通过简化模型来进行实验验证。
可以理解地,引入的测试误差都要在一个大前提下进行,即也就是说引入阵列缺陷之后的导向矢量与原导量矢量差的二范式不大于误差强度。根据上述大前提,设置阵列传感器的增益偏差为:egain=ρ×[g1,g2,...,gM]T其中,ρ=(ε/a)×b+c,gm为[-0.1,0.1]之间的随机数,ρ用来控制误差的强度。相位偏差为:ephase=ρ×[p1,p2,...,pM]T;其中,pm为[-10°,10°]之间的随机数。位置偏差为epos=ρ×[POS1,POS2,...,POSM]T×d;其中,POSm为[-0.1,0.1]之间的随机数,d为 ULA传感器间距。耦合系数向量为:emc=ρ×[0,γ1,...,γM-1]T,其中,γ=0.2ej20为相邻传感器之间的相互耦合系数。
接着,通过对ρ进行特殊化以确定阵列缺陷,如此,扰动的阵列响应函数改写为:A(θ)=(IM+δmcEmc)×(IM+Diag(δgainegain)×Diag(exp(jδphaseephase))×(a(θ)+δposepos);其中,δ(·)用来表示特定种类的缺陷是否存在,IM表示M×M的酉阵,Diag(·)用于将对角线上的给定向量形成对角矩阵,Emc是带有参数向量emc的托普利兹 toeplitz矩阵,(a(θ)+δposepos)表示当位置误差嵌入在阵列几何中时,对应于来自方向θ的信号的实际阵列响应向量。
基于以上所阐述的实验条件,实验结果如图2至图7所示。
图2中的(a)、(b)、(c)、(d)分别展示了本发明实施例所阐述的技术方案对单信号、双信号、三信号以及相位差为π的特殊角度进行分类的结果。可以看出,不管是单信号场景,还是双信号、三信号场景,甚至是在双信号的情况下相位差相差为π的特殊角度的情况,本发明实施例所阐述的分类方案都具有100%的精度,可见本发明实施例所阐述的分类方案具有较强的鲁棒性。
图3中的(a)、(b)、(c)、(d)则分别展示了在空间范围[-60°,60°)内,对受损传感器个数分别为0(0%)、1(10%)、2(20%)、3(30%)的信号进行恢复的结果,具体来说,{0%,10%,20%,30%}分别对应受损传感器的个数为 {0,1,2,3}。从图3中可以看到,当损失率低的时候,恢复后的信号更接近信号的真实值,而随着损失率的增大,恢复后的信号与真实值之间的偏差随之增大。
在训练完并行DNN后,可以对其性能进行测试。重新输入协方差向量到训练完成的并行DNN以测试单信号与双信号两种情况,得到的重构频谱被分别展示在图4的(a)和(b)中。可以看出,在没有入射信号时,频谱网格上只有轻微的扰动。通过在频谱峰值内的线性插值,最终可以基于估计的频谱来估计信号的方向。
其次,对恢复后的信号进行频谱重构,验证不同损失程度的信号在恢复后能否进行准确的DOA估计。图5中的(a)、(b)、(c)、(d)分别展示了四种损失情况下的频谱重构。可以看到,不管损失为多少,本发明实施例所阐述的技术方案都可以实现对损失信号的频谱重构。再次计算不同损失时角度方向估计的均方根误差,可知:损失为0%时的两个信号的误差分别为0.15°、0.38°;损失为10%时,误差分别为0.45°、0.35°;损失为20%时误差分别为0.43°、0.48°;损失为30%时,误差分别为0.53°、0.46°。从数据中可以得出结论:损失率越低,估计的精度就越高。
接着,图6通过仿真验证将各种阵列误差建模为球形分布,在训练时在该分布下抽取训练样本时,对不同缺陷强度下不同缺陷类型的适应性效果。其中,本发明实施例所述的方案(可简称为Beam space)与常规的基于阵元空间的 DOA估计方法(可简称为Arrayelement space)进行比较。从实验结果可以看出,随着误差强度的增加,Beam space方法展现了对阵列误差较强的鲁棒性。不论是哪种阵列误差,经过Beam space方法训练的模型都对其有很好的适应性,可以看出相较于Array element space方案,本发明实施例所述的Beam space方案中的训练方法的有效性。
最后,图7对比在不同损失程度的情况下,对不同阵列缺陷的适应能力。从实验结果可以看到,随着误差强度的增加,不同损失信号在不同阵列缺陷时都出现了一定的增加。在误差强度相同时,随着损失率的增加,对应波达方向估计的偏差也一起增加。这也是可以预见的,毕竟在高损失率时,损坏的信号与真实的信号偏离程度很大,想要完全恢复为原来的信号,存在一定的难度,因此,高损失情况下估计误差大是可以预见的。不过整体情况下,本发明实施例所述的方案对不同阵列缺陷都有很强的适应能力。
通过上述实验及实验结果的说明的和阐述可以得知:本发明实施例所述的方案具备有效性和可行性。
基于前述技术方案相同的发明构思,参见图8,其示出了本发明实施例提供的一种基于波束空间的阵列误差和阵元失效的DNN鲁棒性DOA估计装置80,所述装置80包括:确定部分801,去噪自编码器DAE 802,生成部分803,并行DNN 804以及获取部分805;其中,
所述确定部分801,经配置为将接收阵列所接收到的原始阵列接收信号通过设定的分类算法确定所述原始阵列接收信号的阵元失效类型;
所述去噪自编码器DAE 802,经配置为通过已训练完毕的去噪自编码器DAE将所述原始阵列接收信号中由于阵元失效所导致的损坏进行恢复,获得恢复后的阵列接收信号;
所述生成部分803,经配置为根据所述恢复后的阵列接收信号的协方差矩阵以及角度空间中各角度区间的波束指向协方差矩阵生成波束空间内的接收信号数据;
所述并行DNN 804,经配置为将所述波束空间内的接收信号数据输入已利用训练数据集完成训练的并行深度神经网络DNN中与所述阵元失效类型相对应的目标DNN;
所述获取部分805,经配置为将所述目标DNN输出的信号数据通过线性幅度插值获取DOA估计值。
在上述方案中,所述确定部分801,经配置为:
计算所述原始阵列接收信号的协方差矩阵;
针对所述原始阵列接收信号的协方差矩阵的第i行及第j列,当下式所示的不等式成立,且满足i=j,则确定第i个阵元失效;
其中,r(i,:)表示所述原始阵列接收信号的协方差矩阵各行绝对值之和,且r(:,j)表示所述原始阵列接收信号的协方差矩阵/>各列绝对值之和,且/>α表示检测门限因子,N表示接收阵列的阵元数目;
将失效阵元的数量确定为所述原始阵列接收信号的阵元失效类型。
在上述方案中,所述生成部分803,经配置为:
将角度空间划分为多个角度区间,并确定每个角度区间对应的波束指向;
根据每个角度区间对应的波束指向确定每个角度区间对应的协方差矩阵;
将所述每个角度区间对应的协方差矩阵转变为每个角度区间对应的列向量;
将所述恢复后的阵列接收信号的协方差矩阵转变为所述恢复后的阵列接收信号的列向量;
根据第n个角度区间对应的列向量r(γn)以及所述恢复后的阵列接收信号的列向量r(θ),按照下式进行波束转换,获取所述恢复后的阵列接收信号在第n 个角度区间的波束空间值:
gn=rH(γn)r(θ)
其中,γn表示第n个角度区间的波束指向值,H表示共轭转置运算符;
将所有角度区间的波束空间值按照下式形成所述恢复后的阵列接收信号在波束空间的信号数据:
g=[g1,g2,...,gn]T
其中,T表示转置运算符。
在上述方案中,所述获取部分805,经配置为:
从所述目标DNN输出的信号数据频谱中提取峰值,记录非零正值的索引,统计输出的信号数据频谱中非零正值区域的数量;
计算当前非零区域的总能量,将输出的信号数据频谱值和角度空间的角度一一对应,计算得到当前非零区域估计得到的角度值;
根据每个非零区域总能量的大小进行排序,对应于信号数量,选取总能量最大的设定数目角度值即为估计得到的角度值。
在上述方案中,参见图9,所述装置还包括第一训练部分806,经配置为:
设计一线性且初始化参数为随机设置的DAE;
设定单信号场景的接收信号r方向从θ(0)变化到θ(I)且信号空间按照单个频谱网格的大小I等分,即至/>其中,I同样为去噪自编码器训练样本信号的个数;
根据来自方向的信号的协方差向量/>设置DAE的训练数据集为:
以及与训练数据集相关联的列方向标签集是:
其中,N表示阵元损坏情况;表示方向/>的输出;(·)(1)表示与DAE相关的变量,(·)(2)表示与并行DNN 804相关的变量;数据标签对(Γ(1),Ψ(1))作为输入和输出以训练DAE;
将实际输出和预期输出的二范数的平方用作损失函数,即:
其中,是当输入为/>时的真实输出,/>是输入为/>时的预测输出,/>为预测值和真实值之间的偏差,/>为误差的二范式,为角度为/>时的损失;
通过下式进行变量迭代更新:
其中,α可以是任意的权重矩阵以及偏置向量,μ1是学习率,αold和αnew分别表示当前更新前、后的变量值。
在上述方案中,参见图9,所述装置还包括第二训练部分807,经配置为:
针对设定的P种损失类型中的每一种损失类型对应初始化一DNN以形成并行DNN804;其中,各DNN的初始化参数相同,并且每个DNN均包含多个隐藏层且采用非线性激活函数;
采用双信号训练数据集训练并行DNN 804以泛化到单信号以及三信号应用场景;
在训练并行DNN 804过程中,通过反向传播来更新参数以最小化空间谱的重构误差;重构误差表示为:
y(θ,Δ)=y(θ,Δ)-y(θ,Δ)
其中,y(θ,Δ)是对应于输入r(θ,Δ)期待的输出,而y(θ,Δ)表示实际的输出;设置并行DNN 804的损失函数为频谱重构误差的平方的l2范数:
关于权重矩阵和偏置向量采用如下梯度进行更新:
其中,μ2为并行DNN 804的学习率。
在上述方案中,所述非线性激活函数可以包括双曲正切函数 tanh(σ)=[tanh(σ1),tanh(σ2),...,tanh(σ-1)]T,其中,σ-1为向量σ的最后一个元素,σi表示向量σ中的第i个元素。
可以理解地,在本实施例中,“部分”可以是部分电路、部分处理器、部分程序或软件等等,当然也可以是单元,还可以是模块也可以是非模块化的。
另外,在本实施例中的各组成部分可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
所述集成的单元如果以软件功能模块的形式实现并非作为独立的产品进行销售或使用时,可以存储在一个计算机可读取存储介质中,基于这样的理解,本实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或processor(处理器)执行本实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM, Read Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
因此,本实施例提供了一种计算机存储介质,所述计算机存储介质存储有基于波束空间的阵列误差和阵元失效的DNN鲁棒性DOA估计程序,所述基于波束空间的阵列误差和阵元失效的DNN鲁棒性DOA估计程序被至少一个处理器执行时实现上述技术方案中所述基于波束空间的阵列误差和阵元失效的 DNN鲁棒性DOA估计方法步骤。
根据上述基于波束空间的阵列误差和阵元失效的DNN鲁棒性DOA估计装置80以及计算机存储介质,参见图10,其示出了本发明实施例提供的一种能够实施上述基于波束空间的阵列误差和阵元失效的DNN鲁棒性DOA估计装置 80的计算设备100的具体硬件结构,该计算设备100可以为无线装置、移动或蜂窝电话(包含所谓的智能电话)、个人数字助理(PDA)、视频游戏控制台(包含视频显示器、移动视频游戏装置、移动视频会议单元)、膝上型计算机、桌上型计算机、电视机顶盒、平板计算装置、电子书阅读器、固定或移动媒体播放器,等。计算设备100包括:接收阵列1001,存储器1002和处理器1003;各个组件通过总线系统1004耦合在一起。可理解,总线系统1004用于实现这些组件之间的连接通信。总线系统1004除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见,在图10中将各种总线都标为总线系统1004。其中,
所述接收阵列1001,用于在接收入射的远场信号;
所述存储器1002,用于存储能够在所述处理器1003上运行的计算机程序;
所述处理器1003,用于在运行所述计算机程序时,执行前述技术方案中所述基于波束空间的阵列误差和阵元失效的DNN鲁棒性DOA估计方法的步骤。
可以理解,本发明实施例中的存储器1002可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM, DRAM)、同步动态随机存取存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(DoubleData Rate SDRAM,DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM,DRRAM)。本文描述的系统和方法的存储器1002 旨在包括但不限于这些和任意其它适合类型的存储器。
而处理器1003可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器1003中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1003可以是通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1002,处理器1003读取存储器1002中的信息,结合其硬件完成上述方法的步骤。
可以理解的是,本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现,处理单元可以实现在一个或多个专用集成电路(ApplicationSpecific Integrated Circuits,ASIC)、数字信号处理器(Digital Signal Processing,DSP)、数字信号处理设备(DSP Device,DSPD)、可编程逻辑设备(Programmable LogicDevice,PLD)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。
对于软件实现,可通过执行本文所述功能的模块(例如过程、函数等)来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
可以理解地,上述基于波束空间的阵列误差和阵元失效的DNN鲁棒性 DOA估计装置80以及计算设备100的示例性技术方案,与前述基于波束空间的阵列误差和阵元失效的DNN鲁棒性DOA估计方法的技术方案属于同一构思,因此,上述对于基于波束空间的阵列误差和阵元失效的DNN鲁棒性DOA估计装置80以及计算设备100的技术方案未详细描述的细节内容,均可以参见前述基于波束空间的阵列误差和阵元失效的DNN鲁棒性DOA估计方法的技术方案的描述。本发明实施例对此不做赘述。
需要说明的是:本发明实施例所记载的技术方案之间,在不冲突的情况下,可以任意组合。
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,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种基于波束空间的阵列误差和阵元失效的深度神经网络DNN鲁棒性波达方向DOA估计方法,其特征在于,所述方法包括:
将接收阵列所接收到的原始阵列接收信号通过设定的分类算法确定所述原始阵列接收信号的阵元失效类型;
通过已训练完毕的去噪自编码器DAE将所述原始阵列接收信号中由于阵元失效所导致的损坏进行恢复,获得恢复后的阵列接收信号;
根据所述恢复后的阵列接收信号的协方差矩阵以及角度空间中各角度区间的波束指向协方差矩阵生成波束空间内的接收信号数据;
将所述波束空间内的接收信号数据输入已利用训练数据集完成训练的并行深度神经网络DNN中与所述阵元失效类型相对应的目标DNN;
将所述目标DNN输出的信号数据通过线性幅度插值获取DOA估计值;
其中,所述将接收阵列所接收到的原始阵列接收信号通过设定的分类算法确定所述原始阵列接收信号的阵元失效类型,包括:
计算所述原始阵列接收信号的协方差矩阵;
针对所述原始阵列接收信号的协方差矩阵的第i行及第j列,当下式所示的不等式成立,且满足i=j,则确定第i个阵元失效;
其中,r(i,:)表示所述原始阵列接收信号的协方差矩阵各行绝对值之和,且r(:,j)表示所述原始阵列接收信号的协方差矩阵/>各列绝对值之和,且/>α表示检测门限因子,N表示接收阵列的阵元数目;
将失效阵元的数量确定为所述原始阵列接收信号的阵元失效类型;
所述根据所述恢复后的阵列接收信号的协方差矩阵以及角度空间中各角度区间的波束指向协方差矩阵生成波束空间内的接收信号数据,包括:
将角度空间划分为多个角度区间,并确定每个角度区间对应的波束指向;
根据每个角度区间对应的波束指向确定每个角度区间对应的协方差矩阵;
将所述每个角度区间对应的协方差矩阵转变为每个角度区间对应的列向量;
将所述恢复后的阵列接收信号的协方差矩阵转变为所述恢复后的阵列接收信号的列向量;
根据第n个角度区间对应的列向量r(γn)以及所述恢复后的阵列接收信号的列向量r(θ),按照下式进行波束转换,获取所述恢复后的阵列接收信号在第n个角度区间的波束空间值:
gn=rH(γn)r(θ)
其中,γn表示第n个角度区间的波束指向值,H表示共轭转置运算符;
将所有角度区间的波束空间值按照下式形成所述恢复后的阵列接收信号在波束空间的信号数据:
g=[g1,g2,...,gn]T
其中,T表示转置运算符。
2.根据权利要求1所述的方法,其特征在于,所述将所述目标DNN输出的信号数据通过线性幅度插值获取DOA估计值,包括:
从所述目标DNN输出的信号数据频谱中提取峰值,记录非零正值的索引,统计输出的信号数据频谱中非零正值区域的数量;
计算当前非零区域的总能量,将输出的信号数据频谱值和角度空间的角度一一对应,计算得到当前非零区域估计得到的角度值;
根据每个非零区域总能量的大小进行排序,对应于信号数量,选取总能量最大的设定数目角度值即为估计得到的角度值。
3.根据权利要求1至2任一项所述的方法,其特征在于,所述方法还包括:
设计一线性且初始化参数为随机设置的DAE;
设定单信号场景的接收信号r方向从θ(0)变化到θ(I)且信号空间按照单个频谱网格的大小I等分,即至/>其中,I同样为去噪自编码器训练样本信号的个数;
根据来自方向的信号的协方差向量/>设置DAE的训练数据集为:
以及与训练数据集相关联的列方向标签集是:
其中,N表示阵元损坏情况;表示方向/>的输出;(·)(1)表示与DAE相关的变量,(·)(2)表示与并行DNN相关的变量;数据标签对(Γ(1),Ψ(1))作为输入和输出以训练DAE;
将实际输出和预期输出的二范数的平方用作损失函数,即:
其中, 是当输入为/>时的真实输出,/>是输入为/>时的预测输出,/>为预测值和真实值之间的偏差,/>为误差的二范式,/>为角度为/>时的损失;
通过下式进行变量迭代更新:
其中,α可以是任意的权重矩阵以及偏置向量,μ1是学习率,αold和αnew分别表示当前更新前、后的变量值。
4.根据权利要求1至2任一项所述的方法,其特征在于,所述方法还包括:
针对设定的P种损失类型中的每一种损失类型对应初始化一DNN以形成并行DNN;其中,各DNN的初始化参数相同,并且每个DNN均包含多个隐藏层且采用非线性激活函数;
采用双信号训练数据集训练并行DNN以泛化到单信号以及三信号应用场景;
在训练并行DNN过程中,通过反向传播来更新参数以最小化空间谱的重构误差;重构误差表示为:
其中,y(θ,Δ)是对应于输入r(θ,Δ)期待的输出,而表示实际的输出;
设置并行DNN的损失函数为频谱重构误差的平方的l2范数:
关于权重矩阵和偏置向量采用如下梯度进行更新:
其中,μ2为并行DNN的学习率。
5.根据权利要求4所述的方法,其特征在于,所述非线性激活函数为双曲正切函数tanh(σ)=[tanh(σ1),tanh(σ2),...,tanh(σ-1)]T,其中,σ-1为向量σ的最后一个元素,σi表示向量σ中的第i个元素。
6.一种基于波束空间的阵列误差和阵元失效的DNN鲁棒性DOA估计装置,其特征在于,所述装置包括:确定部分,去噪自编码器DAE,生成部分,并行DNN以及获取部分;其中,
所述确定部分,经配置为将接收阵列所接收到的原始阵列接收信号通过设定的分类算法确定所述原始阵列接收信号的阵元失效类型;
所述去噪自编码器DAE,经配置为通过已训练完毕的去噪自编码器DAE将所述原始阵列接收信号中由于阵元失效所导致的损坏进行恢复,获得恢复后的阵列接收信号;
所述生成部分,经配置为根据所述恢复后的阵列接收信号的协方差矩阵以及角度空间中各角度区间的波束指向协方差矩阵生成波束空间内的接收信号数据;
所述并行DNN,经配置为将所述波束空间内的接收信号数据输入已利用训练数据集完成训练的并行深度神经网络DNN中与所述阵元失效类型相对应的目标DNN;
所述获取部分,经配置为将所述目标DNN输出的信号数据通过线性幅度插值获取DOA估计值;
其中,所述确定部分,还经配置为:
计算所述原始阵列接收信号的协方差矩阵;
针对所述原始阵列接收信号的协方差矩阵的第i行及第j列,当下式所示的不等式成立,且满足i=j,则确定第i个阵元失效;
其中,r(i,:)表示所述原始阵列接收信号的协方差矩阵各行绝对值之和,且r(:,j)表示所述原始阵列接收信号的协方差矩阵/>各列绝对值之和,且/>α表示检测门限因子,N表示接收阵列的阵元数目;
将失效阵元的数量确定为所述原始阵列接收信号的阵元失效类型;
所述生成部分,还经配置为:
将角度空间划分为多个角度区间,并确定每个角度区间对应的波束指向;
根据每个角度区间对应的波束指向确定每个角度区间对应的协方差矩阵;
将所述每个角度区间对应的协方差矩阵转变为每个角度区间对应的列向量;
将所述恢复后的阵列接收信号的协方差矩阵转变为所述恢复后的阵列接收信号的列向量;
根据第n个角度区间对应的列向量r(γn)以及所述恢复后的阵列接收信号的列向量r(θ),按照下式进行波束转换,获取所述恢复后的阵列接收信号在第n个角度区间的波束空间值:
gn=rH(γn)r(θ)
其中,γn表示第n个角度区间的波束指向值,H表示共轭转置运算符;
将所有角度区间的波束空间值按照下式形成所述恢复后的阵列接收信号在波束空间的信号数据:
g=[g1,g2,...,gn]T
其中,T表示转置运算符。
7.一种计算设备,其特征在于,所述计算设备包括:接收阵列、存储器和处理器;其中,
所述接收阵列,用于接收入射的远场信号;
所述存储器,用于存储能够在所述处理器上运行的计算机程序;
所述处理器,用于在运行所述计算机程序时,执行权利要求1至5任一项所述基于波束空间的阵列误差和阵元失效的DNN鲁棒性DOA估计方法的步骤。
8.一种计算机存储介质,其特征在于,所述计算机存储介质存储有基于波束空间的阵列误差和阵元失效的DNN鲁棒性DOA估计程序,所述基于波束空间的阵列误差和阵元失效的DNN鲁棒性DOA估计程序被至少一个处理器执行时实现权利要求1至5任一项所述基于波束空间的阵列误差和阵元失效的DNN鲁棒性DOA估计方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110462111.4A CN113176532B (zh) | 2021-04-27 | 2021-04-27 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110462111.4A CN113176532B (zh) | 2021-04-27 | 2021-04-27 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113176532A CN113176532A (zh) | 2021-07-27 |
CN113176532B true CN113176532B (zh) | 2024-04-02 |
Family
ID=76926865
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110462111.4A Active CN113176532B (zh) | 2021-04-27 | 2021-04-27 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113176532B (zh) |
Families Citing this family (4)
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 |
CN113902098A (zh) * | 2021-09-30 | 2022-01-07 | 云天弈(广州)智能科技有限公司 | 多类型数据并行学习方法、装置、计算机设备及介质 |
CN114741649A (zh) * | 2022-03-28 | 2022-07-12 | 电子科技大学 | 一种基于sdae-dnn的低信噪比波达方向估计方法 |
CN115567091A (zh) * | 2022-09-21 | 2023-01-03 | 北京邮电大学 | 基于tss-lms自适应滤波的doa估计方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008105748A1 (en) * | 2007-02-26 | 2008-09-04 | Temel Engin Tuncer | Method and apparatus for the joint detection of the number of signal sources and their direction of arrivals |
CN103353596A (zh) * | 2013-06-18 | 2013-10-16 | 西安电子科技大学 | 基于压缩感知的波束空间域米波雷达测高方法 |
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 |
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 |
US10937418B1 (en) * | 2019-01-04 | 2021-03-02 | Amazon Technologies, Inc. | Echo cancellation by acoustic playback estimation |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7626889B2 (en) * | 2007-04-06 | 2009-12-01 | Microsoft Corporation | Sensor array post-filter for tracking spatial distributions of signals and noise |
-
2021
- 2021-04-27 CN CN202110462111.4A patent/CN113176532B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008105748A1 (en) * | 2007-02-26 | 2008-09-04 | Temel Engin Tuncer | Method and apparatus for the joint detection of the number of signal sources and their direction of arrivals |
CN103353596A (zh) * | 2013-06-18 | 2013-10-16 | 西安电子科技大学 | 基于压缩感知的波束空间域米波雷达测高方法 |
US10937418B1 (en) * | 2019-01-04 | 2021-03-02 | Amazon Technologies, Inc. | Echo cancellation by acoustic playback estimation |
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 |
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 |
Non-Patent Citations (4)
Title |
---|
基于多帧相位增强的米波雷达低仰角目标DOA估计方法;项厚宏;陈伯孝;杨婷;杨明磊;;电子与信息学报(第07期);全文 * |
阵元失效下基于Khatri-Rao积的高分辨测向方法;谭伟杰;冯西安;张杨梅;;太赫兹科学与电子信息学报(第01期);全文 * |
阵元失效条件下的高精度DOA估计方法;孙兵;吴晨曦;阮怀林;叶文强;苏宝桐;;电子学报(第09期);全文 * |
高效的多跳频信号2D-DOA估计算法;于欣永;郭英;张坤峰;眭萍;李雷;李红光;孟涛;;系统工程与电子技术(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113176532A (zh) | 2021-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN109597046B (zh) | 基于一维卷积神经网络的米波雷达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 | |
Fuchs et al. | Single-snapshot direction-of-arrival estimation of multiple targets using a multi-layer perceptron | |
CN110263832B (zh) | 一种基于多尺度分析的auv导航系统故障诊断方法 | |
CN112946564B (zh) | 基于dnn的波束空间的doa估计方法、装置及计算机存储介质 | |
CN115356678B (zh) | 基于dpnalm算法的稀疏阵列doa估计方法 | |
CN112766304A (zh) | 一种基于稀疏贝叶斯学习的机动阵列方位估计方法 | |
Wu et al. | DOA estimation using an unfolded deep network in the presence of array imperfections | |
CN114487988A (zh) | 基于深度学习的到达角估计系统 | |
CN116047459B (zh) | 脉冲干扰环境下的阵列雷达回波信号恢复方法及相关设备 | |
US20220137174A1 (en) | Methods and Systems for Determining a Direction of Arrival of a Radar Detection | |
CN114996653A (zh) | 一种基于原子范数最小化的二维鲁棒自适应波束形成方法 | |
CN115372891A (zh) | 一种基于改进的离网格稀疏贝叶斯学习的doa估计方法 | |
Khan et al. | Beamspace matrix pencil method for direction of arrival estimation | |
CN113484842A (zh) | 基于目标姿态分帧与散射字典截断的rcs重构方法 | |
Hung et al. | Direction-finding based on the theory of super-resolution in sparse recovery algorithms | |
CN113093098A (zh) | 基于lp范数补偿的轴向不一致矢量水听器阵列测向方法 | |
Li et al. | Altitude measurement of low‐elevation target for VHF radar based on weighted sparse bayesian learning | |
CN111880167A (zh) | 一种基于先随机后优化的波达方向估计方法 | |
CN109270509A (zh) | 数据损失情况下基于矩阵填充的doa估计方法及系统 | |
Cao et al. | Sparse representation denoising framework for 3-D building reconstruction from airborne LiDAR data | |
CN114071353B (zh) | 结合聚类算法的压缩感知无源被动式目标定位方法 | |
CN116338574B (zh) | 一种基于匹配波束的稀疏贝叶斯学习水下声源定位方法 | |
CN117092585B (zh) | 单比特量化DoA估计方法、系统和智能终端 |
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 |