CN113822363B - 一种基于二次有理核函数的卷积神经网络时延估计方法 - Google Patents
一种基于二次有理核函数的卷积神经网络时延估计方法 Download PDFInfo
- Publication number
- CN113822363B CN113822363B CN202111135880.XA CN202111135880A CN113822363B CN 113822363 B CN113822363 B CN 113822363B CN 202111135880 A CN202111135880 A CN 202111135880A CN 113822363 B CN113822363 B CN 113822363B
- Authority
- CN
- China
- Prior art keywords
- time delay
- signal
- value
- neural network
- representing
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000009466 transformation Effects 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000006835 compression Effects 0.000 claims abstract description 7
- 238000007906 compression Methods 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 239000011229 interlayer Substances 0.000 claims abstract description 4
- 230000001131 transforming effect Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 77
- 239000010410 layer Substances 0.000 claims description 51
- 238000005070 sampling Methods 0.000 claims description 17
- 238000010839 reverse transcription Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 9
- 230000003247 decreasing effect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 3
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000002356 single layer Substances 0.000 claims description 3
- 238000003079 width control Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000001934 delay Effects 0.000 description 2
- 238000002592 echocardiography Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于二次有理核函数的卷积神经网络时延估计方法，包括以下步骤：S1，采集雷达观测信号以及多径回波信号之间的时延值；S2，采用二次有理核函数对所述时延值进行变换；S3，对所述雷达观测信号进行预处理；S4，构建卷积神经网络，将预处理后的雷达观测信号输入神经网络进行非线性变换，得到输入信号的时域变换表示；S5，将所述时域变换表示输入神经网络提取时域时延特征；并进行层间关系压缩变换，得到输入信号的时域时延特征值；S6，利用最小化方差迭代算法，对时延特征值与真实时延值的二次有理核函数表示进行拟合，并进行多次训练，得到时延估计网络；S7，将测试样本输入所述时延估计网络，采用寻峰函数得到时延估计值。
Description
技术领域
本发明属于反射探测信号处理方法，具体涉及一种基于二次有理核函数的卷积神经网络时延估计方法。
背景技术
目前，扫频信号在反射探测领域中得到广泛应用，如可控震源、雷达、声纳及超声无损探伤等。它被用作源信号向被探测媒质中发射，然后在媒质中传播，遇到不同的目标后形成反射回波，然后被检波器接收，在接收信号中含有时延不同的多个扫频信号回波。在反射探测的信号处理中，为了估计各个目标的距离，需要对各个回波进行检测并估计其时间延迟。
在雷达、声纳探测等的应用场景中，雷达通常通过计算目标反射回来的信号的时间来得到与探测目标的距离，而在现实的传输中，反射回来的信号是多角度的，部分信号会经多次不同的反射传回到接收机与目标反射回来的信号相混叠导致多径效应，而这种多径效应会影响我们对于目标的距离估计，此外在一些应用场景例如去混响等，不同多径时延是有效的判断信息，因此，对于密集多径信号的时延估计具有十分重要的意义。
由于工程探测很多时候是在如矿山，公路，大坝和厂区之类的强噪声环境下进行的，其接收信号中常常含有大量的噪声信号，因而如何把回波从强噪声中检测出来是探测信号处理中的一个难题。另外，源信号在发射，传播和接收过程中都会发生一定的畸变，因此接收信号中的回波波形与源信号会有一定的差别，因此要求回波检测方法对此具有一定的适应性。除此之外，扫频信号在传播过程中能量会受到不断衰减，因此从远处传回的回波幅值很小，因此要求检测算法能把微弱的回波信号检测出来以发现远距离的目标。
公开号为CN100485413的中国专利公开了一种反射探测中的扫频信号的时频互相关检测和时延估计方法，它包括以下步骤：首先将扫频源信号进行小波变换，得到它的时频表示；将接收信号进行小波变换，得到它的时频表示；然后将它们的时频表示进行时频互相关，对接收信号中的回波进行检测和时延估计，得到检测脉冲，并根据各个检测脉冲的位置而计算其相应目标的距离。本发明有很强的压制噪声能力，对回波的波形畸变适应能力强，能检测出能量微弱的回波。本发明特别适用于环境噪声大、传播距离远且能量衰减严重的回波检测中，具有极大的实用价值。该专利虽然解决了环境噪声对雷达回波信号的干扰，但是对于多角度多径回波信号相混叠导致的多径效应没有很好的解决。
发明内容
本发明的目的是针对现有技术存在的问题，提供一种基于二次有理核函数的卷积神经网络时延估计方法。
为实现上述目的，本发明采用的技术方案是：
一种基于二次有理核函数的卷积神经网络时延估计方法，包括以下步骤：
S1，采集样本数据，所述样本数据包括雷达观测信号以及多径回波信号之间的时延值；
S2，采用二次有理核函数对所述时延值进行变换，得到时延值的二次有理核表示；
S3，对所述雷达观测信号进行预处理，分离雷达观测信号为实部与虚部两层，将雷达观测信号由单通道信号转化为双通道信号，并将转化后的双通道信号进行归一化处理；
S4，构建卷积神经网络，将预处理后的雷达观测信号输入卷积神经网络的全连接层，对预处理信号进行非线性变换，得到输入信号的时域变换表示；
S5，将所述时域变换表示输入神经网络的残差卷积块网络，提取时域时延特征；并进行层间关系压缩变换，得到时延特征提取网络，用于提取输入信号的时延特征；
S6，利用最小化方差迭代算法，通过对时延特征值与真实时延值的二次有理核函数表示进行拟合，并进行多次训练，得到时延估计网络；
S7，将测试样本输入所述时延估计网络，采用寻峰函数，从输出向量中提取离散极大峰值作为时延估计值(离散极大峰值对应时延网格值)；所述测试样本包括预处理后的雷达观测信号。
具体地，步骤S1中，所述雷达观测信号表示如下：
其中，r(nTsp)是观测信号，D是雷达发射信号的多径数目，λi是第i路信号的振幅向量，s(nTsp)是输入信号，ti是第i路信号的时延值，ω(nTsp)是采样高斯白噪声，Tsp是采样周期；n是采样序列号，kr是采样数目。
具体地，步骤S2中，所述二次有理核函数为：
其中，c为二次有理核函数的核宽控制参数；x表示有理核函数的自变量；
将所述时延值的二次有理核函数叠加得到时延值的有理核表示：
其中，RTd(k)是多径时延值变换后的向量，在该向量中，真实时延附近存在类似二次型分布，其他值非常逼近于0；H(x)是二次有理核函数；M是时延值个数；k表示变换后的有理核表示所划分的网格坐标；ti是第i路信号的时延值。
具体地，步骤S2中，采用二次有理核函数对所述时延值进行变换时，根据雷达观测信号的信噪比调整二次有理核宽，不同信噪比对应不同的二次有理核宽：
其中，μ为核宽加性调整参数，c0为信噪比0时的二次有理核宽，z为信噪比。
具体地，步骤S3中，对所述雷达观测信号进行预处理包括：将采集的时延值信号由单通道信号转化为双通道信号：
其中，x为多径回波信号序列；C1和C2表示由雷达观测信号的实部和虚部构成的双通道；Re表示取雷达观测信号的实部，Im表示取雷达观测信号的虚部；n表示二次有理核表示后的时延网格数；
将所述双通道信号进行归一化处理：
其中，Lorm表示取对应当前通道的序列的L2范数；N表示二次有理核表示后的时延网格数；k表示变换后的二次有理核表示所划分的网格坐标。
具体地，步骤S4包括以下步骤：
将预处理后的雷达观测信号输入卷积神经网络的全连接层进行信号变换，得到输入信号的变换域表示：
其中，wi表示全连接层对每个输入值所添加的权重。
具体地，步骤S5包括以下步骤：
将预处理信号输入神经网络的残差卷积块网络进行卷积操作，用于提取变换域信号的时延特征，所述残差卷积块网络中包含多个残差卷积块；其中，
卷积操作为：
其中，fm表示向量中第m个位置的值，x表示输入向量，ω表示卷积核权重，k表示卷积核宽度；
残差模块为：
xl+1＝xl+f(xl,wl)
其中，f(.)为卷积操作，用于提取单通道向量的特征；xl表示当前卷积层的输入，xl+1表示当前卷积层的输出；wl表示当前卷积层输入的权重；
所述残差模块中加入了压缩模块，用于对层内通道间信息进行压缩；取卷积操作后的各个通道的最大值与均值之和，用于提取不同通道之间的关系：
其中，vc表示利用卷积核执行卷积操作；X表示当前卷积层输入；Fsq表示取卷积操作后的当前通道数据的极大值和均值之和；M表示每个通道的数据个数；max表示取当前通道的所有数据的极大值；μc表示通道间关系；zc表示残差卷积块加入通道间信息后的实际输出；
将压缩得到的通道间关系加入两层全连接网络以表征不同特征通道的权重，同时加入激励函数用以表征非线性关系：
s＝Fex(z,W)＝σ(g(z,W))＝σ(W2δ(W1z))
其中，Fex表示卷积层权重学习网络；W1和W2分别表示两层全连接层的权重；z表示通道间关系；σ和δ分别为Sigmoid函数和Relu函数，用于提取通道间非线性信息；g表示上层函数；
采用信道乘法，依据提取到的通道间信息对提取到的特征通道增加权重信息，通过将通道间信息与残差卷积块原始输出相乘操作得到对应的残差卷积块实际输出：
其中，Fscale表示对卷积层添加提取得到的权重信息；sc表示卷积操作后得到的卷积层信息，即残差卷积块原始输出；uc表示所述卷积通道间信息；
采用上采样卷积操作，把多层小规模特征信息通过上采样卷积得到对应的单层大规模时延特征表征参数，得到的上采样数据长度应该与时延值的二次有理核表示保持一致；由此，得到输入信号的时域时延特征提取网络。
具体地，步骤S6包括以下步骤：
对所述卷积神经网络进行多次迭代训练，把RTd(k)作为训练目标，用均方误差(MSE)作为代价函数，得到代价函数值：
其中，RTd表示真实时延的二次有理核表示；yout表示卷积神经网络的输出；
基于Loss代价函数，采用Adam优化器对网络神经元参数进行更新：
t←t+1
mt←β1mt-1+(1-β1)·gt
其中，J(·)为MSE损失函数；hθ表示卷积神经网络中的各个神经元对应的参数；t表示迭代次数；gt表示根据损失函数求导得到的神经元的梯度；β1和β2为指数衰减速率，用于控制衰减速度和控制平方项的影响；mt和vt分别为指数移动平均数和平方指数移动平均数；和/>表示当前状态下的指数衰减速率；θt为更新后的网络参数。
进一步地，对所述卷积神经网络进行多次迭代训练过程中，设置学习率的最大不下降循环次数为7次，设置学习率下降率为0.5，对所述卷积神经网络进行循环训练。
具体地，步骤S5中，获得时延估计值的方法为：采用寻峰函数寻找所述时延估计网络输出的多个极大值，对多个所述极大值进行降序排列，并根据多径数目取排列中前已知时延个数的极大值的坐标作为时延估计值：
其中，Td为最终估计得到的时延值；为对应的寻峰、排序和取对应个数极大值进行排序的函数，根据该函数即可得到对于时延值的最终估计值；yf-out为时延估计网络的输出。
与现有技术相比，本发明的有益效果是：(1)本发明采用卷积神经网络进行多径信号的时延估计，用大量的数据集对网络进行训练，是一种全新的时延估计方法，时延信号估计精度相较于传统算法有了大幅度的提升；(2)本发明基于离格时延进行估计，使得实际估计值更加贴近实际应用场景，在网络训练完成后，实际估计的速度相较于传统方法提升也十分明显；(3)本发明的神经网络在训练和估计时，只需要知道信号对应的时延值，无需知道对应的频率及调频系数，在一些特殊场景中能够发挥显著的作用。
附图说明
图1为本发明一种基于二次有理核函数的卷积神经网络时延估计方法的流程示意框图。
图2为本发明实施例中卷积神经网络的架构图。
图3为本发明实施例中网络训练前基于二次有理核表示的卷积神经网络的输出示意图。
图4为本发明实施例中网络训练后基于二次有理核表示的卷积神经网络的输出示意图。
图5为本发明实施例中采用基于二次有理核函数的卷积神经网络时延估计方法与传统方法的对比图。
具体实施方式
下面将结合本发明中的附图，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动条件下所获得的所有其它实施例，都属于本发明保护的范围。
如图1所示，本实施例提供了一种基于二次有理核函数的卷积神经网络时延估计方法，包括以下步骤：
S1，采集样本数据，所述样本数据包括雷达观测信号以及多径回波信号之间的时延值；
S2，采用二次有理核函数对所述时延值进行变换，得到时延值的二次有理核表示；
S3，对所述雷达观测信号进行预处理，分离雷达观测信号为实部与虚部两层，将雷达观测信号由单通道信号转化为双通道信号，并将转化后的双通道信号进行归一化处理；
S4，构建卷积神经网络，将预处理后的雷达观测信号输入卷积神经网络的全连接层，对预处理信号进行非线性变换，得到输入信号的时域变换表示；
S5，将所述时域变换表示输入神经网络的残差卷积块网络，提取时域时延特征；并进行层间关系压缩变换，得到时延特征提取网络，用于提取输入信号的时延特征；
S6，利用最小化方差迭代算法，通过对时延特征值与真实时延值的二次有理核函数表示进行拟合，并进行多次训练，得到时延估计网络；
S7，将测试样本输入所述时延估计网络，采用寻峰函数，从输出向量中提取离散极大峰值作为时延估计值(离散极大峰值对应时延网格值)；所述测试样本包括预处理后的雷达观测信号。
具体地，步骤S1中，所述雷达观测信号表示如下：
其中，r(nTsp)是观测信号，D是雷达发射信号的多径数目，λi是第i路信号的振幅向量，s(nTsp)是输入信号，ti是第i路信号的时延值，ω(nTsp)是采样高斯白噪声，Tsp是采样周期；n是采样序列号，kr是采样数目。
具体地，步骤S2中，所述二次有理核函数为：
其中，c为二次有理核函数的核宽控制参数；x表示有理核函数的自变量；
将所述时延值的二次有理核函数叠加得到时延值的有理核表示：
其中，RTd(k)是多径时延值变换后的向量，在该向量中，真实时延附近存在类似二次型分布，其他值非常逼近于0；H(x)是二次有理核函数；M是时延值个数；k表示变换后的有理核表示所划分的网格坐标；ti是第i路信号的时延值。
具体地，步骤S2中，采用二次有理核函数对所述时延值进行变换时，根据雷达观测信号的信噪比调整二次有理核宽，不同信噪比对应不同的二次有理核宽：
其中，μ为核宽加性调整参数，c0为信噪比0时的二次有理核宽，z为信噪比。
具体地，步骤S3中，对所述雷达观测信号进行预处理包括：将采集的时延值信号由单通道信号转化为双通道信号：
其中，x为多径回波信号序列；C1和C2表示由雷达观测信号的实部和虚部构成的双通道；Re表示取雷达观测信号的实部，Im表示取雷达观测信号的虚部；n表示二次有理核表示后的时延网格数；
将所述双通道信号进行归一化处理：
其中，Lorm表示取对应当前通道的序列的L2范数；N表示二次有理核表示后的时延网格数；k表示变换后的二次有理核表示所划分的网格坐标。
具体地，步骤S4包括以下步骤：
将预处理后的雷达观测信号输入卷积神经网络的全连接层进行信号变换，得到输入信号的变换域表示：
其中，wi表示全连接层对每个输入值所添加的权重。
具体地，步骤S5包括以下步骤：
将预处理信号输入神经网络的残差卷积块网络进行卷积操作，用于提取变换域信号的时延特征，所述残差卷积块网络中包含多个残差卷积块；其中，
卷积操作为：
其中，fm表示向量中第m个位置的值，x表示输入向量，ω表示卷积核权重，k表示卷积核宽度；
残差模块为：
xl+1＝xl+f(xl，wl)
其中，f(.)为卷积操作，用于提取单通道向量的特征；xl表示当前卷积层的输入，xl+1表示当前卷积层的输出；wl表示当前卷积层输入的权重；
所述残差模块中加入了压缩模块，用于对层内通道间信息进行压缩；取卷积操作后的各个通道的最大值与均值之和，用于提取不同通道之间的关系：
其中，vc表示利用卷积核执行卷积操作；X表示当前卷积层输入；Fsq表示取卷积操作后的当前通道数据的极大值和均值之和；M表示每个通道的数据个数；max表示取当前通道的所有数据的极大值；μc表示通道间关系；zc表示残差卷积块加入通道间信息后的实际输出；
将压缩得到的通道间关系加入两层全连接网络以表征不同特征通道的权重，同时加入激励函数用以表征非线性关系：
s＝Fex(z,W)＝σ(g(z,W))＝σ(W2δ(W1z))
其中，Fex表示卷积层权重学习网络；W1和W2分别表示两层全连接层的权重；z表示通道间关系；σ和δ分别为Sigmoid函数和Relu函数，用于提取通道间非线性信息；g表示上层函数；
采用信道乘法，依据提取到的通道间信息对提取到的特征通道增加权重信息，通过将通道间信息与残差卷积块原始输出相乘操作得到对应的残差卷积块实际输出：
其中，Fscale表示对卷积层添加提取得到的权重信息；sc表示卷积操作后得到的卷积层信息，即残差卷积块原始输出；uc表示所述卷积通道间信息；
采用上采样卷积操作，把多层小规模特征信息通过上采样卷积得到对应的单层大规模时延特征表征参数，得到的上采样数据长度应该与时延值的二次有理核表示保持一致；由此，得到输入信号的时域时延特征提取网络。
具体地，步骤S6包括以下步骤：
对所述卷积神经网络进行多次迭代训练，把RTd(k)作为训练目标，用均方误差(MSE)作为代价函数，得到代价函数值：
其中，RTd表示真实时延的二次有理核表示；yout表示卷积神经网络的输出；
基于Loss代价函数，采用Adam优化器对网络神经元参数进行更新：
t←t+1
mt←β1mt-1+(1-β1)·gt
其中，J(·)为MSE损失函数；hθ表示卷积神经网络中的各个神经元对应的参数；t表示迭代次数；gt表示根据损失函数求导得到的神经元的梯度；β1和β2为指数衰减速率，用于控制衰减速度和控制平方项的影响；mt和vt分别为指数移动平均数和平方指数移动平均数；和/>表示当前状态下的指数衰减速率；θt为更新后的网络参数。
进一步地，如图3、4所示，对所述卷积神经网络进行多次迭代训练过程中，设置学习率的最大不下降循环次数为7次，设置学习率下降率为0.5，对所述卷积神经网络进行循环训练。
具体地，步骤S5中，获得时延估计值的方法为：采用寻峰函数寻找所述时延估计网络输出的多个极大值，对多个所述极大值进行降序排列，并根据多径数目取排列中前已知时延个数的极大值的坐标作为时延估计值：
其中，Td为最终估计得到的时延值；为对应的寻峰、排序和取对应个数极大值进行排序的函数，根据该函数即可得到对于时延值的最终估计值；yf-out为时延估计网络的输出。
本实施例在进行仿真实验中，采用了LFM(线性调频信号)作为仿真信号，其中，中心频率设置为3e6HZ，调频系数设置为3e9，发射脉宽设置为0.01s，调频带宽设置为10e6，采样频率Fs＝B，采样点数为50，多径数设置为3，与传统的MUSIC和OMP算法进行对比后得到了以下的实验仿真结果对比图如图5所示。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种基于二次有理核函数的卷积神经网络时延估计方法，其特征在于，包括以下步骤：
S1，采集样本数据，所述样本数据包括雷达观测信号以及多径回波信号之间的时延值；
S2，采用二次有理核函数对所述时延值进行变换，得到时延值的二次有理核表示；所述二次有理核函数为：
其中，c为二次有理核函数的核宽控制参数；x表示有理核函数的自变量；
将所述时延值的二次有理核函数叠加得到时延值的有理核表示：
其中，RTd(k)是多径时延值变换后的向量，在该向量中，真实时延附近存在类似二次型分布，其他值非常逼近于0；H(x)是二次有理核函数；M是时延值个数；k表示变换后的有理核表示所划分的网格坐标；ti是第i路信号的时延值；
S3，对所述雷达观测信号进行预处理，分离雷达观测信号为实部与虚部两层，将雷达观测信号由单通道信号转化为双通道信号，并将转化后的双通道信号进行归一化处理；
S4，构建卷积神经网络，将预处理后的雷达观测信号输入卷积神经网络的全连接层，对预处理信号进行非线性变换，得到输入信号的时域变换表示；
S5，将所述时域变换表示输入神经网络的残差卷积块网络，提取时域时延特征；并进行层间关系压缩变换，得到时延特征提取网络，用于提取输入信号的时延特征；
S6，利用最小化方差迭代算法，通过对时延特征值与真实时延值的二次有理核函数表示进行拟合，并进行多次训练，得到时延估计网络；
步骤S6包括以下步骤：
对所述卷积神经网络进行多次迭代训练，把RTd(k)作为训练目标，用均方误差(MSE)作为代价函数，得到代价函数值：
其中，RTd表示真实时延的二次有理核表示；yout表示卷积神经网络的输出；
基于Loss代价函数，采用Adam优化器对网络神经元参数进行更新：
t←t+1
gt←▽ωft(θt-1)
mt←β1mt-1+(1-β1)·gt
其中，J(·)为MSE损失函数；hθ表示卷积神经网络中的各个神经元对应的参数；t表示迭代次数；gt表示根据损失函数求导得到的神经元的梯度；β1和β2为指数衰减速率，用于控制衰减速度和控制平方项的影响；mt和vt分别为指数移动平均数和平方指数移动平均数；和/>表示当前状态下的指数衰减速率；θt为更新后的网络参数；
S7，将测试样本输入所述时延估计网络，采用寻峰函数，从输出向量中提取离散极大峰值作为时延估计值；所述测试样本包括预处理后的雷达观测信号。
2.根据权利要求1所述的一种基于二次有理核函数的卷积神经网络时延估计方法，其特征在于，步骤S1中，所述雷达观测信号表示如下：
其中，r(nTsp)是观测信号，D是雷达发射信号的多径数目，λi是第i路信号的振幅向量，s(nTsp)是输入信号，ti是第i路信号的时延值，ω(nTsp)是采样高斯白噪声，Tsp是采样周期；n是采样序列号，kr是采样数目。
3.根据权利要求1所述的一种基于二次有理核函数的卷积神经网络时延估计方法，其特征在于，步骤S2中，采用二次有理核函数对所述时延值进行变换时，根据雷达观测信号的信噪比调整二次有理核宽，不同信噪比对应不同的二次有理核宽：
其中，μ为核宽加性调整参数，c0为信噪比0时的二次有理核宽，z为信噪比。
4.根据权利要求1所述的一种基于二次有理核函数的卷积神经网络时延估计方法，其特征在于，步骤S3中，对所述雷达观测信号进行预处理包括：将采集的时延值信号由单通道信号转化为双通道信号：
其中，x为多径回波信号序列；C1和C2表示由雷达观测信号的实部和虚部构成的双通道；Re表示取雷达观测信号的实部，Im表示取雷达观测信号的虚部；n表示二次有理核表示后的时延网格数；
将所述双通道信号进行归一化处理：
其中，Lorm表示取对应当前通道的序列的L2范数；N表示二次有理核表示后的时延网格数；k表示变换后的二次有理核表示所划分的网格坐标。
5.根据权利要求1所述的一种基于二次有理核函数的卷积神经网络时延估计方法，其特征在于，步骤S4包括以下步骤：
将预处理后的雷达观测信号输入卷积神经网络的全连接层进行信号变换，得到输入信号的变换域表示：
其中，wi表示全连接层对每个输入值所添加的权重。
6.根据权利要求5所述的一种基于二次有理核函数的卷积神经网络时延估计方法，其特征在于，步骤S5包括以下步骤：
将预处理信号输入神经网络的残差卷积块网络进行卷积操作，用于提取变换域信号的时延特征，所述残差卷积块网络中包含多个残差卷积块；其中，
卷积操作为：
其中，fm表示向量中第m个位置的值，x表示输入向量，ω表示卷积核权重，k表示卷积核宽度；
残差模块为：
xl+1＝xl+f(xl,wl)
其中，f(.)为卷积操作，用于提取单通道向量的特征；xl表示当前卷积层的输入，xl+1表示当前卷积层的输出；wl表示当前卷积层输入的权重；
所述残差模块中加入了压缩模块，用于对层内通道间信息进行压缩；取卷积操作后的各个通道的最大值与均值之和，用于提取不同通道之间的关系：
其中，vc表示利用卷积核执行卷积操作；X表示当前卷积层输入；Fsq表示取卷积操作后的当前通道数据的极大值和均值之和；M表示每个通道的数据个数；max表示取当前通道的所有数据的极大值；μc表示通道间关系；zc表示残差卷积块加入通道间信息后的实际输出；
将压缩得到的通道间关系加入两层全连接网络以表征不同特征通道的权重，同时加入激励函数用以表征非线性关系：
s＝Fex(z,W)＝σ(g(z,W))＝σ(W2δ(W1z))
其中，Fex表示卷积层权重学习网络；W1和W2分别表示两层全连接层的权重；z表示通道间关系；σ和δ分别为Sigmoid函数和Relu函数，用于提取通道间非线性信息；g表示上层函数；
采用信道乘法，依据提取到的通道间信息对提取到的特征通道增加权重信息，通过将通道间信息与残差卷积块原始输出相乘操作得到对应的残差卷积块实际输出：
其中，Fscale表示对卷积层添加提取得到的权重信息；sc表示卷积操作后得到的卷积层信息，即残差卷积块原始输出；uc表示所述卷积通道间信息；
采用上采样卷积操作，把多层小规模特征信息通过上采样卷积得到对应的单层大规模时延特征表征参数，得到的上采样数据长度应该与时延值的二次有理核表示保持一致；由此，得到输入信号的时域时延特征提取网络。
7.根据权利要求1所述的一种基于二次有理核函数的卷积神经网络时延估计方法，其特征在于，对所述卷积神经网络进行多次迭代训练过程中，设置学习率的最大不下降循环次数为7次，设置学习率下降率为0.5，对所述卷积神经网络进行循环训练。
8.根据权利要求1所述的一种基于二次有理核函数的卷积神经网络时延估计方法，其特征在于，步骤S7中，获得时延估计值的方法为：采用寻峰函数寻找所述时延估计网络输出的多个极大值，对多个所述极大值进行降序排列，并根据多径数目取排列中前已知时延个数的极大值的坐标作为时延估计值：
其中，Td为最终估计得到的时延值；为对应的寻峰、排序和取对应个数极大值进行排序的函数，根据该函数即可得到对于时延值的最终估计值；yf-out为时延估计网络的输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111135880.XA CN113822363B (zh) | 2021-09-27 | 2021-09-27 | 一种基于二次有理核函数的卷积神经网络时延估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111135880.XA CN113822363B (zh) | 2021-09-27 | 2021-09-27 | 一种基于二次有理核函数的卷积神经网络时延估计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113822363A CN113822363A (zh) | 2021-12-21 |
| CN113822363B true CN113822363B (zh) | 2024-02-02 |
Family
ID=78915656
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111135880.XA Active CN113822363B (zh) | 2021-09-27 | 2021-09-27 | 一种基于二次有理核函数的卷积神经网络时延估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113822363B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116506307B (zh) * | 2023-06-21 | 2023-09-12 | 大有期货有限公司 | 全链路的网络延时情况分析系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110109059A (zh) * | 2019-03-27 | 2019-08-09 | 西安电子科技大学 | 一种基于深度学习网络的雷达辐射源信号识别方法 |
-
2021
- 2021-09-27 CN CN202111135880.XA patent/CN113822363B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110109059A (zh) * | 2019-03-27 | 2019-08-09 | 西安电子科技大学 | 一种基于深度学习网络的雷达辐射源信号识别方法 |
Non-Patent Citations (7)
| Title |
|---|
| "BDS Multipath Real-Time Estimation Based on Generalized Regression Neural Network";Pan, Zongpeng, et al.;《China Satellite Navigation Conference (CSNC) 2017 Proceedings》;全文 * |
| "A deep-learning-based time of arrival estimation using kernel sparse encoding scheme";Wei, Shuang, et al.;《Signal Processing》;全文 * |
| "A DOA and TOA joint estimation algorithm based on deep transfer learning";Pan, Heng, and Shuang Wei.;《Electronics Letters》;全文 * |
| "CNN-based regional people counting algorithm exploiting multi-scale range-time maps with an IR-UWB radar";Bao, Runhan, and Zhaocheng Yang.;《IEEE Sensors Journal》;全文 * |
| "Data-driven beam management with angular domain information for mmWave UAV networks";Xu, Wenjun, et al.;《IEEE Transactions on Wireless Communications》;全文 * |
| "基于核方法的移动机器人远程控制时延预测与分析";李雪;贺昱曜;闫茂德;;《计算机应用研究》(07);全文 * |
| "海上无线信道多径测量与数据分析算法研究";季飞;《中国优秀硕士学位论文全文数据库 信息科技辑》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113822363A (zh) | 2021-12-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107061996B (zh) | 一种供水管道泄漏检测定位方法 | |
| CN104569948B (zh) | 海杂波背景下子带自适应glrt‑ltd检测方法 | |
| CN111783558A (zh) | 一种卫星导航干扰信号类型智能识别方法及系统 | |
| CN106597408B (zh) | 基于时频分析和瞬时频率曲线拟合的高阶pps信号参数估计方法 | |
| CN109581516B (zh) | 曲波域统计量自适应阈值探地雷达数据去噪方法及系统 | |
| CN109977724B (zh) | 一种水下目标分类方法 | |
| CN109361376A (zh) | 一种高阶累积量的高精度时延估计方法 | |
| CN113472390B (zh) | 一种基于深度学习的跳频信号参数估计方法 | |
| CN112086100B (zh) | 基于量化误差熵的多层随机神经网络的城市噪音识别方法 | |
| CN113822363B (zh) | 一种基于二次有理核函数的卷积神经网络时延估计方法 | |
| CN111159888A (zh) | 一种基于互相关函数的协方差矩阵稀疏迭代时延估计方法 | |
| CN112147236A (zh) | 一种基于稀疏盲解卷积的超声信号分辨率提升方法 | |
| CN107635181B (zh) | 一种基于信道学习的多址感知源反馈优化方法 | |
| CN111650655B (zh) | 一种非负矩阵分解的有监督瞬变电磁信号降噪方法 | |
| CN111427046A (zh) | 一种用于提高检测精度的太赫兹脉冲回波定位方法 | |
| CN111090088B (zh) | 基于主动声纳阵列斜对称特性的泄露目标空时检测方法 | |
| CN112466330B (zh) | 一种多途信道下噪声源的声源级估计方法 | |
| CN115345216A (zh) | 一种融合先验信息的fmcw雷达干扰消除方法 | |
| CN108983160A (zh) | 一种低信噪比情况下压缩感知雷达多目标参数估计方法 | |
| CN110426711B (zh) | 一种基于极性零点检测的时延估计方法及系统 | |
| CN108459316B (zh) | 一种多途信道下的回波信号参数估计方法 | |
| CN117148432B (zh) | 基于多尺度分量提取的浅剖数据空间插值方法 | |
| CN112711026B (zh) | 基于变微分步长相对变化熵的目标检测与信号频率估计方法 | |
| CN117997690B (zh) | 一种类对比学习式水声信号调制识别系统及识别方法 | |
| CN109932697B (zh) | 基于压缩感知的微弱目标检测方法 |
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 |