CN114970837A - 面向电力物联网的doa估计方法、装置和存储介质 - Google Patents

面向电力物联网的doa估计方法、装置和存储介质 Download PDF

Info

Publication number
CN114970837A
CN114970837A CN202210914128.3A CN202210914128A CN114970837A CN 114970837 A CN114970837 A CN 114970837A CN 202210914128 A CN202210914128 A CN 202210914128A CN 114970837 A CN114970837 A CN 114970837A
Authority
CN
China
Prior art keywords
signal vector
valued signal
things
real
sparse
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
Application number
CN202210914128.3A
Other languages
English (en)
Other versions
CN114970837B (zh
Inventor
杨健
陈春玲
曹逸飞
周焱
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202210914128.3A priority Critical patent/CN114970837B/zh
Publication of CN114970837A publication Critical patent/CN114970837A/zh
Application granted granted Critical
Publication of CN114970837B publication Critical patent/CN114970837B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/35—Utilities, e.g. electricity, gas or water
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
    • Y04S40/12—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them characterised by data transport means between the monitoring, controlling or managing units and monitored, controlled or operated electrical equipment
    • Y04S40/128—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them characterised by data transport means between the monitoring, controlling or managing units and monitored, controlled or operated electrical equipment involving the use of Internet protocol

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了面向电力物联网的DOA估计方法、装置和存储介质，获取电力物联网终端的1比特实测测量信号，建立稀疏实值信号向量；利用软阈值收缩函数以及软阈值收缩算子对稀疏实值信号向量的每个非零分量进行标量缩减，得到标量缩减后的稀疏实值信号向量；将标量缩减后的稀疏实值信号向量以及原始的稀疏实值信号向量输入到训练获得的深度神经网络，输出获得面向电力物联网的DOA估计结果；通过利用原来不动点延拓算法中的更新梯度公式转化为其等价的更新迭代规则，只需在网络架构的最后一层加入归一化层就可以解决问题，本发明应用于电力物联网中的大规模终端设备接入场景中，有效提升了在大规模设备信号重构的速度和精度。

Description

面向电力物联网的DOA估计方法、装置和存储介质
技术领域
本发明涉及智能通信领域以及智能电网中的电力物联网领域，提供面向电力物联网的波达方向(Direction of Arrival,DOA)估计方法。
背景技术
电力物联网是物联网在智能电网中的应用，是信息通信技术发展到一定阶段的结果，其将有效整合通信基础设施资源和电力系统基础设施资源，提高电力系统信息化水平，改善电力系统现有基础设施利用效率，为电网发、输、变、配、用电等环节提供重要技术支撑。电力物联网终端设备的主要功能为数据中转及现场设备的编码管理和授时服务。通过无线网络实现与主站系统建立通信联结。
目前电力物联网终端设备一般采用压缩感知(CS)方式进行压缩采样。压缩感知(CS)是一种针对稀疏信号的低速率信号采集方法。与传统的CS相比，1比特CS可以进一步降低采样和系统复杂度，即通过一个简单的比较器实现采样。然而，1比特CS问题面临的一个挑战是如何高精度地解决相关的优化问题。随着压缩感知技术的发展，单位测量的DOA估计问题也引起了广泛的研究兴趣。
发明内容
鉴于上述的分析，本发明针对目前面向电力物联网的DOA估计方法存在的技术问题，提供一种基于深度神经网络(DNN)的智能DOA估计方法。
本发明的实现目的主要是通过以下技术方案实现：
第一方面，本发明提供了面向电力物联网的DOA估计方法，包括以下步骤：
获取电力物联网终端的1比特实测测量信号，基于获得的1比特实测测量信号建立原始的稀疏实值信号向量；
利用软阈值收缩函数以及软阈值收缩算子对稀疏实值信号向量的每个非零分量进行标量缩减，得到标量缩减后的稀疏实值信号向量；
将标量缩减后的稀疏实值信号向量以及原始的稀疏实值信号向量输入到训练获得的深度神经网络，基于深度神经网络的输出获得面向电力物联网的DOA估计结果；其中所述深度神经网络包括依次设置的一个输入层、至少一个更新层和一个归一化层，所述输入层用于输入标量缩减后的稀疏实值信号向量以及原始的稀疏实值信号向量，所述更新层采用由不动点延拓算法中的更新梯度公式转化获得的更新迭代规则更新线性权值，所述归一化层的输出就是面向电力物联网的DOA估计结果。
进一步地，所述由不动点延拓算法中的更新梯度公式转化获得的更新迭代规则，表达式如下：
Figure 910105DEST_PATH_IMAGE001
；
其中
Figure 444991DEST_PATH_IMAGE002
表示更新迭代公式，
Figure 27282DEST_PATH_IMAGE003
为软阈值收缩算子，
Figure 296721DEST_PATH_IMAGE004
是当前的稀疏实值信号向量估计值，
Figure 786608DEST_PATH_IMAGE005
是上一更新步骤输出的稀疏实值信号向量估计值；x是输入的原始的稀疏实值信号向量，N、M表示网络更新层中的线性权值。
进一步地，所述归一化层采用的归一化函数表达式为：
Figure 316946DEST_PATH_IMAGE006
；
其中
Figure 194772DEST_PATH_IMAGE007
是下一更新步骤输出的稀疏实值信号向量估计值，
Figure 76141DEST_PATH_IMAGE008
=-N。
第二方面，本发明提供了面向电力物联网的DOA估计装置，其特征在于，包括：信号获取模块、标量缩减处理模块以及DOA估计模块；
所述信号获取模块，用于获取电力物联网终端的1比特实测测量信号，基于获得的1比特实测测量信号建立原始的稀疏实值信号向量；
所述标量缩减处理模块，用于利用软阈值收缩函数以及软阈值收缩算子对稀疏实值信号向量的每个非零分量进行标量缩减，得到标量缩减后的稀疏实值信号向量；
所述DOA估计模块，用于将标量缩减后的稀疏实值信号向量以及原始的稀疏实值信号向量输入到训练获得的深度神经网络，基于深度神经网络的输出获得面向电力物联网的DOA估计结果；其中所述深度神经网络包括输入层、更新层和归一化层，所述输入层用于输入标量缩减后的稀疏实值信号向量以及原始的稀疏实值信号向量，所述更新层采用由不动点延拓算法中的更新梯度公式转化获得的更新迭代规则更新线性权值，所述归一化层的输出就是面向电力物联网的DOA估计结果。
进一步地，所述由不动点延拓算法中的更新梯度公式转化获得的更新迭代规则，表达式如下：
Figure 448347DEST_PATH_IMAGE009
；
其中
Figure 98772DEST_PATH_IMAGE002
表示更新迭代公式，
Figure 881920DEST_PATH_IMAGE003
为软阈值收缩算子，
Figure 250584DEST_PATH_IMAGE010
是当前的稀疏实值信号向量估计值，
Figure 157973DEST_PATH_IMAGE005
是上一更新步骤输出的稀疏实值信号向量估计值；x是输入的原始的稀疏实值信号向量，N、M表示网络更新层中的线性权值。
进一步地，所述归一化层采用的归一化函数表达式为：
Figure 662903DEST_PATH_IMAGE006
；
其中
Figure 616953DEST_PATH_IMAGE007
是下一更新步骤输出的稀疏实值信号向量估计值，
Figure 472914DEST_PATH_IMAGE008
=-N。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如第一方面任意一种可能的实施方式提供的面向电力物联网的DOA估计方法的步骤。
本发明的有益效果如下：
本发明提供一种面向电力物联网的DOA估计方法用于电力物联网中的大规模终端设备场景中。提出了一种深度神经网络，该网络
通过利用原来不动点延拓算法中的更新梯度公式转化为其等价的更新迭代规则，在进行深度展开之后的算法就不用在每一次迭代后进行归一化处理，只需在网络架构的最后一层加入归一化层就可以解决问题，有效提升了在大规模压缩感知场景中稀疏信号重构的速度和精度。本发明提供的方法不仅提高了原算法的恢复性能，而且大大提高了算法的收敛速度。此外，本发明采用的深度神经网络的鲁棒性，比之前的FPC算法模型具有更好的抗噪声能力。
附图说明
图1为本发明实施例提供的面向电力物联网的DOA估计流程示意图；
图2为本发明实施例中深度神经网络架构示意图。
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，以下结合实施例和附图，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用以解释本发明，并不用于限定本发明。
本发明的研究背景为电力物联网，提出的DOA估计方法应用于电力物联网中的大规模终端设备场景，所述电力物联网终端设备的主要功能为数据中转及现场设备的编码管理和授时服务。通过无线网络实现与主站系统建立通信联结。
实施例1：如图1所示，本发明提供一种面向电力物联网的DOA估计方法，包括以下步骤：
步骤S1、首先确定电力物联网终端的单个测量值为实值信号中测量的一般模型，即1比特实测测量信号；用一个稀疏模型来表示所述测量值，获得建立原始的稀疏实值信号向量；
步骤S2、利用软阈值收缩函数以及软阈值收缩算子对稀疏信号的每个非零分量进行标量缩减，得到标量缩减后的稀疏实值信号向量；
步骤S3、将标量缩减后的稀疏实值信号向量以及原始的稀疏实值信号向量输入到训练获得的深度神经网络，基于深度神经网络的输出获得面向电力物联网的DOA估计结果；其中所述深度神经网络包括一个输入层、至少一个更新层和一个归一化层，所述输入层用于输入标量缩减后的稀疏实值信号向量以及原始的稀疏实值信号向量，所述更新层采用由不动点延拓算法中的更新梯度公式转化获得的更新迭代规则更新线性权值，所述归一化层的输出就是面向电力物联网的DOA估计结果。
在具体实例中，假设K个窄带远场信号冲击的方向角为
Figure 108294DEST_PATH_IMAGE011
的L元均匀线性阵列(ULA, Uniform Linear Array )，元间间距为波长的一半。在对第k个窄带远场信号，该数组的1比特信号测量值
Figure 343098DEST_PATH_IMAGE012
可以表示为：
Figure 343415DEST_PATH_IMAGE013
；
其中，
Figure 545726DEST_PATH_IMAGE014
为1比特量化器，只保留符号的实部和虚部。
Figure 188060DEST_PATH_IMAGE015
表示信号波形 ，
Figure 542949DEST_PATH_IMAGE016
和
Figure 979746DEST_PATH_IMAGE017
表示加性噪声和转向矩阵，定义为：
Figure 341458DEST_PATH_IMAGE018
；
Figure 646537DEST_PATH_IMAGE019
；
Figure 980566DEST_PATH_IMAGE020
；
Figure 463632DEST_PATH_IMAGE021
；
Figure 250322DEST_PATH_IMAGE022
；
其中a()为信号到达方向角，C是复数集。
进一步，用一个稀疏模型来表示一个位数组的终端测量值。具体来说，定义了一个包含K个候选方向的网格，用
Figure 93513DEST_PATH_IMAGE023
表示，并且定义稀疏实值信号向量
Figure 547628DEST_PATH_IMAGE024
，其中：
Figure 122966DEST_PATH_IMAGE025
；
稀疏实值信号向量s具有K稀疏结构。因此，K稀疏结构下1比特测量可以表示为
Figure 534968DEST_PATH_IMAGE026
，其中，A表示K稀疏结构下的转向矩阵，
Figure 57216DEST_PATH_IMAGE027
，n表示K稀疏结构下的加性噪声。
从单个电力物联网终端的信号测量值
Figure 224893DEST_PATH_IMAGE028
恢复k -稀疏实值信号向量。通过求解问题得到稀疏实值信号向量s的估计值，所要解决的问题公式为：
Figure 174394DEST_PATH_IMAGE029
；
其中，
Figure 811043DEST_PATH_IMAGE030
表示负函数，
Figure 136982DEST_PATH_IMAGE031
是调优参数。
本实施例中针对上面的问题公式用迭代的方式解决。第一步是梯度下降，以降低势垒函数的成本。
通过取相对于K稀疏实值信号向量s的范数
Figure 424744DEST_PATH_IMAGE032
和
Figure 341884DEST_PATH_IMAGE033
可以得到K稀疏实值信号向量s目标的梯度函数为：
Figure 856042DEST_PATH_IMAGE034
；
在进行梯度下降步骤之前，我们需要将它投影到以原点a为中心的单位半径的球体上，可以得到梯度函数为：
Figure 595459DEST_PATH_IMAGE035
；
然后梯度下降步长可以写成：
Figure 613094DEST_PATH_IMAGE036
；
其中，τ是下降步长。
实际上步骤S2为收缩步骤，利用软阈值收缩函数，利用所给出的软阈值收缩算子
Figure 29032DEST_PATH_IMAGE037
对稀疏信号的每个非零分量进行标量缩减，得到：
Figure 764906DEST_PATH_IMAGE038
；
对每次迭代的估计值进行归一化处理，以满足酉范数约束约束。
步骤S3中通过利用原来不动点延拓算法中的更新梯度公式转化为其等价的更新迭代规则，利用单边函数的凸性和平滑性进行等价转化的，该更新迭代公式允许使用FPC（不动点延拓算法）方法进行最小化，FPC方法通过迭代更新稀疏实值信号向量s来解决问题，其更新迭代公式为：
Figure 308014DEST_PATH_IMAGE039
；
Figure 976893DEST_PATH_IMAGE040
；
其中，
Figure 704678DEST_PATH_IMAGE041
为更新迭代公式；
Figure 52482DEST_PATH_IMAGE042
是一致项的梯度。当考虑
Figure 992757DEST_PATH_IMAGE043
范数时，梯度可以表示为：
Figure 880857DEST_PATH_IMAGE044
；
进一步，将
Figure 779543DEST_PATH_IMAGE045
代入到更新迭代公式
Figure 349065DEST_PATH_IMAGE046
中可以得到等价的更新规则为：
Figure 358609DEST_PATH_IMAGE047
；
其中，
Figure 346288DEST_PATH_IMAGE048
为单个电力物联网终端测量向量值；令
Figure 150296DEST_PATH_IMAGE049
，
Figure 144797DEST_PATH_IMAGE050
，M和N作为深度展开网络中线性权值，可以得到更新规则为：
Figure 817086DEST_PATH_IMAGE051
。
具体实施例中，更新层中通过利用原来不动点延拓算法中的更新梯度公式转化为其等价的更新迭代规则，利用单边
Figure 783905DEST_PATH_IMAGE052
函数的凸性和平滑性进行等价转化的，该函数允许使用FPC（不动点延拓算法）方法进行最小化，FPC方法通过迭代更新稀疏实值信号向量s来解决问题。
所述不动点延拓算法的深度展开网络架构是将更新迭代规则以神经网络的形式来呈现（如图2所示），以初始化的
Figure 368602DEST_PATH_IMAGE053
和所述单个电力物联网终端测量值
Figure 53661DEST_PATH_IMAGE048
作为神经网络的输入；矩阵M和矩阵N作为可训练的线性权值，在网络中的每一层都可能发生改变；此外，所述软阈值收缩算子
Figure 529642DEST_PATH_IMAGE054
在网络中扮演非线性激活函数的角色。
与传统的FPC算法不同的是，所述算法被展开后的神经网络不需要在每一层之后都进行归一化步骤，归一化层放在网络架构的最后一层，归一化只在最后一层进行。
在神经网络的最后一层，最终的估计值可以归一化为：
Figure 350967DEST_PATH_IMAGE055
。
本发明通过利用原来不动点延拓算法中的更新梯度公式转化为其等价的更新迭代规则，可以方便地将该算法进行深度展开。在进行深度展开之后的算法就不用在每一次迭代后进行归一化处理，只需在网络架构的最后一层加入归一化层就可以解决问题。与传统的FPC算法相比，深度展开后的网络具有更好的抗噪声能力并且具有更高的信号重构精度和收敛速度，并且该算法在电力物联网的大规模终端设备场景中发挥出良好的性能。
本发明提供的DOA估计方法适于应用于电力物联网中的大规模终端设备场景中，有效提升了在大规模稀疏信号重构的速度和精度。
实施例2：与以上实施例提供的面向电力物联网的DOA估计方法相对应地，本实施例提供了面向电力物联网的DOA估计装置，包括：信号获取模块、标量缩减处理模块以及DOA估计模块；
所述信号获取模块，用于获取电力物联网终端的1比特实测测量信号，基于获得的1比特实测测量信号建立原始的稀疏实值信号向量；
所述标量缩减处理模块，用于利用软阈值收缩函数以及软阈值收缩算子对稀疏实值信号向量的每个非零分量进行标量缩减，得到标量缩减后的稀疏实值信号向量；
所述DOA估计模块，用于将标量缩减后的稀疏实值信号向量以及原始的稀疏实值信号向量输入到训练获得的深度神经网络，基于深度神经网络的输出获得面向电力物联网的DOA估计结果；其中所述深度神经网络包括依次设置的一个输入层、至少一个更新层和一个归一化层，所述输入层用于输入标量缩减后的稀疏实值信号向量以及原始的稀疏实值信号向量，所述更新层采用由不动点延拓算法中的更新梯度公式转化获得的更新迭代规则更新线性权值，所述归一化层的输出就是面向电力物联网的DOA估计结果。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如实施例1所述方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
以上结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (7)

1.面向电力物联网的DOA估计方法，其特征在于，包括以下步骤：
获取电力物联网终端的1比特实测测量信号，基于获得的1比特实测测量信号建立原始的稀疏实值信号向量；
利用软阈值收缩函数以及软阈值收缩算子对稀疏实值信号向量的每个非零分量进行标量缩减，得到标量缩减后的稀疏实值信号向量；
将标量缩减后的稀疏实值信号向量以及原始的稀疏实值信号向量输入到训练获得的深度神经网络，基于深度神经网络的输出获得面向电力物联网的DOA估计结果；其中所述深度神经网络包括依次设置的一个输入层、至少一个更新层和一个归一化层，所述输入层用于输入标量缩减后的稀疏实值信号向量以及原始的稀疏实值信号向量，所述更新层采用由不动点延拓算法中的更新梯度公式转化获得的更新迭代规则更新线性权值，所述归一化层的输出就是面向电力物联网的DOA估计结果。
2.根据权利要求1所述的面向电力物联网的DOA估计方法，其特征在于，所述由不动点延拓算法中的更新梯度公式转化获得的更新迭代规则，表达式如下：
Figure 670991DEST_PATH_IMAGE001
；
其中
Figure 725534DEST_PATH_IMAGE002
表示更新迭代公式，
Figure 420958DEST_PATH_IMAGE003
为软阈值收缩算子，
Figure 941545DEST_PATH_IMAGE004
是当前的稀疏实值信号向量估计值，
Figure 747827DEST_PATH_IMAGE005
是上一更新步骤输出的稀疏实值信号向量估计值；x是输入的原始的稀疏实值信号向量，N、M表示网络更新层中的线性权值。
3.根据权利要求1所述的面向电力物联网的DOA估计方法，其特征在于， 所述归一化层采用的归一化函数表达式为：
Figure 656877DEST_PATH_IMAGE006
；
其中
Figure 523202DEST_PATH_IMAGE007
是下一更新步骤输出的稀疏实值信号向量估计值，
Figure 534014DEST_PATH_IMAGE008
=-N。
4.面向电力物联网的DOA估计装置，其特征在于，包括：信号获取模块、标量缩减处理模块以及DOA估计模块；
所述信号获取模块，用于获取电力物联网终端的1比特实测测量信号，基于获得的1比特实测测量信号建立原始的稀疏实值信号向量；
所述标量缩减处理模块，用于利用软阈值收缩函数以及软阈值收缩算子对稀疏实值信号向量的每个非零分量进行标量缩减，得到标量缩减后的稀疏实值信号向量；
所述DOA估计模块，用于将标量缩减后的稀疏实值信号向量以及原始的稀疏实值信号向量输入到训练获得的深度神经网络，基于深度神经网络的输出获得面向电力物联网的DOA估计结果；其中所述深度神经网络包括依次设置的一个输入层、至少一个更新层和一个归一化层，所述输入层用于输入标量缩减后的稀疏实值信号向量以及原始的稀疏实值信号向量，所述更新层采用由不动点延拓算法中的更新梯度公式转化获得的更新迭代规则更新线性权值，所述归一化层的输出就是面向电力物联网的DOA估计结果。
5.根据权利要求4所述的面向电力物联网的DOA估计装置，其特征在于，所述由不动点延拓算法中的更新梯度公式转化获得的更新迭代规则，表达式如下：
表达式如下：
Figure 878408DEST_PATH_IMAGE009
；
其中
Figure 907544DEST_PATH_IMAGE002
表示更新迭代公式，
Figure 944770DEST_PATH_IMAGE003
为软阈值收缩算子，
Figure 426567DEST_PATH_IMAGE004
是当前的稀疏实值信号向量估计值，
Figure 590963DEST_PATH_IMAGE005
是上一更新步骤输出的稀疏实值信号向量估计值；x是输入的原始的稀疏实值信号向量，N、M表示网络更新层中的线性权值。
6.根据权利要求4所述的面向电力物联网的DOA估计装置，其特征在于，
所述归一化层采用的归一化函数表达式为：
Figure 209026DEST_PATH_IMAGE006
；
其中
Figure 682733DEST_PATH_IMAGE007
是下一更新步骤输出的稀疏实值信号向量估计值，
Figure 651826DEST_PATH_IMAGE008
=-N。
7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1~3任意一项权利要求所述方法的步骤。
CN202210914128.3A 2022-08-01 2022-08-01 面向电力物联网的doa估计方法、装置和存储介质 Active CN114970837B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210914128.3A CN114970837B (zh) 2022-08-01 2022-08-01 面向电力物联网的doa估计方法、装置和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210914128.3A CN114970837B (zh) 2022-08-01 2022-08-01 面向电力物联网的doa估计方法、装置和存储介质

Publications (2)

Publication Number Publication Date
CN114970837A true CN114970837A (zh) 2022-08-30
CN114970837B CN114970837B (zh) 2022-11-11

Family

ID=82970323

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210914128.3A Active CN114970837B (zh) 2022-08-01 2022-08-01 面向电力物联网的doa估计方法、装置和存储介质

Country Status (1)

Country Link
CN (1) CN114970837B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013252423A (ja) * 2012-05-08 2013-12-19 Seiko Epson Corp 心拍出量モニター装置および心拍出量測定方法
CN110095749A (zh) * 2019-05-05 2019-08-06 哈尔滨工程大学 基于非圆信号的多重孔径嵌套阵列设置及doa估计方法
CN111562545A (zh) * 2020-04-30 2020-08-21 南京理工大学 基于pd-alm算法的稀疏阵列doa估计方法
CN112710984A (zh) * 2020-12-11 2021-04-27 中国人民解放军海军航空大学 一种基于同伦延拓的无源定位方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013252423A (ja) * 2012-05-08 2013-12-19 Seiko Epson Corp 心拍出量モニター装置および心拍出量測定方法
CN110095749A (zh) * 2019-05-05 2019-08-06 哈尔滨工程大学 基于非圆信号的多重孔径嵌套阵列设置及doa估计方法
CN111562545A (zh) * 2020-04-30 2020-08-21 南京理工大学 基于pd-alm算法的稀疏阵列doa估计方法
CN112710984A (zh) * 2020-12-11 2021-04-27 中国人民解放军海军航空大学 一种基于同伦延拓的无源定位方法及系统

Also Published As

Publication number Publication date
CN114970837B (zh) 2022-11-11

Similar Documents

Publication Publication Date Title
CN111242282A (zh) 基于端边云协同的深度学习模型训练加速方法
CN110932809B (zh) 光纤信道模型模拟方法、装置、电子设备和存储介质
Shao et al. Branchy-GNN: A device-edge co-inference framework for efficient point cloud processing
JP7453244B2 (ja) 推定装置、訓練装置、推定方法及びモデル生成方法
CN116701692B (zh) 一种图像生成方法、装置、设备及介质
CN113094860A (zh) 一种基于注意力机制的工控网络流量建模方法
CN117454495B (zh) 一种基于建筑草图轮廓序列的cad矢量模型生成方法及装置
CN112836822A (zh) 基于宽度学习的联邦学习策略优化方法和装置
CN114970837B (zh) 面向电力物联网的doa估计方法、装置和存储介质
CN111476408B (zh) 一种电力通信设备状态预测方法及系统
CN115577783A (zh) 量子数据处理方法、装置、设备以及存储介质
CN112016684B (zh) 一种深度并行柔性发射网络的电力终端指纹识别方法
CN115577782A (zh) 量子计算方法、装置、设备及存储介质
CN115907000A (zh) 一种用于电力系统最优潮流预测的小样本学习方法
CN113987924A (zh) 一种基于目标特征自学习的复杂电磁信号模拟发生方法
CN115065367B (zh) 一种低复杂度的稀疏信号采样重构系统及方法
CN116975655B (zh) 参数生成方法、信号压缩与重构方法、系统、设备和介质
CN117854643B (zh) 一种基于图形神经网络的mems膜仿真方法及系统
CN117975174B (zh) 一种基于改进vqgan的三维数字岩心重构方法
CN111611741B (zh) 基于有限状态马尔科夫序列的时序风速模拟方法和系统
US20230334379A1 (en) Energy-efficient capacitance extraction method based on machine learning
Omara et al. m-BRe: New Variants for the Backward Replacement Approach to Enhance the Compression Capabilities of the Forward Greedy Pursuit
Wang et al. Simulation of Sound Signal Analysis Model in Complex Environments Based on Deep Learning Algorithms
CN117457112A (zh) 一种基于对偶学习的气体浓度场插值与离散化方法
CN113076583A (zh) 一种基于自注意力机制神经网络的悬臂梁结构设计方法

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