CN117233698A - 一种长短尺度双通道卷积神经网络的高精度doa估计方法 - Google Patents
一种长短尺度双通道卷积神经网络的高精度doa估计方法 Download PDFInfo
- Publication number
- CN117233698A CN117233698A CN202311005898.7A CN202311005898A CN117233698A CN 117233698 A CN117233698 A CN 117233698A CN 202311005898 A CN202311005898 A CN 202311005898A CN 117233698 A CN117233698 A CN 117233698A
- Authority
- CN
- China
- Prior art keywords
- signal
- convolutional neural
- training
- neural network
- data
- 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.)
- Pending
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 47
- 230000006870 function Effects 0.000 claims description 32
- 238000012360 testing method Methods 0.000 claims description 24
- 230000004913 activation Effects 0.000 claims description 18
- 230000005855 radiation Effects 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 230000003321 amplification Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 9
- 238000000605 extraction Methods 0.000 abstract description 5
- 238000011176 pooling Methods 0.000 description 14
- 235000004257 Cordia myxa Nutrition 0.000 description 13
- 244000157795 Cordia myxa Species 0.000 description 13
- 210000002569 neuron Anatomy 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 210000005036 nerve Anatomy 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008034 disappearance Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
Landscapes
- Variable-Direction Aerials And Aerial Arrays (AREA)
Abstract
本发明公开了一种长短尺度双通道卷积神经网络的高精度DOA估计方法,本发明包括由两个并联的卷积神经网络组成的LSS‑2PCNN网络模型,使用两路并联卷积网络在两个尺度上提取特征,通过两路卷积网络组合相互补偿,提高特征提取的精度,弱化噪声影响。采用训练集对LSS‑2PCNN网络进行训练,从而调整其参数,通过对网络的参数进行调整将代价函数降低到最小,即为网络的训练过程。通过训练过程将LSS‑2PCNN网络模型中的代价函数的数值将至最低,进而有效提升LSS‑2PCNN网络模型用于进行波达角估计的精度。
Description
技术领域
本发明涉及电子侦察技术领域,具体涉及一种长短尺度双通道卷积神经网络的高精度DOA估计方法。
背景技术
DOA(Direction of Arrival)估计是指接收器从多个方向接收到的信号中确定信号来自的方向。DOA估计在无线通信系统、阵列天线、声音处理和雷达等领域中具有重要的应用。通过准确估计信号到达的方向,可以实现信号的定位、跟踪和干扰抑制等功能,提高系统的性能和可靠性。
在电子侦查领域中,可以利用DOA估计(对辐射源信号所在方向进行波达角估计)实现对辐射源信号的测向,进而确定辐射源目标的方向,通过对辐射源信号处理进而可以确定辐射源信号的到达方向。从而在侦查中掌握各种信息。
目前,对辐射源信号的测向方法主要有振幅法测向、相位法测向、空间谱估计测向等。其中,振幅法测向的测向精度较低,多阵元振幅法测向对天线的布阵有一定的要求(包括各阵元相对位置和相对角度),且对多阵元天线方向图和多通道的幅度一致性要求较高,使得这种方法的使用难度较高。空间谱估计测向中比较有代表性的是子空间分解类方法,该类方法利用两个子空间的正交特性构造出“针状”空间谱峰,经过谱峰搜索,然后估计信号参数;MUSIC算法比较接近实际应用,然而对建模精度要求高,运算量也相对较大,很难满足实时性处理要求。工程上应用较多的相位法测向方法虽然具有实时性高、实现简单等优点,但对天线的布阵,特别是各阵元间距有较高的要求,对多通道的相位一致性要求较高,且需要解模糊处理,因此在实际运用时难度也比较高。
上述这些传统测向方法都是基于模型驱动的,对阵列结构依赖性强,当阵列结构与实际数据吻合时,方法可以逼近克拉美罗下界,达到近似最优性能。然而,在实际应用中,受信号特性(方位、距离、频率、带宽等)、环境复杂性(噪声、杂波、干扰等)、接收阵元特性(阵元互偶、幅相和频带不一致等)等因素的影响,这些方法的测向性能会急速恶化甚至完全失效。
发明内容
本发明所解决的技术问题为:现有的辐射源信号测向方法在实际运用中由于受到各种因素的影响,测向性能会急剧下降,尤其是在强噪声干扰的情况下,容易出现测向精度差等问题。
本发明的目的可以通过以下技术方案实现:
一种长短尺度双通道卷积神经网络的高精度DOA估计方法,包括如下步骤:
获取阵列结构布设数据;
获取各阵元通道侦收的辐射源信号数据,并对所述辐射源信号进行低噪声放大和下变频处理获得中频信号,然后,对所述中频信号进行A/D采样,得到数字采样信号组成的信号数据集;
基于获取的所述信号数据集的采样点数,设计形成LSS-2PCNN网络模型,所述LSS-2PCNN网络模型包括两个并联的卷积神经网络;所述卷积神经网络包括输入层、卷积层、全连接层和输出层;
获取所述信号数据集并对其进行数据清洗,将所述信号数据集划分为训练集、测试集和验证集,所述训练集、测试集和验证集互斥;
基于阵列结构布设数据、划分后的信号数据集以及卷积神经网络的卷积核大小、步长信息,对两个并联设置的卷积神经网络的卷积层的层数进行设置;
基于设置卷积层数的卷积神经网络配置训练参数:初始学习率设置为0.01,最大训练轮数Epoch,最大训练次数为100,基于所述信号数据集设定两个所述卷积神经网络的全连接层输出的参数,输出分类数设置与波达方向估计的分类数相同;
获取所述训练集中的数据,并基于设置好的训练参数训练LSS-2PCNN网络模型,训练完成后存储所述LSS-2PCNN网络模型;
获取所述测试集中的数据,基于训练完成后的所述LSS-2PCNN网络模型进行波达角估计,测向完成后输出测试结果。
作为本发明进一步的方案:输出测试结果后,加载所述验证集数据,利用所述验证集数据评价测试结果的准确度。
作为本发明进一步的方案:两个所述CNN网络的卷积核大小分别为1×5和1×7。
作为本发明进一步的方案:所述训练集、测试集和验证集按照7:2:1的比例划分。
作为本发明进一步的方案:当阵元数为6个、快拍数为1024、单个样本输入数据为1024×6×2个、两个卷积核大小分别为1×5和1×7、卷积步长为2时,每个卷积神经网络的卷积层的层数设置为10。
作为本发明进一步的方案:在CNN网络的卷积层中,上一层节点的输出与下一层节点的输入之间是满足激活函数关系,所述激活函数的公式如下:
λ0=1.0507009873554804934193349852946
α=1.6732632423543772848170429916717。
作为本发明进一步的方案:测向阵列由L个天线阵元组成,第k个阵元位置矢量为Xk=(xk,yk),入射信号源为窄带远场信号,信源数为p(p<L),信号入射方向为θi和/>分别是第i个入射信号的方位角和俯仰角,则第k个阵元接收到的总的信号可表示为:
其中,λ为信号波长,dk(Θi)是第k个阵元与参考阵元在第i个信号方向上的波程差,aki为第i个信号到第k个阵元相对于参考阵元的相位调整因子,nk(t)为噪声。
根据本发明的一种长短尺度双通道卷积神经网络的高精度DOA估计方法,至少具有如下技术效果之一:
使用两路并联卷积网络在两个尺度上提取特征,通过两路卷积网络组合相互补偿,提高特征提取的精度,弱化噪声影响。
Selu激活函数中λ0的值是大于1的,即正半轴坡度大于1,那么在输出值的方差过小时可以将其增大,两者结合,在防止梯度爆炸的同时,也防止了梯度消失问题。在Selu的作用下样本分布自动归一化到0均值和单位方差,可以用来训练更深层的神经网络,令学习更具稳定性,进而提升波达角估计(DOA)的准确性。
通过对网络的参数进行调整将代价函数降低到最小,即为网络的训练过程。通过训练过程将LSS-2PCNN网络模型中的代价函数的数值将至最低,进而有效提升LSS-2PCNN网络模型用于进行波达角估计的精度。
信号数据集按照7:2:1的比例划分为训练集、测试集和验证集,分别用于模型训练提升、实际方向测定以及测定结果分析,有效提升测向精度的同时对测向结果的准确率进行评估,给予用户更加直观、准确的结果输出。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明技术方案的流程示意图;
图2是天线阵列的结构示意图;
图3是用于DOA估计的卷积神经网络基本结构的示意图;
图4是本发明Selu激活函数的示意图;
图5是本发明LSS-2PCNN的DOA估计模型的示意图;
图6是本发明LSS-2PCNN回归模型MAE随epoch变化的示意图;
图7是本发明LSS-2PCNN回归模型Loss随epoch变化的示意图。
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,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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,涉及到方位描述,例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,若干的含义是一个或者多个,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
请参阅图1-7所示,本发明为一种长短尺度双通道卷积神经网络的高精度DOA估计方法,包括如下步骤:
获取阵列结构布设数据,如阵元个数、快拍数、输入数据点数等;
获取各阵元通道侦收的辐射源信号数据,并对所述辐射源信号进行低噪声放大和下变频处理获得中频信号,然后,对所述中频信号进行A/D采样,得到数字采样信号组成的信号数据集;
基于获取的所述信号数据集的采样点数,设计形成LSS-2PCNN网络模型,所述LSS-2PCNN网络模型包括两个并联的卷积神经网络,两个所述CNN网络的卷积核大小分别为1×5和1×7;所述卷积神经网络包括输入层、卷积层、全连接层和输出层;
获取所述信号数据集并对其进行数据清洗,将所述信号数据集划分为训练集、测试集和验证集,所述训练集、测试集和验证集互斥;所述训练集、测试集和验证集按照7:2:1的比例划分;三个集合互斥,并将其随机打乱;
基于阵列结构布设数据、划分后的信号数据集以及卷积神经网络的卷积核大小、步长信息,对两个并联设置的卷积神经网络的卷积层的层数进行设置,如当阵元数为6个、快拍数为1024、单个样本输入数据为1024×6×2个、两个卷积核大小分别为1×5和1×7、卷积步长为2时,每个卷积神经网络的卷积层的层数设置为10;激活函数使用Selu函数。将最后一个卷积层的输出展平后,对两个卷积神经网络的输出结果进行拼接输入全连接层。
基于设置卷积层数的卷积神经网络配置训练参数:转换输入层数据格式,初始学习率设置为0.01,最大训练轮数Epoch,最大训练次数为100,基于所述信号数据集设定两个所述卷积神经网络的全连接层输出的参数,输出分类数设置与波达方向估计的分类数相同;
获取所述训练集中的数据,并基于设置好的训练参数训练LSS-2PCNN网络模型,训练完成后存储所述LSS-2PCNN网络模型;
获取所述测试集中的数据,基于训练完成后的所述LSS-2PCNN网络模型进行波达角估计,测向完成后输出测试结果。输出测试结果后,进一步的可以通过加载所述验证集数据,利用所述验证集数据评价测试结果的准确度。
以图2所示的阵列作为示例,建立一维波达角估计信号模型。
设测向阵列由L个天线阵元组成,第k个阵元位置矢量为Xk=(xk,yk),入射信号源为窄带远场信号,信源数为p(p<L),信号入射方向为θi和/>分别是第i个入射信号的方位角和俯仰角,则第k个阵元接收到的总的信号可表示为:
其中,λ为信号波长,dk(Θi)是第k个阵元与参考阵元在第i个信号方向上的波程差,aki为第i个信号到第k个阵元相对于参考阵元的相位调整因子,nk(t)为噪声。
将上式写成矩阵形式:
X=AS+N
其中
A=[a1 a2 … ap]
S=[s1(t) s2(t) … sp(t)]T
X=[x0(t) x1(t) … xL-1(t)]T
N=[n0(t) n1(t) … nL-1(t)]T
ai=[a0i a1i … a(L-1)i]T
基于LSS-2PCNN网络的DOA估计模型设计:
(1)CNN模型
卷积神经网络(Convolutional Neural Networks,CNN)是一种前馈型神经网络,作为一种自动特征提取的有效方法而广泛应用于各种领域。常见结构是交替连接的卷积层和池化层,通过局部感受机制和连续的卷积池化操作来挖掘数据的有效特征,其主要特点是通过局部连接和共享权值的方式获取数据的局部特征。
常规的CNN网络主要包括输入层、卷积层、池化层(本申请中不包括池化层)、全连接层和输出层,其中,卷积层主要是通过对输入数据进行卷积运算隐式地提取数据特征,池化层通过对输入特征进行池化运算,大大降低了数据维度,有效减少了所需的网络参数数量。而全连接层则将输入的特征进行综合形成特征向量,并可与Linear结合,实现波达角估计。
构建一个卷积神经网络,用于输入的阵列直采信号的波达方向估计,网络基本结构如图3所示。对输入层、卷积层、全连接层和输出层进行设计,推导过程中的涉及符号如下表所示:
输入层:在输入层中,对原始数据进行预处理。即对阵元接收的直接采样信号进行预处理,常见的方法主要包括:去均值,把数据的各个维度均中心化为0);归一化:幅度归一化至同样的范围,主要为了减少数据之间的取值范围差异所带来的干扰。
输入层的输入与输出值相同,将输入层的第i个输出值表示为则/>成立,xi为输入网络的第i个阵元的直采数据。
卷积层:卷积层是卷积神经网络中的核心。卷积层主要负责将神经网络中的每一小块经过更加深入地分析,从而抽象出更高层次的特征。深层神经网络中,上一层节点的输出与下一层节点的输入之间是成非线性映射的函数关系,这个函数关系便定义为激活函数。本申请中使用Selu激活函数连接,通过激活函数实现对数据的非线性特征映射。
Selu激活函数的公式如下:
λ0=1.0507009873554804934193349852946
α=1.6732632423543772848170429916717。
Selu函数的负半轴坡度表现和其它激活函数类似,而与其它激活函数不同的是,Selu激活函数中λ0的值是大于1的,即正半轴坡度大于1,那么在输出值的方差过小时可以将其增大,两者结合,在防止梯度爆炸的同时,也防止了梯度消失问题。在Selu的作用下样本分布自动归一化到0均值和单位方差,可以用来训练更深层的神经网络,令学习更具稳定性,进而提升波达角估计(DOA)的准确性。
以步进为1滑动卷积核,使用卷积核k,每个卷积核对应一个偏置bFk,给卷积后的数值加上偏置可得:
该卷积层激活函数为Selu(z),则通过激活函数后得到卷积层的输入为:
池化层:池化层在CNN的局部连接中有非常大的作用。在神经网络中主要对输入的特征图进行缩减,即把大的特征图按一定规则提取相应的特征后组合成缩小的特征图。池化操作主要包括平均池化(Mean-Pooling)、最大池化(Max-Pooling)和随机池化(Stochastic-Pooling)。本申请的方法中没有使用池化层。
全连接层:全连接层是来自上层的每个神经元与下层的每个神经元两两相连,参数相比其他层是最多的。全连接层的主要作用是将CNN中的二维特征参数组合到一维中以进行分类,即将前向传播提取的特征进行组合。全连接层的每个神经元输出看做前一层的每个神经元的输出乘以权重系数矩阵W,类似于卷积层对其加上一个偏置b,如下所示:
hw,b(x)=f(WT X+b)
输出层:该网络输出层为全连接层,有三个神经元其加权输入为:
为输出层的第n个神经元分配给池化层输出的/>的权重,/>为输出层第n个神经元的偏置,通过激活函数SELU(z)后得到输出为:
代价函数:如图3建立的卷积神经网络中,其输出层输出:对应的训练数据的无偏差解为t1,t2,t3,其平方误差计算如下:
输入的第k个信号的平方误差记为Jk,全体训练样本的平方误差求和即为代价函数:
J=J1+J2+...+Jn
通过对网络的参数进行调整将代价函数降低到最小,即为网络的训练过程。通过训练过程将LSS-2PCNN网络模型中的代价函数的数值将至最低,进而有效提升LSS-2PCNN网络模型用于进行波达角估计的精度。
(2)LSS-2PCNN网络模型
请参阅图4,长短尺度双通道卷积神经网络(Long Short Scale-2ParallelConvolutional Neural Networks:LSS-2PCNN)在隐藏层采用双通道并联卷积,每条通道采用多层卷积层,依据输入信号的快拍数和卷积层数,使用尺度不同的卷积核进行并联卷积运算。各卷积层之间使用激活函数(Selu)连接,通过调整权值和偏置,可实现以任意精度逼近任何非线性函数,最后将各支路的输出序列展平进行cat连接,最后通过全连接层得到回归波达方向结果。通过设置两个并联的CNN网络,在两个尺度上提取特征,利用SeLU激活函数挖掘各个阵元之间的非线性时空关联,通过两路卷积网络组合相互补偿,提高特征提取的精度,弱化噪声影响,从而实现高精度测向。本申请以6阵元线阵为例,采样点数N=1024,分别采用1×5和1×7的卷积核,网络结构如图5所示。
基于LSS-2PCNN的DOA估计模型训练流程
阵列信号具有在低信噪比下短数据的特点,观测快拍数非常有限,无法进行长时间数据积累,当遇到如低信噪比,短快拍,宽带信号等特定环境时,为提高DOA估计精度,基于LSS-2PCNN网络模型的波达方向估计方法,以阵列信号采样数据作为网络的输入,无需经过特征提取,直接输入LSS-2PCNN网络,通过双通道并联卷积,在不同尺度上提取特征,聚集相关性特征的优点,充分高效地提取各个阵元之间的非线性空间深度关联特征。该模型对阵列结构、多通道的幅相误差、信号入射方向以及信号带宽具有一定的自适应性。
所述LSS-2PCNN模型通过学习训练,优化调整参数,对阵列结构、多通道的幅相误差、信号入射方向以及信号带宽具有自适应性,实现高精度、高准确度的DOA估计。保证了DOA估计精度的同时,无需对阵列结构布设有过高的要求。
实验:
实验条件:辐射源辐射信号的中心频率为1GHz,采用天线阵元数为6个,采取不规则布阵,不进行通道校正,SNR范围0dB-10dB。
设法线方向为0度,将辐射源分别放置在-45、-30、-15、0、15、30、45度方向,采用本文提出的方法进行辐射源信号DOA估计,LSS-2PCNN在数据集上的训练和测试过程如图6、7所示,最终在测试集得到的准确率(Accuracy)为0.99976,损失函数(Loss)为0.057212。
以上对本发明的一个实施例进行了详细说明,但所述内容仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等,均应仍归属于本发明的权利要求涵盖范围之内。
Claims (7)
1.一种长短尺度双通道卷积神经网络的高精度DOA估计方法,其特征在于,包括如下步骤:
获取阵列结构布设数据;
获取各阵元通道侦收的辐射源信号数据,并对所述辐射源信号进行低噪声放大和下变频处理获得中频信号,然后,对所述中频信号进行A/D采样,得到数字采样信号组成的信号数据集;
基于获取的所述信号数据集的采样点数,设计形成LSS-2PCNN网络模型,所述LSS-2PCNN网络模型包括两个并联的卷积神经网络;所述卷积神经网络包括输入层、卷积层、全连接层和输出层;
对所述信号数据集进行数据清洗,并将所述信号数据集划分为训练集、测试集和验证集,所述训练集、测试集和验证集互斥;
基于阵列结构布设数据、划分后的信号数据集以及卷积神经网络的卷积核大小和步长信息,对两个并联设置的卷积神经网络的卷积层的层数进行设置;
基于设置卷积层数的卷积神经网络配置训练参数:初始学习率设置为0.01,最大训练轮数Epoch,最大训练次数为100,基于所述信号数据集设定两个所述卷积神经网络的全连接层输出的参数,输出分类数设置与波达方向估计的分类数相同;
获取所述训练集中的数据,并基于设置好的训练参数训练LSS-2PCNN网络模型,训练完成后存储所述LSS-2PCNN网络模型;
获取所述测试集中的数据,基于训练完成后的所述LSS-2PCNN网络模型进行波达角估计,测向完成后输出测试结果。
2.根据权利要求1所述的一种长短尺度双通道卷积神经网络的高精度DOA估计方法,其特征在于,输出测试结果后,加载所述验证集数据,利用所述验证集数据评价测试结果的准确度。
3.根据权利要求2所述的一种长短尺度双通道卷积神经网络的高精度DOA估计方法,其特征在于,两个所述CNN网络的卷积核大小分别为1×5和1×7。
4.根据权利要求3所述的一种长短尺度双通道卷积神经网络的高精度DOA估计方法,其特征在于,所述训练集、测试集和验证集按照7:2:1的比例划分。
5.根据权利要求4所述的一种长短尺度双通道卷积神经网络的高精度DOA估计方法,其特征在于,当阵元数为6个、快拍数为1024、单个样本输入数据为1024×6×2个、两个卷积核大小分别为1×5和1×7、卷积步长为2时,每个卷积神经网络的卷积层的层数设置为10。
6.根据权利要求5所述的一种长短尺度双通道卷积神经网络的高精度DOA估计方法,其特征在于,在CNN网络的卷积层中,上一层节点的输出与下一层节点的输入之间满足激活函数关系,所述激活函数的公式如下:
λ0=1.0507009873554804934193349852946
α=1.6732632423543772848170429916717。
7.根据权利要求6所述的一种长短尺度双通道卷积神经网络的高精度DOA估计方法,其特征在于,测向阵列由L个天线阵元组成,第k个阵元位置矢量为Xk=(xk,yk),入射信号源为窄带远场信号,信源数为p(p<L),信号入射方向为θi和/>分别是第i个入射信号的方位角和俯仰角,则第k个阵元接收到的总的信号可表示为:
其中,λ为信号波长,dk(Θi)是第k个阵元与参考阵元在第i个信号方向上的波程差,aki为第i个信号到第k个阵元相对于参考阵元的相位调整因子,nk(t)为噪声。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311005898.7A CN117233698A (zh) | 2023-08-10 | 2023-08-10 | 一种长短尺度双通道卷积神经网络的高精度doa估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311005898.7A CN117233698A (zh) | 2023-08-10 | 2023-08-10 | 一种长短尺度双通道卷积神经网络的高精度doa估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117233698A true CN117233698A (zh) | 2023-12-15 |
Family
ID=89097544
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311005898.7A Pending CN117233698A (zh) | 2023-08-10 | 2023-08-10 | 一种长短尺度双通道卷积神经网络的高精度doa估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117233698A (zh) |
-
2023
- 2023-08-10 CN CN202311005898.7A patent/CN117233698A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6567034B1 (en) | Digital beamforming radar system and method with super-resolution multiple jammer location | |
CN110967665A (zh) | 一种多个外辐射源下运动目标回波的doa估计方法 | |
CN106501765B (zh) | 一种基于平方和与半定规划的最大似然波达方向估计方法 | |
CN110596687B (zh) | 一种基于黎曼流形的单基地mimo雷达目标检测方法 | |
CN110098882A (zh) | 基于压缩感知与熵的多天线宽带频谱检测方法 | |
CN111273269B (zh) | 基于ipso-bp的频率分集阵列的雷达目标定位方法 | |
CN112180339A (zh) | 一种基于稀疏处理的雷达回波信号精确测向方法 | |
CN113189592A (zh) | 考虑幅相互耦误差的车载毫米波mimo雷达测角方法 | |
CN113759303B (zh) | 一种基于粒子群算法的无网格波达角估计方法 | |
CN115236584A (zh) | 基于深度学习的米波雷达低仰角估计方法 | |
Bai et al. | Association of DOA estimation from two ULAs | |
CN106022383B (zh) | 基于方位角相关动态字典稀疏表示的sar目标识别方法 | |
CN108828586B (zh) | 一种基于波束域的双基地mimo雷达测角优化方法 | |
CN113111304B (zh) | 强冲击噪声下基于量子射线机理的相干分布源测向方法 | |
CN105572629B (zh) | 一种适用于任意阵列结构的低运算复杂度的二维测向方法 | |
Wang et al. | A clutter suppression algorithm via enhanced sparse Bayesian learning for airborne radar | |
CN114460531A (zh) | 一种均匀线阵music空间谱估计方法 | |
CN117092585A (zh) | 单比特量化DoA估计方法、系统和智能终端 | |
CN108594165B (zh) | 一种基于期望最大化算法的窄带信号波达方向估计方法 | |
CN116699511A (zh) | 一种多频点信号波达方向估计方法、系统、设备及介质 | |
CN117233698A (zh) | 一种长短尺度双通道卷积神经网络的高精度doa估计方法 | |
CN112363106B (zh) | 基于量子粒子群的信号子空间波达方向检测方法及系统 | |
CN115469286A (zh) | 基于毫米波汽车雷达最小冗余mimo阵列的超分辨测角方法 | |
CN113341371B (zh) | 一种基于l阵和二维esprit算法的doa估计方法 | |
CN114047474A (zh) | 基于广义回归神经网络的均匀线列阵目标方位估计方法 |
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 |