WO2022116008A1 - 一种信源数量估计的方法、装置和存储介质 - Google Patents

一种信源数量估计的方法、装置和存储介质 Download PDF

Info

Publication number
WO2022116008A1
WO2022116008A1 PCT/CN2020/133157 CN2020133157W WO2022116008A1 WO 2022116008 A1 WO2022116008 A1 WO 2022116008A1 CN 2020133157 W CN2020133157 W CN 2020133157W WO 2022116008 A1 WO2022116008 A1 WO 2022116008A1
Authority
WO
WIPO (PCT)
Prior art keywords
array
sources
estimating
classification item
training
Prior art date
Application number
PCT/CN2020/133157
Other languages
English (en)
French (fr)
Inventor
张瑞齐
张峰
Original Assignee
华为技术有限公司
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 华为技术有限公司 filed Critical 华为技术有限公司
Priority to PCT/CN2020/133157 priority Critical patent/WO2022116008A1/zh
Priority to CN202080004781.5A priority patent/CN112639511B/zh
Publication of WO2022116008A1 publication Critical patent/WO2022116008A1/zh

Links

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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/415—Identification of targets based on measurements of movement associated with the target
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G06V10/431—Frequency domain transformation; Autocorrelation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本申请的实施例提供了一种信源数量估计的方法、装置和存储介质。所述方法应用于毫米波雷达的接收系统中，包括：获取雷达天线阵列的阵列响应，所述雷达天线阵列包括至少一个天线单元；对所述阵列响应进行自相关计算得到相关矩阵；对所述相关矩阵做特征值分解，提取特征向量；设定预估计的信源数量，对所述预估计的信源数量分类，获得至少一个分类项；将所述特征向量输入与所述至少一个分类项对应的支持向量机，输出对应所述至少一个分类项的评估值；比较所述至少一个分类项的评估值，获得其中最大的评估值；根据所述最大的评估值对应的分类项确定信源数量。所述方法能够解决低信噪比区间性能和高信噪比区间性能存在偏差较大的问题。

Description

一种信源数量估计的方法、装置和存储介质 技术领域
本申请涉及毫米波雷达感测领域，尤其涉及一种信源数量估计的方法、装置和存储介质。
背景技术
毫米波是指波长介于1～10mm之间的电磁波，所对应的频率范围为30～300GHz，毫米波雷达在自动驾驶、路边感知等领域发挥十分重要的作用。图1为毫米波雷达的工作原理图，如图1所示，在一个车载毫米波雷达系统中，一般包括振荡器、发射天线、接收天线、混频器、处理器和控制器等装置。振荡器会产生一个频率随时间线性增加的雷达信号，该雷达信号一般为调频连续波(FMCW)，FMCW是一种频率随时间线性变化的电磁波。其中的线性变化一般是指在一个发射周期内的线性变化。具体的，线性调频连续波的波形一般是锯齿波或者三角波，或者也可能存在其它可能的波形，例如线性调频步进频波形等。该雷达信号的一部分经过定向耦合器输出至混频器作为本振信号，一部分通过发射天线发射出去，接收天线接收发射出去的雷达信号遇到车辆前方的目标后反射回来的雷达信号，混频器将接收的雷达信号与本振信号进行混频，得到中频信号。中频信号包含了目标与该雷达系统的相对距离、速度、以及角度等信息。中频信号经过低通滤波器并经过放大处理后输送到处理器，处理器对接收的信号进行处理，一般是对接收的信号进行快速傅里叶变换，以及频谱分析等，以得到目标物体相对于该雷达系统的距离、速度和角度等信息。
一般而言，雷达探测的目标可以是车、船舶、飞机或广告牌之类的。如果雷达探测的目标体积比较大，也被称为扩展目标，比如上文的车、船舶、飞机或广告牌，其具有多个散射点，每一个散射点为一个信源，信源数量就是散射点的数量。当雷达探测的目标较小近似为点目标时，则一个目标为一个散射点，则信源的数量为1。
为了精确定位雷达探测目标的位置，除了需要知道目标到雷达的距离之外，还需要知道目标在雷达坐标系中的角度信息。估计目标在雷达坐标系中的角度的方法有来波方向(DOA)法和多重信号分类(MUSIC)、旋转不变参数估计技术(ESPRIT)等超分辩算法。
在MUSIC、ESPRIT等超分辩算法中，往往需要信源数量作为基础，例如基于MUSIC和ESPRIT的超分辩算法中，对于噪声子空间V n的选取，需要信源数量作为输入，例如V n＝V(:,N s+1:end)，其中N s为信源数量，信源数量估计误差极大影响了MUSIC、ESPRIT的超分辩算法的精度，从而极大的影响雷达系统定位所探测目标位置的精确度。
发明内容
为了解决上述问题，本申请的实施例提供了一种信源数量估计的方法、装置和存储介质。
第一方面，本申请实施例提供一种信源数量估计的方法，应用于毫米波雷达的接收系统中，所述方法包括：获取雷达天线阵列的阵列响应，所述雷达天线阵列包括至少一个天 线单元；对所述阵列响应进行自相关计算得到相关矩阵；对所述相关矩阵做特征值分解，提取特征向量；设定预估计的信源数量，对所述预估计的信源数量分类，获得至少一个分类项；将所述特征向量输入与所述至少一个分类项对应的支持向量机，输出对应所述至少一个分类项的评估值；比较所述至少一个分类项的评估值，获得其中最大的评估值；根据所述最大的评估值对应的分类项确定信源数量。
通过上述本申请实施例提供的一种信源数量估计的方法进行信源数量估计，结果具有较高的置信度，能够解决传统信源数量估计方法中存在的低信噪比区间性能和高信噪比区间性能存在偏差较大的问题。
在一种实施方式中，所述方法还包括训练所述至少一个分类项对应的支持向量机的步骤，具体包括：将训练集中的训练向量分组；所述训练向量为带有信源数量标签的特征向量；根据所述分组选择所述至少一个分类项对应组别的训练向量；以所述对应组别的训练向量为正；以训练集中的所述对应组别以外的训练向量为负，形成真值集；将所述训练集和真值集输入与一个支持向量机，训练所述支持向量机的支持向量、参数向量和变量,获得训练好的与所述至少一个分类项对应的支持向量机。
该实施方式通过大规模数据训练，无论是在高信噪比还是低信噪比下都具有良好性能。在支持向量机采用线性核函数时，本方法的计算复杂度很低。
在一种实施方式中，所述获取雷达天线阵列的阵列响应，包括：获取雷达天线线阵接收的回波信号；所述雷达天线线阵包括等间距排列的所述M个雷达天线单元；M为任意自然数；所述回波信号为在同一个探测距离上具有相同速度的目标的反射信号；将所述线阵的阵列响应组成的行/列向量。
该实施方式提供的信源数量估计的方法不但可以根据同一个距离、速度单元上天线线阵的阵列响应估计信源数量，还可以估计其他维度的信源数量，比如同一个距离、方位角度方向上速度维度的信源数量，或者同一个距离单元上，速度维度和角度维度上总共的信源数量等。
在一种实施方式中，所述获取雷达天线阵列的阵列响应，包括：获取雷达天线面阵接收的回波信号，所述雷达天线面阵包括等间距排列W行M列雷达天线单元；所述雷达天线面阵接收的回波信号包括所述W行M列雷达天线单元接收的回波信号；所述回波信号为在同一个探测距离上具有相同速度的目标的反射信号，W、M为任意自然数；将所述回波信号的W个行向量拼接成1个直线排列行向量，所述W个行向量中每个行向量包括M个回波信号；获得所述雷达天线面阵的阵列响应。
该实施方式提供的信源数量估计的方法将面阵拼接成线阵进行计算，能够根据同一个距离、速度单元上天线线阵的阵列响应估计信源数量，简化了多维度估计信源数量的算法模型。
在一种实施方式中，所述包括获取雷达天线阵列的阵列响应，包括：获取雷达天线圆阵接收的回波信号，所述雷达天线圆阵包括M个沿圆周均匀排列的雷达天线单元，M为任意自然数；所述雷达天线圆阵接收的回波信号包括M个沿圆周均匀排列雷达天线接收的回波信号；将所述沿圆周均匀排列的M个回波信号拉伸为等间距的直线排列行向量，获得所述雷达天线圆阵的阵列响应。
该实施方式提供的信源数量估计的方法将圆阵转化成线阵进行计算，能够根据同一个距离、速度单元上天线线阵的阵列响应估计信源数量，简化了多维度估计信源数量的算法模型。
在一种实施方式中，所述确定对应预估计信源数量的各个分类项的评估值，包括：将所述支持向量机中的支持向量与核函数的相乘，再加上系数进行求和，获得应预估计信源数量的各个分类项的评估值。
进一步地，所述核函数为线性核函数。
进一步地，所述核函数为多项式核函数。
进一步地，所述核函数为高斯核函数。
进一步地，所述核函数为sigmiod核函数。
该实施方式提供的一种信源数量估计的方法通过支持向量机进行信源数量估计结果具有较高的置信度，能够解决传统信源数量估计方法中存在的低信噪比区间性能和高信噪比区间性能存在偏差较大的问题。在支持向量机采用线性核函数时，本方法的计算复杂度很低。
在一种实施方式中，所述对所述阵列响应进行自相关计算得到相关矩阵，包括：对所述阵列响应做J次快拍，将第j个快拍时刻的阵列响应与其共轭转置向量相乘获得第j个快拍时刻的自相关矩阵，将J个快拍的所述自相关矩阵加和后取平均值，获得相关矩阵，J和j均为自然数。
该实施方式提供的一种信源数量估计的方法采用N次拍照计算出来的相关矩阵维度较大，提取的特征向量准确性高。该方式适用于根据雷达线阵、面阵和圆阵的阵列响应计算相关矩阵。
在一种实施方式中，所述对所述阵列响应进行自相关计算得到相关矩阵，包括：对所述阵列响应做单次快拍，将所述快拍时刻的阵列响应进行分组，获取至少一组行向量，将所述至少一组行向量与其共轭转置向量相乘获得所述至少一组行向量的自相关矩阵，将所述至少一组行向量的自相关矩阵加和后取平均值，获得相关矩阵。
该实施方式提供的一种信源数量估计的方法采用单次快拍，平滑分组的方式获取空间相关矩阵,只需采样一次，获得的相关矩阵R的维度低，减少了计算量，通过平滑分组的方式评估空间相关矩阵R，可以精确地定向。该方式适用于根据雷达线阵和面阵的阵列响应y计算相关矩阵R，但不适用于雷达圆阵。
在一种实施方式中，所述方法还包括将所述特征向量通过函数处理进行映射，获得第二特征向量。
该实施方式提供的一种信源数量估计的方法减少最大值和最小值之间的差距，使特征函数的值域集中，离散性小，减少后续支持向量机(SVM)的计算量。
在一种实施方式中，以所述特征向量为第一特征向量，所述将所述特征向量通过函数处理进行映射，获得所述第二特征向量，包括：以所述第一特征向量中的特征值为对数函数的自变量，计算所述对数函数的值；以所述对数函数的值为元素组成所述第二特征向量。
该实施方式提供的一种信源数量估计的方法采用该对数函数可以将特征参数从线性域转化为log域，减少最大值和最小值之间的差距，使特征函数的值域集中，离散性小，减少后续支持向量机(SVM)的计算量。
在一种实施方式中，以所述特征向量为第一特征向量，所述将所述特征向量通过函数处理进行映射，获得所述第二特征向量，包括：比较所述第一特征向量中的特征值，获得其中的最大值；计算所述特征值与所述最大值的比值；以所述比值为对数函数的自变量，计算所述对数函数的值，以所述对数函数的值为元素组成所述第二特征向量。
该实施方式提供的一种信源数量估计的方法通过这种对特征向量的归一化处理和对数函数映射，使得特征参数的分布域集中，离散性小，减少后续支持向量机(SVM)的计算量。
在一种实施方式中，以所述特征向量为第一特征向量，所述将所述特征向量通过函数处理进行映射，获得所述第二特征向量，包括：对所述第一特征向量中的特征值进行排序；以排序后的特征值为对数函数的自变量，计算所述对数函数的值，以所述对数函数的值为元素组成所述第二特征向量。
该实施方式提供的一种信源数量估计的方法排序后采用该特征函数可以将特征参数从线性域转化为log域，通过对特征向量的归一化处理，可以进一步地减少最大值和最小值之间的差距，使特征函数的分布域集中，离散性小，利于计算。
第二方面，本申请实施例提供一种信源数量估计的装置，所述装置包括：数据采集模块，用于获取雷达天线阵列的阵列响应，所述雷达天线阵列包括至少一个天线单元；相关矩阵计算模块，用于对所述阵列响应进行自相关计算得到相关矩阵；特征提取模块，用于对所述相关矩阵做特征值分解，提取特征向量；评估值计算模块，用于设定预估计的信源数量，对所述预估计的信源数量分类，获得至少一个分类项；和信源数量确定模块，用于将所述特征向量输入与所述至少一个分类项对应的支持向量机，输出对应所述至少一个分类项的评估值；比较所述至少一个分类项的评估值，获得其中最大的评估值；根据所述最大的评估值对应的分类项确定信源数量。
在一种实施方式中，所述装置还包括训练支持向量机模块，所述训练支持向量机模块用于根据不同的信源数量将训练集中的训练向量分组；所述训练向量为带有信源数量标签的特征向量，根据所述分组选择所述每一个分类项对应组别的训练向量，以所述对应组别的训练向量为正；以训练集中的所述对应组别以外的训练向量为负，形成真值集，将所述训练集和真值集输入与每一个分类项对应的所述支持向量机，训练所述支持向量机的支持向量、参数向量和变量,获得训练好的与每一个分类项对应的支持向量机。
第三方面，本申请实施例提供一种电子装置，包括存储器和处理器；所述处理器用于执行所述存储器所存储的计算机执行指令，所述处理器运行所述计算机执行指令执行上述任意一项实施例所述的信源数量估计的方法。
第四方面，本申请实施例一种存储介质，包括可读存储介质和存储在所述可读存储介质中的计算机程序，所述计算机程序用于实现上述任意一项实施例所述的信源数量估计的方法。
附图说明
为了更清楚地说明本申请说明书披露的多个实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书披露的多个实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根 据这些附图获得其它的附图。
图1为背景技术中毫米波雷达的工作原理图；
图2a为线阵毫米波雷达的坐标示意图；
图2b为线阵中目标和雷达之间的连线与法线的夹角示意图；
图3为雷达接收系统的应用场景示意图；
图4为本申请实施例提供的一种信源数量估计的方法的流程图；
图5为的雷达阵列接收示意图；
图6为本申请实施例提供的一种信源数量估计的方法中对相关矩阵R做特征值分解，提取相关矩阵R的特征向量的流程图；
图7为本申请实施例提供的一种信源数量估计的方法中将特征向量输入支持向量机，确定信源数量的流程图；
图8为本申请实施例提供的利用训练好的支持向量机进行信源数量估计的示意图；
图9a为使用本申请实施例提供的信源数量估计的方法进行信源数量估计的置信度曲线图；
图9b为使用改进的MDL进行信源数量估计的置信度曲线图；
图10为本申请实施例提供的一种信源数量估计的装置的功能框图；
图11为本申请实施例提供的一种信源数量估计的电子设备示意图。
具体实施方式
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
在以下的描述中，所涉及的术语“第一\第二\第三等”或模块A、模块B、模块C等，仅用于区别类似的对象，不代表针对对象的特定排序，可以理解地，在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
在以下的描述中，所涉及的表示步骤的标号，如S110、S120……等，并不表示一定会按此步骤执行，在允许的情况下可以互换前后步骤的顺序，或同时执行。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
为了精确定位探测目标的位置，除了需要知道目标到雷达阵列的距离r之外，还需要知道目标在雷达坐标系中的角度θ。假设目标距离雷达坐标系原点的距离为r。如图2a所示，对于配置了线阵毫米波雷达的系统来说，雷达坐标系的原点为线阵的中心位置。角度θ为目标和任意天线之间的连线与线阵法线之间的夹角。如图2b所示，目标在雷达坐标系中的位置可以通过距离r和角度θ确定。
在一种方案(记作为方案1)中，雷达可以根据接收的回波信号估计目标在雷达坐标系中的角度θ。如果雷达的接收天线位于信号源的远场，则接收的回波信号可以假设为平面波，探测目标视为点目标。具体地，假设每个天线单元间距为d a，那么满足远场条件的回波信号到达相邻两个天线的路程差Δd为：
Δd＝d asin(θ)                                (1)
该路程差导致的相位差
Figure PCTCN2020133157-appb-000001
为：
Figure PCTCN2020133157-appb-000002
其中，λ为雷达毫米波的波长。
对于包含M个天线的线阵，由接收的回波信号组成的阵列响应y可以表示为：
Figure PCTCN2020133157-appb-000003
如果空间有K个目标，每个目标与雷达的角度分别为θ 1，θ 2，…,θ k，其中θ k为K个目标中的第k个目标与天线的角度值。那么M个接收天线的接收信号组成的阵列响应y为：
Figure PCTCN2020133157-appb-000004
其中，
Figure PCTCN2020133157-appb-000005
为第k个目标的回波在每个天线上的复增益。阵列响应y为K个目标的回波信号在M个接收天线上复合的阵列响应。
根据阵列响应y，采用机器学习的方法进行目标角度估计，可以采用的方法包括来波方向扫描(DOA)方法、多重信号分类(MUSIC)法、旋转不变参数估计技术(ESPRIT)等方法。以来波方向扫描(DOA)方法为例，雷达需要根据探测的角度范围构造多个导向矢量。比如，探测的角度范围为:-40度ˉ40度，按照角度间隔为1度构造导向矢量，则导向矢量
Figure PCTCN2020133157-appb-000006
为：
Figure PCTCN2020133157-appb-000007
其中，Θ i为探测角度范围中的第i个角度。
将每个探测角度Θ i对应的导向矢量
Figure PCTCN2020133157-appb-000008
与阵列响应y做相关，则第i个角度的相关值g(i)为：
Figure PCTCN2020133157-appb-000009
相关值g(i)表示回波信号在探测角度Θ i方向上的增益。将由公式(5)获得的每个探测角度对应的导向矢量
Figure PCTCN2020133157-appb-000010
与由公式(4)获得的阵列响应y点乘后求和，当第i个探测角度与第k个目标的回波信号的角度相同即i＝k时，根据公式(6)，同相合并，
Figure PCTCN2020133157-appb-000011
点乘 积为1，此时相关值g(i)最大，阵列响应y在探测角度Θ i方向上的增益最大。在目标数量或者信源数量K已知的条件下，则相关值g(i)中K个最大值的对应的每一个探测角度Θ i即为K个信源的角度。
上述来波方向扫描(DOA)方法的原理是通过将每个探测角度对应的导向矢量与接收信号做相关，扫描到的最大相关值对应的探测角度即为目标在雷达坐标系中的角度。但是在一个距离上的具有相同速度的目标中，通过来波方向扫描(DOA)方法得到的一个最大相关值，对于以上两个角度很接近的目标无法精确区分目标的方位。例如在自动驾驶技术中，利用雷达探测前方的车辆的位置时，如果两辆车在前方并排行驶，一个车辆在雷达坐标系中的角度为5°，另一个车辆在雷达坐标系中的角度为5.5°，采用普通的检测算法如上述来波方向扫描(DOA)方法，很容易误认为是一辆车或者一辆大车在前方行驶，导致自动驾驶安全性下降。
为提高自动驾驶的安全性能，在雷达检测中，雷达的信号处理系统可以在进行准确的信源数量估计的基础上，采用某些特殊算法，比如角度超分辨算法，来检测处两辆车的位置。因此准确的信源数量估计往往是目标方位检测的基础。
在另一个方案中(记作方案2)，对信源数量估计采用信息论准则(AIC)或者最小描述长度(MDL)算法。在这些方法中需要用到阵列响应y的相关矩阵。
相关矩阵也叫相关系数矩阵，是由矩阵各列间的相关系数构成，相关矩阵第i行第j列的元素是原矩阵第i行第j列的相关系数。相关系数是反映变量之间相关关系密切程度的统计指标。
例如，如同方案1的实施场景中，雷达的接收天线位于信号源的远场，接收的回波信号为平面波，探测目标视为点目标，记为信源。对于包含M个天线的线阵，由接收的回波信号组成的阵列响应为y。对阵列响应y做N次快拍，所谓“快拍”是指对阵列响应在不同时刻进行采样。根据公式(4)获取M个接收天线的接收信号获得阵列响应y，则第j个快拍时刻采样获得的阵列响应为y j：
Figure PCTCN2020133157-appb-000012
其中，
Figure PCTCN2020133157-appb-000013
为第j个快拍时刻第i个天线接收的回波信号。阵列响应y j为第j个快拍时刻M个天线接收的回波信号组成的向量。第j个快拍时刻的阵列响应y j与其共轭转置(y j) H相乘获得第j个快拍时刻的M×M的自相关矩阵，将N个快拍的自相关矩阵相加后求平均值，获得相关矩阵R为：
Figure PCTCN2020133157-appb-000014
在公式(8)中，R为M×M的相关矩阵，N为快拍的次数，(y j) H为第j个快拍时刻阵列响应y j的共轭转置向量。
然后，对相关矩阵R做特征值分解:
R＝U∑U H                              (9)
其中，U为相关相关矩阵R的分解矩阵，U H为分解矩阵U的共轭转置矩阵；对角线矩阵Σ为：
Figure PCTCN2020133157-appb-000015
对角线矩阵Σ的维度为M×M，对角线元素l i为相关矩阵R的第i个特征值；其反映了理想的无噪声的回波信号数量的特征值。
提取对角线矩阵Σ的对角线元素l i，将提取出的对角线元素按照从大到小的顺序排列，得到特征向量l＝{l 1,…,l i,…,l M'}：其中l 1≥l 2≥…≥l M'。
根据相关矩阵R的特征向量l，可以以信息论准则(AIC)算法计算估计的信源数量Ns为：
Figure PCTCN2020133157-appb-000016
其中，N s＝0,1,2,…,M-1。则信源数量
Figure PCTCN2020133157-appb-000017
为：
Figure PCTCN2020133157-appb-000018
信源数量
Figure PCTCN2020133157-appb-000019
为使AIC(N s)达到最小值时的变量N s的取值。
在该方案2中，估计信源数量算法的性能置信度取决于快拍的次数N的选取。当N取值较大的时候，该算法在高信噪比区间性能较好，置信度较高；但是低信噪比区间性能较差，置信度较低。当快拍的次数N值取较小值时候，该算法在低信噪比区间性能较好，置信度较高；但是在高信噪比区间存在估计偏差，置信度较低。即估计准确率不能逼近1。
由于方案1不能精确地分辨角度很接近的多个目标，而方案2进行信源数量估计时低信噪比区间和高信噪比区间性能存在偏差，定位精度均不理想，因此本申请提出采用多分类的支持向量机(SVM)估计信源的数量，下面介绍本申请的构思。
本申请实施例提供一种信源数量估计的方法对天线阵列的阵列响应进行处理得到相关矩阵，根据相关矩阵获得用于检测信源数量估计的特征向量，将特征向量输入支持向量机(SVM)，从而合理地估计出一个距离、速度单元上的多个信源的数量。
本申请实施例提供的信源数量估计的方法具体应用于雷达系统信号处理中的角度谱估计模块，根据支持向量机(SVM)获得信源数量，在后续的角度谱估计中可以采用某些特殊算法，比如角度超分辨算法，获得具体目标方位。后续的角度谱估计中如何根据信源数量进行角度和距离的计算处理，最终获得具体目标方位的算法本申请不做阐述。
下面介绍支持向量机(SVM)的原理。
支持向量机(SVM)是一类按照监督学习的方式对数据进行分类的分类器。假设分类器的输入向量为X＝{X 1,…,X i,…,X N}，所对应的分类为z＝{z 1,…,z i,…,z N}，其中第i个输入向量为X i＝[x 1,x 2,…,x n]。在二分类问题中，z i∈{-1,1},z i值为-1表示负类，z i值为1表示正类。
在SVM的分类问题中，需要找到参数ω和b，使得：
z i(ω TX i+b)≥1        (12)
其中ω为超平面的法向量，ω T为超平面的法向量ω的转置向量；b为截距。
在某些环境中，X i是线性不可分的，这时候往往需要将X i映射到高维空间中，此时：
z i(ω Tφ(X i)+b)≥1        (13)
其中，ω Tφ(·)为核函数。
SVM算法最初是为二值分类问题设计的，当处理多类问题时，需要训练合适的多类分类器，常见的方法有一对多法(one-versus-rest,简称OVR SVMs)和一对一法(one-versus-one,简称OVO SVMs或者pairwise)。
在一对多法中，训练时依次把某个类别的样本归为一类，其他剩余的样本归为另一类，这样m个类别的样本就构造出了m个SVM。分类时将未知样本分类为具有最大分类函数值的那类。
例如假设有四个类别要划分(也就是4个标签)，分别是A、B、C和D。在抽取训练集的时候，分别抽取以下训练集：
(1)A所对应的向量作为正集，B，C，D所对应的向量作为负集；
(2)B所对应的向量作为正集，A，C，D所对应的向量作为负集；
(3)C所对应的向量作为正集，A，B，D所对应的向量作为负集；
(4)D所对应的向量作为正集，A，B，C所对应的向量作为负集；
使用这四个训练集分别进行训练，然后得到四个训练结果文件作为四个训练好的支持向量机。
在测试的时候，将测试向量分别利用这四个训练好的支持向量机进行测试，每个支持向量机输出一个评估值：f1(x)，f2(x)，f3(x)和f4(x)。该评估值用来评估输入的测试向量与相应的训练集的相似度，最终的分类结果是这四个评估值中最大的一个对应的类别。即Max(f1(x)，f2(x)，f3(x)和f4(x))。
下面结合图3-图11对本申请实施例提供的一种信源数量估计的方法和装置进行具体阐述。
图3为毫米波雷达接收系统的应用场景示意图。如图3所示，在毫米波雷达接收系统中，射频前端模块接收到回波信号Y，回波信号Y进入信号处理单元处理后获得估计的信源的数量，再经过数据处理单元进行处理得到角度和距离，最终获得具体信源位置。信号处理单元包括距离谱估计、速度谱估计、角度谱估计等模块，本申请的信源数量估计的方法和装置主要应用于角度谱估计模块。
要合理地估计信源数量，首先需要获得具有相同距离和相同速度的分辨目标上的回波信号Y在雷达天线阵列的阵列响应y；然后计算阵列响应y的相关矩阵R后，对相关矩阵R做特征值分解，从而提取相关矩阵R的特征向量；最后利用提取出的特征向量，通过支持向量机(SVM)估计的信源数量。
图4为本申请实施例提供的一种信源数量估计的方法的流程图。该方法的执行主体可以为具有计算处理能力的设备，服务器或者电子装置，如同方案1的实施场景，雷达阵列的接收天线位于信号源的远场，接收的回波信号为平面波，探测目标视为点目标，记为信源。下面针对每个步骤对本申请进行具体阐述。
如图4所示，首先执行步骤S401,获取雷达天线阵列的阵列响应。
具体地，该雷达阵列为M个等间距排列的天线单元组成的线阵，天线索引为1，…,M，以雷达的天线单元的法线方向为0度方向。该雷达阵列接收回波信号的示意图可以参考图5所示。假设在雷达阵列的探测前方位于同一个距离的区域内有N个具有相同速度的点目标，记为信源1、信源2、….,信源N，信源1的方位角为θ 1，信源2的方位角为θ 2，….,信源N的方位角为θ n。由具有M个天线单元的雷达阵列接收到的阵列响应y为：
Figure PCTCN2020133157-appb-000020
其中，y 1,y 2,…,y M分别为M个天线单元的接收的回波信号，y M为第M个天线的接收信号,M≥1；阵列响应y是由M个天线单元接收的回波信号组成的行/列向量；s n为信源n的复信号响应系数，其取值跟信源的材质有关；N n为噪声向量，其取值由器件本身导致的热噪声决定；A(θ n)为导向矢量，在M个天线单元上方位角为θ n的回波信号的导向矢量A(θ n)为：
Figure PCTCN2020133157-appb-000021
当雷达阵列为面阵时，如果该面阵的排列为等间距的W行M列，W、M为任意自然数，则该雷达面阵包括W×M个天线单元，天线单元的索引为1，2，…,W×M。将该雷达面阵等效成W个行向量的拼接，每个行向量由M个天线单元的回波信号组成，由公式(14)获得每个线阵单元的阵列响应y，将W个阵列响应y拼接得到该雷达面阵阵列响应
Figure PCTCN2020133157-appb-000022
其中y W×M为第W×M天线单元的接收信号。
当雷达阵列的排列为圆阵时，如果该圆阵包括M个沿圆周均匀排列的天线单元，M为任意自然数，可将该沿圆周均匀排列的M个天线单元拉伸为等间距的直线排列，由公式(14)获得则M个天线单元的雷达圆阵接收到的阵列响应y为
Figure PCTCN2020133157-appb-000023
获取阵列响应y后，执行步骤S402，对阵列响应y计算，获得相关矩阵R。
在实际中考虑到接收信号是有限长度的，可以根据阵列响应y的N次快拍，采用时间-空间的评估方法计算相关矩阵R。具体地，对由公式(14)获取的阵列响应y做J次快拍采样，第j个快拍时刻的阵列响应y j与其共轭转置(y j) H相乘获得第j个快拍时刻的M×M的自相关矩阵，将J个快拍的自相关矩阵相加后求平均值，参考公式(8)获得相关矩阵R为：
Figure PCTCN2020133157-appb-000024
其中，y j为第j个快拍时刻的阵列响应，
Figure PCTCN2020133157-appb-000025
Figure PCTCN2020133157-appb-000026
为第j个快拍时刻第i个天线接收的回波信号,
Figure PCTCN2020133157-appb-000027
为第j个快拍中第M个天线的响应，(y j) H为第j个快拍时刻的阵列响应y j的共轭转置向量。
在上述步骤S402中，采用N次拍照计算出来的相关矩阵R维度较大，虽然提取的特征向量准确性高，但是需要对阵列响应y采样N次，增加了采样操作的工作量和数据量，计算较为复杂。
作为一种可选的实施方式，也可以对步骤S401采集到的阵列响应y做单次快拍，采用平滑分组的方式获取空间相关矩阵R。具体地，在步骤S402中，可以对阵列响应y做一次 快拍采样；具体做法为，将阵列响应y的接收信号平滑分组，每M'个天线的阵列响应为一组，则M个阵列响应分为M-M'+1组向量,将采集到的阵列响应
Figure PCTCN2020133157-appb-000028
转化为向量y′：
Figure PCTCN2020133157-appb-000029
例如，在一个雷达阵面为16个天线的线阵，取8个天线为一组，则将将采集到的阵列响应
Figure PCTCN2020133157-appb-000030
平滑分为由9个行向量组成的
Figure PCTCN2020133157-appb-000031
则阵列响应y的相关矩阵R为：
Figure PCTCN2020133157-appb-000032
其中，s为索引值，M'为每组天线的数量，M'<M。
采用该方式计算阵列响应y的相关矩阵R，只需采样一次，获得的相关矩阵R的维度低，减少了计算量，通过平滑分组的方式评估空间相关矩阵R,可以精确地定向。该方式适用于根据雷达线阵和面阵的阵列响应y的相关矩阵R，但不适用于雷达圆阵。
得到相关矩阵R后，执行步骤S403，对相关矩阵R做特征值分解，提取相关矩阵R的特征向量。具体流程如图6所示，可以通过执行以下步骤S4031-4035实现。
S4031，对相关矩阵R做特征值分解，如公式(9):
R＝U∑U H
其中，U为相关R的分解矩阵，U H为U的共轭转置矩阵；Σ为理想的无噪声的阵列响应的特征值方阵，如公式(10)：
Figure PCTCN2020133157-appb-000033
在特征值方阵Σ中对角线元素l 1…l i…l M'为反映理想的无噪声的接收信号数量的特征值。
S4032，提取特征矩阵Σ的对角线元素，得到相关矩阵R的特征向量l＝[l 1 …l i… l M'] T，其中M'＝M。
为了减少支持向量机(SVM)的计算量，可以对特征向量l＝[l 1 …l i… l M'] T通过函数处理进行值域映射，执行步骤S4033-S4035。
S4033，以特征向量l＝[l 1 …l i… l M'] T为第一特征向量，对第一特征向量的每一个元素通过函数处理进行映射，得到特征函数x＝f(l)，其中，f(.)表示一种特征函数，特征函数可以为对数函数。
S4034，计算特征函数x＝f(l)，获得每一个特征值l i对应的特征函数值x i。
在一个可行的示例中，可以对第一特征向量的每一个元素通过对数函数处理进行映射，以每一个特征值l i为对数函数的自变量，计算所述对数函数的值x i，从而获得第二特征向量x＝[x 1 … x n] T。具体地，对数特征函数为x i＝C*log(l i)或者x i＝C*log10(l i)，其中C为常数。
采用该对数函数可以将特征参数从线性域转化为log域，减少最大值和最小值之间的差距，使特征函数的值域集中，离散性小，减少后续支持向量机(SVM)的计算量。
在另一个可行的示例中，可以先比较所述特征向量中的每一个特征值，获得最大特征值，然后计算每一个特征值与所述最大特征值的比值，以比值为对数函数的自变量，计算对数函数的值，获得每一个特征值对应的特征参数值x i。
具体地，特征函数为x i＝C*log(l i/max(l))或者x i＝C*log10(l i/max(l))，其中C为常数。
通过这种对特征向量的归一化处理和对数函数映射，使得特征参数的分布域集中，离散性小，减少后续支持向量机(SVM)的计算量。
在第三个可行的示例中，可以对特征向量中的每一个特征值进行排序，以排序后的特征向量中的每一个特征值为对数函数的自变量，计算对数函数的值，获得每一个特征值对应的特征参数值x i。
具体地，对特征向量l l进行从大到小排序，获得特征向量l'＝sort(l 1 … l n),则第i个特征参数可以为x i＝C*log(l i')；或者，x i＝C*log10(l i'),或者x i＝C*log(l' i/max(l))或者，x i＝C*log10(l' i/max(l))。
排序后采用该特征函数可以将特征参数从线性域转化为log域，通过对特征向量的归一化处理，可以进一步地减少最大值和最小值之间的差距，使特征函数的分布域集中，离散性小，利于计算。
S4035，以每一个特征函数的值x i为元素组成特征向量x＝[x 1 …x i… x n] T。其中x i为第i个特征值l i对应的特征参数值。
获得特征向量后，执行步骤S404，将特征向量输入训练好的与每一个分类项对应的支持向量机，输出对应信源数量的各个分类项的评估值，将评估值最大的分类项对应信源数量作为估计的信源数量。
特征向量可以为步骤S4032提取出的相关矩阵R的特征向量l＝[l 1 …l i… l M'] T，优选为通过步骤S4035对数函数映射计算后获得的特征向量x＝[x 1 …x i… x n] T。
最后，将特征向量输入支持向量机(SVM)，确定信源数量。具体如图7所示，包括以下步骤S4041-S4043。
S4041，预估计信源数量，对估计的信源数量进行分类，获得与信源数量对应数量的分类项。
具体地，预估计信源的数量为N s，当预先估计信源数量N s＝4时,在数量4以内，对信源数量可能出现的情况进行分类，可能是0个，1个、2个、3个或4个，获得的分类项s分别为s＝0,1,2,3,4。每一个分类项对应一个支持向量机。
S4042，将特征向量分别输入训练好的与每一个分类项对应的支持向量机，输出所述每一个分类项的估计值φ 0,φ 1,…,φ n-1。
训练好的与每一个分类项对应的支持向量机可以以评估值φ 0,φ 1,…,φ m对应的算法来表示。例如，信源数量为m的分类项对应的支持向量机输出的评估值φ m的算法为：
φ m＝H m×K(D m,x)+b m          (18)
其中，H m为采用支持向量机训练出来的参数向量，维度为1×L。K(D m,x)为支持向量机中的核函数，维度为L×1，L为支持向量机中支持向量的数量；D m为采用支持向量机训练出来的支持向量；x为输入的特征向量。b m为采用支持向量机训练出来的数值变量，维度为1×1。
则信源数量为m的分类项对应的支持向量机可以表示为：H m×K(D m,x)+b m。
图8为利用训练好的支持向量机进行信源数量估计的示意图。如图8所示，将特征向量分别输入训练好的与每一个分类项对应的支持向量机，分别输出对应的信源数量的评估值φ 0,φ 1,…,φ n-1。
支持向量机的核函数可以为线性核函数、多项式核函数、高斯核函数或sigmiod核函数之一。
其中线性核函数为：
Figure PCTCN2020133157-appb-000034
该线性核函数的函数值为以特征向量x为自变量，支持向量D m与自变量的乘积。
多项式核函数为：
Figure PCTCN2020133157-appb-000035
该线性核函数的函数值为以第二特征向量x为自变量，支持向量D m与自变量的乘积与1求和后的x次幂。
高斯核函数为：
Figure PCTCN2020133157-appb-000036
其中γ为配置参数，diag(.)为取对角线的操作。
sigmiod核函数为：
Figure PCTCN2020133157-appb-000037
其中β和θ为配置参数，s为变量。
需要特别指出的是：对于线性核函数，信源数值的估值φ m可以进一步表示为
Figure PCTCN2020133157-appb-000038
P m为线性支持向量。在具体的实施过程中，D m、H m和b m为通过支持向量机训练出来的参数。其下标m＝0,1,2,…,n-1。
最后执行步骤S4043，根据每一个分类项的估计值确定信源数量的值。
具体地，比较每一个分类项的估计值φ 0,φ 1,…,φ n-1，获得最大的估计值，信源数量的取值N s为φ 0,φ 1,…,φ n-1中最大值所对应的下标，即
N s＝argmax m{φ 0,φ 1,…,φ n-1}           (19)。
本申请实施例提供的信源数量估计的方法，还包括训练与每一个分类项对应的支持向量机的步骤。在本申请的实施例中，估计信源数量属于多分类问题，因此在支持向量机的训练中通过一对多方式实现多分类问题。
具体地，假设有Q组训练向量，训练集为∪＝{d (1),d (2),…,d (Q)},其中d (q)为M'×1的训练向量。Q组训练向量对应的信源数量分别为y (1),y (2),…,y (Q)，信源数量集为Y＝{y (1),y (2),…,y (Q)},其中y (q)∈{0,1,…,M'-1}。
在本申请实施例中，要训练信源数量为m的参数D m、H m和b m，可以将信源数量为m，y (q)＝m的向量选择出来，并将其向量对应的真值r (q)置位1，将y (q)＝m以外的训练向量对应的真值r (q)置位-1，即：
Figure PCTCN2020133157-appb-000039
设定每一个支持向量机的核函数维度为L×1，L为支持向量机中支持向量的数量；将训练集∪＝{d (1),d (2),…,d (Q)}和真值集R＝{r (1),r (2),…,r (Q)}送入支持向量机进行训练，使得r (q)(H q×K(D q,d (q))+b q)≥1。
通过训练获得L个支持向量
Figure PCTCN2020133157-appb-000040
其中
Figure PCTCN2020133157-appb-000041
支持向量矩阵为
Figure PCTCN2020133157-appb-000042
参数向量矩阵为
Figure PCTCN2020133157-appb-000043
其中
Figure PCTCN2020133157-appb-000044
为
Figure PCTCN2020133157-appb-000045
对应的真值，
Figure PCTCN2020133157-appb-000046
a 0,a 1,…a L为训练的变量，b q为训练出来的参数。
作为一种可选的实施方式，用于训练或者估计的输入向量可以为
Figure PCTCN2020133157-appb-000047
或者y的函数f(y)d＝y或者d＝f(y)，特别的，d l＝y 1/y 1。其余过程与上述实施用例类似。
在仿真环境下，分别采用本申请提供的信源数量估计的方法和改进的MDL方法进行信源数量估计的置信度对比。在相同条件下，雷达阵列为16个天线的线阵，以波长为天线间距，信源数量分别为：1、2和3个，其中2个信源以3度角间隔，3个7度角间隔排列。
图9a为使用本申请提供的信源数量估计的方法进行信源数量估计结果的置信度曲线图。如图9a所示，图中横坐标为信噪比(SNR)，纵坐标为估计结果的准确率，坐标系内分别示出了一个信源的估计结果置信度曲线、两个信源的估计结果置信度曲线和三个信源的估计结果置信度曲线。对置信度曲线分析可得，在信噪比为10的环境下，一个信源的估计结果准确率为99％，两个信源的估计结果的准确率为95％，三个信源的估计结果的准确率为45％。随着信噪比增加，信源数量的估计结果的准确率增加，在信噪比为20的环境下，一个和两个信源的估计结果准确率为100％，三个信源的估计结果的准确率接近为90％。
图9b为使用改进的MDL进行信源数量估计的置信度曲线图。如图9b所示，在信噪比为10的环境下，两个信源的估计结果的准确率为80％，三个信源的估计结果的准确率只有28％；在信噪比为20的环境下，一个和两个信源的估计结果准确率为100％，三个信源的估计结果的准确率接近为80％。
通过图9a和图9b对比分析可得，使用本申请提供的一种信源数量估计的方法进行信源数量估计结果具有较高的置信度，能够解决传统信源数量估计方法中存在的低信噪比区间性能和高信噪比区间性能存在偏差较大的问题。
本申请实施例提供的信源数量估计的方法，通过大规模数据训练，无论是在高信噪比还是低信噪比下都具有良好性能。在支持向量机采用线性核函数时，本方法的计算复杂度很低。
本申请实施例提供的信源数量估计的方法不但可以根据同一个距离、速度单元上天线阵列响应估计信源数量，还可以估计其他维度的信源数量，比如同一个距离、方位角度方向上速度维度的信源数量，或者同一个距离单元上，速度维度和角度维度上总共的信源数量等等。
本申请实施例提供一种信源数量估计的装置，如图10所示，所述装置包括：数据采集模块1001，用于获取雷达天线阵列的阵列响应，所述雷达天线阵列包括至少一个天线单元；相关矩阵计算模块1002，用于对所述阵列响应进行自相关计算得到相关矩阵；特征提取模块1003，用于对所述相关矩阵做特征值分解，提取特征向量；评估值计算模块1004，用于设定预估计的信源数量，对所述预估计的信源数量分类，获得至少一个分类项；和信源数量确定模块1005，用于将所述特征向量输入与所述至少一个分类项对应的支持向量机，输出对应所述至少一个分类项的评估值；比较所述至少一个分类项的评估值，获得其中最大的评估值；根据所述最大的评估值对应的分类项确定信源数量。
本申请实施例提供的信源数量估计的装置，还包括训练支持向量机模块1006，所述模块根据不同的信源数量将训练集中的训练向量分组；所述训练向量为带有信源数量标签的特征向量；根据所述分组选择所述每一个分类项对应组别的训练向量以所述对应组别的训练向量为正；以训练集中的所述对应组别以外的训练向量为负，形成真值集；将所述训练集和真值集输入与每一个分类项对应的所述支持向量机，训练所述支持向量机的支持向量、参数向量和变量,获得训练好的与每一个分类项对应的支持向量机。
本申请实施例提供一种电子装置1100，包括处理器1101和存储器1102；所述处理器1101用于执行所述存储器1102所存储的计算机执行指令，所述处理器1101运行所述计算机执行指令执行上述任意实施例所述的信源数量估计的方法。
本申请实施例提供一种存储介质1103，包括可读存储介质和存储在所述可读存储介质中的计算机程序，所述计算机程序用于实现上述任意一实施例所述的信源数量估计的方法。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请实施例的范围。
此外，本申请实施例的各个方面或特征可以实现成方法、装置或使用标准编程和/或工程技术的制品。本申请中使用的术语“制品”涵盖可从任何计算机可读器件、载体或介质访问的计算机程序。例如，计算机可读介质可以包括，但不限于:磁存储器件(例如，硬盘、软盘或磁带等)，光盘(例如，压缩盘(compact disc，CD)、数字通用盘(digital versatile disc，DVD)等)，智能卡和闪存器件(例如，可擦写可编程只读存储器(erasable programmable read-only memory，EPROM)、卡、棒或钥匙驱动器等)。另外，本文描述的各种存储介质可代表用于存储信息的一个或多个设备和/或其它机器可读介质。术语“机器可读介质”可包括但不限于，无线信道和能够存储、包含和/或承载指令和/或数据的各 种其它介质。应当理解的是，在本申请实施例的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
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。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，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，本申请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，或者接入网设备等)执行本申请实施例各个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。
以上所述，仅为本申请实施例的具体实施方式，但本申请实施例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申请实施例揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请实施例的保护范围之内。

Claims (20)

  1. 一种信源数量估计的方法，应用于毫米波雷达的接收系统中，所述方法包括：
    获取雷达天线阵列的阵列响应，所述雷达天线阵列包括至少一个天线单元；
    对所述阵列响应进行自相关计算得到相关矩阵；
    对所述相关矩阵做特征值分解，提取特征向量；
    设定预估计的信源数量，对所述预估计的信源数量分类，获得至少一个分类项；
    将所述特征向量输入与所述至少一个分类项对应的支持向量机，输出对应所述至少一个分类项的评估值；比较所述至少一个分类项的评估值，获得其中最大的评估值；根据所述最大的评估值对应的分类项确定信源数量。
  2. 根据权利要求1所述的信源数量估计的方法，所述方法还包括训练所述至少一个分类项对应的支持向量机的步骤，具体包括：
    将训练集中的训练向量分组；所述训练向量为带有信源数量标签的特征向量；
    根据所述分组选择所述至少一个分类项对应组别的训练向量；
    以所述对应组别的训练向量为正；以训练集中的所述对应组别以外的训练向量为负，形成真值集；
    将所述训练集和真值集输入与一个支持向量机，训练所述支持向量机的支持向量、参数向量和变量,获得训练好的与所述至少一个分类项对应的支持向量机。
  3. 根据权利要求1或2所述的信源数量估计的方法，所述获取雷达天线阵列的阵列响应，包括：
    获取雷达天线线阵接收的回波信号；所述雷达天线线阵包括等间距排列的所述M个雷达天线单元；M为任意自然数；所述回波信号为在同一个探测距离上具有相同速度的目标的反射信号；
    将所述线阵阵列响应组成的行/列向量。
  4. 根据权利要求1或2所述的信源数量估计的方法，所述获取雷达天线阵列的阵列响应，包括：
    获取雷达天线面阵接收的回波信号，所述雷达天线面阵包括等间距排列W行M列雷达天线单元；所述雷达天线面阵接收的回波信号包括所述W行M列雷达天线单元接收的回波信号；所述回波信号为在同一个探测距离上具有相同速度的目标的反射信号，W、M为任意自然数；
    将所述回波信号的W个行向量拼接成1个直线排列行向量，所述W个行向量中每个行向量包括M个回波信号；获得所述雷达天线面阵的阵列响应。
  5. 根据权利要求1或2所述的信源数量估计的方法，所述获取雷达天线阵列的阵列响应，包括：
    获取雷达天线圆阵接收的回波信号，所述雷达天线圆阵包括M个沿圆周均匀排列的雷达天线单元，M为任意自然数；所述雷达天线圆阵接收的回波信号包括M个沿圆周均匀排列的回波信号；
    将所述沿圆周均匀排列的M个回波信号拉伸为等间距的直线排列行向量，获得所述雷达天线圆阵的阵列响应。
  6. 根据权利要求1或2所述的信源数量估计的方法，所述确定对应预估计信源数量的各个分类项的评估值，包括：将所述支持向量机中的支持向量与核函数的相乘，再加上系数进行求和，获得应预估计信源数量的各个分类项的评估值。
  7. 根据权利要求6所述的信源数量估计的方法，所述核函数为线性核函数。
  8. 根据权利要求6所述的信源数量估计的方法，所述核函数为多项式核函数。
  9. 根据权利要求6所述的信源数量估计的方法，所述核函数为高斯核函数。
  10. 根据权利要求6所述的信源数量估计的方法，所述核函数为sigmiod核函数。
  11. 根据权利要求1所述的信源数量估计的方法，所述对所述阵列响应进行自相关计算得到相关矩阵，包括：对所述阵列响应做J次快拍，将第j个快拍时刻的阵列响应与其共轭转置向量相乘获得第j个快拍时刻的自相关矩阵，将J个快拍的所述自相关矩阵加和后取平均值，获得相关矩阵，J和j均为自然数。
  12. 根据权利要求1所述的信源数量估计的方法，所述对所述阵列响应进行自相关计算得到相关矩阵，包括：对所述阵列响应做单次快拍，将所述快拍时刻的阵列响应进行分组，获取至少一组行向量，将所述至少一组行向量与其共轭转置向量相乘获得所述至少一组行向量的自相关矩阵，将所述至少一组行向量的自相关矩阵加和后取平均值，获得相关矩阵。
  13. 根据权利要求1所述的信源数量估计的方法，所述方法还包括将所述特征向量通过函数处理进行映射，获得第二特征向量。
  14. 根据权利要求13所述的信源数量估计的方法，以所述特征向量为第一特征向量，所述将所述特征向量通过函数处理进行映射，获得所述第二特征向量，包括：
    以所述第一特征向量中的特征值为对数函数的自变量，计算所述对数函数的值；
    以所述对数函数的值为元素组成所述第二特征向量。
  15. 根据权利要求13所述的信源数量估计的方法，以所述特征向量为第一特征向量，所述将所述特征向量通过函数处理进行映射，获得所述第二特征向量，包括：
    比较所述第一特征向量中的特征值，获得其中的最大值；
    计算所述特征值与所述最大值的比值；
    以所述比值为对数函数的自变量，计算所述对数函数的值，以所述对数函数的值为元素组成所述第二特征向量。
  16. 根据权利要求13所述的信源数量估计的方法，以所述特征向量为第一特征向量，所述将所述特征向量通过函数处理进行映射，获得所述第二特征向量，包括：
    对所述第一特征向量中的特征值进行排序；
    以排序后的特征值为对数函数的自变量，计算所述对数函数的值，以所述对数函数的值为元素组成所述第二特征向量。
  17. 一种信源数量估计的装置，所述装置包括：
    数据采集模块，用于获取雷达天线阵列的阵列响应，所述雷达天线阵列包括至少一个天线单元；
    相关矩阵计算模块，用于对所述阵列响应进行自相关计算得到相关矩阵；
    特征提取模块，用于对所述相关矩阵做特征值分解，提取特征向量；
    评估值计算模块，用于设定预估计的信源数量，对所述预估计的信源数量分类，获得至少一个分类项；和
    信源数量确定模块，用于将所述特征向量输入与所述至少一个分类项对应的支持向量机，输出对应所述至少一个分类项的评估值；比较所述至少一个分类项的评估值，获得其中最大的评估值；根据所述最大的评估值对应的分类项确定信源数量。
  18. 根据权利要求17所述的信源数量估计的装置，所述装置还包括训练支持向量机模块，所述模块用于根据不同的信源数量将训练集中的训练向量分组；所述训练向量为带有信源数量标签的特征向量，根据所述分组选择所述每一个分类项对应组别的训练向量，以所述对应组别的训练向量为正；以训练集中的所述对应组别以外的训练向量为负，形成真值集，将所述训练集和真值集输入与每一个分类项对应的所述支持向量机，训练所述支持向量机的支持向量、参数向量和变量,获得训练好的与每一个分类项对应的支持向量机。
  19. [根据细则26改正22.12.2020]　
    一种电子装置，包括存储器和处理器；所述处理器用于执行所述存储器所存储的计算机执行指令，所述处理器运行所述计算机执行指令执行权利要求1-18任意一项所述的信源数量估计的方法。
  20. [根据细则26改正22.12.2020]　
    一种存储介质，包括可读存储介质和存储在所述可读存储介质中的计算机程序，所述计算机程序用于实现权利要求1-18任意一项所述的信源数量估计的方法。
PCT/CN2020/133157 2020-12-01 2020-12-01 一种信源数量估计的方法、装置和存储介质 WO2022116008A1 (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/CN2020/133157 WO2022116008A1 (zh) 2020-12-01 2020-12-01 一种信源数量估计的方法、装置和存储介质
CN202080004781.5A CN112639511B (zh) 2020-12-01 2020-12-01 一种信源数量估计的方法、装置和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2020/133157 WO2022116008A1 (zh) 2020-12-01 2020-12-01 一种信源数量估计的方法、装置和存储介质

Publications (1)

Publication Number Publication Date
WO2022116008A1 true WO2022116008A1 (zh) 2022-06-09

Family

ID=75291270

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2020/133157 WO2022116008A1 (zh) 2020-12-01 2020-12-01 一种信源数量估计的方法、装置和存储介质

Country Status (2)

Country Link
CN (1) CN112639511B (zh)
WO (1) WO2022116008A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116008944A (zh) * 2023-01-18 2023-04-25 珠海微度芯创科技有限责任公司 一种毫米波fmcw雷达空间维信源数判断方法和装置
CN116106854A (zh) * 2023-04-13 2023-05-12 湖南工商大学 一种联合差分矩阵和时延法的信源数估计方法
CN117148309A (zh) * 2023-11-01 2023-12-01 德心智能科技(常州)有限公司 应用于社区网格巡查的毫米波雷达人体感知方法及系统
CN117630993A (zh) * 2024-01-15 2024-03-01 华中科技大学 一种基于sair多快拍的rfi源地理定位方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113253196A (zh) * 2021-06-01 2021-08-13 中国电子科技集团公司第三十六研究所 一种多信号测向方法、装置和电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106886627A (zh) * 2017-01-09 2017-06-23 广东工业大学 一种m‑uca估计m‑1个信源的建模方法
US20190369204A1 (en) * 2018-05-31 2019-12-05 Electronics And Telecommunications Research Institute Position estimation method for estimating position of interference signal source and position estimation system for performing the method
CN110690930A (zh) * 2019-09-27 2020-01-14 清华大学 信源数量检测方法及装置
CN111738291A (zh) * 2020-05-18 2020-10-02 广东工业大学 一种基于增广加权盖尔圆矩阵的信源个数估计建模方法

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100703322B1 (ko) * 2004-05-07 2007-04-03 삼성전자주식회사 배열 안테나 시스템을 위한 빔 형성 장치 및 방법
US7019688B1 (en) * 2005-03-24 2006-03-28 Honeywell International Inc. LAAS ground facility sigma monitor
CN101572581A (zh) * 2008-04-29 2009-11-04 株式会社Ntt都科摩 一种信干噪比确定方法及装置
CN101795150B (zh) * 2010-03-09 2013-01-23 西安电子科技大学 强弱信号的波达方向与信源数估计方法
CN101827045B (zh) * 2010-04-26 2013-06-05 华为技术有限公司 接收信号处理方法和接收机
US9916538B2 (en) * 2012-09-15 2018-03-13 Z Advanced Computing, Inc. Method and system for feature detection
CN104698433B (zh) * 2015-03-16 2017-08-29 电子科技大学 基于单快拍数据的相干信号doa估计方法
CN104991236B (zh) * 2015-06-18 2017-10-31 哈尔滨工程大学 一种单基地mimo雷达非圆信号相干源波达方向估计方法
CN105717529B (zh) * 2015-09-22 2018-11-02 西华大学 一种基于无线电信号路测功率值的信源定位方法
WO2017108097A1 (en) * 2015-12-22 2017-06-29 Huawei Technologies Duesseldorf Gmbh Localization algorithm for sound sources with known statistics
CN106443573B (zh) * 2016-09-14 2018-12-28 清华大学 大规模天线阵列信号的波达方向单快拍快速估计方法及装置
US10264350B2 (en) * 2017-03-03 2019-04-16 Panasonic Intellectual Property Corporation Of America Sound source probing apparatus, sound source probing method, and storage medium storing program therefor
CN109150424B (zh) * 2017-06-15 2021-09-07 华为技术有限公司 参考信号、消息的传输方法、传输资源确定方法和装置
CN109633525B (zh) * 2018-11-29 2021-01-19 上海无线电设备研究所 一种快速的均匀圆阵空间谱测向实现方法
CN111781575B (zh) * 2020-07-13 2023-07-21 深圳大学 一比特信号单快拍波达方向估计方法及相关组件

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106886627A (zh) * 2017-01-09 2017-06-23 广东工业大学 一种m‑uca估计m‑1个信源的建模方法
US20190369204A1 (en) * 2018-05-31 2019-12-05 Electronics And Telecommunications Research Institute Position estimation method for estimating position of interference signal source and position estimation system for performing the method
CN110690930A (zh) * 2019-09-27 2020-01-14 清华大学 信源数量检测方法及装置
CN111738291A (zh) * 2020-05-18 2020-10-02 广东工业大学 一种基于增广加权盖尔圆矩阵的信源个数估计建模方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ZHANG XING-LIANG;WANG KE-REN;FAN FU-HUA: "Detection of Number of Sources Based on Secondary Feature Extraction Using Neural Network", FIRE CONTROL & COMMAND CONTROL, vol. 39, no. 5, 15 May 2014 (2014-05-15), pages 13 - 17, XP055936223, ISSN: 1002-0640 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116008944A (zh) * 2023-01-18 2023-04-25 珠海微度芯创科技有限责任公司 一种毫米波fmcw雷达空间维信源数判断方法和装置
CN116008944B (zh) * 2023-01-18 2023-10-10 珠海微度芯创科技有限责任公司 一种毫米波fmcw雷达空间维信源数判断方法和装置
CN116106854A (zh) * 2023-04-13 2023-05-12 湖南工商大学 一种联合差分矩阵和时延法的信源数估计方法
CN117148309A (zh) * 2023-11-01 2023-12-01 德心智能科技(常州)有限公司 应用于社区网格巡查的毫米波雷达人体感知方法及系统
CN117148309B (zh) * 2023-11-01 2024-01-30 德心智能科技(常州)有限公司 应用于社区网格巡查的毫米波雷达人体感知方法及系统
CN117630993A (zh) * 2024-01-15 2024-03-01 华中科技大学 一种基于sair多快拍的rfi源地理定位方法
CN117630993B (zh) * 2024-01-15 2024-04-12 华中科技大学 一种基于sair多快拍的rfi源地理定位方法

Also Published As

Publication number Publication date
CN112639511B (zh) 2022-07-01
CN112639511A (zh) 2021-04-09

Similar Documents

Publication Publication Date Title
WO2022116008A1 (zh) 一种信源数量估计的方法、装置和存储介质
Zheng et al. Accurate detection and localization of unmanned aerial vehicle swarms-enabled mobile edge computing system
Molchanov et al. Classification of aircraft using micro-Doppler bicoherence-based features
Wang et al. Deep learning-based UAV detection in pulse-Doppler radar
Jordanov et al. Classifiers accuracy improvement based on missing data imputation
Liu Multi-feature fusion for specific emitter identification via deep ensemble learning
CN112213697B (zh) 一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法
Yao et al. Wideband DOA estimation based on deep residual learning with Lyapunov stability analysis
Roos et al. Probabilistic SVM for open set automatic target recognition on high range resolution radar data
Lin et al. Parameter estimation of frequency-hopping signal in uca based on deep learning and spatial time–frequency distribution
CN113109760B (zh) 一种基于组稀疏的多线谱联合doa估计和聚类方法及系统
US11280899B2 (en) Target recognition from SAR data using range profiles and a long short-term memory (LSTM) network
Fink et al. Feature-based gesture classification by means of high resolution radar measurements
Fan et al. A meta-learning-based approach for hand gesture recognition using FMCW radar
Han et al. Radar clutter classification using expectation-maximization method
Mingqiu et al. Classification of radar signals using time-frequency transforms and fuzzy clustering
Liu et al. Evaluation method for HRRP imaging quality based on intuitionistic interval fuzzy set
Chahrour et al. Direction of Arrival Estimation using Riemannian Mean and Distance
Hu et al. Noise-robust radar HRR target recognition based on complex Gaussian statistical models
Hou et al. Target detection with linear and kernel subspaces matching in the presence of strong clutter
CN113759325B (zh) 基于极化不变量和极化分解的海面角反射器干扰鉴别方法
Shi et al. A volume correlation subspace detector for signals buried in unknown clutter
Yang et al. Human Intrusion Detection System using mm Wave Radar
Tseng et al. Adaptive Trajectories CFAR Mirror Filters and Elevation Angle Evaluation for MIMO Radar-Based Hand Gesture Recognition
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

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20963856

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20963856

Country of ref document: EP

Kind code of ref document: A1