一种多个外辐射源下运动目标回波的DOA估计方法
专利汇可以提供一种多个外辐射源下运动目标回波的DOA估计方法专利检索，专利查询，专利分析的服务。并且本 发明 属于通信技术与 信号 处理技术领域，公开了一种多个外 辐射 源下运动目标回波的DOA估计方法，对天线阵列接收到的混合回波信号进行预处理，求得信号的协方差矩阵，并提取上三 角 元素的 实部 和 虚部 构建为一个一维矩阵作为稀疏自 编码器 的输入；利用稀疏自编码器将来自不同的区域的信号进行分类；对稀疏自编码器输出的P个结果构成一个一维矩阵，再将一维矩阵转换成协方差矩阵形式，将矩阵分为实部矩阵和虚部矩阵作为双通道输入送入P个 卷积神经网络 ；利用卷积神经网络实现不同子区域信号的DOA估计，P个卷积神经网络的 输出层 神经元表示P个子区域在 水 平方向上的角度。当 信噪比 大于0dB时，信噪比估计的归一化均方误差小于1。，下面是一种多个外辐射源下运动目标回波的DOA估计方法专利的具体信息内容。
1.一种多个外辐射源下运动目标回波的DOA估计方法，其特征在于，所述多个外辐射源下运动目标回波的DOA估计方法包括：
步骤一，对天线阵列接收到的混合回波信号进行预处理，求得信号的协方差矩阵，并提取上三角元素的实部和虚部构建为一个一维矩阵作为稀疏自编码器的输入；
步骤二，利用稀疏自编码器将来自不同的区域的信号进行分类，编码器将输入矢量压缩到较低维度，P个解码器再将其恢复到原始尺寸，P个解码器的输出结果表示第p个子区域方向上的信号相关信息；
步骤三，对稀疏自编码器输出的P个结果构成一个一维矩阵，再将一维矩阵转换成协方差矩阵形式，将矩阵分为实部矩阵和虚部矩阵作为双通道输入送入P个卷积神经网络；
步骤四，利用卷积神经网络实现不同子区域信号的DOA估计，P个卷积神经网络的输出层神经元表示P个子区域在水平方向上的角度，当信号来自于某个角度时，该方向相邻的两个神经元的值不为零，而其它输出层神经元的输出值均为零，综合输出层神经元的输出值，实现对目标回波的DOA估计。
2.如权利要求1所述的一种多个外辐射源下运动目标回波的DOA估计方法，其特征在
于，由M个阵元组成的全向天线阵列接收到K个独立的信号，入射角度均为是θ，第k个信号表示为sk(t)，在t1，…,tN对接收到的信号进行采样，得到X＝[x(t1),…,x(tN)]，阵列输出中包含零均值高斯噪声v(t)，所接收的信号表示为：
式中的信号方向和阵列输出之间的映射不再保持，用e表示误差参数，那么天线阵列的输出应修改如下：
其中，a(θ)及其扰动变量a(θ,e)为酉向量，且||a(θ)||2＝||a(θ,e)||2＝1，||·||2表示l2范数；
将接收信号的协方差矩阵作为稀疏自编码器的输入，协方差矩阵为：
Rxx＝E[x(t)xH(t)]＝ASAH+RV；
其中，x(tn)为对接收信号进行采样后得到的离散信号，其中n＝1,2,…,N，E[·]与(·)H分别表示期望和共轭变换，S和RV分别表示信号协方差矩阵以及噪声协方差矩阵为：
S＝E[s(t)sH(t)]；
RV＝E[v(t)vH(t)]；
因为噪声服从零均值高斯分布，认为：
RV＝σ2I；
其中σ是噪声方差，将协方差矩阵重写为：
Rxx＝E[x(t)xH(t)]＝ASAH+σ2I；
Rxx为对称矩阵，因此只需要输入协方差矩阵的上三角部分并做归一化处理：
式中， 表示协方差矩阵中第m1行，第m2列的元素，Real{·}、Imag{·}分别表示实
部和虚部。
3.如权利要求1所述的一种多个外辐射源下运动目标回波的DOA估计方法，其特征在
于，构造稀疏自编码器包括编码器和解码器两部分，其中编码器将输入矢量压缩到较低维度，以提取原始输入中的主成分，然后通过多任务解码将其恢复到原始尺寸，属于不同子区域的信号成分在不同的解码器中恢复，稀疏自编码器网络的输入为归一化后的协方差矩阵的上三角元素的实部和虚部，网络的相邻层根据前馈计算完全连接：
(p)
其中p表示子空间数目，(·) 符号表示与第p个子区域或是第p个稀疏自编码器任务
相关联的变量；下标 和 表示对相应的神经网络层， 表示第p个自动编码器在l1层
的输出，当l1≤L1时(·)(p)忽略，L1表示编码器网络和解码器网络的层数；稀疏自编码器的输入为c0＝r， 表示第p个稀疏自编码器从(l1-1)层到l1层的权重向量，
是第l1层的偏置向量； 表示第l1层的激活函数；编码器旨在将输入分解为P
个空间子区域；定义子区域的直接策略是选择P+1特定方向θ(0)＜θ(1)＜…＜θ(P)，选取的方向满足θ(1)-θ(0)＝θ(2)-θ(1)＝…＝θ(P)-θ(P-1),且[θ(0),θ(P)]包含目标信号可能存在的所有角度，如果将来自第p个子区域的信号分量用作稀疏自编码器的输入，则第p个解码器的输出预期等同于输入r，而其它解码器的预期输出为零；
将第p个稀疏自编码器的整体功能表示为F(p)(·)，如果来波方向θ∈[θ(p-1),θ(p)]，则F(p) (p)
(r)＝r，否则F (r)＝0；在DOA估计中稀疏自编码器的作用是对来自不同区域的信号分类，因此稀疏自编码器只有满足F(p)(r1+r2)＝F(p)(r1)+F(p)(r2)时，来自不同区域的多个信号组成的输入矢量分解为不同的解码器输出，所以在进行设计时，激活函数 应该是线性的，不设置激活函数，相邻隐含层之间的关系为：
4.如权利要求1所述的一种多个外辐射源下运动目标回波的DOA估计方法，其特征在
于，信号来自于第p个子区域，其中p＝1,2,3...,P，那么第p个解码器的输出与稀疏自编码器的输入形式相同，是由协方差矩阵上三角元素的实部和虚部构成的一维矩阵，在送往卷积神经网络进行DOA估计以前，对数据进行处理，将其变换成二维矩阵形式；
解码器输出构成的一维矩阵理论上是由对应子区域信号的协防差矩阵上三角元素组
成，将其变换为协方差矩阵的形式，考虑到卷积神经网络可能无法识别复数项，所以将信号的实部和虚部分开构成两个二维矩阵，获取的元素只包括协方差矩阵的上三角元素，但是根据协方差矩阵的对称性，补全矩阵的下三角元素：
其中， 由于协方差矩阵是对称的，因此实部构成的矩阵
和虚部构成的矩阵中的所有元素都可以由上三角元素变换得出；第p个解码器输出构成的协防差矩阵对应的实部矩阵和虚部矩阵应作为一组数据，一次性送入卷积神经网络中进行训练。
5.如权利要求1所述的一种多个外辐射源下运动目标回波的DOA估计方法，其特征在
于，利用卷积神经网络的多通道输入特性，第p个解码器对应的实部和虚部矩阵可以作为第p个卷积神经网络分类器的输入，输入数据通过以下操作步骤：
h＝σ(W*V+b)；
式中，V表示为输入数据，W表示经过训练的内核，b表示偏置量，σ(·)表示激活函数；内核是通过随机梯度下降法训练出来的；对全连接层的输出进行平均池化处理，再经过一次全连接层即可得到输出；
每个卷积神经网络的输出层神经元表示一定空间范围内的水平角度，每个神经元表示水平空间上的一个角度网格，综合每个分类器的所有输出单元，构成一个一维矩阵
判断出在这个子区域中是否存在信号；
当得到P个卷积神经网络的输出后，按顺序连接P个输出来估计信号来波方向：
仅预期接近真实信号方向的网格节点在y中具有正值，而所有其他网格节点都取零值，综合所有输出层神经元的值，得到DOA估计的结果。
6.一种应用权利要求1～5任意一项所述多个外辐射源下运动目标回波的DOA估计方法的通信信号处理系统。
一种多个外辐射源下运动目标回波的DOA估计方法
技术领域
背景技术
1967:1531-1537.)，是最早的关于阵列信号处理的方法。CBF算法计算的到达角是空间形式的平均周期图，采用了空域傅里叶谱信号处理方法。1967年，J.P.Burg提出了最大熵的伪谱估计(Maximum Entropy Spectral Estimation Method,MEM)算法，它是通过求解约束条件下使熵函数最大的伪谱进行DOA的估计(Capon J.High-resolution frequency-
wavenumber spectrum analysis[J].Proceedings of the IEEE,1969,57(8):1408-
1418.)。1969年，基于最小方差无失真响应(Minimum Variance Spectral Estimation Method,MVM)的算法被提出，作为一种自适应的波束形成算法，它不再受阵列物理孔径的影响，空间分辨能力得到了很大的提高。1979年，R.O.Schmit提出了多重信号分类(Multiple Signal Classification,MUSIC)算法。因为导向矢量中含有信号的全部信息，所以它与信号子空间是相同的，与噪声子空间正交。该算法首先计算天线阵列接收到信号的协方差矩阵，然后对它进行特征值分解，得到相互正交的两个子空间，进而得到各到达角的欧氏距离，最终对空间谱进行搜索以实现DOA估计，这个算法可以对波达方向做出无偏的估计。后来，最小范数(Min-Norm)算法(WuJ,Tong W,Zheng B.Fast realization of root MUSIC using multi-taper real polynomial rooting[J].Signal Processing,2015,106(C):
55-61)、第一主向量(First Principal Vector,FINE)MUSIC算法、求根MUSIC(Root-MUSIC)算法、特征矢量法(Fayad Y,Wang C,Cao Q,et al.A Developed ESPRIT Algorithm for DOA Estimation[J].Frequenz,2015,69(5-6).)等基于MUSIC算法并进行扩展的估计方法相继被提出。1986年，Roy等人在MUSIC算法思想的启发下，提出了ESPRIT(Estimation of Signal Parameters via Rotational Invariance Techniques)算法(Zhang Z C,Yu X H,Sun H X.Weighted Subspace Fitting DOA Estimation Based on Shuffled Frog
Leaping Algorithm[J].Applied Mechanics and Materials,2013,411-414.)，该算法以信号子空间旋转不变技术为理论基础，不用进行空间谱搜索，降低了运算量。1991年，Ottersten等人提出了基于加权子空间拟合(Weight Subspace Fitting,WSF)的估计算法(Philipp Heidenreich,Abdelhak M.Zoubir.Computational Aspects of Maximum
Likelihood DOA Estimation of Two Targets with Applications to Automotive Radar[M].Springer New York:2014-06-15.)，该算法与多维MUSIC估计、最大似然
(Maximum Likehoold,ML)估计[11]等算法统称为子空间拟合类算法，这类算法是通过获取阵列接收信号子空间和导向矢量矩阵的拟合关系进行估计的，估计性能优越。但这类方法涉及到非线性多维优化问题，后续研究主要集中在搜索算法的优化上。如Wax提出了一种交替投影(Alternating Projection,AP)的算法(Zhang Z,Lin J,Shi Y.Application of Artificial Bee Colony Algorithm to Maximum Likelihood DOA Estimation[J]
.Journal of Bionic Engineering,2013,10(1):100-109.)，Zhang Z C等提出应用人工蜂群(Artificial Bee Colony,ABC)仿生智能算法(孟非,王旭.基于PSO-BP神经网络的DOA估计方法[J].电讯技术,2012,52(05):694-698.)。
发明内容
是第l1层的偏置向量； 表示第l1层的激活函数。编码器旨在将输入分解为P
个空间子区域；定义子区域的直接策略是选择P+1特定方向θ(0)＜θ(1)＜…＜θ(P)，选取的方向满足θ(1)-θ(0)＝θ(2)-θ(1)＝…＝θ(P)-θ(P-1),且[θ(0),θ(P)]包含目标信号可能存在的所有角度，如果将来自第p个子区域的信号分量用作稀疏自编码器的输入，则第p个解码器的输出预期等同于输入r，而其它解码器的预期输出为零；
30,30,30]，阵元位置误差为[0.0,-1,-1,-1,-1,-1,1,1,1,1]，再定义一个乘性变量rho作为这些误差的系数，因此当rho取不同值时，代表着天线阵列缺陷不同；当rho分别取0.2，
0.5，0.8时，DOA估计结果的RMSE随SNR的变化如下图2所示，当信噪比在2db以上时，本发明所提出的方法已具有很高的估计精度，当信噪比大于等于4dB时，信噪比的RMSE稳定在0.4左右；且面对不同的阵列缺陷，本发明所提出的方法的估计精度基本保持一致，证明了本发明对于不同阵列缺陷的适应性。
附图说明
具体实施方式
重向量， 是第l1层的偏置向量。 表示第l1层的激活函数。编码器旨在将输入
分解为P个空间子区域。定义子区域的直接策略是选择P+1特定方向θ(0)＜θ(1)＜…＜θ(P)，选取的这些方向满足θ(1)-θ(0)＝θ(2)-θ(1)＝…＝θ(P)-θ(P-1),且[θ(0),θ(P)]应该包含了目标信号可能存在的所有角度。如果将来自第p个子区域的信号分量用作稀疏自编码器的输入，则第p个解码器的输出 预期等同于输入r，而其它解码器的预期输出为零。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种中断处理方法、系统及计算机可读存储介质 | 2020-05-25 | 1 |
| 通过云文件系统实现云存储接入的方法和装置 | 2020-08-14 | 2 |
| 具有变斜率全浓度梯度的锂离子电池正极材料及其合成方法 | 2020-12-19 | 1 |
| 一种基于ARM9的海底观测网节点电路 | 2021-03-13 | 1 |
| 内存分配方法和装置 | 2022-05-01 | 0 |
| 一种粗粒度可重构层次化的阵列寄存器文件结构 | 2022-12-28 | 0 |
| numa架构下的报文转发方法、装置、存储介质及电子设备 | 2021-02-07 | 1 |
| 一种分布式实时存储装置及其数据传输方法 | 2020-08-05 | 2 |
| 基于哈希算法的千万级网络会话表管理方法、系统、介质和设备 | 2020-09-24 | 1 |
| 一种旅游随身健康终端 | 2021-10-12 | 1 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
