欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2021116142572
申请人: 海南慕凡企业管理有限公司
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.基于深度学习的无网格波达方向估计方法,其特征在于:步骤(1)阵列输出建模;

T

来自θ=[θ1,θ2,…,θK]方向的K个窄带信号,入射到具有N个阵元的阵列,θk为第k个入射信号的波达方向,k=1,2,...,K;阵列在t时刻的输出模型为:x(t)=A(θ)s(t)+η(t);

表示噪声向量, 表示复高斯分布,第一个参数位置表示均值向2

量,第二个参数位置表示协方差矩阵,σ 表示噪声功率,IN表示N维单位矩阵;s(t)=[s1T T(t),…,sK(t)]表示t时刻的K个信号,(·) 表示转置, Rs为信号协方差矩阵;阵列的流型矩阵A(θ)=[a(θ1),…,a(θK)],a(θk)表示导向矢量,若阵列为均匀线阵,λ为信号的波长,d是阵元间隔,步骤(2)生成神经网络训练数据集;

数据集共包含P条数据,每条数据由向量z和对应的标签R组成,每条数据生成方式为:首先,在信噪比范围(SNRmin,SNRmax)内随机选取信噪比为SNR,随机生成T个快拍的s(t)2

和η(t),t=1,2,…,T,满足SNR=10log10(mean(diag(Rs))/σ);其中,diag(·)表示取对应矩阵的对角元素构成向量,mean(·)表示取对应向量元素的均值;在入射角范围(‑θmax,θmax)内不重复选取K个角度构成向量θ,生成A(θ);将s(t)、η(t)和A(θ)带入阵列输出模型,得到阵列输出为x(t);

H

然后,计算样本协方差矩阵 (·) 表示共轭转置,取 上三角元2

素的实部和虚部和对角元素,构成向量z,则z共有N个实数元素;

H 2

最后,计算标签R=A(θ)RSA(θ)+σIN;

步骤(3)设计神经网络架构及构建半正定协方差矩阵;

2 2

神经网络输入层维度为N,输出层维度为2N,具有L个隐藏层,每个隐藏层含有M个神经元,每层通过全连接网络实现,每个隐藏层之间都存在激活函数;神经网络表示为y=f(z),网络输出 利用y得到辅助矩阵F:2

(3‑1)取网络输出的前N 个值 构造F的实部矩阵Fr,依次取分别作为Fr的一个列向量;

(3‑2)取 按照(3‑1)方法构造出F的虚部矩阵Fi;

(3‑3)将虚部矩阵Fi和实部矩阵Fr结合构造出辅助矩阵F=Fr+jFi;

H

使用辅助矩阵F构建半正定协方差矩阵RF:RF=FF;

步骤(4)设置损失函数并训练神经网络;

将训练神经网络的损失函数设置为 vec(·)表示矩阵按列向‑1/2

量化,||·||2表示求向量的2范数,左乘Σ 表示白化去相关,其中 表T

示矩阵R与矩阵R的Kronecker积;基于损失函数通过后向传播算法对网络进行训练以更新网络参数,训练完成得到神经网络步骤(5)利用神经网络重构半正定协方差矩阵,并估计信号源数对测试数据构成新的向量z,输入到神经网络 中,得到神经网络输出 由重构的半正定协方差矩阵 方法与步骤(3)中由y构建RF的方法相同;根据下述方法估计信号源数:对 进行特征分解得到从大到小排列的特征值v1≥v2≥…≥vN‑1≥vN;

计算特征值的差 计算序列 的方差最终,估计信号源数

表示取使h(j)最小的j,中间参数步骤(6)利用重构的半正定协方差矩阵估计信号波达方向;

对重构的 进行特征分解, 提取由 个最大特征值对应的特征向量构成信号子空间Us;然后计算映射矩阵 其中 为删去Us的第一行后得到的矩阵,Us为删去Us的最后一行后得到的矩阵, 表示求矩阵的伪逆;最后对Ψ进行特征分解得到 个特征值 则信号的方向估计为:arg(·)表示求复数的辐角主值,arccos[·]表示求反余弦。