1.一种基于深度学习的无网格信号源DOA估计方法,其特征在于:包括以下步骤,S1、接收端使用阵元数为M的稀疏阵列进行架构;
S2、利用步骤S1所架构的稀疏阵列接收入射信号并建模;
S3、计算稀疏阵列接收信号的采样协方差矩阵 计算生成接收信号所对应的协方差矩阵张量
S4、构造基于卷积神经网络的信号源个数估计网络,对信号源个数估计网络进行训练后,输入步骤S3所得协方差矩阵张量 得到估计信号源个数S5、构造基于卷积神经网络的信号降噪重构网络CRN,由步骤S4所得估计信号源个数对信号降噪重构网络CRN进行训练后,将步骤S3所得协方差矩阵张量 输入到信号降噪重构网络CRN,得到重构的无噪协方差矩阵的首行向量的估计值S6、由步骤S5所得无噪协方差矩阵的首行向量的估计值 恢复无噪协方差矩阵 并搜索信号源方向DOA。
2.如权利要求1所述的基于深度学习的无网格信号源DOA估计方法,其特征在于:步骤S2中,利用步骤S1所架构的稀疏阵列接收入射信号并建模,具体为,假设有K个窄带远场非相干信号源,则M个阵元的稀疏线性阵列的接收信号:其中,sk(t)为传输的信号,θK为未知方向的信号源角度,L为快拍数量,nΩ(t)为t时刻的加性高斯白噪声,阵列流形矩阵的第k列表示为其中,Ω={Ω1,Ω2,…,Ωm,…,ΩM}为稀疏阵列的索引集,Ωm为第m个阵元的索引。
3.如权利要求1所述的基于深度学习的无网格信号源DOA估计方法,其特征在于:步骤S3中,计算稀疏阵列接收信号的采样协方差矩阵 计算生成接收信号所对应的协方差矩阵张量 具体为,
S31、计算稀疏阵列接收信号的采样协方差矩阵 其中,L为快拍数量,yΩ(t)为M个阵元的稀疏线性阵列的接收信号;
S32、计算生成接收信号所对应的输入张量 为:M×M×2维张量,其第三维代表不同的通道,第一个通道为采样协方差矩阵的实部,即 第二个通道为采样协方差矩阵的虚部,即
4.如权利要求1所述的基于深度学习的无网格信号源DOA估计方法,其特征在于:步骤S4中,构造基于卷积神经网络的信号源个数估计网络,对信号源个数估计网络进行训练后,输入步骤S3所得协方差矩阵张量 得到估计信号源个数 具体为,S41、构造基于卷积神经网络的信号源个数估计网络,用于信号降噪重构网络CRN参数选择,信号源个数估计网络包括目标检测网络TDN和数据库,该数据库包含关于不同K的训练CRN参数集,目标检测网络TDN为通过协方差矩阵的输入张量来估计信号源个数的CNN网络;
S42、对目标检测网络TDN进行训练,获得目标检测网络TDN的参数;
S43、将协方差矩阵张量 输入训练后的目标检测网络TDN,目标检测网络TDN的输出表示为 其中, 为目标个数为j的概率,最大元素的索引 即为估计信号源个数
5.如权利要求4所述的基于深度学习的无网格信号源DOA估计方法,其特征在于:步骤S41中,构造基于卷积神经网络的信号源个数估计网络,具体为,S411、将目标数量检测建模为多标签分类任务,目标是将最大似然ML假设定义为从输入空间到输出空间的非线性函数fTDN,非线性函数由7层的CNN参数化,即S412、目标检测网络TDN的CNN架构包括三个卷积层和四个全连接层FC,每个函数{fi(·)}i=1,2,3代表卷积层,每个函数{fi(·)}i=4,5,6分别是全连接层,目标检测网络TDN的输出层f7(·)包括一个带有N‑1个神经元的全连接层和一个Softmax层,Softmax层返回[0,1]中的N‑1个值。
6.如权利要求4所述的基于深度学习的无网格信号源DOA估计方法,其特征在于:步骤S42中,对目标检测网络TDN进行训练,获得目标检测网络TDN的参数,具体为,S421、使用来自设定范围内的信号,进行目标检测网络TDN的训练,对于数据集中第i个(i) (i)
数据点的生成,信号的个数K 在[1,N‑1]中随机生成,然后K 个角度从设定范围中随机生成,如果两个生成的角度低于设定值,这个数据点将被视为无效然后重新生成;为了在低信噪比条件下获得良好的检测结果,数据集的信噪比从设定范围随机产生;
S422、对于第i个数据点,通过预处理生成输入张量 与输入相关联的标签是onehot(i)
编码的 其中第K 个元素是1,其他位置是0,因此,第i个数据点由形式的对组成,生成数据集 其中,D为数据集的大小, 为第D个标签;
S423、将实际输出和预期输出之间的交叉熵损失用作损失函数,即其中, 为第i个标签向量中的第n个元素, 为第i个输出向量中的第n个元素;
S424、将步骤S422所得 作为输入和预期输出来训练目标检测网络TDN,获得尽可能小的损失函数Lcross‑entropy的目标检测网络TDN的参数。
7.如权利要求1‑6任一项所述的基于深度学习的无网格信号源DOA估计方法,其特征在于:步骤S5中,构造基于卷积神经网络的信号降噪重构网络CRN,具体为,S51、将去噪和信号重建建模为回归任务,回归任务的目的是计算接收协方差矩阵张量与无噪协方差矩阵首行向量u的映射关系,定义为从输入空间到输出空间的非线性函数gCRN,非线性函数gCRN由7层CNN参数化,即,S52、信号降噪重构网络CRN的结构中,每个函数{gi(·)}i=1,2,3代表卷积层,每个函数{gi(·)}i=4,5,6是一个密集层;信号降噪重构网络CRN的的输出层g7(·)由一个带有2个神经元的全连接层和一个LeakyReLU层组成;信号降噪重构网络CRN的输出表示为其中, 为输出向量 的第2N个元素,N为M阵元稀疏阵列对应重构的线性阵列的阵元数。
8.如权利要求1‑6任一项所述的基于深度学习的无网格信号源DOA估计方法,其特征在于:步骤S5中,由步骤S4所得估计信号源个数 对信号降噪重构网络CRN进行训练,将步骤S3所得协方差矩阵张量 输入到信号降噪重构网络CRN,得到重构的无噪协方差矩阵的首行向量的估计值 具体为,
S53、根据不同的目标数量将训练分为N‑1种情况,对于每种情况,训练信号降噪重构网络CRN获得CRN参数,并将CRN参数存储在数据库中;在第k个情况下生成第i个数据点由对组成,获得数据集
其中, 为第i个数据点的张量, 为第k中情况下第i个标签,E为数据集ε的大小;
S54、将实际输出和预期输出之间的MSE损失用作损失函数,即其中, 为第k中情况下第i个输出向量的第n个元素, 为第k中情况下第i个标签向量的第n个元素;
S55、输入标签对 作为输入和预期输出来训练信号降噪重构网络CRN,获得尽可能小的损失函数LMSE的信号降噪重构网络CRN的参数;
S56、重复步骤S53‑步骤S55,将多个信号源个数情况下训练得到的权重文件存储到数据库中,在输入信源个数不同的情况下调用对应的权重文件到CRN;
S57、将协方差矩阵张量 输入到信号降噪重构网络CRN,得到重构的无噪协方差矩阵的首行向量的估计值
9.如权利要求8所述的基于深度学习的无网格信号源DOA估计方法,其特征在于:步骤S53中,在第k个情况下生成第i个数据点由对 组成,具体为,从设定范围随机生成k个角度,以显示无网格估计的有效性;数据集ε的SNR从设定范围随机生成;然后,通过预处理生成输入张量 对应的标签为其中,
(k,i)
u 为第k个情况下第i个数据点所对应的无噪声协方差矩阵的第一行,计算为(k,i)
其中A 表示第k个情况下第i个数据点的流形矩阵,从而生成第i个数据点由对 组成。
10.如权利要求1‑6任一项所述的基于深度学习的无网格信号源DOA估计方法,其特征在于:步骤S6中,恢复无噪协方差矩阵 并搜索信号源方向DOA,具体为,S61、由于无噪声协方差矩阵具有Toeplitz结构,由步骤S5所得无噪协方差矩阵的首行向量的估计值 通过Toeplitz过程从 恢复出恢复无噪协方差矩阵S62、通过求根多重信号分类算法或范德蒙特分解定理获得信号源方向DOA。