基于深度神经网络的相干源DOA估计方法

本发明涉及无线通信，具体指一种基于深度神经网络的相干源doa估计方法。

背景技术：

1、doa(direction of arrival，到达波方向)估计是一种常见的阵列处理任务。基于子空间的方法已经成为了常用的doa估计方法。包括著名的多重信号分类方法(music:multiple signal classification)。基于子空间的方法通过利用信号子空间和噪声子空间的正交性来获取空间伪谱，从而进行方向性到达角(doa)估计。其中，以music为代表的特征结构分析法具有出色的角度分辨能力。然而，这些方法存在一些缺点，包括高计算复杂度、较慢的估计速度和不太适合实时应用的问题，且对于相干源效果较差。

2、虽然可以训练深度神经网络来估计信号的方向角，而无需对信号模型施加特定要求,但这些深度神经网络通常需要使用大量数据集进行训练,这极大限制了这类算法的应用场景。

技术实现思路

1、为了克服现有研究的不足，本发明提供了一种基于深度神经网络的相干源doa估计方法，该方法doa研究中能够进行有效解码，从而有效提高了预测正确率。

2、步骤1.接收端通过麦克风阵列接收信源信号

3、步骤2.对采集信源信号进行预处理

4、步骤3.通过设计的自编码器对采集数据进行处理产生数据的协方差估计

5、步骤4.利用产生的协方差估计矩阵构建toeplitz重构矩阵

6、步骤5.将构建的toepliez重构矩阵通过esprit算法进行doa估计

7、进一步说，步骤1中使用麦克风阵列为均匀线阵，传感器的数量为n，传感器的间距为d且小于半波长，在每个离散时间t，阵列输出信号矢量x(t)＝[x1(t),x2(t),…,xn(t)]t可表示为：

8、x＝a(θ)s+v        (1)

9、式中，v表示均值为0，方差为φ2的高斯白噪声，a(θ)＝[a(θ1)·…,a(θm)]为阵列导向矢量，s为源信号矩阵。

10、阵列输出的协方差矩阵为：其中rs表示r的协方差。

11、作为优选，步骤2中对采集信号进行预处理，具体步骤如下：

12、固定最大滞后数τmax>0且不大于最小快拍数tmin，对于每个τ∈0,1,…,τmax，可计算出经验自相关为：

13、

14、经处理后所提取的特征为n×n×τmax维张量。提取该张量的实部与虚部进行合并组成2n×n×τmax维张量。

15、作为优选，步骤3中的自动编码器包括输入层、三个卷积层、三个反卷积层，且各层分布依次为i、c1、c2、c3、d1、d2、d3，其中，i表示输入层，cm表示第m层卷积层，dm表示第m层反卷积层。使用的卷积层均采用2*2的卷积核以及使用leakyrelu激活函数，所述leakyrelu激活函数定义为：f(z)＝max(αz,z)，其中α为leakyrelu超参数。所述自编码器采用均方根相位误差(rmspe)作为损失函数。具体公式如下：

16、

17、其中,modπ表示对于感兴趣角度范围的取模运算，即p是所有m×m置换矩阵的集合,表示使用上述自动编码器得出的代理协方差矩阵，表示通过将上述代理协方差矩阵重构为toeplitz矩阵后使用esprit算法恢复的doa。

18、在数据集d上评估的损失计算如下：

19、

20、所述自编码器通过以下步骤训练：

21、将步骤1中采集的信号输入到自编码器中，对自编码器进行训练。训练时，所述神经网络模型每次训练的学习率(learning rate)为0.01，批大小(batch size)为64，回合数(epoch)为40，最大滞后数τ＝8。

22、由于自动编码器输出为2n×n矩阵，将该矩阵前n行视为实部，其余n行视为虚部得到矩阵即为最终输出的协方差估计，其中，∈为固定值，优选地设置为1，in为n×n的单位矩阵。

23、作为优选，步骤4中toeplitz矩阵重构方法为：

24、对于步骤3中得到的n×n维张量中第k列取后m行组成向量rowk，取前m行并倒序组成向量colk，其中，表示向上取整；

25、将colk和rowk作为第一列和第一行构建m×m维toeplitz矩阵rk；

26、累加得到

27、rtoeplitz进行平滑，具体公式如下：

28、

29、其中，j为m×m维反单位矩阵，为rtoeplitz的共轭矩阵。

30、作为优选，步骤5中esprit算法具体步骤如下：

31、对步骤4中得到的m×m维协方差矩阵估计进行奇异值分解，得到分解后的左奇异向量u；

32、取u前k列，k为信源数，记为us；

33、取us前m-1行和后m-1行，分别记为us1和us2；

34、对us1和us2进行列合并，记us12＝[us1，us2]；

35、进行奇异值分解，得到左奇异向量e；

36、将e分解成4个小矩阵，记

37、按照旋转不变性公式得到旋转不变矩阵m，具体公式如下：

38、

39、其中，表示e22的逆矩阵；

40、对矩阵m进行特征值分解得到特征值dm；

41、根据公式得出doa结果，具体公式如下：

42、θ＝arcsin(angle(dm)/π)*180/π       (7)

43、其中，angle(·)表示对应向量组成复数的辐角主值。

44、本发明具有以下的特点和有益效果：

45、本发明所构建的卷积神经网络使用原始信号的经验自相关作为输入。

46、本发明提出的doa估计方法采用经验自相关作为自编码器输入，故对于信号的快拍数不作要求。

47、本发明通过自编码器自动提取协方差矩阵，不同于传统子空间算法基于相干源的假设，本发明可以在相干源的环境下提取出合适的协方差矩阵。

48、本发明提出的doa估计方法通过与其他先进算法比较，说明了在信噪比为0db、5db、10db、20db下误差较其他先进算法低，且在低信噪比下较其他先进算法误差更低。

49、综上所述，本发明针对doa估计研究中扮演着重要角色，传统的基于子空间对于相干源表现较差。在数据集上验证了所述doa估计方法的性能，并于其他先进算法进行了比较，通过比较可得出本发明所提供的技术方案性能较好。

技术特征：

1.一种基于深度神经网络的相干源doa估计方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于深度神经网络的相干源doa估计方法，其特征在于，所述步骤s1中使用麦克风阵列为均匀线阵，传感器的数量为n，传感器的间距为d且小于半波长，在每个离散时间t，阵列输出信号矢量x(t)＝[x1(t),x2(t),…,xn(t)]t可表示为：

3.根据权利要求2所述的基于深度神经网络的相干源doa估计方法，其特征在于，所述麦克风阵列输出的协方差矩阵为：其中rs表示r的协方差。

4.根据权利要求1所述的基于深度神经网络的相干源doa估计方法，其特征在于，步骤s2中对采集信源信号进行预处理，具体步骤如下：

5.根据权利要求3所述的基于深度神经网络的相干源doa估计方法，其特征在于，所述步骤s3中，卷积层均采用2*2的卷积核以及使用leakyrelu激活函数，所述leakyrelu激活函数定义为：f(z)＝max(αz,z)，其中α为leakyrelu超参数。

6.根据权利要求4所述的基于深度神经网络的相干源doa估计方法，其特征在于，所述自编码器采用均方根相位误差作为损失函数，具体公式如下：

7.根据权利要求5所述的基于深度神经网络的相干源doa估计方法，其特征在于，所述损失函数的评估方法如下：

8.根据权利要求1所述的基于深度神经网络的相干源doa估计方法，其特征在于，所述自编码器的训练方法如下：

9.根据权利要求1所述的基于深度神经网络的相干源doa估计方法，其特征在于，步骤s4中toeplitz矩阵重构方法为：

10.根据权利要求8所述的基于深度神经网络的相干源doa估计方法，其特征在于，步骤s5中esprit算法具体步骤如下：

技术总结本发明公开了一种基于深度神经网络的相干源DOA估计方法，包括如下步骤：S1、接收端通过麦克风阵列接收信源信号；S2、对采集信号进行预处理；S3、通过设计的自编码器对采集数据进行处理产生数据的协方差估计；S4、利用产生的协方差估计矩阵构建toeplitz重构矩阵；S5、将构建的toepliez重构矩阵通过ESPRIT算法进行DOA估计，该方法DOA研究中能够进行有效解码，从而有效提高了预测正确率。技术研发人员：席旭刚,钱灵风,李文国,金燕,汪婷受保护的技术使用者：杭州电子科技大学技术研发日：技术公布日：2024/2/19