申请/专利权人：西北工业大学

申请日：2022-05-14

公开（公告）日：2024-04-23

公开（公告）号：CN114994627B

主分类号：G01S7/41

分类号：G01S7/41;G06N3/045;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.23#授权;2022.09.20#实质审查的生效;2022.09.02#公开

摘要：本发明公开了一种基于深度神经网络与子空间原理的测向方法，首先构建具有多个阵元的阵列，得到阵列观测数据向量，然后估计并补偿幅度误差，构造不包含相位信息的向量；再构造协方差矩阵，获得由数据‑标签对组成的训练数据‑标签集合；利用训练数据‑标签集合训练深度神经网络；经过测试后，利用联合迭代方式获得目标角度细估计值。本发明提升了深度神经网络的泛化能力，获得了稳健高精度的目标角度估计，可以应用于阵列幅相误差条件下的目标探测。

主权项：1.一种基于深度神经网络与子空间原理的测向方法，其特征在于，包括如下步骤：步骤1：阵列由M个标量传感器组成，每个标量传感器为一个阵元；K个远场、窄带目标信号入射到阵列，第k个目标信号的波达角为θk，k＝1,2,…,K；第m个阵元的接收信号为rmn；M个阵元的观测数据向量为rn＝[r1n,r2n,…,rMn]T，其中，·T表示转置操作，m＝1,2,…,M；步骤2：根据rn，估计并补偿幅度误差，得到rcan；步骤2-1：根据阵列观测数据向量rn，估计协方差矩阵·H表示共轭转置操作，Ns表示采样数；步骤2-2：对特征分解得到： 其中，特征值按降序排列；βm为噪声特征值，mK；um为βm对应的特征向量；步骤2-3：根据噪声特征值估计幅度误差： 其中，为m个阵元的幅度误差估计值，表示矩阵表示矩阵第m行第m列的元素，表示矩阵第1行第1列的元素；步骤2-4：对阵列观测数据向量rn进行幅度补偿得到其中，步骤3：根据rcan，构造不包含相位信息的向量rdn＝rcan⊙rcan*，其中⊙表示向量对应元素相乘，·*表示取共轭操作；步骤4：构造协方差矩阵步骤5：根据获得由N组数据-标签对组成的训练数据-标签集合{x1,y1,x2,y2,…,xN,yN}；步骤5-1：取的上三角元素排列组成一个维的向量 步骤5-2：对x0进行归一化得到一个维的向量xi＝x0-meanx0||x0-meanx0||2，其中mean·表示取均值，||·||2表示2范数；对应的标签数据为L维的向量yi，其中L为深度神经网络的输出维度；定义yi的第l个元素为yil，yil由下式计算得到： 其中η为角度搜索步长，i＝1,2,…,N；获取数据-标签对xi,yi；步骤5-3：在不同场景下获得N组观测数据rn，并根据步骤4，获得N组相应的根据步骤5-1和5-2获得由N组数据-标签对组成的训练数据-标签集合{x1,y1,x2,y2,…,xN,yN}；步骤6：利用训练数据-标签集合{x1,y1,x2,y2,…,xN,yN}训练深度神经网络；步骤7：测试阶段，获得不在训练数据集合中的输入数据xt，输入到经过步骤6训练后的深度神经网络中，获得输出空间谱；通过谱峰搜索获得目标角度粗估计值步骤8：利用联合迭代方式获得目标角度细估计值步骤8-1：根据阵列观测数据向量rn估计协方差矩阵步骤8-2：对协方差矩阵特征值分解，得到其中特征值λm按降序排列；λm为特征值，vm为λm对应的特征向量；噪声子空间Unoise＝[vK+1,vK+2,…,vM]；步骤8-3：初始化迭代次数e＝0、目标角度为计算 diag{·}表示把向量转化为对角矩阵；步骤8-4：使e加1；估计阵列幅相误差如下： 其中，w＝[1,0,0,...,0]T；步骤8-5：通过搜索空间谱的谱峰位置，估计目标的角度如下： 其中，表示函数取最小值时的θ值，△为角度范围值；步骤8-6：若满足迭代终止条件abs{Je-Je-1}ε，其中，ε为常数，Je＝δeHQeδe，abs{·}表示对函数取绝对值，返回角度细估计值迭代终止；否则，返回步骤8-4，继续迭代。

全文数据：

权利要求：

百度查询： 西北工业大学 一种基于深度神经网络与子空间原理的测向方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD