基于级联残差网络的双基互质MIMO阵列方位估计算法的制作方法

本发明涉及双基互质mimo阵列的doa和dod估计技术领域，特别是一种基于级联残差神经网络的双基互质mimo阵列doa与dod联合估计算法。

背景技术：

波达方向doa估计可以确定多个空间目标的方位角位置信息，具有高分辨率，广泛应用于通信、雷达、声呐、地震传感等领域。近年提出的互质阵列在阵元位置确定、相邻阵元耦合互扰等方面具有突出的优势，逐渐成为关注的热点。

多发多收mimo阵列主要用于对不具备辐射信号能力或者不存在稳定外部辐射源的目标进行探测，此时目标一般表现为相干与非相干目标混合的情况。基于mimo阵列的目标doa估计的自由度决定于“虚拟和协同阵”对应的“虚拟差协同阵”中虚拟阵元的位置数目，当收发阵列均采用均匀密布阵列结构时，“虚拟和协同阵”和“虚拟差协同阵”中存在多个虚拟阵元位于相同位置的情况，即存在大量冗余，造成了doa估计自由度的损失。为此，互质mimo阵列的设计即是考虑在相同物理阵元数目下减少虚拟阵元同位的情况，考虑到“物理阵列”到“虚拟和协同阵”再到“虚拟差协同阵”的复杂映射关系，目前常采用的稀疏mimo阵列为嵌套mimo阵列和互质mimo阵列，两种mimo阵列在“虚拟和协同阵”层面不存在虚拟阵元同位的情况，但在“虚拟差协同阵”层面仍然存在虚拟阵元同位的情况，虽然有一定的自由度损失，但阵列设计相对简单，已成为目前主流的互质mimo阵列结构。

基于双基互质mimo接收阵列的doa、dod估计方法，构建适用于非均匀互质阵列的深度学习方位识别网络，在保留传统信号处理类算法具有的方位分辨率高、最大可分辨目标数目突破物理阵元数目限制的优势下，进一步增强非均匀互质mimo阵列对目标方位估计的时效性和环境适应性，以及在低信噪比、低快拍、大方位角、相干目标条件下的鲁棒性。由于考虑到经典的深度神经网络在训练过程中可能会出现梯度爆炸和消失的缘故，本发明选择了残差神经网络。

该算法主要解决面向双基稀疏mimo阵列的、适用于窄带/宽带和多个相干/非相干目标的特征表达域的形成问题和对应的具备doa与dod估计与配对能力的深度学习网络的构建问题。其实质是采用两级残差神经网络级联的方式，第一级采用仅与doa相关的多频接收相关矩阵作为特征表达域，网络提取特征输出doa估计，doa估计结果作为先验信息辅助第二级网络从与doa和dod都相关的时频收发特征表达域提取特征实现dod的配对估计。维度扩充的多频接收特征表达域的使用有助于多目标的doa估计，同时联合时频收发特征表达域有助于窄带/宽带、相干/非相干目标的通用化处理。

技术实现要素：

有鉴于此，本发明的目的在于提供一种基于级联残差神经网络的双基互质mimo阵列doa与dod联合估计算法，结合了mimo的doa与dod匹配估计与深度学习。

为达到上述目的，本发明提供如下技术方案：

本发明提供的基于级联残差网络的双基互质mimo阵列方位估计算法，包括以下步骤：

(1)构造互质发射阵列，所述发射阵列包括两个子阵列构成，具体如下：

一个子阵的阵元发射坐标为a¹＝{a¹i|i＝0,qd,...(p-1)qd}；

另一个子阵的阵元的发射坐标为a²＝{a²i|i＝pd,2pd,...(2q-1)pd}；

其中，p和q为互质关系，q<p；i表示发射阵列中阵元坐标序号；

构造互质接收阵列，所述接收阵列包括两个子阵列构成，具体如下：

一个子阵列的阵元接收坐标为

另一个子阵列的阵元接收坐标为

其中，m和n为互质关系，m<n，λ为波长，对应发射信号的波长，阵元基础间距为j表示发射阵列中阵元坐标序号；

(2)由2q+p-1个发射阵元发射频率为c/2d的电磁波对空间目标进行探测，c为光在空气中传播的速度，电磁波通过空间中若干目标反射后由2m+n-1个接收阵元接收，通过匹配滤波对信号进行分离，得到(2m+n-1)×(2q+p-1)个通道的回波信号，对每个通道信号进行k次快拍采样，按照发射通道序号为行、接收通道序号为列排放时域多快拍数据，得到(2m+n-1)×(2q+p-1)×k的三维时域多快拍数据矩阵c，所述三维时域多快拍数据矩阵的表示式为：

c＝[¹c,²c,...ⁿc,...^kc]，其中，ⁿc为快拍序数均为n的多通道数据矩阵；

(3)对k次采样离散的(2m+n-1)×(2q+p-1)个通道信号中的每一通道信号进行l点离散傅里叶变换，并筛选出感兴趣的频率，得到三维不同频率的多通道数据矩阵x，多通道数据矩阵x的大小为(2m+n-1)×(2q+p-1)×l；

所述多通道数据矩阵x＝[¹x,²x,...^lx,...^lx]；

其中，^lx为频点位l的多通道数据矩阵；

^lx中的每一个元素为(2m+n-1)×(2q+p-1)个通道信号中的一个，且频点l，

^lx的每一排为同一接收阵元，不同发射阵元形成通道的信号；

^lx的每一列为同一发射阵元，不同接收阵元形成通道的信号；

(4)将矩阵^lx的每一排抽出，将第二排放置在第一排后面，将第三排放置在第二排后面，依次类推将矩阵^lx矢量化为向量所述向量具体如下：

将矢量化后的向量按照频率大小进行排序，并形成时频收发特征表达域矩阵u：

将矩阵u分解为两个对应的纯实数矩阵ur和纯虚数矩阵ui，所述纯实数矩阵ur和纯虚数矩阵ui的大小与矩阵u相同：

将纯虚数矩阵ui与-i进行点乘，得到与纯虚数矩阵ui矩阵大小相同的矩阵ui；完成信号doa和dod表征域信息提取，得到时频接收特征域矩阵ur和ui；

(5)对单频多通道数据矩阵^lx做相关运算得到单频相关矩阵rt(fl)；

(6)将rt(fl)中和值为非负的元素一一取出并按照和值大小进行重新排序，生成频点l的增广相关向量

其中，r^l(0)表示接收阵列中坐标为0的阵元接收到频点为l的信号数据；

r^l(2mn-n-1)表示接收阵列中坐标为2mn-n-1的阵元接收到频点为l的信号数据；

将得到的所有频率的增广相关向量按频率大小进行重新排序得到多频接收特征表达域矩阵t：

(7)将多频接收特征表达域矩阵t分解为两个对应的纯实数矩阵tr和纯虚数矩阵ti，所述纯实数矩阵tr和纯虚数矩阵ti的大小与多频接收特征表达域t相同；

将多频接收特征表达域ti与-i进行点乘，得到与纯虚数矩阵ti大小相同的多频接收特征域矩阵ti；

(8)构建两级级联残差神经网络，用于提取多频接收特征域矩阵中波的到达角度信息和时频收发特征表达域矩阵中波的离开角度信息；

构建第一级残差神经网络用于doa估计，输入为多频接收特征域矩阵trti；

构建第二级残差神经网络，输入为时频接收特征域矩阵urui；

最终完成信号的doa与dod匹配估计问题。

进一步，所述三维时域多快拍数据矩阵c具体如下：

c＝[¹c,²c,…ⁿc,…^kc]，其中ⁿc为：

其中，ⁿc中的每一个元素为(2m+n-1)×(2q+p-1)个通道信号中的一个，且快拍序数为n，每一排为同一接收阵元，不同发射阵元形成通道的信号，每一列为同一发射阵元，不同接收阵元形成通道的信号；

其中，表示第1个发射阵元与第1个接收阵元形成的快拍序数为n的通道信号数据；

表示第2p+q-1个发射阵元与第2m+n-1个接收阵元形成的快拍序数为n的通道信号数据。

进一步，所述多通道数据矩阵x按照以下公式计算：

x＝[¹x,²x,…^lx,…^lx]，其中^lx为单频多通道数据矩阵，所述单频多通道数据矩阵按照以下公式得到：

其中，^lx中的每一个元素为(2m+n-1)×(2q+p-1)个通道信号中的一个，且频点为l；^lx的每一排为同一接收阵元，不同发射阵元形成通道的信号，^lx的每一列为同一发射阵元，不同接收阵元形成通道的信号；

其中，表示第1个发射阵元与第1个接收阵元形成的频点为l的通道信号数据；

表示第2p+q-1个发射阵元与第2m+n-1个接收阵元形成的频点为n的通道信号数据。

进一步，所述时频接收特征域矩阵ui按照以下步骤得到：

将矩阵^lx的每一排抽出，将第二排放置在第一排后面，将第三排放置在第二排后面，依次类推将矩阵^lx矢量化为向量

将矢量化后的向量按照频率大小进行排序，并形成时频收发特征表达域矩阵u：

其中，表示第1个发射阵元与第1个接收阵元形成的频点为l的通道信号数据；

表示第2p+q-1个发射阵元与第2m+n-1个接收阵元形成的频点l的通道信号数据；

将矩阵u分解为两个对应的纯实数矩阵ur和纯虚数矩阵ui，所述纯实数矩阵ur和纯虚数矩阵ui的大小与u相同：

所述实数矩阵ur如下：

所述虚数矩阵ui如下：

其中，表示第1个发射阵元与第1个接收阵元形成的频点为1的通道信号数据的实数部分数据；

表示；第2p+q-1个发射阵元与第2m+n-1个接收阵元形成的频点为l的通道信号数据的实数部分数据；

表示；第1个发射阵元与第1个接收阵元形成的频点为1的通道信号数据的虚数部分数据；

表示；第2p+q-1个发射阵元与第2m+n-1个接收阵元形成的频点为l的通道信号数据的虚数部分数据；

将虚数矩阵ui与-i进行点乘，得到与虚数矩阵ui矩阵大小相同的矩阵ui；

ui＝ui.*(-i)；

完成信号doa和dod表征域信息提取，得到时频接收特征域矩阵ur和ui。

进一步，所述对单频多通道数据矩阵^lx做相关运算具体如下：

rt(fl)＝x(fl)x^h(fl)；

其中，q＝2mn-n-1，rt(fl)中的每个元素r(·)由两个物理阵元的和值决定；元素从-(2mn-n-1)一直延伸到2mn-n-1，rt(fl)表示单频多通道数据矩阵^lx；

其中，x(fl)即^lx表示频点为l的所有道信号数据的矩阵；

x^h(fl)表示表示频点为l的所有道信号数据的矩阵的共轭转置；

r(-q)表示坐标为-q的接收阵元接收到的信号数据。

进一步，所述多频接收特征域矩阵按照以下步骤得到：

将单频多通道数据矩阵rt(fl)中和值为非负的元素一一取出并按照和值大小进行重新排序，生成频点为l的增广相关向量

将得到的所有频率的增广相关向量按频率大小进行重新排序得到多频接收特征表达域矩阵t：

其中，r¹(0)表示；阵列的阵元坐标为0且频点为1的增广相关向量；

r^l(2mn-n-1)表示；阵列的阵元坐标为2mn-n-1且频点为l的增广相关向量；

将矩阵t分解为两个对应的纯实数矩阵tr和纯虚数矩阵ti，所述纯实数矩阵tr和纯虚数矩阵ti的大小与t相同；

所述实数矩阵tr如下：

所述虚数矩阵ti如下：

其中，rr¹(0)表示阵列的阵元坐标为0且频点为1的增广相关向量的实数部分；

rr^l(2mn-n-1)表示阵列的阵元坐标为2mn-n-1且频点为l的增广相关向量的实数部分；

ri¹(0)表示阵列的阵元坐标为0且频点为1的增广相关向量的虚数部分；

ri^l(2mn-n-1)表示阵列的阵元坐标为2mn-n-1且频点为l的增广相关向量的虚数部分；

将虚数矩阵ti与-i进行点乘，得到与虚数矩阵ti矩阵大小相同的矩阵ti；

ti＝ti.*(-i)；

完成目标信号表征域提取，得到多频接收特征域矩阵tr和ti。

进一步，所述第一级残差神经网络为多输入残差网络，具体结构为：并行第一层网络是卷积神经网络；二、三并行层为两个残差块，之后在第四残差块汇合，合并后的网络有六个残差块，再连接一层平均池化层，网络在最后连接一层有1800个神经元的全连接层，完成基于角度的分类问题，最终完成doa估计并输出信号的空间谱，分辨力为0.1°。

进一步，所述第二级残差神经网络为多输入残差网络，两个并行的网络在第四残差块汇合，最后输出神经元的全连接层，全连接层与作为先验信息的第一级网络的输出汇合,经过两个神经元数分别为2048、1800的全连接层，完成基于角度的分类问题，最终完成dod估计并输出信号的空间谱，分辨力为0.1°。

本发明的有益效果在于：

本发明提出了一种基于级联残差神经网络的双基互质mimo阵列doa与dod联合估计算法，包括对目标数量的估计，对多目标方位角的估计。该方法对传统的双基mimo的doa和dod估计中数据处理部分进行了改进。深度学习的方法相较于传统信号处理类算法有着更强的时效性，以及在低信噪比、低快拍、大方位角、相干目标条件下的鲁棒性方面均表现的更好。本发明采用的深度神经网络采用的是级联的网络结构，首先对阵列接收到的信号进行dft处理后再作相关处理，把处理后的信号送入神经网络得到信号的doa信息，把doa信息作为先验信息再送入级联网络中得出信号的dod信息，最终完成信号的doa与dod匹配估计问题。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为互质发射与接收阵列结构。

图2为总体结构图。

图3为第一级残差神经网络。

图4为第二级残差神经网络。

图5为两级级联残差神经网络。

图6为一次测量中k个目标的标签。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好的理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

如图1所示，图1为互质发射与接收阵列结构，黑色实心三角表示物理阵元，本实施例的基于级联残差神经网络的双基互质mimo阵列doa与dod联合估计算法，具体包括以下步骤：

(1)构造互质发射阵列，

一个子阵的阵元发射坐标为a¹＝{a¹i|i＝0,qd,…(p-1)qd}；

另一个子阵的阵元的发射坐标为a²＝{a²i|i＝pd,2pd,…(2q-1)pd}；

其中，p和q为互质关系，q<p；i表示发射阵列中阵元坐标序号；

构造互质接收阵列，所述接收阵列包括两个子阵列构成，具体如下：

一个子阵列的阵元接收坐标为

另一个子阵列的阵元接收坐标为

其中，m和n为互质关系，m<n，λ为波长，对应发射信号的波长，阵元基础间距为j表示发射阵列中阵元坐标序号；

本实施例提供的双基mimo阵列是建立在非同一坐标系下的阵元。

如图2所示，图2为总体结构图。

(2)由2q+p-1个发射阵元发射频率为c/2d的电磁波对空间目标进行探测，c为光在空气中传播的速度，电磁波通过空间中若干目标反射后由2m+n-1个接收阵元接收，通过匹配滤波对信号进行分离，得到(2m+n-1)×(2q+p-1)个通道的回波信号，对每个通道信号进行k次快拍采样，按照发射通道序号为行、接收通道序号为列排放时域多快拍数据，得到(2m+n-1)×(2q+p-1)×k的三维时域多快拍数据矩阵c，

c＝[¹c,²c,…ⁿc,…^kc]，其中ⁿc为：

其中，ⁿc中的每一个元素为(2m+n-1)×(2q+p-1)个通道信号中的一个，且快拍序数为n，每一排为同一接收阵元，不同发射阵元形成通道的信号。每一列为同一发射阵元，不同接收阵元形成通道的信号。

同时生成两个对应的角度标签向量t^doa和t^dod，标签均为大小为1×1800的向量，为后期神经网络训练提供标签，配置向量过程为：在t^doat^dod两个标签向量中在相应角度处置1其余角度处置0。

(3)对k次采样离散的(2m+n-1)×(2q+p-1)个通道信号中的每一通道信号进行l点离散傅里叶变换，并筛选出感兴趣的频率，得到三维不同频率的多通道数据矩阵x，矩阵x的大小为(2m+n-1)×(2q+p-1)×l，x＝[¹x,²x,…^lx,…^lx]，其中^lx为：

其中，^lx中的每一个元素为(2m+n-1)×(2q+p-1)个通道信号中的一个，且频点为l。^lx的每一排为同一接收阵元，不同发射阵元形成通道的信号。^lx的每一列为同一发射阵元，不同接收阵元形成通道的信号。

(4)将矩阵^lx的每一排抽出，将第二排放置在第一排后面，将第三排放置在第二排后面，依次类推将矩阵^lx矢量化为向量

将矢量化后的向量按照频率大小进行排序，并形成时频收发特征表达域矩阵u：

将矩阵u分解为两个对应的纯实数矩阵和纯虚数矩阵，矩阵大小与u相同：

实数矩阵ur

虚数矩阵ui

将虚数矩阵ui与-i进行点乘，得到与虚数矩阵ui矩阵大小相同的矩阵ui；

ui＝ui.*(-i)；

完成信号doa和dod表征域信息提取，得到时频接收特征域矩阵ur和ui；

(5)单频多通道数据矩阵x(fl)即^lx。对x(fl)做相关运算得到单频相关矩阵rt(fl)；

rt(fl)＝x(fl)x^h(fl)；

其中，q＝2mn-n-1，rt(fl)中的每个元素r(·)由两个物理阵元的和值决定；元素从-(2mn-n-1)一直延伸到2mn-n-1，其中，会产生原有物理阵元没有的信息，称为虚拟阵元，rt(fl)中的元素因相关运算去除了dod信息，只留下了doa信息，即可将rt(fl)用来做doa估计。

(6)将rt(fl)中和值为非负的元素一一取出并按照和值大小进行重新排序，生成频点为l的增广相关向量

将得到的所有频率的增广相关向量按频率大小进行重新排序得到多频接收特征表达域矩阵t：

(7)将矩阵t分解为两个对应的纯实数矩阵和纯虚数矩阵，矩阵大小与t相同。

实数矩阵tr：

虚数矩阵ti：

将ti与-i进行点乘，得到与ti矩阵大小相同的矩阵ti；

ti＝ti.*(-i)；

完成目标信号表征域提取，得到多频接收特征域矩阵trti；

本实施例中的多频接收特征域矩阵中包含doa信息，而时频接收特征域矩阵中包含doa和dod信息。tr是矩阵t的实数部分，ti是实数化后的虚数部分，只有当两个矩阵联合输入的时候才能表现出角度信息。由于神经网络不能输入虚数，所有要分成实部和实数化的虚部。本实施例的时频接收特征域矩阵urui和多频接收特征域矩阵trti；作为神经网络是级联网络的两个输入，对初始的数据对有关角度信息进行提取，最后将提取的数据再送入神经网络。

(8)构建两级级联残差神经网络，用于提取多频接收特征域矩阵中波的到达角度信息和时频收发特征表达域矩阵中波的离开角度信息。

构建第一级残差神经网络用于doa估计，输入为多频接收特征域矩阵trti；如图3所示，图3为第一级残差神经网络。

第一级残差神经网络为多输入残差网络，具体结构为：并行第一层网络是卷积神经网络；二、三并行层为两个残差块，之后在第四残差块汇合，合并后的网络有6个残差块，再连接一层平均池化层，网络在最后连接一层有1800个神经元的全连接层，完成基于角度的分类问题，最终完成doa估计并输出信号的空间谱，分辨力为0.1°。

构建第二级残差神经网络。输入为时频接收特征域矩阵urui。如图4所示，图4为第二级残差神经网络；

第二级残差神经网络为多输入残差网络，结构与第一级残差神经网络相似，两个并行的网络在第四残差块汇合，网络最后输出一个1024个神经元的全连接层，全连接层与作为先验信息的第一级网络的输出汇合,经过两个神经元数分别为2048、1800的全连接层完成基于角度的分类问题，最终完成dod估计并输出信号的空间谱，分辨力为0.1°。

整个网络中3×3代表卷积核的大小，64、128、256、512分别代表对应残差块中卷积核数量，conv为卷积层。/2是对卷积核的数量调整，以匹配该残差块输出，avgpool为平均池化层，fc为全连接层，sigmoid为激活函数。网络中并行的第一个残差块的步长为1，其余的步长均为2。网络的整体结构如图5所示，图5为两级级联残差神经网络。

(9)本方法采用的数据集通过matlab仿真生成，数据集具体构成如下：

双基mimo雷达发射阵与接收阵安放在一条直线上。

1、单信号源：单个目标在远大于雷达孔径距离的远场平面区域随机分布并生成对应仿真数据，对于发射阵和接收阵生成先对应的dod和doa角度标签，并生成两个对应的角度标签一起以txt文件形式存放。单个目标随机生成30000组dod和doa数据集。

2、多信号源：通过matlab随机生成目标数小于20的多目标，目标在远大于雷达孔径距离的远场平面区域随机分布并生成对应仿真数据。对于发射阵和接收阵生成对应的dod和doa角度组标签，每一组包含k个目标的dod和doa关系。如图6所示，图6为一次测量中k个目标的标签；标签为1×1800的向量，黑色竖条代表角度位置并置1，其余区域位置为白色并置0。多个目标随机生成60000组dod和doa数据集。

将上述数据集中单信号源数据和多信号源数据各自按照7：3的比例随机分出训练集和测试集。将训练集和测试集合并在一起，就准备好了训练集和测试集。

将训练集数据和对应标签送入深度神经网络中完成训练。输出层的角度判决准确率达到94.1％，超过预设值90％，得到完成训练的深度神经网络。

将测试集数据送入深度神经网络中进行测试，实验表明训练好的深度神经网络准确度能够达到95.3％,实时性和抗干扰能力表现很好，达到本发明的预设效果。

(10)本方法中使用的是matlab，python3.7.1，pycharm以及pytorch作为实验平台，编程实现了本方法的设计方案。

本实施例提供的基于级联残差神经网络的双基互质mimo阵列doa与dod联合估计算法，包括对目标数量的估计，对多目标方位角的估计。该方法对传统的双基mimo的doa和dod估计中数据处理部分进行了改进。深度学习的方法相较于传统信号处理类算法有着更强的时效性，以及在低信噪比、低快拍、大方位角、相干目标条件下的鲁棒性方面均表现的更好。

本实施例采用的深度神经网络采用的是级联的网络结构，首先对阵列接收到的信号进行dft处理后再作相关处理，把处理后的信号送入神经网络得到信号的doa信息，把doa信息作为先验信息再送入级联网络中得出信号的dod信息，最终完成信号的doa与dod匹配估计问题。

以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。