基于时频残差网络的单基互质MIMO阵列DOA估计算法的制作方法

本发明涉及互质mimo阵列的doa估计技术领域，特别是一种基于时频残差神经网络的互质mimo阵列doa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。

多发多收单基互质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。基于单基互质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，稀疏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阵列和单基互质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，已成为目前主流的稀疏mimo阵列结构。

基于单基互质mimo接收阵列的doa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，进一步增强非均匀单基互质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单基互质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深度学习网络的构建问题。其实质是基于“和协同阵”的概念，联合使用时域多快拍数据矩阵和频域多频率单快拍数据矩阵两个特征表达域，从原始时频数据层面兼容窄带/宽带和相干/非相干，通过全卷积神经网络从两个特征表达域提取与目标doa相关的空域特征映射形成空间谱。

技术实现要素：

有鉴于此，本发明的目的在于提供一种基于时频残差网络的单基互质mimo阵列doa估计算法。

为达到上述目的，本发明提供如下技术方案：

本发明提供的基于时频残差网络的单基互质mimo阵列doa估计算法，包括以下步骤：

(1)构造单基互质mimo阵列，所述单基互质mimo阵列由拥有n个阵元的发射阵和拥有2m-1个阵元的接收阵组成；

发射阵元的物理位置坐标为t＝{ti|i＝0,md,2md,…(n-1)md}；

接收阵元的物理位置坐标为r＝{ri|i＝nd,2nd,3nd,…(2m-1)nd}；

其中，m和n为互质关系，m<n，λ为发射信号的波长,为基础间距；

(2)发射阵列发射频率为c/2d的电磁波信号对空间目标进行探测；所述信号通过空间中若干目标反射后由接收阵列接收，再通过匹配滤波对信号进行分离，得到(2m-1)×n个通道的回波信号；对得到的信号进行k次快拍的采样得到[(2m-1)×n]×k的数据矩阵c；其中，c为空气中的光速；

(3)将数据矩阵c分解为对应的时域实部矩阵^rc和纯虚数矩阵ⁱc,所述时域实部矩阵^rc和时域虚部矩阵ⁱc的大小与数据矩阵c相同；

(4)对时域虚部矩阵ⁱc点乘-i以去除矩阵中的虚数成分，作为神经网络的输入，得到与时域虚部矩阵ⁱc大小相同的虚部矩阵ⁱc；

对数据矩阵c中同一通道信号即每一排信号进行l点离散傅里叶变换得到数据矩阵x,数据矩阵x中的每一排为同一阵元接到不同频点的信号,每一列为拥有同一频率的所有通道信号；

(5)把数据矩阵x分解为频域实部矩阵^rx和频域虚部矩阵ⁱx，所述频域实部矩阵^rx和频域虚部矩阵ⁱx的大小与数据x相同；

对频域虚部矩阵ⁱx点乘-i以去除矩阵中的虚数，以作为神经网络的输入，得到与频域虚部矩阵ⁱx大小相同的虚部矩阵ⁱx；

(6)将时域实部矩阵^rc、虚部矩阵ⁱc,频域实部矩阵^rx、虚部矩阵ⁱx输入到深度神经网络中；构建深度神经网络，所述深度神经网络为多输入残差神经网络；完成doa估计并输出信号的空间谱。

进一步，所述数据矩阵c按照以下方式设置：

其中，矩阵c的每一行为(2m-1)×n个信号通道中其中一个通道的k次采样信号,数据矩阵c中的每一列代表的是所有通道接收到的相同快拍序数的信号；表示第1个收发通道快拍序数为1的信号；表示第(2m-1)n个收发通道快拍序数为k的信号。

进一步，所述时域实部矩阵^rc按照以下方式设置：

所述纯虚数矩阵按照以下方式设置：

其中，表示第1个收发通道快拍序数为1的信号的实数部分；

表示第(2m-1)n个收发通道快拍序数为k的信号的实数部分；

表示第1个收发通道快拍序数为1的信号的虚数部分；

表示第(2m-1)n个收发通道快拍序数为k的信号的虚数部分。

进一步，所述虚部矩阵ⁱc按照以下公式计算得到：

ⁱc＝ⁱc.*(-i)；其中，纯虚数矩阵ⁱc与-i之间采用点乘计算；

所述虚部矩阵ⁱc按照以下方式表示：

其中，表示实数化后的纯虚数第1个收发通道快拍序数为1的信号；

表示实数化后的纯虚数第(2m-1)n个收发通道快拍序数为k的信号；

对矩阵c中同一通道信号即每一排信号进行l点离散傅里叶变换得到数据矩阵x；所述数据矩阵x按照以下方式表示：

其中，所述数据矩阵x中的每一排为同一阵元接到不同频点的信号,每一列为拥有同一频率的所有通道信号；

其中，表示第1个收发通道频点为1的信号数据；

表示第(2m-1)n个收发通道频点为l的信号数据。

进一步，所述纯实数矩阵^rx如下所示：

所述纯虚数矩阵ⁱx如下所示：

其中，表示第1个收发通道频点为1的信号数据的实数部分；

表示第(2m-1)n个收发通道频点为l的信号数据的实数部分；

表示第1个收发通道频点为1的信号数据的虚数部分；

表示第(2m-1)n个收发通道频点为l的信号数据的虚数部分。

进一步，所述虚部矩阵ⁱx按照以下公式计算得到：

ⁱx＝ⁱx.*(-i)；

所述虚部矩阵ⁱx如下所示：

其中，表示第1个收发通道频点为1的信号数据实数化后的虚数部分；

表示第(2m-1)n个收发通道频点为l的信号数据实数化后的虚数部分。

进一步，所述并行残差神经网络结构设置有三层，具体如下所述：

第一大层为四个并行输入，网络最前端为卷积层，之后为两个残差块；

第二大层为两个并行的残差神经网络，每一个网络有两个残差块；

第三大层有六个残差块，之后连接一个平均池化层，在网络的最后连接一个拥有1600-2000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°-0.2°。

进一步，所述并行残差神经网络结构中输入数据包括两两对应的时域矩阵和频域矩阵。

本发明的有益效果在于：

本发明提出了一种基于时频残差网络的单基互质mimo阵列doa估计算法，该方法利用单基互质mimo对多目标进行doa估计，包括对目标数目的估计，对多个目标方位角的估计。该方法对传统的单基互质mimo中数据处理的部分进行了改进。发射阵列发射电磁波对空间进行探测，若干目标反射信号被接收阵列接收，对接收的信号进行特征域的提取，再送入深度神经网络进行训练。用完成训练的网络进行目标估计并输出多目标的空间谱。通过残差神经网络可以很好的去除干扰信号，并快速输出高精度的空间谱。

本发明采用残差神经网络结构能够从大量的干扰中能有效地提取目标角度与目标数量，实现了根据网络需要从特征域中有用的信息的提取出来，同时避免在训练过程中出现梯度爆炸和梯度消失的情况，实验证明，使用新的方法进行doa估计，可以很好的进行目标数目的估计和空间谱的生成。

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为单基互质mimo阵列结构。

图2为数据处理整体流程。

图3为并行残差神经网络结构。

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。

本实施例提供的中所涉及的矩阵字母含义具体如下：时域实部矩阵^rc(纯实数矩阵^rc)、和纯虚数矩阵ⁱc、虚部矩阵ⁱc；频域实部矩阵^rx(纯实数矩阵^rx)、和纯虚数矩阵ⁱx、虚部矩阵ⁱx。

如图1所示，图1为单基互质mimo阵列结构，本实施例提供的基于时频残差网络的单基互质mimo阵列doa估计算法，包括以下步骤：

(1)构造单基互质mimo阵列，单基互质mimo阵列由拥有n个阵元的发射阵和拥有2m-1个阵元的接收阵组成，

发射阵元的物理位置坐标为t＝{ti|i＝0,md,2md,…(n-1)md},

接收阵元的物理位置坐标为r＝{ri|i＝nd,2nd,3nd,…(2m-1)nd}；

其中，m和n为互质关系，m<n，λ为发射信号的波长,为基础间距，。

(2)发射阵列发射频率为c/2d的电磁波信号对空间目标进行探测,

其中，c为空气中的光速；

信号通过空间中若干目标反射后由接收阵列接收，再通过匹配滤波对信号进行分离，得到(2m-1)×n个通道的回波信号；

对得到的信号进行k次快拍的采样得到[(2m-1)×n]×k的数据矩阵c；

其中，数据矩阵c的每一行为(2m-1)×n个信号通道中其中一个通道的k次采样信号,数据矩阵c中的每一列代表的是所有通道接收到的相同快拍序数的信号；

同时生成对应角度标签向量t，标签向量大小为1×1800，为后期神经网络训练提供标签；配置向量过程为：向量中在相应角度处置1其余角度处置0。

(3)将数据矩阵c分解为对应的纯实数矩阵^rc和纯虚数矩阵ⁱc,大小与c相同。

纯实数矩阵^rc如下所示：

纯虚数矩阵ⁱc如下所示：

(4)对矩阵ⁱc点乘-i以去除矩阵中的虚数成分，作为神经网络的输入，得到与矩阵ⁱc大小相同的矩阵ⁱc；

ⁱc＝ⁱc.*(-i)

对矩阵c中同一通道信号即每一排信号进行l点离散傅里叶变换得到数据矩阵x,数据矩阵x中的每一排为同一阵元接到不同频点的信号,每一列为拥有同一频率的所有通道信号；

(5)把矩阵x分解为纯实数矩阵^rx和纯虚数矩阵ⁱx，矩阵大小与x相同；

纯实数矩阵^rx如下所示：

纯虚数矩阵ⁱx如下所示：

对矩阵ⁱx点乘-i以去除矩阵中的虚数，以作为神经网络的输入，得到与矩阵ⁱx大小相同的矩阵ⁱx；

ⁱx＝ⁱx.*(-i)

此时送入深度神经网络的时域实部矩阵^rc、虚部矩阵ⁱc,频域实部矩阵^rx、虚部矩阵ⁱx共四个数据矩阵就准备好了，这些矩阵共同表达了时域特征表达域；数据处理整体流程如图2所示，图2为数据处理整体流程。

(6)深度神经网络的构建，送入残差神经网络的是四个数据矩阵,构造一个多输入残差神经网络,如图3所示，图3为并行残差神经网络结构。

其中，3×3代表卷积核的大小，64、128、256、512、1024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，fc1800层是一层有1800个神经元的全连接层。

本方法使用的是并行残差神经网络，具体结构为：整个网络分为三个大层。第一大层为四个并行输入，网络最前端为卷积层，之后为两个残差块。第二大层为两个并行的残差神经网络，每一个网络有两个残差块。第三大层有6个残差块，之后连接一个平均池化层，在网络的最后连接一个拥有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°。

输入网络的数据有4个矩阵，其中时域矩阵和频域矩阵两两对应，只有时域或频域数据中纯实数矩阵和纯虚数矩阵联合时才能体现出目标的角度信息。第一大层的4个输入分为①和②两组，每一组有两个输入，①为时域矩阵^rc和ⁱc的输入端，②为频域矩阵^rx和ⁱx的输入端。^rc和ⁱc携带的信息会在③中汇合，一同联合体现角度信息，相同的^rx和ⁱx会在④中汇合。在③④中的数据会被网络联合提取，效果会比4个输入直接在第3大层汇合好很多。

(7)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：

1、单信号源：目标入射角度从0°到180°均匀的1800个角度遍历生成仿真数据，并生成对应角度标签一起以txt文件形式存放。一共遍历15次，单一信号源数据集中包含27000个数据。

2、多信号源：通过matlab随机生成目标数小于20的多目标信号，目标入射角度随机分布在从0°到180°均匀的1800个角度，并生成对应角度标签一起以txt文件形式存放。多信号源数据集包含40000个数据。

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。将各自的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95.6％，超过预设值95％，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95.9％,实时性和抗干扰能力很好，达到本发明的预设效果。

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

本实施例提供的mimo阵列可以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。互质阵列可以通过构建“虚拟和协同阵”来增加doa估计自由度，以提高阵列同时鉴别更多目标的能力。深度神经网络可以从大量的训练集数据中学习到角度信息的特征并将其提取出来。相较于拥有大量干扰因素的环境下传统的doa估计算法，基于深度学习的doa估计有着很大的优势，环境中的背景噪声、阵列原件的误差等等都将在一次一次的训练中被深度神经网络学习到相应的特征，最后快速地输出有着很高精准度的空间谱。

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。