多径效应下基于深度胶囊网络的阵列测向方法

1.本发明属于阵列信号处理领域，涉及一种智能的阵列测向方法，尤其适用于复杂多径环境中。


背景技术：

2.在岸对舰、舰对舰等测向定位中，由于海浪、地球曲率等的影响，信号有可能直接到达阵列测向系统的接收天线，也有可能经过海面、云层等障碍物反射后到达阵列测向系统的接收天线。因此，阵列测向系统接收到的信号除了目标辐射源的直射信号外，还有经反射而来的反射信号，这种现象就是多径效应。由于直射信号与其反射信号可以认为是由同一信号源发出的，两个信号高度相关或相干，这严重影响了阵列测向系统对目标方位信息的准确获取。为解决上述多径效应下的目标方位信息获取问题，现有方法主要包括两类：第一类，空间平滑方法[1]；第二类，稀疏重构类方法[2]。空间平滑方法通过在阵元上平滑移动的窗口选取子阵，并截取相应的数据，进而构造维数较低的新的信号子空间或噪声子空间，实现多径效应下的高精度测向。但是，这种方法基于滑动窗口得到平滑的子阵数据，导致阵列孔径减小，从而造成分辨率下降。稀疏重构类方法利用信号的空域稀疏性，基于压缩感知技术重构信号来实现信号的测向，对低信噪比、小样本、多径相干等信号环境的适应性较强。然而，上述两类方法都需要对阵列输出进行精确建模，这在实际应用中很难满足。特别是在地形复杂的情况下，如崎岖的地面和波涛汹涌的海面，多径信号的导向矢量会受到不规则反射面的影响而产生扰动。因此，针对上述两类方法，提出一些改进的多径测向方法，但是这些方法也基于对多径模型的准确建模。因此，在实际应用中，当实际情况与多径模型不匹配时，上述方法都会出现显著的性能下降。
[0003]
近年来，深度学习技术受到广泛关注，其在图像处理、语音识别等领域已得到非常理想的应用。由于深度学习技术基于数据驱动，具有强大的表征能力，摆脱了对模型预设的依赖，因而基于深度学习的doa(direction of arrival，波达方向)估计策略也引起了人们的广泛关注。最先利用深度学习实现空间谱估计的研究出现在声音信号室内定位领域。文献[3]提出的方法在提高估计准确率的同时具备对麦克风位置扰动的鲁棒性，进一步推动了基于深度学习的空间谱估计研究的发展。然而，这种基于深度学习的声音信号doa估计方法利用了声音信号的时域特性，需要积累较长时间的观测数据才能实现测向，并且，它只针对单信源声音信号测向场景，或同时不同频声音信号测向场景，无法适应多径效应下的电磁信号测向场景。为解决多径效应下阵列测向存在的困难，亟需一种通用性较强且稳健的阵列测向方法。


技术实现要素：

[0004]
本发明的目的是：针对当前多径环境下阵列测向方法存在的不足，提出一种基于深度胶囊网络的阵列测向方法，这种方法不需要建立多径模型，在实现高精度测向的同时，具有实时性强、适用性强的特点。
[0005]
本发明的技术方案是：一种基于深度胶囊网络的阵列测向方法，其特征在于，将阵列得到的多径信号信息输入至深度胶囊网络，经过深度胶囊网络的计算，得到多径信号的各个来波方向。
[0006]
进一步地，所述深度胶囊网络的结构包括依次连接的两个一维卷积层，一个主胶囊层，一个数字胶囊层，一个全连接层；主胶囊层包含依次连接的4个胶囊。
[0007]
进一步地，训练深度胶囊网络时：首先，将训练用的阵列观测数据进行频率划分，选择出阵列观测数据在每个特定频率点对应的部分，l的取值为特定频率点的总数；将每个部分在空域划分成z个相同的子区域，提取将每个特定频率点对应的子区域数据的特征向量发送到l
×
z个深度胶囊网络进行并行训练。
[0008]
本发明的有益效果主要包括：
[0009]
第一，针对复杂多径环境引起的多径现象，本发明提出了一种基于胶囊网络的doa估计方法。该方法以多径信号数据为驱动，不依赖于精确的扰动多径信号模型，从而弥补了以往模型类方法的不足，可以实现各种环境下扰动影响的自动消除，达到测向精度高的效果。
[0010]
第二，本发明采用信号选择机制将不同类型的阵列观测数据分离到相对应的深度胶囊网络中进行并行处理，此过程有助于发挥网络的最佳性能。同时，采用不同子区域的训练集对并行的深度胶囊网络的相应部分进行训练，使整个训练过程更加简单、快速。
[0011]
第三，本发明将阵列观测数据协方差矩阵的行向量的均值设置为并行的深度胶囊网络中对应的输入。与现有的基于深度学习方法的输入特征提取策略相比，该过程在不损失信息的情况下，有效地降低了输入的维数，提高了本发明的实时性。
[0012]
第四，与现有的深度卷积网络相比，本发明将胶囊结构集成到网络中，可以使网络更好地理解部分与整体的关系，获取更多的谱层次结构信息，有效地提高了网络的学习能力。
附图说明
[0013]
图1：扰动多径信号模型；
[0014]
图2：本发明的实现过程；
[0015]
图3：样本分组及构建深度胶囊网络示意图；
[0016]
图4：神经网络结构(a)本发明构造的深度胶囊网络；(b)现有的深度卷积神经网络；
[0017]
图5：不同方法的训练误差和验证误差(a)训练mse；(b)验证mse；
[0018]
图6：不同反射面下的doa估计(a)dcn；(b)本发明的方法；
[0019]
图7：不同方法的doa估计的rmse性能(a)snr；(b)snapshot；
[0020]
图8：不同方法在不同反射面粗糙度下的性能比较。
具体实施方式
[0021]
下面结合附图对本发明的具体实施方式进行说明。
[0022]
图1为扰动多径信号模型。根据菲涅耳反射区的概念，阵列天线的不同阵元接收来自不同区域的多径信号，受到不同扰动的影响，因此分布在不同天线上的复衰落系数不再
相同。一个典型的扰动多径模型如图1所示，一个窄带远场源发出的信号，一部分直接被阵列天线接收，另一部分经过多径效应的作用被阵列天线接收。假设k个窄带远场源s(t)＝[s1(t),s2(t),
…
,sk(t)
…
,sk(t)]
t
从方向θ1,
…
,θk,
…
,θk入射到n阵元的均匀线阵。其中，每个源通过不同的路径产生lk个多路径分量，sk(t)的多径分量从方向入射到阵列。因此，阵列输出可以写成
[0023][0024]
其中表示阵列流形矩阵，是衰减系数，与复反射系数ρ和路径差δr有关。w
kl
＝diag(ζ
kl,1
,
…
,ζ
kl,n
)是第k个源的第l个多径分量的扰动参数矩阵。是在第n个阵元上产生的扰动参数。表示衰减系数。零均值高斯白噪声n(t)与信号不相关。
[0025]
上述模型虽然考虑了复杂地形引起的多径信号导向矢量的扰动，但只是近似地从数学角度进行表示，与实际情况相差甚远。在实际应用中，不匹配的建模可能会对基于空间平滑技术和压缩感知技术的模型类方法的性能造成严重的负面影响。基于深度学习的方法不依赖于精确的建模，因此本发明考虑通过神经网络来实现扰动消除和doa估计。
[0026]
图2是本发明的实现过程。1)训练部分：首先，本发明将训练用的阵列观测数据进行频率划分，选择出阵列观测数据在每个特定频率点对应的部分，再将每个部分按照空域划分成若干组，对每组数据进行预处理后发送到深度胶囊网络进行并行训练；2)测试部分：首先，通过频域滤波器对阵列观测数据进行频率抽取，得到特定信号，再采用基于压缩感知技术的方法对特定信号进行粗略定位，再将每组数据进行预处理后发送到相应的深度胶囊网络进行精确定位，得到特定信号的最终估计方向。
[0027]
本发明训练部分的具体处理过程如下：
[0028]
第一步，样本分组
[0029]
设训练样本数据为已知doa值的阵列天线接收信号。
[0030]
频域划分：将训练样本按照特定频率点f1,
…
,f
l
,
…
,f
l
进行频域分组。划分时，将每个训练样本划分到与其对应的信号中心频率最接近的特定频率点的分组中。特定频率点f1,
…
,f
l
,
…
,f
l
的设定根据实际要求确定，l＝1,2
…
,l，l的取值为频点总数。
[0031]
空域划分：通常多径效应存在于低仰角目标，多径分量可能会从阵列法线下方区域入射，直射信号可能会从阵列法线上方区域入射，且直射信号入射的角度可能会约等于多径分量的入射角度，因此将每个特定频率点f
l
的到达空间分解为z个关于阵列法线对称的子区域如图3所示。νz是第z个角度集，z＝1,2
…
,z。其中，z的取值根据情况确定，每个子区域的大小及位置也是根据实际情况确定，在上述原则下，有时相邻子区域之间可能存在空间上的重叠。每个特点频率点对
应的空域划分也可以不同或者相同。
[0032]
第二步，特征提取
[0033]
进行信号选择后，首先提取将每个特定频率点对应的子区域数据的协方差矩阵。可以选择协方差矩阵的特征向量作为深度胶囊网络的输入。
[0034]
通过进一步研究发现，对于一个辐射源，发出的直射信号和其多径分量，得到的阵列观测数据的协方差矩阵的秩为1，意味着协方差矩阵的每一个行向量都包含关于到达角的等价信息。因此，根据上述特点，本发明考虑通过降低协方差矩阵的维度来构造一个新形式的网络输入向量，且不造成信息的丢失。构造形式如下：
[0035][0036]
代表协方差矩阵的第n个行向量，n表示阵列天线的阵元数。取行向量的均值有助于实现更稳定的估计。压缩输入维度将有效降低深度胶囊网络网络的复杂度和运行时间。然而，是复向量，不能直接作为神经网络的输入，因此，本发明将变换为实值形式。最终的输入特征为列向量
[0037][0038]
real(
·
)表示取实部，imag(
·
)表示取虚部，||
·
||2表示向量的2范数。
[0039]
第三步，训练深度胶囊网络
[0040]
通过深度胶囊网络学习输入特征到空间谱p的映射关系来实现多径效应下的高精度doa估计。空间谱p为长度为i的一维向量，每个分量对应一个空间角度，每个分量的取值为0或1；分量取值为1时，表明输入特征的doa估计值为该分量对应的空间角度。向量的维数根据实际情况确定。
[0041]
设第v个样本对应的输入特征为对应的空间谱值pv，则可以构造出网络的训练数据集v表示样本数。通过训练网络，计算网络参数使得实际网络输出估计谱与期望输出pv之间的误差最小，即：
[0042][0043]
通过选取训练样本，使得每个频点对应的空间子区域都有相应的样本。利用不同频点不同子区域的训练集用来训练并行网络中相对应的一个深度胶囊网络，可以使整个训练更容易更快。并行训练的深度胶囊网络数为l
×
z。
[0044]
与原始的深度胶囊网络不同，本发明将胶囊结构引入一维应用中，调整胶囊层的参数以适应多径效应下的doa估计问题。所提出的深度胶囊网络框架如图4(a)所示，首先使用两个一维卷积层，然后添加主胶囊层，主胶囊层包含4个胶囊，每个胶囊含有4个特征图，在主胶囊层之后添加数字胶囊层，最后，添加一个全连接层来重建空间谱，从而根据空间谱
获得doa估计结果。
[0045]
本发明应用部分的具体处理过程如下：
[0046]
对阵列观测数据进行特定频率点f1,
…
,f
l
,
…
,f
l
的频域滤波，所述频域滤波即频率抽取过程，频域滤波时选择带通滤波器，所述带通滤波器的中心频率分别为f1,
…
,f
l
,
…
,f
l
，其带宽小于相邻特定频率点之间的频率差。通过频率滤波后，有的带通滤波器的输出为零，认为该特定频率点不存在信号。
[0047]
对频域滤波后的阵列观测数据利用采用基于压缩感知技术的方法对doa进行粗略估计，确定信号角度所在的空间子区域。最后，采用该空间子区域对应的深度胶囊网络对信号进行doa精确估计。
[0048]
由测试部分的过程可以看出，测试时不需要利用l
×
z个深度胶囊网络数进行并行计算，只需要利用部分特定频率点以及粗略估计结果得到的空间子区域对应的若干个深度胶囊网络进行并行计算。
[0049]
下面给出本发明的验证实验，验证本发明可以获得优良的测向性能。实验中天线阵列采用15元均匀线阵，阵元间距d设置为2m，信号的工作频段为150-500mhz。实验中，考虑空域区间[-21
°
,21
°
]，空域划分如下：
[0050][0051]
以在子区域中对频率为200mhz的信号进行测向为例。设置角度间隔集为{0
°
,1
°
,
…
,10
°
}，对于每一个角度间隔δθ，直射信号角度集通过对[-5
°
+δθ,5
°
]空域以1
°
为间隔均匀采样产生，多径信号角度集通过对[-5
°
,5
°‑
δθ]空域以1
°
为间隔均匀采样产生，信噪比在[5db,10db]以1db为间隔均匀采样产生。反射系数设置为0.95exp(jπ)，第n个阵元上的扰动参数定义为
[0052]
ζn＝(ηa+1)exp(jπη
p
/180
°
),
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0053]
其中ηa～u(-0.2,0.2)，η
p
～u(-20
°
,20
°
)。特定频率下每种角度设置收集300组快拍数据，即对于每一种角度样本，产生300组不同的协方差矩阵(加入不同的高斯白噪声和扰动参数)，并结合来波方位角度形成300组训练样本。最终，对于单个网络，样本集中总共收集了16500组训练样本。
[0054]
本发明的实现基于keras，它在后端使用了tensorflow。实验平台采用ubuntu配置nvidia gtx 2080ti显卡。为了权衡训练误差和训练效率，在之后的仿真实验中采用的动态路由数为3。训练过程是离线并行的，每个网络被训练400epoch，批处理大小为128，使用adam优化器，学习率设置为0.001。样本集在每个epoch中进行洗牌。本发明构建的深度胶囊网络(capsule)结构如图4(a)所示，为了说明所设计的网络的优越性能，将图4(b)所示的深度卷积网络(dcn)也在相同的条件下进行训练，以便进行比较。随机选取20％的训练数据组成验证集，用于在每个epoch后评估网络。
[0055]
图5是不同方法的训练误差和验证误差。(a)训练mse；(b)验证mse；图5是本发明将
所提出的输入特征与其他可行或已存在的输入特征输入不同的神经网络进行训练误差和验证误差的比较。其他输入特征如下：
[0056]
1)阵列观测数据的协方差矩阵的第1个行向量构造的输入特征
[0057]
2)基于波束形成的低分辨谱特征
[0058]
3)基于协方差矩阵toeplitz性的输入特征
[0059]
4)基于稀疏先验的伪谱特征
[0060]
如图5(a)和图5(b)所示，分别是训练误差和验证误差随网络更新迭代次数的变化情况。从图中可以看出。为了评估不同方法的计算复杂度，本发明记录了每种情况下的训练参数数量和所需训练时间，如表1所示。结果表明所提出的输入特征有效地降低了网络的复杂性和训练的难度，同时保持了令人满意的性能。与现有的深度卷积网络相比，深度胶囊网络由于动态路由的迭代训练时间会更长，但得益于其能够捕获更多层次结构的谱信息，因此训练和验证的误差更低。
[0061]
表1复杂度和平均训练时间
[0062][0063][0064]
图6是假设直射信号的方向均匀的在1.5
°
到4.5
°
变化(即取值为1.5
°
、2.5
°
、3.5
°
、4.5
°
)，其多径分量的方向均匀的在-1.5
°
到-4.5
°
变化(即取值为-1.5
°
、-2.5
°
、-3.5
°
、-4.5
°
)，信噪比为5db，信号频率为200mhz。试验中，考虑了反射系数为0.55exp(jπ)和0.95exp(jπ/3)的两个反射面。与现有的基于dcn的方法相比，本发明方法的doa估计值与真实值的匹配性更好。
[0065]
图7是假设直射信号和多路径信号的方向分别为4.25
°
和-3.25
°
。首先，本发明固定快拍数为128。均方根误差可以用于评估不同方法的doa估计精度，定义为
[0066][0067]
c表示蒙特卡洛次数，b表示信号数量，θc和分别表示第c次的真实方向和估计方向。rmse随snr变化的曲线如图7(a)所示。然后，本发明固定snr为0db，rmse随快拍数变化的曲线如图7(b)所示。以上信号频率均为200mhz，通过平均400次结果来获得每个rmse。可以
看出，本发明方法在未经训练的小快拍场景和低信噪比场景下都有较好的泛化性能。
[0068]
图8是本发明进行仿真来展示本发明方法对由复杂反射面引起的多径场景的适应性。在复杂地形条件下，现有的多径信号doa估计方法的精度几乎相同，而用于解决复杂反射问题的优化校正方法通常是针对特定的、简化的多径模型设计的，因此，本发明选择了基本方法，即ss-music，进行对比实验。假设直射信号和反射信号分别从3.25
°
和-2.25
°
入射到阵列上(角度偏离假定离散角度且不包含在训练集内)。snr为10db，信号频率为200mhz。ηa～u(-0.1ρ,0.1ρ)，η
p
～u(-10
°
ρ,10
°
ρ)，ρ∈[0,5]用来调整反射面粗糙程度。rmse随ρ变化曲线如图7所示，通过平均400次结果来获得每个rmse。随着ρ变大，ss-music方法的rmse出现很明显的增大，而本方法的估计精度只出现极小的变化，这是由于本方法可以直接学习到高分辨谱的映射，可同步实现扰动消除和谱估计。当ρ＝0时，由于ss-music方法采用0.1
°
间隔进行搜索，其doa估计精度会略差于本文方法。
[0069]
参考文献：
[0070]
1.pan j,sun m,wang y,et al.an enhanced spatial smoothing technique with esprit algorithm for direction of arrival estimation in coherent scenarios.ieee trans signal process 2020；68:3635-43.
[0071]
2.meng d,wang x,huang m.robust weighted subspace fitting for doa estimation via block sparse recovery.ieee commun lett 2020；24(3):563-7.
[0072]
3.adavanne s,politis a,virtanen t.direction of arrival estimation for multiple sound sources using convolutional recurrent neural network.2018 26th european signal processing conference；2018sep 3-7；rome,italy.piscataway:ieee press；2018.p.1462-6.
[0073]
4.wu ll,huang zt.coherent svr learning for wideband direction-of-arrival estimation.ieee signal process lett 2019；26(4):642
–
6.
[0074]
5.huang h,yang j,huang h,et al.deep learning for super-resolution channel estimation and doa estimation based massive mimo system.ieee trans veh technol 2018；67(9):8549-60.
[0075]
6.xiang h,chen b,yang m,et al.altitude measurement based on characteristics reversal by deep neural network for vhf radar.iet radar sonar and navigation 2019；13(1):98-103.
[0076]
7.guo y,zhang z,huang y,et al.doa estimation method based on cascaded neural network for two closely spaced sources.ieee signal process lett 2020；27(1):570-4.