一种基于深度神经网络的单目标DOA估计方法与流程

一种基于深度神经网络的单目标doa估计方法
技术领域
1.本发明涉及无线通信技术领域，特别是一种基于深度神经网络的单目标doa估计方法。


背景技术：

2.近年来， mimo（multiple-input multiple-output，多输入多输出）技术作为5g移动通信系统的关键技术，由于其优良的数据速率和可靠性受到了广泛关注。doa（direction of arrival，到达波方向）估计是mimo系统中阵列信号处理最重要的问题之一，近年来也引起了广泛关注。现在doa估计方法主要可分为波束形成法和基于子空间的方法两类，其中，music算法被认为是最常用的方法之一。
3.利用music算法对目标进行doa估计时，其精度和分辨率主要取决于天线阵列的数量。然而，如果在mimo系统中配备高精度的adc进行模数转换，由于天线数量较多，将会产生高额的基站硬件成本。因此，为了降低成本，通常在接收端采用低精度adc进行模数转换，而这也导致了数据精度下降，使得doa估计变得更加困难。


技术实现要素：

4.本发明主要解决的技术问题是提供一种基于深度神经网络的单目标doa估计方法，以解决在低精度adc条件下提高单目标doa估计的精度，同时能够降低硬件成本的doa估计方法。
5.为解决上述技术问题，本发明采用的一个技术方案是提供一种基于深度神经网络的单目标doa估计方法，包括：第一步，接收端通过阵列天线接收单目标信号，并使用低精度adc对接收的信号进行采样量化，得到量化数据；第二步，通过所设计的深度神经网络模型对所述量化数据进行数据恢复；第三步，将所恢复的数据通过music算法进行doa估计。
6.优选的，在第一步中，所述阵列天线为均匀线阵，阵列天线的数量m，间距为，所述单目标信号与阵列天线之间的夹角为，所述阵列天线接收的信号为：，其中，为单目标信号，为第m个天线与第1个天线之间的相位差，若信号为窄带信号，则可以表示为：，其中，为接收信号的波长。
7.优选的，考虑噪声的影响，则所述阵列天线接收的信号为：
，其中，为加性高斯白噪声。
8.优选的，使用低精度adc对接收的信号进行采样量化，通过低精度adc后的量化数据表示为：，其中，为adc的量化位数，为向上取整运算符，为信噪比snr的倒数，为采样后的信号，。
9.优选的，。
10.优选的，所述深度神经网络模型共有五层，分别为一个输入层、一个输出层和中间三个隐藏层，均为全连接层，节点数依次分别为2m、256、1024、256和2m，三个隐藏层的激活函数为relu函数，输出层的激活函数为sigmoid函数。
11.优选的，对所述深度神经网络模型先进行训练，使用无噪声的未量化数据作为深度神经网络模型进行深度学习的训练数据；每次训练的设置参数包括：学习率为0.01，批大小为32，回合数为100。
12.优选的，阵列天线的数量，阵列天线的间距，目标信号波长m，单目标信号的角度范围从20度到160度， snr为20db。
13.本发明的有益效果是：本发明公开了一种基于深度神经网络的单目标doa估计方法，包括：第一步，接收端通过阵列天线接收单目标信号，并使用低精度adc对接收的信号进行采样量化，得到量化数据；第二步，通过所设计的深度神经网络模型对所述量化数据进行数据恢复；第三步，将所恢复的数据通过music算法进行doa估计。该方法利用深度神经网络进行数据恢复，有效减小了量化误差的影响，提高了doa估计精度；降低了硬件成本，同时不损失估计精度；可适应多种环境，兼容性好。
附图说明
14.图1是本发明基于深度神经网络的单目标doa估计方法的流程示意图。
15.图2是本发明对应的接收模型示意图。
16.图3是本发明所设计的深度神经网络模型。
17.图4是本发明实施例中不同数据下的doa估计误差的比较图。
18.图5是本发明实施例中量化位数为2时doa估计误差的比较图。
19.图6是本发明实施例中量化位数为1时doa估计误差的比较图。
20.图7是本发明实施例中天线数量不同时doa估计误差的比较图。
21.图8是本发明实施例中snr不同时doa估计误差的比较图。
22.图9是本发明实施例中分别以不同snr训练和测试深度神经网络时doa估计误差的比较图。
23.图10是本发明实施例中分别以不同snr训练和测试深度神经网络时doa估计误差的比较图。
具体实施方式
24.为了便于理解本发明，下面结合附图和具体实施例，对本发明进行更详细的说明。附图中给出了本发明的较佳的实施例。但是，本发明可以以许多不同的形式来实现，并不限于本说明书所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。
25.需要说明的是，除非另有定义，本说明书所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是用于限制本发明。本说明书所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
26.图1显示了基于深度神经网络的单目标doa估计方法的实施例，在图1中，包括以下步骤：第一步s1，接收端通过阵列天线接收单目标信号，并使用低精度adc对接收的信号进行采样量化，得到量化数据；第二步s2，通过所设计的深度神经网络模型对所述量化数据进行数据恢复；第三步s3，将所恢复的数据通过music算法进行doa估计。
27.优选的，在第一步s1中，如图2所示，阵列天线为均匀线阵，阵列天线的数量m，阵列天线的间距为，单目标信号包括来源于同一个发射天线发出的发射信号，或者是发射信号经过一个目标反射后的单一反射信号。到达接收端的单目标信号与阵列天线之间的夹角为，在忽略路径损耗和时延的状况下，阵列天线接收的信号为：其中，为单目标信号，为第m个天线与第1个天线之间的相位差。若信号为窄带信号，则可以表示为：其中，为接收信号的波长。
28.考虑噪声的影响，则接收信号可以表示为：其中，为加性高斯白噪声。
29.优选的，在第一步s1中，使用低精度adc对接收信号进行采样量化，通过低精度adc后的量化数据可以表示为：
其中，为adc的量化位数，为向上取整运算符，为信噪比snr的倒数，为采样后的信号，。优选的，。
30.优选的，在第二步s2中，通过所设计的深度神经网络模型进行数据恢复，如图3所示：所述深度神经网络模型共有五层，分别为一个输入层、一个输出层和中间三个隐藏层，均为全连接层，节点数分别为2m、256、1024、256和2m，隐藏层的激活函数为relu函数，输出层的激活函数为sigmoid函数。该深度神经网络（deep neural network, dnn）模型作为深度学习的典型网络之一，是人工神经网络的更深层版本，通过增加隐藏层的数量来提高学习和识别能力，每个隐藏层包含许多节点，每个节点的输出由上一层神经元加权和而得，再由激活函数进行处理。dnn能够通过大量数据的训练来找到输入与输出之间的映射关系，因此，利用dnn来进行数据恢复是一种可行的处理方法。
31.优选的，将第一步s1中所生成的低精度的量化信号作为输入，利用所设计的深度神经网络模型进行训练，再利用经过训练后的深度神经网络模型对低精度的量化信号进行数据恢复。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32，回合数（epoch）为100。优选的，在第一步s1中，发射天线和接收天线的数量分别为1和，接收天线阵列的间距为，信号波长m，目标角度范围从20度到160度， snr为20db。
32.图4到图6给出了本发明所提方法在不同量化位数下doa估计误差的cdf曲线，利用不同数据进行doa估计，包括未量化数据、量化数据及深度神经网络模型恢复的数据。
33.从图4可以看出，当使用未量化的数据作为训练数据时，本发明的方法能够准确地估计目标的角度，但性能略差于传统方法，因此，使用无噪声的未量化数据作为深度神经网络模型进行深度学习的训练数据。当量化位数b=3时，基于深度神经网络的doa估计方法的性能优于传统方法。
34.图5和图6给出了b=2和b=1情况下doa估计的cdf曲线，基于深度神经网络的doa估计方法的性能仍然优于传统方法，说明所提出的深度神经网络模型可以很好地从热噪声和量化噪声中恢复接收信号。
35.从图6可以看出，在量化位数b=1时，量化误差的影响很大，量化后的数据无法正确估计目标角度，而所提出的神经网络模型仍然可以很好地恢复量化数据，并准确地估计目标角度，在此情况下，该方法能够获得比传统方法更好的性能，证明了该方法的可靠性。从图4到图6可以看出，随着量化位数的减少，量化误差的影响增大，未量化数据与恢复数据cdf曲线之间的间距随之增大，这表明了本发明方法的性能提升愈加显著。
36.图7给出了不同天线数量下的doa估计误差的cdf曲线，其中量化位数b=3，信噪比为20db。从图6可以看出，doa估计的精度与天线数量成正比，且随着接收天线数量的增加，量化误差的影响降低，未量化数据与神经网络模型恢复数据cdf曲线之间的间距越来越小，这表明当天线数量较少时，本发明所提出的方法的性能提升更加明显。
37.图8给出了不同信噪比下的doa估计误差的cdf曲线，其中量化位数b=3，接收天线的数量为m=4。从图8可以看出，doa估计的精度与信噪比大小成正比，且当信噪比较低时，本发明所提方法的性能得到了显著提升。
38.图9和图10给出了不同训练基础下的doa估计误差的cdf曲线，其中量化位数b=3，接收天线的数量为m=4，信噪比为20db。从图9和图10可以看出，本发明所提出的方法以信噪比为20db的量化数据为训练集对神经网络模型进行训练后，所训练出的神经网络模型对于测试的信噪比具有鲁棒性。因此，本发明提出的一种基于深度神经网络的单目标doa估计方法，降低了量化误差对doa估计性能的影响，降低了硬件成本，同时不损失估计精度，而且能够适应各种环境，兼容性好。
39.以上仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。