一种基于脉冲神经卷积网络的波达方向估计方法

本发明涉及雷达目标信号测向，采用深度学习的方法对回波信号进行波达方向估计。

背景技术：

1、doa(direction of arrival,doa)估计是一个很广泛的研究领域，应用包括无线通信、天文观测、雷达和声纳。在雷达目标信号测向技术领域，doa估计是通过模型驱动方法来实现的，它首先建立从信号方向到阵列输出的正向参数模型，然后利用预先假设公式的性质来估计方向。这些由模型驱动的方法的性能在很大程度上取决于预先制定的模型的准确性。然而，在实际应用中，受到成本、物理限制或场地约束等因素的限制，很难获得具有足够高分辨率的阵列，从而影响了doa估计的准确性。同时，在复杂的信号传播环境中，多径效应和噪声可能对doa估计造成干扰，这些因素都可能降低估计的准确性。一些应用场景对doa估计的实时性要求较高，而传统的基于子空间技术通常需要较长的计算时间来完成估计过程，在非理想条件下会限制波达方向精度。这可能限制了这些方法在实时应用中的可用性。

技术实现思路

1、针对传统的均匀线阵限制了doa估计精度的问题，本发明基于深度学习的领域，提出了一种基于脉冲神经卷积网络的波达方向估计方法。该技术采用卷积层和脉冲神经元相结合，创建了一种类型的脉冲神经-卷积网络(spiking neural-convolutional network,snc)，即snc型网络。首先，针对doa的接收数据，扩展接收信号的稀疏空间谱，将其导入本发明snc网络模型中进行训练和验证，得到对应参数。然后，将测试数据导入，根据输出的谱峰值找到对应的谱峰，即为要估计的doa。

2、技术方案：

3、一种基于脉冲神经卷积网络的doa估计方法，具体包括如下步骤：

4、s1：通过均匀阵列结构的阵列天线接收窄带远场波信号，每个快拍接收信号信息为y0(t)；根据所述接收信号信息，计算得到协方差矩阵

5、s2：对协方差矩阵进行向量化处理，得到虚拟阵列接收信号计算接收信号的稀疏空间谱；

6、s3：根据接受信号的稀疏空间谱创建数据集和对应的标签。其中数据集为信号在一定范围内遍历后的稀疏空间谱的集合，而对应的标签为对应波达方向的位置设为1，其余为0，并分为训练集和验证集两部分；

7、s4：构建改进的脉冲神经卷积网络，设置本发明中snc型网络；

8、s5：将训练数据导入网络，实现前向传播，经过损失函数最小化，反向传播，实现权重和偏差的更新；

9、s6：根据训练的网络，输入测试信号的空间稀疏空间谱估计目标信源的波达方向。

10、与现有技术相比，本发明具有如下有益效果：

11、本发明将深度学习方法与阵列雷达回波信号doa估计问题相结合，利用了脉冲神经元使用脉冲信号来传递和处理信息的优势，使其和卷积神经网络相结合，提高了算法的训练和验证的估计精确度，并采用adam优化器动态更新学习率，使其网络中的损失函数降低。在角度测试的实验中，发现本发明提出的snc型网络能有效估计出目标信号的doa，且网络的性能更优。

技术特征：

1.一种基于脉冲神经卷积网络的波达方向估计方法，具体包括如下步骤：

2.如权利要求1所述的方法，其特征在于：

3.如权利要求1所述的方法，其特征在于：

4.如权利要求3所述的方法，其特征在于：

5.如权利要求3所述的方法，其特征在于：

6.如权利要求5所述的方法，其特征在于：

7.如权利要求6所述的方法，其特征在于：

技术总结
本发明涉及雷达目标信号测向技术领域，提出了一种基于脉冲神经卷积网络的波达方向估计方法。本发明借助的脉冲神经网络是一种源于生物启发、具有生物解释性和学习机制，与大脑最类似的神经网络模型，将该网络作用于卷积神经网络，创建了一种脉冲神经‑卷积网络，即为SNC型网络。将卷积神经网络中一维卷积的操作和前馈脉冲神经网络相结合，同时采用脉冲神经元模型中的泄漏整合发放模型LIF神经元，SNC型网络模型使用反向传播算法可以实现权重和超参数进行更新。仿真表明，本发明SNC网络具有明显提升估计精确度的效果。

技术研发人员：桂任舟,赵君
受保护的技术使用者：同济大学
技术研发日：
技术公布日：2024/1/5