本发明涉及到阵列信号处理领域,具体涉及到一种基于神经网络的协方差矩阵优化方法。
背景技术:
1、在阵列信号处理领域中,阵列信号的协方差矩阵是一个十分重要的信号感知依据,在对电磁波信号来波方向、极化信息的感知中都需要协方差矩阵的信息。为了估计信号的协方差矩阵,通常是直接对阵列天线接收的原始信号进行处理,然而这种方法容易受到多径信号的影响,导致估计的协方差矩阵受环境中的多径信号的干扰较大,进而影响后续的信号处理以及信号感知的准确性。
技术实现思路
1、本发明要解决的间题是:在已知阵列接收的原始信号时,如何得到不受环境中多径干扰影响的协方差矩阵。解决该技术问题的方法是一种基于神经网络的协方差矩阵优化方法,其实现步骤是:
2、(1)定义一个阵元个数为m,阵元间距为d=λ/2的均匀线阵,λ为信号中心频率对应波长;阵列天线接收信号包括直射路径、多径、噪声三个部分,表示为该接收信号为m×1维列矢量,其中采样序号k=1,…,k,k为采样快拍数,s(k)为复基带信号,n(k)是均值为零、方差为的复加性高斯白噪声列矢量,i为多径信号个数,ηi为第i条多径反射系数,a(θ)为入射角度为θ的信号对应m×1维方向矢量,θd表示直射路径入射方向,θi表示第i个多径入射方向;
3、(2)定义的阵列天线直射路径和反射路径入射角度范围为[θstart,θend],步径为θstep,反射系数ηi在分布区间为(0,1),步进为ηstep,复基带信号s(k)对应信噪比snr范围为[snrstart,snrend],步径为snrstep,则阵列接收信号种类数量为q,构成接收信号集合x={xq(k)|q=1,2,...,q};
4、(3)对于信号集合x中每个信号,计算其估计协方差矩阵和理论协方差矩阵;对第q个接收信号xq(k),q=1,2,...,q,其直射路径入射角度为θdq,复基带信号sq(k)信噪比为snrq,估计计算得到协方差矩阵维度为m×m;以及无多径条件下的理想协方差矩阵其中e表示维度为m×m的单位矩阵;
5、(4)分别提取协方差矩阵和rq的上三角每个元素的幅度信息和相位信息,得到元素个数为m×m的幅相矢量和rq,协方差矩阵和其幅相矢量的对应关系如下
6、
7、r=[a11,a12,...,a1m,a22,...,a2m,...,amm,φ12,φ13,...,φ1m,φ23,...,φ2m,...,φm-1,m]
8、进一步构建数据集
9、(5)设计一个cnn-lstm网络模型,该模型由一个卷积神经网络(cnn,convolutional neural networks)和一个长短时记忆(long short memory,lstm)神经网络模型串联组成;整个网络模型包括两个隐藏层和一个多层堆叠的lstm,每个隐藏层内都包含一个卷积层,一个归一化层和一个激活层,网络输入层大小为(m×m)×1,每个卷积层的卷积核大小为1×3,卷积核个数为64,多层堆叠的lstm网络包括2层隐藏参数为120的lstm;网络的输入为原始协方差矩阵的幅相矢量rq,输出为优化后协方差矩阵的幅相矢量q
10、(6)使用数据集d和cnn-lstm网络进行网络参数训练;网络训练过程基于adam优化器,训练的初始学习率为0.001,最大批次定义为300,批次大小为256,训练的目标是最小化l2损失函数,通过误差逆传递,得到网络参数更新值;
11、(7)将需要优化的阵列真实接收信号协方差矩阵的幅相矢量输入到训练好的cnn-lstm网络中,网络的输出即为优化后协方差矩阵的幅相矢量,进而按照幅相矢量定义,恢复出优化后的协方差矩阵。
12、本发明的有益效果是,采用神经网络的优化方法,可以消除空间中多径信号对协方差矩阵估计的影响。本发明可以应用于阵列信号处理领域。
1.一种基于神经网络的协方差矩阵优化方法,其实现步骤是: