一种未知互耦下基于深度学习的远场信号源定位方法与流程

1.本发明属于阵列信号处理技术领域，特别涉及一种未知互耦下基于深度学习的远场信号源定位方法。


背景技术：

2.远场信号源定位是阵列信号处理领域的一个重要问题，其被应用到雷达、声呐、移动和无线通信等多个技术中。在过去的几十年里，出现了大量高精度的远场信号源定位算法，例如多重信号分类算法和基于旋转不变性的信号参数估计算法。然而，这些算法的定位性能严重依赖于对阵列模型的精确构建。在实际应用环境中，阵列元素之间不可避免地存在未知的相互耦合，这将严重恶化上述算法的性能。
3.为了减少甚至消除相互耦合效应，学者们提出了大量经典算法，其大致可分为三类。第一类算法充分利用了均匀线性阵列中相互耦合矩阵的对称托普利茨结构。然而此类算法仅仅使用中间子阵列的信息，其会减少阵列的孔径，这将导致此类算法的普适性受限。第二类是基于归约的算法，它们利用了阵列的所有信息，但在某些情况下，频谱中假峰的出现大大降低了算法的定位精度。最后一类是基于稀疏重建的算法，它可以取得较好的性能，但该方法通常需要应用二阶统计量或高阶统计量，其计算复杂度相对较高。上述传统算法都有其自身不可弥补的缺陷。相比之下，深度学习算法在许多恶劣环境中显示出了突出的定位优势。目前，在阵列信号处理领域的文献中，深度学习算法在未知互耦下的远场信号源定位问题上尚未得到很好的研究。


技术实现要素：

4.为克服现有技术中的问题，本发明的目的在于提供一种未知互耦下基于深度学习的远场信号源定位方法，该方法可以显著提高信号源数检测的准确率和波达方向估计的精度。
5.为达到上述目的，本发明采用以下技术方案：
6.一种未知互耦下基于深度学习的远场信号源定位方法，包括以下步骤：
7.获取待定位的远场信号数据，根据远场信号数据得到特征提取矩阵；
8.将特征提取矩阵输入信号源数检测网络模型中，得到预测的信号源数；
9.根据预测的信号源数，为协方差重构网络模型加载预训练权重参数；
10.将特征提取矩阵输入通过加载预训练权重参数的协方差重构网络模型中，得到预测的理想协方差矩阵的首行数据信息；
11.利用预测的理想协方差矩阵的首行数据信息根据托普利兹结构特性进行重构，得到完整的理想协方差矩阵，然后对完整的理想协方差矩阵采用多重信号分类算法，实现远场信号源定位。
12.进一步的，采集或仿真获取待定位的远场信号数据，根据远场信号数据计算获得阵列接收数据的协方差矩阵，根据协方差矩阵计算获得特征提取矩阵。
13.进一步的，阵列接收数据的协方差矩阵rc为：
14.rc＝e{x(t)xh(t)}＝car
sahch
+rn15.其中，c代表未知互耦效应矩阵，a为均匀线性阵列的流型矩阵，rs为入射信号的协方差矩阵，rn为高斯白噪声的协方差矩阵，rs＝e{s(t)s(t)h}，s(t)为入射信号向量，rn＝e{ω(t)ω(t)h}，ω(t)为加性噪声向量，e{
×
}表示求期望，(
×
)h表示艾尔米特转置，x(t)为远场信号数据，远场信号数据x(t)＝[x1(t),x2(t),l,xm(t)]
t
，x1(t)、x2(t)和xm(t)分别代表第1、第2和第m个阵元上接收到的数据。
[0016]
进一步的，入射信号向量s(t)通过下式计算：
[0017][0018]
式中，s1(t)、s2(t)和sk(t)分别表示第1、2和k个远场信号源发出的信号。
[0019]
进一步的，加性噪声向量ω(t)通过下式计算：
[0020][0021]
式中，ω1(t)、ω2(t)和ωm(t)分别表示第1、2和m个传感器阵元接收到的高斯白噪声；
[0022]
特征提取矩阵x大小为m
×m×
2，m为阵元总数，包括第一二维矩阵和第二二维矩阵其中，和分别表示矩阵复数值的实部和虚部。
[0023]
进一步的，信号源数检测网络模型包括输入层、二维卷积层、批归一化层、修正线性单元层、全连接层与输出层；二维卷积层为4个，二维卷积层采用了128个维度为2*2的滤波器，步长为1，每个二维卷积层后是批归一化层和修正线性单元层；全连接层的层数为3层，3层全连接层的神经元数分别为512、256和128个；输出层是由m个神经元组成的全连接层和softmax激活函数联合构成的分类结构。
[0024]
进一步的，信号源数检测网络模型的损失函数如下：
[0025][0026]
其中，t是训练样本总数；i是训练样本序号；uj(t)为第t个样本的实际信号源数经过独热编码后的第j个元素，u(t)＝[u1(t),u2(t),
…
um(t)]，当信号源数为k时，uk(t)为1，其他元素皆为0；为第t个样本的信号源数预测结果的第j个元素。
[0027]
进一步的，信号源数检测网络模型和协方差重构网络模型的训练集通过仿真获取。
[0028]
进一步的，协方差重构网络模型包括输入层、二维卷积层、批归一化层、修正线性单元层、全连接层与输出层；二维卷积层为4个，采用128个维度为2*2的滤波器，步长为1，每个卷积层后是批归一化层和修正线性单元层；全连接层的层数为3层，全连接层的神经元数分别为512、256和128个；输出层是由2m个神经元组成的回归结构。
[0029]
进一步的，协方差重构网络模型的损失函数为：
[0030][0031]
其中，t是训练样本总数；表示针对第t个样本的理想协方差矩阵的首行数据信息，息，表示针对第t个样本的网络预测输出。
[0032]
与现有技术相比，本发明具有以下有益效果：
[0033]
本发明的未知互耦下基于深度学习的远场信号源定位方法，相比于传统基于模型的远场信号源定位算法在未知互耦下定位性能较差的情况，引入了信号源数检测网络模型和协方差重构网络模型；一方面，信号源数检测网络模型可以通过学习真实样本协方差矩阵中的源数信息来实现端到端输出，其检测准确率明显优于其他源数检测器，例如在信噪比低于15db的情况下信号源数检测的准确率比其他基线算法提高至少5个百分点；另一方面，协方差重构网络模型是基于托普利兹结构特性设计的，其可以降低算法的复杂度并有效地解决了传统算法导致的阵列孔径减小的问题。整体而言，在实验设置的针对不同信号源数定位的情况下，相比其他传统基于模型的定位算法，本发明的方法均能实现最优的定位精度表现。
[0034]
进一步的，本发明通过实验确定了较优的二维卷积层层数，可以同时实现较高的定位精度和较小的计算复杂度，故而降低了不必要的时间成本。
附图说明
[0035]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面对实施例或现有技术描述中所需要使用的附图做简单的介绍；显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0036]
图1是本发明实施例的未知互耦下基于深度学习的远场信号源定位体系结构示意图。
[0037]
图2是信号源数检测网络模型(sndn)和协方差重构网络模型(icrn)的结构示意图，其中每个二维卷积层之后都是批处理归一化层和校正线性单元层。
[0038]
图3是本发明实施例中，远场信号源定位方法的性能随不同的二维卷积层层数的变化示意图，其横坐标表示信噪比(snr)，纵坐标表示远场信号波达方向估计的根均方误差(rmse)。
[0039]
图4是本发明实施例中，远场信号源定位方法的性能随不同的二维卷积层层数的变化示意图在信噪比为10分贝附近的局部放大图，其横坐标表示信噪比(snr)，纵坐标表示远场信号波达方向估计的根均方误差(rmse)。
[0040]
图5是信号源数检测的准确率随信噪比的变化示意图，其横坐标表示信噪比(snr)，纵坐标表示检测准确率(accuracy)
[0041]
图6是不同信号源数下远场信号的波达方向估计根均方误差(rmse)随信噪比的变化示意图。各图的横坐标表示信噪比(snr)，纵坐标表示远场信号波达方向估计的根均方误差(rmse)；其中，(a)为信号源数为1个时的波达方向估计性能示意图；(b)为信号源数为2个
时的波达方向估计性能示意图；(c)为信号源数为3个时的波达方向估计性能示意图；(d)为信号源数为4个时的波达方向估计性能示意图。
[0042]
图7是远场信号源波达方向估计的均方根误差(rmse)随快拍数的变化示意图，其横坐标表示快拍数(number of snapshots)，纵坐标表示波达方向估计的根均方误差(rmse)。
[0043]
图8是远场信号源波达方向估计的均方根误差(rmse)随信号方向角分离度的变化示意图，其横坐标表示信号方向角分离度(angular separation)，纵坐标表示波达方向估计的根均方误差(rmse)。
具体实施方式
[0044]
为使本发明实施例的目的、技术效果及技术方案更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述；显然，所描述的实施例是本发明一部分实施例。基于本发明公开的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的其它实施例，都应属于本发明保护的范围。
[0045]
本发明的一种未知互耦下基于深度学习的远场信号源定位方法，包括以下步骤：
[0046]
步骤1，采集或仿真获取待定位的远场信号数据，根据远场信号数据得到特征提取矩阵；具体包括以下步骤：
[0047]
采集或仿真获取待定位的远场信号数据，根据远场信号数据计算获得阵列接收数据的协方差矩阵，根据协方差矩阵计算获得特征提取矩阵。
[0048]
阵列接收数据的协方差矩阵rc为：
[0049]
rc＝e{x(t)xh(t)}＝car
sahch
+rn[0050]
r＝ar
sah
[0051]
其中，c代表未知互耦效应矩阵，a为均匀线性阵列的流型矩阵，rs为入射信号的协方差矩阵，rn为高斯白噪声的协方差矩阵，rs＝e{s(t)s(t)h}，s(t)为入射信号向量，rn＝e{ω(t)ω(t)h}，ω(t)为加性噪声向量，e{
×
}表示求期望，(
×
)h表示艾尔米特转置，x(t)为远场信号数据，远场信号数据x(t)＝[x1(t),x2(t),l,xm(t)]
t
，x1(t)、x2(t)和xm(t)分别代表第1、第2和第m个阵元上接收到的数据，r代表不含互耦效应和噪声信息的理想协方差矩阵。
[0052]
入射信号向量s(t)通过下式计算：
[0053][0054]
式中，s1(t)、s2(t)和sk(t)分别表示第1、2和k个远场信号源发出的信号。
[0055]
加性噪声向量ω(t)通过下式计算：
[0056][0057]
式中，ω1(t)、ω2(t)和ωm(t)分别表示第1、2和m个传感器阵元接收到的高斯白噪声。
[0058]
特征提取矩阵x大小为m
×m×
2，m为阵元总数，包括第一二维矩阵和第二二维矩阵其中，和分别表示矩阵复数值的实部和虚部。
[0059]
步骤2，将步骤1获得的特征提取矩阵输入信号源数检测网络模型中，得到预测的信号源数；
[0060]
其中，信号源数检测网络模型包括输入层、二维卷积层、批归一化层、修正线性单元层、全连接层与输出层；信号源数检测网络模型共有4个二维卷积层，采用了128个维度为2*2的滤波器，步长为1，每个卷积层后是一个批归一化层和一个修正线性单元层；全连接层的层数为3，全连接层神经元数分别为512、256和128个；输出层是由m个神经元组成的全连接层和softmax激活函数联合构成的分类结构。
[0061]
具体的，信号源数检测网络模型是由九个子结构组合而成。其中第一个子结构是输入层，即特征提取矩阵的接收层，第二到第五个子结构都具有一个相同的架构：其都由一个二维卷积层、一个批归一化层和一个校正线性单元层构成。对于每个二维卷积层，采用128个大小为2
×
2的滤波器和相同的填充策略，以实现多维特征采集，同时也避免了边缘信息的丢失。第六、七、八个子结构分别表示一个包含512、256和128个神经元的全连接层。最后，第九个子结构是一个具有m个神经元的分类结构，其将信号源数检测视为一个种类数为m的多类分类问题，以输出经过独热编码后的信号源数检测结果。
[0062]
信号源数检测网络模型的损失函数为范畴交叉熵函数为
[0063][0064]
其中，t是训练样本总数；i是训练样本序号；uj(t)为第t个样本的实际信号源数经过独热编码后的第j个元素，即u(t)＝[u1(t),u2(t),
…
um(t)]，当信号源数为k时，uk(t)为1，其他元素皆为0；为第t个样本的信号源数预测结果的第j个元素。
[0065]
通过仿真产生信号源数检测网络模型的训练集具体包括：信号源的数量在[1，4]的范围内随机生成10万次，每个信号源的波达方向在[-60
°
，60
°
]之间随机生成。为每次信号源的生成结果设置10个样本，其信噪比随机分布在[-10db，15db]中，快拍数固定为200。因此，在信号源数检测网络模型的数据集中共有100万个样本，其中训练数据和验证数据分别占80％和20％。
[0066]
步骤3，根据步骤2预测的信号源数，为协方差重构网络模型加载对应数据库中的预训练权重参数；
[0067]
其中，协方差重构网络模型包括输入层、二维卷积层、批归一化层、修正线性单元层、全连接层与输出层；协方差重构网络模型共有4个二维卷积层，采用128个维度为2*2的滤波器，步长为1，每个卷积层后是一个批归一化层和一个修正线性单元层；全连接层的层数为3，其神经元数分别为512、256和128个；输出层是由2m个神经元组成的回归结构。
[0068]
协方差重构网络模型的损失函数为：
[0069][0070]
其中，t是训练样本总数；表示针对第t个样本的理想协方差矩阵的首行数据信息，具体形式为即包含了首行数据(r1(t)～rm(t))的实部(re)和虚部(im)信息。同理，表示针对第t
个样本的网络预测输出。
[0071]
协方差重构网络模型也由九个子结构组合而成，其前八个子结构与信号源数检测网络模型的前八个子结构相同。唯一不同的是，协方差重构网络模型的第九个子结构是一个由2m个神经元组成的回归结构，以输出理想协方差矩阵的首行数据信息。
[0072]
建立一个数据库来存储协方差重构网络在不同信号源数下预训练的网络参数，更重要的是，它还存储了不同信号源数与相对应预训练的网络参数之间的映射关系。具体来说，通过将信号源数检测网络模型关于源数的预测结果输入数据库，可以匹配出对应源数的协方差重构网络模型的预训练参数。
[0073]
步骤4，将步骤1获得的特征提取矩阵输入通过步骤3加载权重参数后的协方差重构网络模型中，得到预测的理想协方差矩阵的首行数据信息；
[0074]
为了获得定位不同源数的协方差重构网络模型的预训练参数，分别为4种不同源数存在情况建立了训练集。对于第k种源数情况，假设在[-60
°
，60
°
]的空间范围内随机分布有k个源，其中1≤k≤4。对于每种源数情况为信号源的波达方向随机生成6万次数据。然后，为每次信号源的生成结果设置30个样本，其中样本的信噪比随机分布到-10db到15db，快拍数固定为200。因此为每种源数情况下的训练数据集生成了180万个样本。此外训练数据和验证数据分别占80％和20％。需要注意的是，对于每种源数情况分别训练协方差重构网络模型，并将其相应的预训练参数存储在数据库中。
[0075]
步骤5，利用步骤4得到的预测的理想协方差矩阵的首行数据信息根据托普利兹结构特性进行重构，得到完整的理想协方差矩阵，然后采用多重信号分类算法实现远场信号源定位。
[0076]
实施例1
[0077]
本发明实施例的一种未知互耦下基于深度学习的远场信号源定位方法，是一种远场多信号源定位方法，其方法流程如图1所示，包括以下步骤：
[0078]
考虑k个远场窄带非相干信号{sk(t)}撞击到一个由m个间距为d的传感器阵元组成的均匀线性阵列上，并且假设这些传感器相互之间存在未知互耦效应。
[0079]
设定阵列的首个阵元为相位参考点，那么整个阵列接收到的带有噪声的信号x(t)可以表示为：
[0080]
x(t)＝cas(t)+ω(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0081]
其中，x1(t)、x2(t)和xm(t)分别表示第1、2和m个传感器阵元上接收到的信号；s(t)和ω(t)是分别给定的入射信号向量和加性噪声向量。
[0082][0083][0084]
其中，s1(t)、s2(t)和sk(t)分别表示第1、2和k个远场信号源发出的信号；ω1(t)、ω2(t)和ωm(t)分别表示第1、2和m个传感器阵元上接收到的高斯白噪声。
[0085]
矩阵c表示未知互耦效应，其具有带状对称的托普利茨结构，可以表示为c＝toeplitz(c)，其中c表示互耦系数向量，可以表示为c＝[1,c1,c2,l,c
p
,0,l,0]，各个互耦系数c
p
的绝对值在0和1之间。均匀线性阵列的阵列流型矩阵a可表示为a＝[a(θ1),a(θ2),l,a(θk)]，其中a(θk)是均匀线性阵列的方向向量，可以表示为
θk表示第k个信号源的位置参数(即波达方向)。
[0086]
本发明中，假定入射信号{sk(t)}为广义的零均值的静态随机过程，加性噪声{ωm(t)}是高斯白噪声，并且与信号{sk(t)}不相关。
[0087]
(1)采集或仿真获取待定位的远场信号数据，根据远场信号数据计算获得阵列接收数据的协方差矩阵rc，根据协方差矩阵rc计算获得特征提取矩阵x；
[0088]
步骤(1)中，计算得到网络输入的特征提取矩阵x：
[0089]
由远场信号数据首先计算得到阵列接收数据的协方差矩阵rc；
[0090]
rc＝e{x(t)xh(t)}＝car
sahch
+rn[0091]
r＝ar
sah
[0092]
其中，矩阵c表示未知互耦效应，a为均匀线性阵列的阵列流型矩阵，rs为入射信号的协方差矩阵，rs＝e{s(t)s(t)h}，s(t)为入射信号向量，rn为高斯白噪声的协方差矩阵，rn＝e{ω(t)ω(t)h}，ω(t)为加性噪声向量。e{
×
}表示求期望，(
×
)h表示艾尔米特转置，x(t)为远场信号数据，x1(t)、x2(t)和xm(t)分别代表第1、第2和第m个阵元上接收到的数据，r代表不含互耦效应和噪声信息的理想协方差矩阵。
[0093]
一般来说阵列接收数据的协方差矩阵rc可以通过对时间项t取平均近似得到。本发明保留了协方差矩阵的部分信息，包括了矩阵的实部和虚部信息。本发明提出的特征提取矩阵x的具体内容表述如下：
[0094]
特征提取矩阵x大小为m
×m×
2，m为阵元总数，包括第一二维矩阵和第二二维矩阵其中，和分别表示矩阵复数值的实部和虚部；rc为阵列接收数据的协方差矩阵。
[0095]
(2)构建信号源检测网络模型(sndn)；所述信号源检测网络模型以步骤(1)获得的特征提取矩阵x作为输入，通过卷积层、全连接层和分类结构来估计远场源数量；
[0096]
具体的，参见图2，本发明构建的信号源检测网络模型由九个子结构组成，包括一个输入层(input layer)，四个由二维卷积层(conv2d layer)、批归一化层(bn layer)和修正线性单元层(relu layer)组合而成的子结构，三个全连接层(fc layers)与一个输出层(output layer)。
[0097]
步骤(1)得到的特征提取矩阵x作为信号源检测网络模型的输入层的输入信息；
[0098]
接下来是四个相同的子结构，每一个子结构都包括一个二维卷积层(conv2d layer)、一个批归一化层(bn layer)和一个修正线性单元层(relu layer)。其中二维卷积层用于提取输入数据中的源数信息，每一个二维卷积层采用了128个维度为2*2的滤波器，步长为1，对输入数据进行卷积操作；然后采用批量标准化层(bn layer)，用于对网络中传输的信息进行标准化，使得网络训练更易于优化；再然后是校正线性单元层(relu layer)，通过非线性映射，增强网络的表达能力。
[0099]
第六、七、八个子结构分别表示为包含由512、256和128个神经元组成的全连接层(fc layers)。最后，第九个子结构是一个具有m个神经元的分类结构，其将信号源数检测视为一个种类数为m的多类分类问题，以输出经过编码后的信号源数检测结果。
[0100]
最后是输出层(output layer)，用于输出预测的远场信号源数量。
[0101]
(3)建立一个数据库来存储协方差重构网络在不同信号源数下预训练的网络参数，更重要的是，它还存储了不同信号源数与相对应预训练的网络参数之间的映射关系。具体来说，通过将信号源数检测网络模型关于源数的预测结果输入数据库，可以匹配出对应源数的协方差重构网络模型的预训练参数。
[0102]
(4)构建协方差重构网络模型(icrn)；如图2所示，协方差重构网络模型同样由九个子结构组成，其前八个子结构与步骤(2)中所述的信号源数检测网络模型的前八个子结构相同。唯一不同的是，协方差重构网络模型的第九个子结构是一个由2m个神经元组成的回归结构，以输出预测的理想协方差矩阵的首行数据信息。
[0103]
(5)通过仿真分别为步骤(2)构建的信号源数检测网络和步骤(4)构建的协方差重构网络产生训练集，通过训练集分别对两个神经网络模型进行预训练，并确定预训练神经网络模型所需的各项参数，将协方差重构网络的预训练参数保存到步骤(3)构建的数据库中；
[0104]
具体的，两个网络模型训练所需的各项参数按照以下条件设置：
[0105]
1)信号源数检测网络的损失函数为范畴交叉熵为：
[0106][0107]
其中，为每种信号源数存在情况都进行独热编码，t为训练样本总数，uj(t)为第t个样本的实际信号源数经过独热编码后的第j个元素，即u(t)＝[u1(t),u2(t),
…
um(t)]，当信号源数为k时，uk(t)为1，其他元素皆为0；为第t个样本的信号源数预测结果的第j个元素。
[0108]
2)协方差重构网络模型的损失函数为：
[0109][0110]
其中，表示针对第t个样本的理想协方差矩阵的首行数据信息，具体形式为即包含了首行数据(r1(t)～rm(t))的实部(re)和虚部(im)信息。同理，表示针对第t个样本的网络预测输出，t是训练样本总数。
[0111]
3)上述两个网络模型都由自适应矩估计优化器(adaptive moment estimation optimizer)训练而成，初始学习率为0.001，同时，为了防止训练陷入局部优化或者发散，学习率将在每10个训练周期后减半；
[0112]
4)训练周期最大数设置为30；
[0113]
5)训练迭代中用到的小批量的大小为64，并且每次进行训练迭代之前将训练集的数据顺序打乱。
[0114]
(6)将步骤(1)获得的特征提取矩阵x输入步骤(5)获得的已完成训练的信号源检测网络模型中，通过信号源检测网络模型输出预测的信号源数；根据源数预测结果从步骤(5)完成构建的数据库中提取出相应的协方差重构网络的预训练参数；将特征提取矩阵x输入已加载由步骤(5)获得的预训练参数后的协方差重构网络模型中，输出理想协方差矩阵
的首行数据信息；之后利用托普利兹结构特性重构完整的理想协方差矩阵后，最后采用多重信号分类算法实现远场信号源定位
[0115]
下面通过数值仿真验证本发明方法的有效性：
[0116]
本发明实施例提出的方法在一个由7个传感器阵元组成的均匀线性阵列上进行验证，传感器之间的间距是波长的二分之一。互耦效应系数为2，分别为c1＝0.5663+0.4114i和c2＝0.2898-0.0776i。理论上来说，本发明的方法可以同时训练任意多个远场信号源并估计其源数和波达方向。为了简明起见，本发明只列举信号源数目的四种存在情况，即存在1个到4个信号源。各个信号源的波达方向在[-60
°
，60
°
]之间随机生成。接收信号的信噪比随机分布在-10db到15db之间，接收信号的快拍数固定为200。
[0117]
相对应的，本发明中信号源数检测网络模型的训练集具体包括：信号源的数量在[1，4]的范围内随机生成10万次，每个信号源的波达方向在[-60
°
，60
°
]之间随机生成。为每次信号源的生成结果设置10个样本，其信噪比随机分布在[-10db，15db]中，快拍数固定为200。因此，在信号源数检测网络模型的数据集中共有100万个样本，其中训练数据和验证数据分别占80％和20％。
[0118]
此外，本发明中协方差重构网络模型的训练集具体包括：分别为4种不同源数存在情况建立了训练集。对于第k种源数情况，假设在的空间范围内随机分布有k个源，其中1≤k≤4。对于每种源数情况为信号源的波达方向随机生成6万次数据。然后，为每次信号源的生成结果设置30个样本，其中样本的信噪比随机分布到-10db到15db，快拍数固定为200。因此为每种源数情况下的训练数据集生成了180万个样本，其中训练数据和验证数据分别占80％和20％。
[0119]
利用上述设置的训练集对整个定位方法训练之后，即可进行对比实验验证。首先，本发明研究了二维卷积层数量对于远场信号源定位性能的影响。为了进行比较，分别选择1到5个二维卷积层组成不同的网络模型。图3展示了远场信号源定位方法的性能随不同的二维卷积层层数的变化示意图。从图中可以发现，在小信噪比下，随着卷积层数从1个增加到5个，由于网络模型的表达能力的增强，定位方法的性能得到了提高。然而，如图4所示，当信噪比在10db附近时，值得注意的是，由四个卷积层组成的网络模型的定位性能优于由五个卷积层组成的网络模型。其原因可能是网络参数过多导致的过拟合现象。因此，本发明所提出的具有四个卷积层的网络模型是基于表达能力和过拟合风险之间的综合权衡。
[0120]
图5展示了信号源数检测准确率随信噪比的变化趋势。对于源数检测问题，采用四种不同的传统估计器作为对比，测试数据集中的源的数量分布在[1,4]中。从图中可以看出，本发明方法的信号源数检测性能明显优于所有其他估计器，特别是在低信噪比区域。此外，即使信噪比达到15db，传统源数估计器的精度也只能达到95％。其原因可能是这些估计器都是基于具有相互耦合效应的协方差矩阵的特征值，其没有消除互耦效应对估计器的影响。
[0121]
图6展示了不同信号源数下远场信号的波达方向估计根均方误差(rmse)随信噪比的变化趋势。其中，图6中(a)为信号源数为1个时的波达方向估计性能示意图；图6中(b)为信号源数为2个时的波达方向估计性能示意图；图6中(c)为信号源数为3个时的波达方向估计性能示意图；图6中(d)为信号源数为4个时的波达方向估计性能示意图。为了验证本发明方法的优越性，实验结果与递归的降阶定位算法(r-rare)、降阶定位算法(rare)、子阵列算
法(mid-array)、多信号分类算法(music)和克拉美罗下界(crb)进行了比较。为了公平起见，假设预先获知信号源数，所有算法的波达方向估计都基于谱峰搜索，其中谱峰搜索的网格间距固定在0.1
°
。需要注意的是，由于子阵列算法(mid-array)会减小阵列孔径，在验证实验设置的条件下其最多定位2个信号源，因此在图6(c)和(d)中没有显示其定位性能。从图6中(a)～(d)四个子图中可以看出，无论信号源的数目多少，本发明提出的方法在所有算法中的定位性能最优，其也不存在阵列孔径减小的问题。值得注意的是，在图6中(a)和(b)中，当信噪比较小时，本发明提出的方法的定位性能甚至突破了克拉美罗下界(crb)。其可能的原因是克拉美罗下界(crb)表示的是无偏估计器的最佳精度，而本发明提出的方法是有偏估计器，故其不受克拉美罗下界(crb)的约束。
[0122]
图7展示了远场信号源波达方向估计的均方根误差(rmse)随快拍数的变化趋势。需要注意的是，图7中的仿真设置为：有两个信号源分别生成在[-60
°
，60
°
]范围内，信噪比设定为10db，且快拍数从10变化到1000。从图7中可以看出无论快拍数量如何，所提出的方法基本上都比其他算法性能更好。需要注意的是，即使本发明方法没有针对不同的快拍数进行训练，但与其他基于模型的算法相比，它仍然具有较好的性能。这表明，本发明中的方法在不同的快拍数情况下具有良好的泛化性能。
[0123]
最后，图8展示了远场信号源波达方向估计的均方根误差(rmse)随信号方向角分离度的变化示意图。其仿真设置为：两个信号源分别位于-20.65
°
和-20.65
°
+δθ，其中角度分离度δθ为2
°
到22
°
，步长为2
°
信噪比固定在10db，快拍数设置为200。从图中可以看出，无论角度间距如何变化，本发明的方法的波达方向估计精度总是高于其他算法。此外，值得注意的是，本发明的方法在一些小角度间隔情况下定位更有优势。
[0124]
本发明提出了一种未知互耦下基于深度学习的远场信号源定位方法，该方法主要由负责源数检测的信号源数检测网络和负责理想协方差矩阵恢复的协方差重构网络组成。其中，信号源数检测网络可以通过学习真实样本协方差矩阵中的源数信息来实现端到端输出。协方差重构网络是基于托普利茨矩阵结构设计的，其被用来恢复不含互耦效应和噪声信息的理想协方差矩阵的首行数据信息，此外，其参数从一个包含不同源数下网络预训练参数的数据库中加载。仿真实验结果表明，相比于已有的传统的远场信号源定位算法，本发明方法在快拍数较低、信噪比较小和多信号源的波达方向分离角较小等多种情况下能保持较高性能。总体而言，本发明方法可以显著提高未知互耦下远场信号源的源数检测准确率和波达方向估计精度。
[0125]
以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。

技术特征：
1.一种未知互耦下基于深度学习的远场信号源定位方法，其特征在于，包括以下步骤：获取待定位的远场信号数据，根据远场信号数据得到特征提取矩阵；将特征提取矩阵输入信号源数检测网络模型中，得到预测的信号源数；根据预测的信号源数，为协方差重构网络模型加载预训练权重参数；将特征提取矩阵输入通过加载预训练权重参数的协方差重构网络模型中，得到预测的理想协方差矩阵的首行数据信息；利用预测的理想协方差矩阵的首行数据信息根据托普利兹结构特性进行重构，得到完整的理想协方差矩阵，然后对完整的理想协方差矩阵采用多重信号分类算法，实现远场信号源定位。2.根据权利要求1所述的未知互耦下基于深度学习的远场信号源定位方法，其特征在于，采集或仿真获取待定位的远场信号数据，根据远场信号数据计算获得阵列接收数据的协方差矩阵，根据协方差矩阵计算获得特征提取矩阵。3.根据权利要求1所述的未知互耦下基于深度学习的远场信号源定位方法，其特征在于，阵列接收数据的协方差矩阵r
c
为：r
c
＝e{x(t)x
h
(t)}＝car
s
a
h
c
h
+r
n
其中，c代表未知互耦效应矩阵，a为均匀线性阵列的流型矩阵，r
s
为入射信号的协方差矩阵，r
n
为高斯白噪声的协方差矩阵，r
s
＝e{s(t)s(t)
h
}，s(t)为入射信号向量，r
n
＝e{ω(t)ω(t)
h
}，ω(t)为加性噪声向量，e{
×
}表示求期望，(
×
)
h
表示艾尔米特转置，x(t)为远场信号数据，远场信号数据x(t)＝[x1(t),x2(t),l,x
m
(t)]
t
，x1(t)、x2(t)和x
m
(t)分别代表第1、第2和第m个阵元上接收到的数据。4.根据权利要求3所述的未知互耦下基于深度学习的远场信号源定位方法，其特征在于，入射信号向量s(t)通过下式计算：式中，s1(t)、s2(t)和s
k
(t)分别表示第1、2和k个远场信号源发出的信号。5.根据权利要求3所述的未知互耦下基于深度学习的远场信号源定位方法，其特征在于，加性噪声向量ω(t)通过下式计算：式中，ω1(t)、ω2(t)和ω
m
(t)分别表示第1、2和m个传感器阵元接收到的高斯白噪声；特征提取矩阵x大小为m
×
m
×
2，m为阵元总数，包括第一二维矩阵和第二二维矩阵其中，和分别表示矩阵复数值的实部和虚部。6.根据权利要求1所述的未知互耦下基于深度学习的远场信号源定位方法，其特征在于，信号源数检测网络模型包括输入层、二维卷积层、批归一化层、修正线性单元层、全连接层与输出层；二维卷积层为4个，二维卷积层采用了128个维度为2*2的滤波器，步长为1，每个二维卷积层后是批归一化层和修正线性单元层；全连接层的层数为3层，3层全连接层的神经元数分别为512、256和128个；输出层是由m个神经元组成的全连接层和softmax激活函数联合构成的分类结构。7.根据权利要求1所述的未知互耦下基于深度学习的远场信号源定位方法，其特征在
于，信号源数检测网络模型的损失函数如下：其中，t是训练样本总数；i是训练样本序号；u
j
(t)为第t个样本的实际信号源数经过独热编码后的第j个元素，u(t)＝[u1(t),u2(t),
…
u
m
(t)]，当信号源数为k时，u
k
(t)为1，其他元素皆为0；为第t个样本的信号源数预测结果的第j个元素。8.根据权利要求1所述的未知互耦下基于深度学习的远场信号源定位方法，其特征在于，信号源数检测网络模型和协方差重构网络模型的训练集通过仿真获取。9.根据权利要求1所述的未知互耦下基于深度学习的远场信号源定位方法，其特征在于，协方差重构网络模型包括输入层、二维卷积层、批归一化层、修正线性单元层、全连接层与输出层；二维卷积层为4个，采用128个维度为2*2的滤波器，步长为1，每个卷积层后是批归一化层和修正线性单元层；全连接层的层数为3层，全连接层的神经元数分别为512、256和128个；输出层是由2m个神经元组成的回归结构。10.根据权利要求1所述的未知互耦下基于深度学习的远场信号源定位方法，其特征在于，协方差重构网络模型的损失函数为：其中，t是训练样本总数；表示针对第t个样本的理想协方差矩阵的首行数据信息，表示针对第t个样本的理想协方差矩阵的首行数据信息，表示针对第t个样本的网络预测输出。

技术总结
本发明公开了一种未知互耦下基于深度学习的远场信号源定位方法，包括以下步骤：获取待定位的远场信号数据，构造特征提取矩阵，并输入信号源数检测网络模型中，得到预测的信号源数；根据预测的信号源数，然后为协方差重构网络模型加载预训练权重参数；将特征提取矩阵输入通过加载预训练权重参数后的协方差重构网络模型中，并根据托普利兹结构特性对网络输出进行重构，采用多重信号分类算法，实现远场信号源定位。本发明在信噪比低于15dB的情况下信号源数检测的准确率比其他基线算法提高至少5个百分点，在信号源数较少的情况下远场信号源的定位精度比其他基线算法提高近两倍，且在多种恶劣环境下定位性能显著提升。在多种恶劣环境下定位性能显著提升。在多种恶劣环境下定位性能显著提升。


技术研发人员：辛景民 蒋卓谦 左炜亮 赵衍淳 陈仕韬 郑南宁
受保护的技术使用者：宁波市舜安人工智能研究院
技术研发日：2023.08.03
技术公布日：2023/9/19