[发明专利]基于机器学习的到达角估计算法研究及应用

说明书

本发明提供了基于机器学习的到达角估计算法研究及应用，由于以前的研究一般都是假设角度误差服从某一具体分布来设计方向调制中的有用信号波束成形向量和人工噪声投影矩阵，但实际情况中我们需要通过估计算法有效地去测量具体的角度误差分布情况。首先，数字结构的发射机作为接受者快拍多次；然后通过使用Root‑MUSIC算法来获取多次快拍后测量角度的训练数据集；接着利用机器学习中的直方图方法估计到达角测量误差的概率密度分布，同时利用贝叶斯学习方法估计到达角测量误差的均值和方差；最后，我们可以利用这一系列参数来设计方向调制中的有用信号波束成形向量和人工噪声投影矩阵，此时发射机处于发射模式。

技术领域

本发明涉及无线通信技术领域，特别涉及基于机器学习的到达角估计算法研究及应用。

背景技术

对于安全方向调制系统而言，高分辨率的到达角测量和高精度的到达角误差分布密度估计极为重要。完美的到达角测量结果能够使有用信息和人工噪声分别准确地发射给期望方向和窃听方向，从而提升系统的安全性能。由于大规模多输入多输出(MultipleInput Multiple Output,MIMO)的超高空间分辨率和超高频谱利用率的特性，它可以用在方向调制系统中来提升到达角估计的精度。然而，当天线数趋于大规模时，计算量、电路复杂度和实现成本对商业应用来说太高。因此，可以考虑利用数模混合结构实现计算量、电路复杂度和实现成本等方面的权衡。

估计信号可以分为两类，即窄带信号和宽带信号。窄带信号利用相同的频率发射，而宽带信号到达角估计问题中，不同的频点携带不同的信息从而对应不同的角度，这将会产生分集增益。宽带到达角估计中的主要问题是如何使不同频率的信息结合从而获得精确的到达角信息。宽带处理的两个主要类型是相干处理和非相干处理。相干处理过程中，每个频率的协方差矩阵结合起来并利用最后的协方差矩阵估计到达角。非相干处理中，不同频率的到达角分开估计，最终结果非相干地结合。

研究者提出了许多典型的到达角估计算法，Capon算法是功率的最大似然估计，主要目的是最大化信干噪比。Schmidt提出了更为流行的MUSIC算法，它是一种基于特征值结构的高分辨率到达角估计方法。在方向调制网络中，波束成形向量和人工噪声投影矩阵的设计主要取决于到达角测量的精度。机器学习是解决如何实现高精度的到达角测量这一问题的新方法，我们可以通过贝叶斯学习方法提升全数字结构发射机中到达角测量的精度。

发明内容

为了克服现有技术中存在的不足，本发明提供基于机器学习的到达角估计算法研究及应用。首先，数字结构的发射机作为接受者快拍多次；然后通过使用Root-MUSIC算法来获取多次快拍后测量角度的训练数据集；接着利用机器学习中的直方图方法估计到达角测量误差的概率密度分布，同时利用贝叶斯学习方法估计到达角测量误差的均值和方差；最后，我们可以利用这一系列参数来设计方向调制中的有用信号波束成形向量和人工噪声投影矩阵，此时发射机处于发射模式。

为实现上述目的，本发明所采用的技术方案包括：数字结构的发射机作为接受者快拍多次；利用Root-MUSIC算法来获取多次快拍后测量角度的训练数据集；利用机器学习中的直方图方法估计到达角测量误差的概率密度分布，同时利用贝叶斯学习方法估计到达角测量误差的均值和方差；利用这一系列参数来设计方向调制中的有用信号波束成形向量和人工噪声投影矩阵，此时发射机处于发射模式。

进一步地，具体过程包括：S1.数字结构的发射机作为接受者快拍多次；S2.利用Root-MUSIC算法来获取多次快拍后测量角度的训练数据集；S3.利用机器学习中的直方图方法估计到达角测量误差的概率密度分布，同时利用贝叶斯学习方法估计到达角测量误差的均值和方差；S4.利用这一系列参数来设计方向调制中的有用信号波束成形向量和人工噪声投影矩阵，此时发射机处于发射模式。