[发明专利]存在阵列误差的神经网络到达角估计方法

说明书

利用存在阵元位置误差的N个阵元构成的线阵作为接收阵列，接收M组训练区间范围内的信号源产生的原始训练数据；由原始训练数据集合通过矩阵运算和归一化处理得到神经网络输入层训练数据；根据训练数据Rsubgt;m/subgt;和信号源到达角Θsubgt;m/subgt;的维数和精度要求设置隐层的层数和各个隐层中神经元的个数，根据输入层、隐层和输出层的神经元的数目确定各层的权值矩阵和阈值矩阵的维数，从而构建神经网络；将M组训练数据输给神经网络输入层，通过神经网络训练得到反映训练数据R和信号源到达角Θ之间映射关系的最优权值矩阵和最优阈值矩阵；利用修正好的最优权值矩阵和最优阈值矩阵对测试数据Rsubgt;C/subgt;进行前向运算得到神经网络最终的输出值就是测试信号到达角的估计值。

技术领域

本发明属于信号处理技术领域，尤其涉及一种阵列误差情况下的信号源到达角估计的神经网络方法。

背景技术

阵列信号到达角估计高分辨算法都要求阵列处于理想状态，即阵列不存在任何误差，但在实际中，由于阵列旋转、幅相位不一致和位置引起的天线取向误差、幅相误差和位置误差严重影响了子空间类高分辨算法的性能。阵列误差成为制约信号参数估计性能提高的瓶颈问题，为此学者们提出了大量的误差校正方法，这些方法包括有源误差校正和无源误差校正，这些误差校正方法都要已知误差模型，误差的建模是一个非常复杂的过程，特别是对于耦合误差以及多种误差存在下的综合误差的建模将更加困难，当误差模型与阵列的真实误差不吻合时，将不可避免的导致后续的误差校正算法的性能下降。有源误差校正方法的性能不但受到误差模型的影响和受到信号源参数精度的影响，当信号源参数不准确时，误差的估计性能也将变差，无源校正方法的方法虽然不需要已知信号源但算法复杂程度往往很高。如果有一种方法对阵列误差具有高鲁棒性，就可以不进行误差校正，这样就避开了阵列误差校正的繁琐过程，直接得到信号参数的精确估计结果。

神经网络方法利用训练数据通过机器学习得到信号参数和数据相关矩阵之间的映射关系，神经网络方法不需要利用阵列信息，当阵列存在误差时，阵列误差体现在训练数据中，在机器学习的过程中，误差的信息表现在映射关系中，利用存在阵列误差时的映射关系可以得到正确的信号参数，而MUSIC方法、ESPRIT方法需要利用阵列信息，当阵列存在误差时仍然根据没有误差的阵列信息构造导向矢量进行参数估计，将得到错误的信源参数估计，神经网络方法对阵列误差具有很高的鲁棒性，且在低信噪比下有更高的参数估计性能。本发明研究了存在阵列位置误差情况下参数估计的神经网络方法，该方法不需要进行误差校正，直接能够得到信号参数的估计值。

发明内容

本发明的目的是提供一种存在阵列误差的神经网络到达角估计方法。

为了实现上述目的，本发明采取如下的技术解决方案：

存在阵列误差的神经网络到达角估计方法，线阵接收K个远场窄带、互不相关声源信号，所述理想阵列由N个等间隔布置于x轴上的声压传感器阵元构成的均匀线阵，阵元间隔为d_x，d_x≤0.5λ_min，λ_min为入射信号的最小波长，但实际阵列由于自然或者人为原因阵元存在位置误差，如图1所示；

参数估计方法的步骤如下：

步骤一、利用N个阵元构成的线性阵列作为接收阵列，接收M组训练区间[-θ₀,θ₀]范围内到达角为Θ＝[Θ₁；…；Θ_m；…Θ_M]的信号源产生的原始训练数据集合Z_x＝[Z₁,…,Z_m,…,Z_M]；