[发明专利]基于二维卷积神经网络的米波雷达DOA估计方法

权利要求书

1.一种基于二维卷积神经网络的米波雷达DOA估计方法，其特征在于，所述方法包括如下步骤：

步骤1，设所述米波雷达的接收阵列为M个阵元的均匀线阵，获取所述米波雷达采集的P个点迹作为训练集；

分别计算训练集中每个点迹的协方差矩阵，得到P个协方差矩阵组成的矩阵集，每个协方差矩阵的上三角元素对应的相位组成上三角元素相位矩阵，得到P个上三角元素相位矩阵组成的相位集，进而得到所述相位集对应的相位平均值矩阵和相位标准差矩阵；

步骤2，获取所述训练集中的第i个点迹，且第i个点迹对应的目标角度为θ_i，对第i个点迹的协方差矩阵的上三角元素对应的相位矩阵进行归一化，得到第i个点迹对应的归一化相位矩阵，其中，i＝1,2,...,P；

步骤3，对所述第i个点迹对应归一化相位矩阵进行补零重排，得到第i个点迹对应的补零重排后的相位矩阵；

步骤4，获取第i个点迹对应的目标角度的导向矢量，从而得到第i个点迹对应的理想协方差矩阵，获取第i个点迹对应的理想协方差矩阵的上三角元素组成的相位矩阵；

步骤5，根据网络参数构建卷积神经网络，以所述第i个点迹对应的补零重排后的相位矩阵作为所述卷积神经网络的输入，从而得到第i个点迹对应的卷积神经网络的输出矩阵；初始网络参数随机产生，

确定第i个点迹对应的卷积神经网络的输出矩阵和所述第i个点迹对应的理想协方差矩阵的上三角元素组成的相位矩阵的均方误差，并将其作为卷积神经网络的目标函数，对所述卷积神经网络的网络参数进行修正；

步骤6，令i的值加1，重复执行子步骤2-5，直到每个目标函数均收敛时，得到最终训练得到的卷积神经网络对应的网络参数；

步骤7，获取所述米波雷达的实测目标点迹，将所述实测目标点迹的相位矩阵输入所述最终训练得到的卷积神经网络中，得到所述实测目标点迹对应的输出相位矩阵，从而重构所述实测目标点迹的协方差矩阵，并根据重构的实测目标点迹的协方差矩阵对目标点迹进行DOA估计。

2.根据权利要求1所述的一种基于二维卷积神经网络的米波雷达DOA估计方法，其特征在于，步骤1具体为：

(1a)获取所述米波雷达采集的P个点迹作为训练集X＝{x₁,…,x_i,…,x_P}，其中，x_i为第i个点迹，x_i＝a(θ_i)s_i+n_i，a(θ_i)表示第i个点迹对应的导向矢量，s_i为目标数据，n_i为噪声数据，d为米波雷达阵元间距；

(1b)计算训练集中第i个点迹的协方差矩阵i＝1,2,...,P，得到P个协方差矩阵组成的矩阵集第i个点迹的协方差矩阵的上三角元素对应的相位组成上三角元素相位矩阵φ_i，得到P个上三角元素相位矩阵组成的相位集Φ＝{φ₁,…,φ_i,…,φ_p}，进而得到所述相位集对应的相位平均值矩阵μ_X和相位标准差矩阵σ_X。

3.根据权利要求1所述的一种基于二维卷积神经网络的米波雷达DOA估计方法，其特征在于，步骤2具体为：

获取所述训练集中的第i个点迹，且第i个点迹对应的目标角度为θ_i，对第i个点迹的协方差矩阵的上三角元素对应的相位矩阵进行归一化，得到第i个点迹对应的归一化相位矩阵其中，i＝1,2,...,P，φ_x为三角元素相位矩阵，μ_X为相位平均值矩阵，σ_X为相位标准差矩阵。

4.根据权利要求1所述的一种基于二维卷积神经网络的米波雷达DOA估计方法，其特征在于，步骤3具体为：

对所述第i个点迹对应归一化相位矩阵进行补零重排，使其满足卷积神经网络中卷积运算的规则，从而得到第i个点迹对应的补零重排后的相位矩阵