[发明专利]一种基于RBF神经网络的低仰角DOA估计方法

权利要求书

1.一种基于RBF神经网络的低仰角DOA估计方法，其特征在于，包括以下步骤：

S1：在实测数据中选取仰角为低仰角的点迹，将所述低仰角的点迹对应的真实仰角作为训练神经网络的标签Y，Y＝[y₁,y₂,...,y_n]，根据标签y_i得到与其对应的数据协方差矩阵R_i，从所述数据协方差矩阵R_i中提取对应的实部特征和虚部特征得到列向量r_i；

S2：将所有所述列向量[r₁,r₂,...,r_n]归一化得到训练RBF神经网络的输入normX；

S3：求取所述RBF神经网络基函数中心，并根据所述基函数中心计算基函数方差；

S4：根据所述基函数方差计算隐含层和输出层之间的连接权值，以得到训练好的神经网络；

S5：将测试集样本进行归一化处理，输入到所述训练好的神经网络中求取来波到达角。

2.根据权利要求1所述的一种基于RBF神经网络的低仰角DOA估计方法，其特征在于，所述步骤S1包括：

S11：设置接收阵列为M个阵元的均匀阵列，则所述接收阵列的接收信号X(t)为：X(t)＝AS(t)+N(t)，其中，X(t)＝[x₁(t),x₂(t),…,x_M(t)]^T为阵列接收数据矢量，N(t)＝[n₁(t),n₂(t),…,n_M(t)]^T为噪声数据矢量，S(t)＝[s₁(t),s₂(t),…,s_M(t)]^T为信源数据矢量，为所述接收阵列的阵列导向矢量；其中，λ为所述接收阵列接收到的入射波波长，d为均匀线阵的相邻阵元，θ为直达波入射角；

S12：根据所述标签y_i得到所述数据协方差矩阵R_i，将所述数据协方差矩阵R_i的上三角部分记为uR_i，将uR_i的实部和虚部分开得到所述实部特征iuR_i和所述虚部特征ruR_i，将所述实部特征iuR_i和所述虚部特征ruR_i组成新的列向量r_i＝[iuR_i；ruR_i]。

3.根据权利要求1所述的一种基于RBF神经网络的低仰角DOA估计方法，其特征在于，所述步骤S2包括：

S21：对所述列向量[r₁,r₂,...,r_n]进行归一化处理，则其中，normX表示将[r₁,r₂,...,r_n]归一化后得到的矩阵，normX＝[x₁,x₂,...,x_n]，将normX作为训练RBF神经网络的输入；

S22：定义径向基函数为高斯函数，表示为其中，x_p表示所述输入normX的第p个样本，||x_p-c_i||为欧式范数，c_i为基函数的中心，σ²为基函数的方差。

4.根据权利要求1所述的一种基于RBF神经网络的低仰角DOA估计方法，其特征在于，所述步骤S3包括：

S31：随机选取所述训练RBF神经网络的输入normX样本作为基函数中心，基于K-均值聚类方法，求取所述RBF神经网络的基函数中心；

S32：计算所述基函数的方差σ²，计算公式为：其中，c_max是选取所述基函数中心之间的最大距离，h为RBF神经网络网络隐含层神经元个数。

5.根据权利要求1所述的一种基于RBF神经网络的低仰角DOA估计方法，其特征在于，所述步骤S4包括：

采用最小二乘法计算隐含层和输出层之间的连接权值，计算公式如下：

其中，h为所述RBF神经网络隐含层神经元个数，n为所述训练神经网络的样本个数。