[发明专利]一种基于深度神经网络回归模型的近场信号源定位方法

权利要求书

1.一种基于深度神经网络回归模型的近场信号源定位方法，其特征在于，包括以下步骤：

步骤1，采集或仿真获取待定位的近场信号数据，根据近场信号数据计算获得协方差矩阵R，根据协方差矩阵R计算获得特征提取矩阵r；

步骤2，构建深度神经网络回归模型；所述深度神经网络回归模型以步骤1获得的特征提取矩阵r为输入，通过卷积层和回归层将深度神经网络回归模型的输出映射成近场信号的波达方向和距离；

步骤3，通过仿真产生深度神经网络回归模型的训练集；确定训练深度神经网络回归模型所需的各项参数；

步骤4，通过步骤3确定的参数和训练集训练步骤2构建的深度神经网络回归模型，获得训练好的深度神经网络回归模型；

步骤5，将步骤1获得的特征提取矩阵r输入步骤4获得的训练好的深度神经网络回归模型中，通过深度神经网络回归模型输出近场信号的波达方向和距离，完成近场信号源定位。

2.根据权利要求1所述的一种基于深度神经网络回归模型的近场信号源定位方法，其特征在于，步骤5还包括：

对步骤4获得的训练好的深度神经网络回归模型的卷积层层数进行优化，获得优化后的深度神经网络回归模型；

将步骤1获得的特征提取矩阵r输入优化后的深度神经网络回归模型中，通过深度神经网络回归模型输出近场信号的波达方向和距离，完成近场信号源定位。

3.根据权利要求1所述的一种基于深度神经网络回归模型的近场信号源定位方法，其特征在于，步骤1中，

K个近场窄带非相干信号{s_k(n)}入射到一个由M个间距为d的传感器组成的均匀线性阵列上，传感器是完全校准的；

采集的近场信号数据x(n)＝As(n)+ω(n)；

其中，s(n)和ω(n)是由分别给定的入射信号向量和加性噪声向量；A是经过校准的均匀线性阵列的方向矩阵，表达式为

a(θ_k,r_k)是均匀线性阵列的方向向量，表达式为

式中，τ_mk是第k个信号在参考传感器和第m个传感器之间由时间延迟导致的相位延迟，表达式为

其中，θ_k和r_k分别是第k个信号的波达方向角和距离，λ为波长；

协方差矩阵R＝AR_sA^H+σ²I_M；

其中R_s＝E{s(n)s(n)^H}，E{·}表示求期望，(·)^H表示艾尔米特转置；

特征提取矩阵r

其中，和分别表示一个复数值的实部和虚部；r的维度与协方差矩阵保持一致。

4.根据权利要求3所述的一种基于深度神经网络回归模型的近场信号源定位方法，其特征在于，

步骤1中，以均匀线性阵列的中心阵元为相位参考点，第m个传感器接收到的带有噪声的信号x_m(n)表示为

其中，m＝1,…,M，s_k(n)表示第k个信号，ω_m(n)为加性噪声，τ_mk是第k个信号在参考传感器和第m个传感器之间由时间延迟导致的相位延迟；

其中，θ_k和r_k是第k个信号的波达方向角和距离，λ为波长。

5.根据权利要求4所述的一种基于深度神经网络回归模型的近场信号源定位方法，其特征在于，入射信号{s_k(n)}为广义的零均值的静态随机过程，加性噪声{ω_m(n)}是时空复数域的高斯白随机过程，均值为零，方差为σ²，并且与信号{s_k(n)}不相关。