[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

说明书

本发明公开了一种基于深度神经网络回归模型的近场信号源定位方法，包括以下步骤：根据协方差矩阵R计算获得特征提取矩阵r；构建深度神经网络回归模型；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；通过确定的参数和训练集训练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；将特征提取矩阵r输入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。本发明引入了深度神经网络回归模型，在信噪比低于15dB和快拍数小于200的情况下波达方向角的估计精度提高了十倍，距离的估计精度接近理论上的最优解。

技术领域

本发明属于阵列信号处理技术领域，特别涉及一种基于深度神经网络回归模型的近场信号源定位方法。

背景技术

信号源定位是信号处理领域的根本问题，并且在雷达、声呐、无线通信、语音识别和机器人等领域都有广泛的应用。针对远场信号的波达方向估计，有学者提出了高精度的估计方法，如MUSIC和ESPRIT。当信号处于近场，即阵列孔径的菲涅尔区域内，入射到阵列的信号具有球型波面，所以必须同时由波达方向和距离同时表示。因此，上述具有远场假设的高精度不再适应于近场信号源定位；又有学者提出了许多方法，这些方法利用了二阶泰勒展开来近似圆形球面。其他主流的方法包括基于高阶统计量的方法，基于最大似然估计的方法和基于广义ESPRTIT的方法。目前的参数化方法不但包含对信号和噪声模型的严格假设，也严重依靠从信号方向到阵列输出这一前向映射的连续性，现有方法的性能会因为实际系统中的各种各样的缺陷而受损。

相比而言，数据驱动的深度学习方法具有通过训练过程重建复杂的传播模型的优势。尽管深度学习方法在很多恶劣的环境，如动态声音信号，宽带信号，合成噪音信号和混响环境等已取得成功，但其却很难直接应用于一般的信号定位，因为关于特征的信息非常有限。目前，关于神经网络的选择，绝大多数都选择了分类模型而非回归模型；最近，查克拉巴蒂等提出了一个模型，对于给定的长度为M的阵列，该模型可以用M-1层卷积网络产生最优的估计性能。尽管这为根据阵列的长度而调整网络参数提供了一定参考，但是随之阵列传感器的增加，这可能为导致计算成本增加。分类模型借鉴视频图像分类等应用，将信号定位建模为一个多分类问题。虽然该思路简单直接，但信号定位中的角度和距离有区别于分类问题中的标签，是连续性的物理变量，故而分类模型缺乏合理的物理解释。另外，分类模型考虑到计算成本，在类别数方面有所限制，导致分类精度较低，有的只有5°甚至10°，远远不能达到实际应用中的精度要求。

综上，亟需一种新的基于深度神经网络回归模型的近场信号源定位方法。

发明内容

本发明的目的在于提供一种基于深度神经网络回归模型的近场信号源定位方法，以解决上述存在的一个或多个技术问题。

为达到上述目的，本发明采用以下技术方案：

本发明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，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。

本发明的进一步改进在于，步骤5还包括：