[发明专利]信源数量检测方法及装置

说明书

本发明实施例提供一种信源数量检测方法及装置，该方法包括：根据天线接收信号，进行特征提取，得到天线接收信号的特征向量；将所述特征向量输入至预设的深度神经网络模型，根据所述深度神经网络模型的输出结果，获取所述天线接收数据中的信源数量；其中，所述深度神经网络模型根据带有信源数量标签的天线接收信号的样本训练后得到。特征向量中包含了信源数量的对应特征，预设的神经网络模型根据带有信源数量的天线接收信号样本训练后得到，能够输出信源数量的识别结果，从而实现快速而准确的信源数量检测。训练好的深度神经网络网络能够实现高效率、高精度和高鲁棒性的信源数量检测，并且与目前的方法相比具有较低的复杂度。

技术领域

本发明涉及阵列信号处理领域，尤其涉及一种信源数量检测方法及装置。

背景技术

如何通过阵列信号接收数据检测信号源的数量，是阵列信号处理中的重要问题，在雷达、声呐、语音信号处理、无线通信以及物联网等应用中都有着重要的作用。多数谱检测、信号到达角检测算法(如MUSIC和ESPRIT)都需要信号源数量作为重要的先决条件，错误的预设信号源数量会使得相关算法的性能急剧下降。

目前的信源数量检测方法主要为基于信息论等传统理论的方法，包括Akaikes信息标准(AIC)最小描述长度(MDL)和相关的改进方法，其原理是通过最小化AIC或MDL标准的值得到信源数量的检测值。然而，基于传统理论的方法计算复杂度较大效率不高，在信噪比较低或者快拍数较少的时候性能不理想，从而计算准确度不高。

发明内容

为了解决上述问题，本发明实施例提供一种信源数量检测方法及装置。

第一方面，本发明实施例提供一种信源数量检测方法，包括：根据天线接收信号，进行特征提取，得到天线接收信号的特征向量；将所述特征向量输入至预设的深度神经网络模型，根据所述深度神经网络模型的输出结果，获取所述天线接收数据中的信源数量；其中，所述深度神经网络模型根据带有信源数量标签的天线接收信号的样本训练后得到。

进一步地，所述根据天线接收信号，进行特征提取，得到天线接收信号的特征向量，包括：根据天线接收信号，获取天线接收信号的协方差矩阵；对所述协方差矩阵进行特征值分解，得到所述协方差矩阵的特征值，根据所述特征值确定特征向量。

进一步地，所述根据天线接收信号，获取天线接收信号的协方差矩阵，包括：将天线接收的阵列信号划分为相互交叠的预设长度的子阵列信号；计算按天线序号前向空间平滑的子阵列信号协方差矩阵和后向空间平滑的子阵列信号协方差矩阵的平均值；将平均后的协方差矩阵作为天线接收信号的协方差矩阵，用于特征提取。

进一步地，所述将所述特征向量输入至预设的深度神经网络模型，根据所述深度神经网络模型的输出结果，获取所述天线接收数据中的信源数量，包括：将所述特征向量通过输入层输入至所述深度神经网络模型的隐藏层，利用每一隐藏层和隐藏层对应的激活函数，输出经隐藏层后的特征向量；将所述经隐藏层后的特征向量输入至所述深度神经网络模型的输出层，利用输出层的激活函数，输出信源数量对应的分类向量或信源数量的预测值，根据所述分类向量或所述预测值，确定信源数量。

进一步地，将所述特征向量输入至预设的深度神经网络模型之前，还包括：获取多个接收信号样本，以及对应的信源数量标签；根据每个接收信号样本，进行特征提取，得到接收信号样本的特征向量；将每个接收信号样本对应的特征向量和信源数量标签的组合作为一个训练样本，从而得到多个训练样本，利用所述多个训练样本对所述深度神经网络模型进行训练。

进一步地，所述利用所述多个训练样本对所述深度神经网络模型进行训练，包括：将任意一个接收信号样本的特征向量输入至所述深度神经网络模型，输出所述样本接收信号信源数量对应的分类向量或信源数量的预测值；利用预设损失函数根据所述样本接收信号信源数量对应的分类向量或信源数量的预测值，分别和所述样本接收信号的信源数量标签计算损失值；若所述损失值小于预设阈值，则所述深度神经网络模型训练完成。