[发明专利]基于深度学习的量化信号重建方法及到达角估计方法

权利要求书

1.一种基于深度学习的量化信号重建方法，其特征在于，包括：

构造接收信号的阵列模型；

构造模数转换器产生的量化噪声模型，并将量化噪声模型施加于阵列模型以产生量化信号；

构建基于深度学习的神经网络模型，该网络模型以量化噪声模型产生的量化信号为输入，输出为去除量化噪声的重建信号；

根据天线之间间隔和信号的波长构建已知结构阵列的阵列模型，接收信号的阵列模型表示为：

x＝Ds+w

其中，x为接收到的量化信号向量，w为高斯白噪声，D为信号方位形成的导向矢量矩阵；

式中，d为阵元间距，λ为波长，M为阵元数量，K为信号数量，s为不同方位的信号，θ_1-θ_K分别为第1个到第K个信号的来波方向；

所述量化噪声模型为：

其中，q表示量化噪声矢量，量化噪声服从-0.5Δ(B)到0.5Δ(B)的均匀分布；round(.)进行四舍五入运算；Δ(B)为比特模数转换器的最小量化间隔，最小量化间隔Δ(B)为：

Δ(B)＝2V/2^B

其中，B是模数转换器的量化位数，x的幅度范围在-V～V之间，V为信号接收最大幅度；

量化信号表达为：

y＝x+q

其中，y为量化信号。

2.一种信号到达角估计方法，其特征在于：以权利要求1所述量化信号重建方法输出的重建信号进行信号到达角估计。

3.根据权利要求2所述的信号到达角估计方法，其特征在于：进行信号到达角估计的方法是：

使用神经网络输出的重建信号构建协方差矩阵R＝yy^H，y^H表示y矢量的共轭转置；

对协方差矩阵R进行特征分解：

R＝U_SΣ_SU_S^H+U_NΣ_NU_N^H

其中，U_S为信号子空间，U_N为噪声子空间，Σ_s为信号子空间中特征向量对应的特征值组成的对角矩阵，Σ_N为噪声子空间中特征向量对应的特征值组成的对角矩阵；

取U_N对每一个角度进行运算搜寻P(θ)的峰值，对应的θ值即为信号的到达角；

其中，为信号的导向矢量。