[发明专利]基于三角卷积的天线阵列波达角估计方法、系统及应用

说明书

本发明属于电子信息技术领域，公开了一种基于三角卷积的天线阵列波达角估计方法、系统及应用，波达角估计模型初始化，包括构建TDCD模型、初始化模型的数据样本集、初始化模型可训练参数；根据基于多分区中央差分算法的损失函数，对每一个输入进模型的协方差上三角矩阵样本，计算损失函数值；根据损失函数值使用梯度下降法训练TDCD模型；将待估计信号的协方差上三角矩阵作为输入，通过TCCLNet模型得到输出模型前向运算输出节点的值；计算得到模型所估计的波达角。本发明将模型估角的均方误差相较于CNN算法降低约28.6％，同时基于多分区中央差分算法的损失函数使模型不需要分阶段训练，提高鲁棒性的同时，加速模型的收敛。

技术领域

本发明属于电子信息技术领域，尤其涉及一种基于三角卷积的天线阵列波达角估计方法、系统及应用。

背景技术

波达角(DOA)估计是一个有吸引力的研究领域，其应用包括无线通信，天文观测，雷达和声纳等等。目前，针对DOA估计提出的算法已经有很多，并且其中也有很多已有算法的改进型，总体而言，该领域已取得长期发展。经典的传统方法都是所谓的模型驱动方法，这一类方法首先制定从波达方向到阵列输出的正向参数模型，然后将阵列信号的一些特征和正向参数模型进行匹配，进而估计方向。常见的模型驱动方法有基于波束成形器的方法、基于子空间的方法和极大似然估计方法等等。这些方法的区别往往体现在他们在进行数据特征匹配时的方法不同。模型驱动方法的可解释性很高，因为他们大都有着严格的数学证明以确保稳定可用。这些模型驱动方法也有着明显的缺点，例如他们的性能在很大程度上取决于预先制定的模型的准确性，而且，大多数模型驱动方法有着严格的使用条件，此外，他们往往有着相当高的计算复杂度并且涉及一些复杂运算符以至于难以在便携性或者低功耗设备上快速运行。

为了解决这个问题，使用数据驱动的波达角估计方法在近些年逐渐兴起。这些方法可以直接从训练数据中学习阵列输出和信号方向之间的非线性关系进而进行波达角的估计。这些方法甚至不需要知道阵列的几何形状、阵列信号校准与否以及阵列的瑕疵，因而大大拓宽了这类算法的应用场景。正是因为这些优点，基于数据驱动的波达角估计方法在非理想阵列的情况下获得了强大的性能。近年来，最为典型的数据驱动的波达角估计方法是各种基于深度学习的波达角估计技术，在这其中，基于DNN或者CNN的算法是公认的主流方法。简易的DNN方法虽然容易实现，但是其估角精度比传统的模型驱动方法差，并且计算量也没有得到有效的抑制，因此目前已经很少有更多的学术或工业研究注重DNN的使用。而基于CNN的方法虽然取得了比传统模型驱动方法更高的估角精度，但是没有精心设计的CNN模型方法的计算量仍然很大，这主要由过于冗杂的卷积运算引起。此外，为了追求均方误差更低的估角精度，近期的CNN方法大多使用two-stage方法进行模型构造和训练，即整个模型可以分为两个部分，其一用于提取阵列信号的特征，其二用于使用特征进行估角。通过分阶段设计模型的方法，基于CNN的模型往往在估角精度上更胜一筹，但是带来的问题是这些方法的训练也需要分段，这导致这类模型训练困难，并难以保证收敛性。

通过上述分析，现有技术存在的问题是及缺陷为：

(1)由于模型驱动的方法缺少更为准确的方法设计预先指定的模型，导致模型驱动方法的估角精度受到限制，并且使用条件较为苛刻。

(2)由于基于CNN的方法由于冗杂的卷积核设计，没有充分利用阵列信号的背景，因此计算量过于庞大。

(3)基于CNN深度学习的方法为了追求更高的估角精度，往往设计难以训练和难以收敛的模型。

(4)目前没有针对波达角估计问题专门设计适用的CNN卷积方法，同时，也没有针对波达角估计问题设计的模型损失函数能够在不影响甚至加速模型收敛的同时，解决two-state方法需要分阶段训练和难以收敛的问题。