[发明专利]一种阵列模型误差下基于神经网络的波达方向估计方法

说明书

本发明公开了一种阵列模型误差下基于神经网络的波达方向估计方法，包括以下步骤：S1：搭建天线阵列模型；S2：设置不同比例系数生成训练集样本和测试集样本；S3：对训练集样本和测试集样本进行自相关操作，得到特征数据向量，并生成训练集样本和测试集样本的来向角对应标签；S4：搭建全连接神经网络模型；S5：将特征数据向量和来向角对应标签输入至全连接神经网络模型中进行训练；S6：将测试集样本输入至全连接神经网络模型中进行测试，得到估计角度。采用本发明的全连接神经网络结构，能够更好地消除实际工程中阵元物理特性对接收信号造成的影响。并且本发明的网络结构中待训练参数少，可以实现快速高精度测向。

技术领域

本发明属于波达方向技术领域，具体涉及一种阵列模型误差下基于神经网络的波达方向估计方法。

背景技术

阵列信号处理中的一个基本问题是空间信号到达方向的问题，同时这也是雷达、声呐和医学等领域中的重要任务之一。传统的波达方向估计算法都是基于理想的数学模型进行估计，然而实际工程应用中，阵列接收信号存在各种模型误差影响接收数据进而影响估计结果。现有的基于机器学习的波达方向估计算法在训练网络模型中需要训练参数数目过大，网络较为复杂，训练时间过长。

发明内容

本发明的目的是为了解决现有波达方向估计算法需要训练参数数目过大，网络较为复杂且训练时间过长的问题，提出了一种阵列模型误差下基于神经网络的波达方向估计方法。

本发明的技术方案是：一种阵列模型误差下基于神经网络的波达方向估计方法包括以下步骤：

S1：搭建包含阵列模型误差的天线阵列模型；

S2：基于阵列模型，通过设置不同比例系数生成训练集样本和测试集样本；

S3：对训练集样本和测试集样本进行自相关操作，得到特征数据向量作为神经网络的输入数据，并生成训练集样本和测试集样本的来向角对应标签；

S4：搭建全连接神经网络模型，并初始化参数；

S5：将特征数据向量和来向角对应标签输入至全连接神经网络模型中进行训练，并保存已训练好的模型和参数；

S6：将测试集样本输入至保存好的全连接神经网络模型中进行测试，得到估计角度，完成阵列模型误差下的波达方向估计。

本发明的有益效果是：采用本发明的全连接神经网络结构，能够更好地消除实际工程中阵元物理特性对接收信号造成的影响。传统算法估计误差与模型误差比例呈正相关，当模型误差越大时，传统算法的估计误差越明显，而全连接神经网络能够更好更快的进行准确估计，估计性能更稳定，受模型误差影响不明显，高效并快速实现波达方向估计。相比于其他机器学习算法，本发明是将阵列接收到信号实部虚部分开后直接输入网络中，对数据自相关后舍去重复值、提取主要特征值，降低了输入维度，网络结构中待训练参数少，可以实现快速高精度测向。

进一步地，步骤S1包括以下子步骤：

S11：将M个具有任意方向性的阵元按均匀线性阵列结构排列，形成无阵列模型误差下的天线阵列；

S12：在无阵列模型误差的天线阵列中依次加入互耦误差、位置误差、幅度误差和相位误差；

S13：根据互耦误差、位置误差、幅度误差和相位误差，得到阵列导向矢量，并通过阵列导向矢量产生阵列模型误差下的天线阵列接收信号，完成天线阵列模型的搭建。

上述进一步方案的有益效果是：在本发明中，模型误差主要考虑阵元间互耦误差、阵元位置误差和幅度误差。在原有理想阵列模型基础上增加上述误差。

进一步地，步骤S11中，天线阵列中阵元间距为电磁波半波长，在远场有K个窄带信号以平面波入射时，无阵列模型误差下的天线阵列接收信号X(t)的表达式为：

X(t)＝AS(t)+N(t)