[发明专利]基于广义回归神经网络的均匀线列阵目标方位估计方法

说明书

本发明涉及一种基于广义回归神经网络的均匀线列阵目标方位估计方法，设置对应角度范围的阵列接收到数据并进行范数归一化，以复声压的实部和虚部作为GRNN模型输入特征；使用k折交叉验证来确定最优扩展因子，选取扩展因子范围和步长，将得到的扩展因子用于GRNN模型的优化。最优扩展因子用于GRNN的训练，再以测试集测试GRNN模型的估计性能，训练和验证以及测试后的GRNN模型用于实时数据的方位估计。对各个信噪比下不同方法测试集的估计结果，可得到，在高信噪比下，GRNN方法有着较好的稳健性，在低信噪比下，仍有着较好的估计性能。GRNN方法在0°附近无明显影响，仍可有效估计目标方位，但在90°附近，在信噪比较低时，会出现较小的误差。

技术领域

本发明属于阵列信号处理、机器学习和水声测量等领域，涉及一种基于广义回归神经网络的均匀线列阵目标方位估计方法，利用基于广义回归神经网络模型，实现在多个信噪比下的均匀线列阵目标方位估计。

背景技术

水下目标定位是水声信号处理领域的热点，其中被动定位技术凭借其优良的隐蔽性，在军事和民用领域中有着广泛的应用，而目标方位估计是水下目标定位的重要方面。Bartlett提出最早的方位估计方法，即波束形成法，该方法通过扫描整个空间实现方位估计(Bartlett MS.Properties of sufficiency and statistical tests.Proc R SocLond A Royal Soc 1937；160(901):268–82.)。在1969年，Capon提出了最小方差信号无畸变响应方法(minimum variance distortion less response，MVDR)，这种方法基于最大信噪比准则，通过估计空间波束谱来提高分辨率和抗噪声性能，但该方法的计算量较大(Capon J.High-resolution frequency-wavenumber spectrum analysis.Proc IEEE1969；57(8):1408–81.)。在1979年，Schmidt提出了特征子空间方法(multiple signalclassification，MUSIC)，该方法促进了子空间类估计算法的发展(Schmidt R.Multipleemitter location and signal parameter estimation.IEEE Trans Antennas Propag1986；34(3):276–80.)。在2006年，Candes等人提出了基于稀疏信号采集和恢复理论的压缩感知方法(Compressed Sensing)，该方法有效地避免了Nyquist采样定理的限制(CandesEJ.Compressive campling.Proceedings of the International Congress ofMathematicians,Madrid,Spain,2006,1433-1452.)，以上方法属于模型驱动方法，在高信噪比下，可对目标方位实现有效估计，而在低信噪比下，目标方位估计性能相对较差。