【技術實現步驟摘要】
本專利技術涉及到達方向估計，尤其是涉及一種跨平臺的相位增強超分辨doa估計方法。
技術介紹
1、深度學習是一種機器學習的分支，它是通過模仿人腦神經網絡的結構和功能來進行數據分析和學習的方法。深度學習模型由多層神經網絡組成，每一層都包含許多神經元，每個神經元都與上一層和下一層的神經元相連接。數據通過這些連接在不同層之間傳遞，每一層都負責從輸入數據中提取越來越高級的特征。通過反向傳播算法，深度學習模型可以自動調整權重和偏差，以最小化預測輸出與實際輸出之間的誤差，從而實現對復雜數據的高效處理和預測。
2、在雷達領域，深度學習的應用已經取得了顯著的進展。深度學習在雷達領域的應用主要體現在目標檢測與跟蹤、信號處理和波形識別等方面。通過利用深度神經網絡的強大學習能力，雷達系統可以實現更高效準確的目標識別與定位，提升目標跟蹤的精度和穩定性。此外，深度學習還可以優化雷達信號處理方法，如自動抑制雜波、提取有效目標信息等，從而提升雷達性能。波形識別方面，深度學習能夠幫助雷達系統自動識別復雜目標的特征，提高對不同目標的區分能力，進一步提升雷達的感知和決策能力。
3、在惡劣地形環境下，雷達跟蹤低角度目標時，接收信號的分布特征不僅取決于直接信號，還受到包括鏡面反射信號和漫反射信號在內的多徑信號的影響，通常情況下，多徑信號會導致對直接信號的幅度和相位擾動。在多徑環境中，由于直接信號的遠場平面波特性模糊不清，導致現有基于遠場平面波基的超分辨率方法(如數字波束形成(dbf)、多信號分類(music)和最大似然(ml))的性能下降，并且對
技術實現思路
1、本專利技術的目的是提供一種跨平臺的相位增強超分辨doa估計方法，以解決上述
技術介紹
中提到的問題。
2、為實現上述目的，本專利技術提供了一種跨平臺的相位增強超分辨doa估計方法，包括以下步驟：
3、s1、搭建dnn監督深度神經網絡架構，旨在提取相位差分布特征，通過該神經網絡的訓練，可以獲得輸入相位擾動信號的相位增強結果，達到去擾動的效果；
4、s2、搭建訓練平臺的雷達系統陣列；
5、s3、在訓練平臺對dnn監督深度神經網絡進行訓練，使用原始的噪聲采樣協方差矩陣和相應的干凈采樣協方差矩陣，通過補償相位標簽提取出無波長誤差的相位分布特征，并將其輸入定義的dnn進行訓練；
6、s4、將訓練好的dnn監督深度神經網絡置于不同平臺進行doa估計，通過dnn監督深度神經網絡輸出的結果和跨平臺變換公式完成跨平臺的相位增強超分辨doa估計。
7、優選的，s1中的dnn監督深度神經網絡架構包括4層。
8、優選的，s2具體內容如下：
9、具有m個各向同性單元的均勻線性陣列，其中每個單元之間的間距d等于波長的一半，同時陣列包含l個快照，接收到的矢量為：
10、
11、導向矢量a(θ,λ)為：
12、
13、其中θd表示直達信號的到達方向(doa)；ρi表示第i條多徑對應的衰減因子；n表示未知的多徑信號數量；s(t)表示復雜回波信號；n(t)是均值為0，方差為σ2的高斯白噪聲；式(1)中時，實際上對a(θd,λ)造成振幅和相位擾動；因此，信號模型描述為以下形式：
14、y(t)＝γ⊙a(θd,λ)s(t)+n(t)?(3)
15、其中擾動項γ為：
16、γ＝[τ1,τ2,…,τm]t?(4)。
17、優選的，s3的訓練過程如下：
18、s31、初始化網絡參數wk和bk；
19、s32、獲得補償波長誤差的相位標簽
20、假設標記的訓練數據集相位信息表示為其中和和表示輸入數據和相應的已知數據，補償相位標簽按照公式：
21、
22、s33、歸一化訓練數據集，得到參數μ1和σ1；
23、對于補償后的訓練數據集相位信息其中和φ1和表示輸入數據和相應的已知輸出數據，歸一化數據集根據公式：
24、
25、s34、將隨機分成若干批，并執行正向傳播；
26、s35、根據輸出層的誤差，應用bp策略和adam方法對網絡參數wk和bk進行微調；
27、優化公式如下：
28、
29、其中φ′1為輸出數據，為已知輸出數據
30、s36、通過學習和調整網絡架構，重復s33至s35，直到目標函數的誤差收斂。
31、優選的，s4中糾正跨平臺條件造成的波長誤差，采用以下方法：在跨平臺的測試階段固定dnn的結構和參數，輸入噪聲協方差矩陣的相位得到網絡相應的增強相位φ′2；對增強相位進行矯正：
32、
33、并根據矯正的增強相位φ信息重構采樣協方差矩陣，利用dbf、music和ml實現doa估計。
34、優選的，s4中校正原理如下：
35、s411、φ(λ1)表示在波長為λ1的訓練數據的相位信息，在訓練階段，波長為λ1，進行了φ(λ1)×λ1操作：
36、
37、其中有m個元素，第m個元素表示陣列中第m個陣元接收信號的相位信息，表示陣列中第m個陣元接收信號的相位擾動；表示陣列中第2個陣元接收信號的相位擾動；
38、s412、在測試階段，得到dnn監督深度神經網絡相應的增強相位φ′2，此時波長為λ2：
39、
40、s413、根據增強相位φ′2進行相位矯正：
41、
42、對網絡增強數據φ2′適應波長λ2處理后獲得φ，φ表示最終增強后的相位；此時獲得的相位信息φ是抑制多徑的跨平臺補償結果，通過信號重建并使用傳統doa估計方法獲得高分辨的估計結果。
43、因此，本專利技術采用上述的一種跨平臺的相位增強超分辨doa估計方法，具備以下有益效果：
44、(1)只訓練相位特征來提高doa估計精度。也就是說，本專利技術中只訓練相位特征，而不是一起訓練幅度特征和相位特征，或者一起訓練實部特征和虛部特征；
45、(2)建立了一個基于特征到特征學習的相位增強框架，以減少特征的負面影響；
46、(3)解決了跨平臺的相位增強doa估計問題，即使訓練平臺的波長與測試平臺的波長不一致，本專利技術仍然能獲得相位增強的超分辨doa估計。
47、下面通過附圖和實施例，對本專利技術的技術方案做進一步的詳細描述。
本文檔來自技高網...【技術保護點】
1.一種跨平臺的相位增強超分辨DOA估計方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種跨平臺的相位增強超分辨DOA估計方法，其特征在于：S1中的DNN監督深度神經網絡架構包括4層。
3.根據權利要求1所述的一種跨平臺的相位增強超分辨DOA估計方法，其特征在于，S2具體內容如下：
4.根據權利要求1所述的一種跨平臺的相位增強超分辨DOA估計方法，其特征在于，S3的訓練過程如下：
5.根據權利要求4所述的一種跨平臺的相位增強超分辨DOA估計方法，其特征在于，S4中跨平臺會造成波長誤差，糾正跨平臺條件造成的波長誤差采用以下方法：
6.根據權利要求5所述的一種跨平臺的相位增強超分辨DOA估計方法，其特征在于，S41中矯正原理如下：
【技術特征摘要】
1.一種跨平臺的相位增強超分辨doa估計方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種跨平臺的相位增強超分辨doa估計方法，其特征在于：s1中的dnn監督深度神經網絡架構包括4層。
3.根據權利要求1所述的一種跨平臺的相位增強超分辨doa估計方法，其特征在于，s2具體內容如下：
4.根據權利要求1所述...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。