[发明专利]一种基于高阶累积量优化的PSO-BP神经网络的任意信源的DOA估计方法

说明书

本发明涉及信号处理的技术领域，特别是涉及一种基于高阶累积量优化的PSO‑BP神经网络的任意信源的DOA估计方法，由天线阵列(Antenna Array)、粒子群算法(PSO)模块和神经网络(Neural Networks)模块组成的，包括以下步骤：预先根据信源的数目来初始化神经网络的各个参数；用粒子群算法来进行神经网络的优化训练，从而确定神经网络最优的权值和阈值；从所述天线阵列接收到数据之后，求出接收到数据的四阶累积量矩阵；提取求出的四阶累积量矩阵的前N个最大特征值所对应的特征向量；将提取的特征向量带入到预先训练好的PSO‑BP神经网络中，得到所述信号的波达方位估计，有效的避免了BP神经网络陷入局部最优的可能性，提高了DOA估计精度，可以处理任意信源的DOA估计，提高了普适性。

技术领域

本发明涉及信号处理的技术领域，特别是涉及一种基于高阶累积量优化的PSO-BP神经网络的任意信源的DOA估计方法。

背景技术

阵列信号处理是信号处理领域内的一个重要分支，在近40年来得到了迅速的发展，其应用涉及雷达、通信、声纳、地震、勘探、射电天文以及生物医学工程等众多军事及国民经济领域。

从大的方面来讲，针对DOA估计问题的解决算法有2大类。第一大类是基于数学模型的算法。该类算法很容易由于客观复杂多变的环境，导致其算法模型与实际环境模型不匹配，从而降低其DOA估计精度，甚至发生错误。

第二大类算法是基于机器学习类的算法，如神经网络。神经网络由于具有非线性映射和泛化的特点，在实际DOA估计中可以将噪声、信噪比、传输信道等因素考虑进去，进行DOA估计时只需要将测试样本输入到提前训练好的网络中就可以得到想要的值，所以本发明通过构建BP(back propagation)神经网络来进行DOA估计。

BP神经网络是一种按误差反向传播(简称误差反传)训练的多层前馈网络，其算法称为BP算法，它的基本思想是梯度下降法，利用梯度搜索技术，以期使网络的实际输出值和期望输出值的误差均方差为最小。

基本BP算法包括信号的前向传播和误差的反向传播两个过程。即计算误差输出时按从输入到输出的方向进行，而调整权值和阈值则从输出到输入的方向进行。正向传播时，输入信号通过隐含层作用于输出节点，经过非线性变换，产生输出信号，若实际输出与期望输出不相符，则转入误差的反向传播过程。误差反传是将输出误差通过隐含层向输入层逐层反传，并将误差分摊给各层所有单元，以从各层获得的误差信号作为调整各单元权值的依据。通过调整输入节点与隐层节点的联接强度和隐层节点与输出节点的联接强度以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数(权值和阈值)，训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息。

由于BP神经网络在进行训练时权值和阈值收敛的方法是梯度下降法，该方法有可能会使得权值和阈值收敛到局部最优，增加了DOA估计的误差。启发式粒子群算法(PSO)具有全局收敛能力好、收敛速度快等优点，本发明一方面通过改进PSO算法的权重因子W使得PSO算法后期收敛效果更好，另一方面使用PSO算法来对BP神经网络的权值和阈值的收敛进行优化使得DOA估计误差变小。

另一方面，传统的神经网络在进行模拟训练时通常假设噪声为高斯白噪声，然而实际的环境中噪声可以是多变的，例如为高斯有色噪声。为提高DOA估计精度，本发明基于BP神经网络提出了一种新的DOA估计算法，能够使得在高斯色噪声的环境下仍然具有较好的DOA估计精度。

此外，在实际DOA估计中，信号源源的数目并不是一成不变的，本发明基于BP神经网络提出了一种针对任意信源数量的DOA估计方法。

发明内容

(一)解决的技术问题