[发明专利]一种基于模型驱动复数神经网络的DOA估计方法

说明书

一种基于模型驱动复数神经网络的DOA估计方法，阵列接收到与当前时刻远场信源发送的信源向量对应的接收向量，基于等正弦划分，构造覆盖潜在DOA域的等正弦间隔的流形矩阵，并将所述信源向量转换为稀疏向量，进而将DOA估计问题转化为一个稀疏重构问题；将所有数据的维度扩充一维，用于存储数据的实部和虚部，然后利用rONE_l1算法展开得到模型驱动复数神经网络CrONE_l1‑Net，并在在固定信噪比下进行训练，利用训练好的CrONE_l1‑Net重构出信源向量转化后的稀疏向量；根据重构出的稀疏向量，寻找峰值对应的位置并转化为角度值，从而估计出DOA。本发明可降低计算复杂度与快拍数量，同时提高估计精度。

技术领域

本发明属于雷达通信技术领域，特别涉及一种基于模型驱动复数神经网络的DOA估计方法。

背景技术

波达方向(Direction of Arrival,DOA)估计是阵列信号处理中的关键问题，其在雷达、通信、医疗等众多领域有着广泛的应用。DOA估计要解决的问题是根据阵列接收到的向量确定同时处在空间某一区域内多个感兴趣信号的空间位置。最早提出解决DOA估计的方法是基于阵列接收向量的统计特性，如MUSIC算法、ESPRIT算法等，但他们都是基于阵列接收信号的协方差矩阵的超分辨率算法，因此需要大量独立同分布的阵列接收向量数据即多快拍数据来进行DOA估计。

近些年，如ISTA、FISTA以及rONE_l1等基于CS(Compressive sensing)技术为解决DOA估计问题提供了新的思路。其可以在远少于理论所需快拍数甚至单快拍的情况下，利用CS技术就可以精确恢复稀疏信号。尽管这些算法能够在一定程度上加快收敛速度，但对于DOA估计问题来说仍需要上百次的迭代，这会消耗巨大的计算和时间资源。同时，这些算法中包含了许多如步长、阈值等需要根据经验手工设置的参数，一旦这些参数选取不当便会严重影响最终的性能。

最近兴起的DL(deep learning)技术也被成功运用到DOA估计中。这些基于DL的DOA算法凭借强大的学习能力大大降低了时间复杂度，同时实现了令人印象深刻的重建性能。然而，这些基于DL的DOA估计方法通过大量的数据对模型进行训练，均是数据驱动的方式，过程常常被看成是一个“黑匣子”。这种数据驱动DL方法模型结构的解释性不足，模型取得性能增益的原因不清楚，这就使得在不同场景下设计网络变得十分困难。而且DOA估计需要在复数域进行，这需要通过等价变换将复数域的计算转变到实数域以适应神经网络，但是这种转变会将DOA估计问题的维度直接增大一倍，进一步增加了计算难度。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供一种基于模型驱动复数神经网络的DOA估计方法，以深度学习的方式来降低计算复杂度与快拍数量，同时提高估计精度。

为了实现上述目的，本发明采用的技术方案是：

一种基于模型驱动复数神经网络的DOA估计方法，包括如下步骤：

S1、阵列接收到与当前时刻远场信源发送的信源向量对应的接收向量，所述信源向量为单快拍信源向量；

S2、基于等正弦划分，构造覆盖潜在DOA域的等正弦间隔的流形矩阵，并将所述信源向量转换为稀疏向量，进而将DOA估计问题转化为一个稀疏重构问题；

S3、基于DOA在划分角度上的稀疏性，首先将包括等正弦间隔的流形矩阵、阵列接收向量以及信源向量转换后的稀疏向量在内的所有数据的维度扩充一维，用于存储数据的实部和虚部，然后利用rONE_l1算法展开得到模型驱动复数神经网络CrONE_l1-Net；

S4、在固定信噪比下，使用所述接收向量、所述流形矩阵和所述信源向量转换后的稀疏向量训练步骤S3得到的CrONE_l1-Net，并在不同信噪比下利用训练好的CrONE_l1-Net重构出信源向量转化后的稀疏向量；

S5、根据S4重构出的稀疏向量，寻找峰值对应的位置并转化为角度值，从而估计出DOA。