[发明专利]面向电力物联网的DOA估计方法、装置和存储介质

说明书

本发明公开了面向电力物联网的DOA估计方法、装置和存储介质，获取电力物联网终端的1比特实测测量信号，建立稀疏实值信号向量；利用软阈值收缩函数以及软阈值收缩算子对稀疏实值信号向量的每个非零分量进行标量缩减，得到标量缩减后的稀疏实值信号向量；将标量缩减后的稀疏实值信号向量以及原始的稀疏实值信号向量输入到训练获得的深度神经网络，输出获得面向电力物联网的DOA估计结果；通过利用原来不动点延拓算法中的更新梯度公式转化为其等价的更新迭代规则，只需在网络架构的最后一层加入归一化层就可以解决问题，本发明应用于电力物联网中的大规模终端设备接入场景中，有效提升了在大规模设备信号重构的速度和精度。

技术领域

本发明涉及智能通信领域以及智能电网中的电力物联网领域，提供面向电力物联网的波达方向(Direction of Arrival,DOA)估计方法。

背景技术

电力物联网是物联网在智能电网中的应用，是信息通信技术发展到一定阶段的结果，其将有效整合通信基础设施资源和电力系统基础设施资源，提高电力系统信息化水平，改善电力系统现有基础设施利用效率，为电网发、输、变、配、用电等环节提供重要技术支撑。电力物联网终端设备的主要功能为数据中转及现场设备的编码管理和授时服务。通过无线网络实现与主站系统建立通信联结。

目前电力物联网终端设备一般采用压缩感知(CS)方式进行压缩采样。压缩感知(CS)是一种针对稀疏信号的低速率信号采集方法。与传统的CS相比，1比特CS可以进一步降低采样和系统复杂度，即通过一个简单的比较器实现采样。然而，1比特CS问题面临的一个挑战是如何高精度地解决相关的优化问题。随着压缩感知技术的发展，单位测量的DOA估计问题也引起了广泛的研究兴趣。

发明内容

鉴于上述的分析，本发明针对目前面向电力物联网的DOA估计方法存在的技术问题，提供一种基于深度神经网络(DNN)的智能DOA估计方法。

本发明的实现目的主要是通过以下技术方案实现：

第一方面，本发明提供了面向电力物联网的DOA估计方法，包括以下步骤：

获取电力物联网终端的1比特实测测量信号，基于获得的1比特实测测量信号建立原始的稀疏实值信号向量；

利用软阈值收缩函数以及软阈值收缩算子对稀疏实值信号向量的每个非零分量进行标量缩减，得到标量缩减后的稀疏实值信号向量；

将标量缩减后的稀疏实值信号向量以及原始的稀疏实值信号向量输入到训练获得的深度神经网络，基于深度神经网络的输出获得面向电力物联网的DOA估计结果；其中所述深度神经网络包括依次设置的一个输入层、至少一个更新层和一个归一化层，所述输入层用于输入标量缩减后的稀疏实值信号向量以及原始的稀疏实值信号向量，所述更新层采用由不动点延拓算法中的更新梯度公式转化获得的更新迭代规则更新线性权值，所述归一化层的输出就是面向电力物联网的DOA估计结果。

进一步地，所述由不动点延拓算法中的更新梯度公式转化获得的更新迭代规则，表达式如下：

；

其中表示更新迭代公式，为软阈值收缩算子，是当前的稀疏实值信号向量估计值，是上一更新步骤输出的稀疏实值信号向量估计值；x是输入的原始的稀疏实值信号向量，N、M表示网络更新层中的线性权值。

进一步地，所述归一化层采用的归一化函数表达式为：

；

其中是下一更新步骤输出的稀疏实值信号向量估计值，=-N。

第二方面，本发明提供了面向电力物联网的DOA估计装置，其特征在于，包括：信号获取模块、标量缩减处理模块以及DOA估计模块；