[发明专利]一种基于CAE-CNN的雷达低仰角目标DOA估计方法及装置

权利要求书

1.一种基于CAE-CNN的雷达低仰角目标DOA估计方法，其特征在于，包括以下步骤：

S1：建立阵列接收信号模型，证明包含直达波和反射波信号的协方差矩阵R和仅包含直达波信号的协方差矩阵R₀之间存在映射关系；

S2：将包含直达波和反射波信号的协方差矩阵R输入到卷积自编码器进行编码和解码处理，去除多径，得到仅包含直达波信号的协方差矩阵R₀；

S3：将卷积自编码器编码过程中提取的协方差矩阵R的潜在特征表示输入到极限学习机进行直达波的DOA预分类；

S4：基于步骤S2中得到的仅包含直达波信号的协方差矩阵R₀和步骤S3中得到的DOA的预分类类别i，利用并联卷积神经网络模型，对直达波进行DOA估计。

2.根据权利要求1所述的一种基于CAE-CNN的雷达低仰角目标DOA估计方法，其特征在于，步骤S1的具体操作包括以下步骤：

S101：建立多径效应空间模型，证明当直达波俯仰角θ_d的值极小时，直达波与反射波相干；

S102：利用泰勒展开公式，证明远场低空目标其仰角符合小角度近似，即直达波俯仰θ_d的值极小；

S103：建立阵列接收信号模型，并基于直达波与反射波的相干性，得出包含直达波和反射波信号的协方差矩阵R和仅包含直达波信号的协方差矩阵R₀之间存在映射关系。

3.根据权利要求2所述的一种基于CAE-CNN的雷达低仰角目标DOA估计方法，其特征在于，步骤S2的具体操作包括以下步骤：

S201：将包含直达波和反射波信号的协方差矩阵R作为输入数据传入CAE模型，编码过程经过卷积-池化-卷积-池化完成数据潜在特征提取，得到协方差矩阵R的潜在特征表示；

S202：将编码后得到的潜在特征表示进行解码，其过程为上采样-卷积-上采样-卷积，得到仅包含直达波信号的协方差矩阵输出值R₀”；

S203：由损失函数MSE度量输出值R₀”和理想输出R₀之间的差异程度，从而调整CAE模型的参数并判断是否完成训练。

4.根据权利要求3所述的一种基于CAE-CNN的雷达低仰角目标DOA估计方法，其特征在于，步骤S201的具体操作包括以下步骤：

S2011：设输入数据为协方差矩阵R，共有K个卷积核，每个卷积核表示为w^k，卷积核的大小均为3×3，在每次卷积运算后对卷积结果加偏置，用b^k表示，则编码过程中的第一个卷积层的运算表示为

h^k＝σ(R*w^k+b^k)

其中，[*]表示卷积操作运算，σ(x)表示激活函数；

S2012：卷积运算结束后进入池化层，在池化层中，选择最大池化函数，即在池化区域内选择最大值保留，池化区域大小为2×2；

S2013：编码过程中进行两次卷积-池化操作，编码过程结束后，得到协方差矩阵R的潜在特征表示。

5.根据权利要求4所述的一种基于CAE-CNN的雷达低仰角目标DOA估计方法，其特征在于，步骤S202的具体操作包括以下步骤：

S2021：对步骤S2013中得到的协方差矩阵R的潜在特征表示进行上采样运算，对卷积运算后缩小的数据进行尺寸的恢复并输出；

S2022：对步骤S2021的输出结果进行卷积运算，得到输出值R₀”，其运算规则与编码过程中的卷积规则相同，且激活函数也相同。