基于改进LAMP网络的互耦阵列DOA估计方法

专利名称：基于改进LAMP网络的互耦阵列DOA估计方法

专利类型：发明专利

专利申请号：CN202210042392.2

专利申请（专利权）人：天津大学
权利人地址：天津市南开区卫津路92号

专利发明（设计）人：汪清,朱瑞

专利摘要：本发明涉及波达方向估计领域及深度学习领域，为提高估计精度、保持较低的计算复杂度的同时实现DOA估计，解决传统近似消息传递方法对于高相关矩阵的发散问题，提高效率，本发明基于改进LAMP网络的互耦阵列DOA估计方法，步骤如下：确定阵列在接收到的信号矢量模型，采用发散补偿复数简化学习的近似消息传递DCCS‑LAMP网络对接收到的信号进行处理，得到DOA估计值。本发明主要应用于波达方向估计场合。

主权利要求：
1.一种基于改进LAMP网络的互耦阵列DOA估计方法，其特征是，步骤如下：接受阵列使用阵元数为N的均匀线阵ULA(UniformLinearArray)，入射远场窄带信号Xs(t)，其角度为θs，则接收信号模型为：y(t)＝A(θs)xs(t)+n(t)
其中y(t)是ULA的N个接收信号，n(t)是加性高斯白噪声，A(θS)是阵列导向矩阵，两个相邻阵元之间的间距是信号波长λ的一半，通过将整个空域分离为K(K>>S)个网格，阵列在快拍t处接收到的信号矢量可以重新表示为：y(t)＝A(θ)x(t)+n(t)
其中x(t)是一个稀疏向量，稀疏度为S，接收信号中S个非零位置代表着S个目标信号，另外(K‑S)个零的位置代表这些方向没有目标，考虑到相邻传感器间相互耦合的影响，引入互相耦合矩阵，将阵列输出改写为：y(t)＝MAx(t)+n(t)
通过一系列转换，构建新的包含互耦影响的源信号后的阵列输出：其中Q为定义的选择矩阵，互耦信息被包含在新的源信号 中，由于源信号的空域稀疏性，因此具有未知互耦的DOA估计表述为如下稀疏恢复问题：其中||.||1，||.||2分别代表L1范数，L2范数，而u是一个正则化参数；
采用发散补偿复数简化学习的近似消息传递DCCS‑LAMP(DivergentCompensationComplexSimplifiedLearnedApproximateMessagePassing,)网络，其中，复数LAMP网络的第k层输出为：其中
为了减少训练参数，每一层的权重 被简化为：(k)
β ＞0且 需满足高斯分布；
(k)
引入补偿矩阵Ω 后：
经过一系列变换，发散补偿复数简化LAMP网络的第k层输出为：其中 说明书 : 基于改进LAMP网络的互耦阵列DOA估计方法技术领域[0001] 本发明涉及波达方向估计领域及深度学习领域，具体涉及基于改进学习的近似消息传递LAMP(LearnedApproximateMessagePassing)网络的互耦阵列波达方向DOA(DirectionofArrival)估计方法。背景技术[0002] 常规的DoA估计主要基于理想模型，该模型在理想条件下计算波信号，即对应的阵列流型是精准的。而在实际的工程应用中，由于天线工艺的差异和天线间客观存在的电磁干扰，天线阵列模型不会是理想的而是存在些许不稳定和干扰，阵列导向图偏移、阵列轨道[1]幅值与相位干扰、阵元间互相耦合误差等形式的阵列误差都有可能影响阵列性能 。因此，解决了阵列误差问题可以进一步提升高分辨率的DOA估计技术的性能并且能够促进其在实际问题的应用。[0003] 稀疏重构算法可以解决阵元之间相互影响的问题。上世纪末，法国雷恩第一大学[2][3]的Fuchs率先将信号的稀疏恢复思想引入DOA估计 。这类算法首先以稀疏表示的形式改写原本的阵列接收数据模型，假设实际信源只存在于整个空间范围内的少数方向上，并视其他实际不存在信源的角度上也存在一个幅度为零的虚拟信源，那么由各角度上目标幅度构成的向量中仅有少数元素非零，从而构造了信号在空域的稀疏性，再通过恢复该稀疏信号得到信号的方位估计。其优点在于只有借助少量快拍(甚至一个快拍)，也可能以高概率准确估算源的方位角信息，并且解决相关性不敏感，从那时起，科学家们在这方面投入了精[4][5]力，并改进了多快拍中的处理 。[0004] 为了进一步提高稀疏恢复方法在DOA估计中的收敛速度，最近的一种DOA估计方法采用了深度学习的模式，这种模式已经在许多推理问题上显示出了成功。然而，深层神经网络DNNs(DeepNeuralNetworks)被认为是黑盒，因为它们的内部过程和泛化能力没有被完全理解，也没有纳入关于信号结构的先验知识。文献[6]通过将DNNs设计为展开的优化算法迭代，有望在基于分析和深度学习的方法之间架起一座桥梁。通过在设计中整合信号先验知识，深度展开神经网络与传统的神经网络相比，提供了互动性，并被证明优于传统的基于优化的方法和神经网络模型。[0005] [1]王永良，陈辉，彭应宁等.空间谱估计理论与算法[M].北京：清华大学出版社，2005:1‑9.[0006] [2]FuchsJJ.LinearProgramminginSpectralEstimation.ApplicationtoArrayProcessing[C]//IEEEInternationalConferenceonAcoustics,Speech,andSignalProcessing,1996,6:3161‑3164.[0007] [3]FuchsJJ.OntheApplicationoftheGlobalMatchedFiltertoDOAEstimationwithUniformCircularArrays[J].IEEETransactionsonSignalProcessing,2001,49(4):702‑709.[0008] [4]CetinM,MalioutovDM,WillskyAS.AVariationalTechniqueforSourceLocalizationBasedonaSparseSignalReconstructionPerspective[C]//IEEEInternationalConferenceonAcoustics,Speech,andSignalProcessing,2002,3:2965‑2968.[0009] [5]MalioutovD,CetinM,WillskyAS.ASparseSignalReconstructionPerspectiveforSourceLocalizationWithSensorArrays[J].IEEETransactionsonSignalProcessing,2005,53(8):3010‑3022.[0010] [6]K.Gregor,Y.LeCun,Learningfastapproximationsofsparsecoding,in:Proceedingsofthe27thInternationalConferenceonInternationalConferenceonMachineLearning,Omnipress,2010,pp.399–406。发明内容[0011] 为克服现有技术的不足，本发明旨在提高估计精度、保持较低的计算复杂度的同时实现DOA估计，解决传统近似消息传递(ApproximateMessagePassing,AMP)方法对于高相关矩阵的发散问题，从而使得实际天线能够高效实现硬件应用，并且降低探测时的计算量。为此，本发明采取的技术方案是，基于改进LAMP网络的互耦阵列DOA估计方法，步骤如下：[0012] 接受阵列使用阵元数为N的均匀线阵ULA(UniformLinearArray)，入射远场窄带信号Xs(t)，其角度为θs，则接收信号模型为：[0013] y(t)＝A(θs)xs(t)+n(t),[0014] 其中y(t)是ULA的N个接收信号，n(t)是加性高斯白噪声，A(θS)是阵列导向矩阵，两个相邻阵元之间的间距是信号波长λ的一半，通过将整个空域分离为K(K>>S)个网格，阵列在快拍t处接收到的信号矢量可以重新表示为：[0015] y(t)＝A(θ)x(t)+n(t),[0016] 其中x(t)是一个稀疏向量，稀疏度为S，接收信号中S个非零位置代表着S个目标信号，另外(K‑S)个零的位置代表这些方向没有目标，考虑到相邻传感器间相互耦合的影响，引入互相耦合矩阵，将阵列输出改写为：[0017] y(t)＝MAx(t)+n(t),[0018] 通过一系列转换，构建新的包含互耦影响的源信号后的阵列输出：[0019][0020] 其中Q为定义的选择矩阵，互耦信息被包含在新的源信号 中，由于源信号的空域稀疏性，因此具有未知互耦的DOA估计表述为如下稀疏恢复问题：[0021][0022] 其中||.||1，||.||2分别代表L1范数，L2范数，而u是一个正则化参数；[0023] 采用发散补偿复数简化学习的近似消息传递DCCS‑LAMP(DivergentCompensationComplexSimplifiedLearnedApproximateMessagePassing,)网络，其中，复数LAMP网络的第k层输出为：[0024][0025][0026][0027] 其中[0028][0029][0030] 为了减少训练参数，每一层的权重 被简化为：[0031][0032] β(k)＞0且 需满足高斯分布；[0033] 引入补偿矩阵Ω(k)后：[0034][0035] 经过一系列变换，发散补偿复数简化LAMP网络的第k层输出为：[0036][0037][0038][0039] 其中[0040][0041][0042] 本发明的特点及有益效果是：[0043] 本发明提出的发散补偿复数简化学习的近似消息传递(DCCS‑LAMP)网络首先大大减少了网络所需的参数个数，降低了网络的记忆复杂度以此提高训练效率并提高估计精度；其次，提出的网络解决了LAMP中由于导向矩阵高相关问题引起的发散估计误差，提高了网络性能。图2展示了不同层数(迭代次数)下的DOA估计性能对比情况，可以看到DCCS‑LAMP网络收敛速度最快。图3展示了DCCS‑LAMP网络对比其它网络或方法的与SNR相关的DOA估计精度曲线，由图3(a)可以看出，DCCS‑LAMP网络在已知信源个数时，信噪比高于12dB后，性能优于其他网络。由图3(b)可以看出，由当未知信源个数时，信噪比高于10dB后，性能优于其他网络。附图说明[0044] 图1DCCS‑LAMP网络的第k层。[0045] 图2不同层数(迭代次数)下的DOA估计性能对比。图中：[0046] (a)已知信源个数[0047] (b)未知信源个数。[0048] 图3DCCS‑LAMP网络对比其它网络或方法的与SNR相关的DOA估计精度曲线，图中：[0049] (a)已知信源个数[0050] (b)未知信源个数。具体实施方式[0051] 本发明属于波达方向估计领域及深度学习领域，设计了一种基于发散补偿复数简化学习近似消息传递(DivergentCompensatingComplexSimplifyLearnedApproximateMessagePassing,DCCS‑LAMP)网络的互耦影响下的DOA估计方法。[0052] 当前应用于通信场景的实际阵列的范围大小不断增加，天线阵的处理空间和时间的消耗会随着阵列天线的增加而增大，这是常规的DOA估计技术不可避免地计算消耗，显然这一误差会对实际地探测和处理产生极大的干扰。针对互耦影响下的DOA估计问题，本发明将近似消息传递算法与神经网络结合，设计一种发散补偿复数简化学习的近似消息传递(DCCS‑LAMP)网络，此网络在提高估计精度、保持较低的计算复杂度的同时实现DOA估计，解决传统AMP方法对于高相关矩阵的发散问题，从而使得实际天线能够高效实现硬件应用，并且降低探测时的计算量。[0053] 在本发明中，我们设计了发散补偿复数简化学习的近似消息传递(DivergentCompensatingComplexSimplifyLearnedApproximateMessagePassing,DCCS‑LAMP)网络，此网络降低了记忆复杂度与计算复杂度，可以实现快速高精度的互耦影响下的DOA估计。[0054] 假设接受阵列使用阵元数为N的均匀线阵(ULA)，入射远场窄带信号Xs(t)，其角度为θs，可得接收信号模型为：[0055] y(t)＝A(θs)xs(t)+n(t),[0056] 其中y(t)是ULA的N个接收信号，n(t)是加性高斯白噪声。A(θS)是阵列导向矩阵，两个相邻阵元之间的间距是信号波长λ的一半。通过将整个空域分离为K(K>>S)个网格，阵列在快拍t处接收到的信号矢量可以重新表示为：[0057] y(t)＝A(θ)x(t)+n(t),[0058] 其中x(t)是一个稀疏向量，稀疏度为S，接收信号中S个非零位置代表着S个目标信号，另外(K‑S)个零的位置代表这些方向没有目标。[0059] 考虑到相邻传感器间相互耦合的影响，引入互相耦合矩阵，将阵列输出改写为：[0060] y(t)＝MAx(t)+n(t),[0061] 通过一系列转换，构建新的包含互耦影响的源信号后的阵列输出：[0062][0063] 其中Q为定义的选择矩阵。互耦信息被包含在新的源信号 中，由于源信号的空域稀疏性，因此具有未知互耦的DOA估计可以表述为如下稀疏恢复问题：[0064][0065] 其中||.||1，||.||2分别代表L1范数，L2范数，而u是一个正则化参数。[0066] 针对上述问题，本发明设计发散补偿复数简化学习的近似消息传递(DCCS‑LAMP)网络。[0067] 复数LAMP网络的第k层输出为：[0068][0069][0070][0071] 其中[0072][0073][0074] 为了减少训练参数，每一层的权重 可以被简化为：[0075](k)[0076] β ＞0且 需满足高斯分布。[0077] 由于DOA估计中的导向矩阵不满足严格的高斯分布，因此 并不成立，(k)引入补偿矩阵Ω 后：[0078][0079] 经过一系列变换，本发明提出的发散补偿复数简化LAMP(DivergentCompensatingComplexSimplifyLAMP,DCCS‑LAMP)网络的第k层输出为：[0080][0081][0082][0083] 其中[0084][0085][0086] 网络的第k层如图1所示。此网络与复数简化LAMP相比在每一层多添加了一个标量(k)权重χ ，但是与LAMP需要训练的二维权重矩阵相比，依然实现了权重参数的减少。[0087] 下面结合附图和具体实施例进一步详细说明本发明。[0088] 假设使用阵元数N＝64的均匀线阵(ULA)，入射的远场窄带信号来自S＝5个不同方向的目标。整个角度域被均匀分为K＝180个网格点。由于独立信源的个数为S，因此单快拍目标信号x(t)的稀疏度为S。P＝4，互耦系数为m0＝1，[0089] 训练数据集 由 产生，批处理大小为1000，测试集相对于训练集独立但产生方式相同。[0090] 本发明采用的度量标准如下：[0091] 当信源个数已知时，性能评价指标为归一化均方误差(NMSE)：[0092][0093] 其中Dtest是测试集的样本数。[0094] 但是当目标源的数量未知时，由于我们不能保证向量 与fs具有相同的大小，NMSE度量标准将不再适用。因此，采用豪斯道夫距离(Hausdorffdistance)作为信源个数未知时的评价指标，给定集合 和集合 ( 与 分别包含向量 和fs中的所有元素)时，定义为：[0095][0096] 其中[0097][0098] 是有向差， 用于对测试集的性能评估时，取其平均值，记为：[0099][0100] 以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

专利地区：天津

专利申请日期：2022-01-14

专利公开日期：2024-07-26

专利公告号：CN114415106B