[發明專利]基于一維卷積神經網絡的米波雷達DOA估計方法

有效

• 申請號: 201811442372.4
• 申請日: 2018-11-29
• 公開（公告）號: CN109597046B
• 公開（公告）日: 2022-11-18
• 發明（設計）人: 陳伯孝;項厚宏
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G01S7/41
• 分類號: G01S7/41
• 代理公司: 西安睿通知識產權代理事務所(特殊普通合伙) 61218
• 代理人: 惠文軒

1.一種基于一維卷積神經網絡的米波雷達DOA估計方法，其特征在于，所述方法包括如下步驟：

步驟1，設所述米波雷達的接收陣列為M個陣元的均勻線陣，獲取所述米波雷達采集的P個點跡作為訓練集；

分別計算訓練集中每個點跡的協方差矩陣，得到P個協方差矩陣組成的矩陣集，每個協方差矩陣的上三角元素對應的相位組成上三角元素相位矩陣，得到P個上三角元素相位矩陣組成的相位集，進而得到所述相位集對應的相位平均值矩陣和相位標準差矩陣；

步驟2，獲取所述訓練集中的第i個點跡，且第i個點跡對應的目標角度為θ_i，對第i個點跡的協方差矩陣的上三角元素對應的相位矩陣進行歸一化，得到第i個點跡對應的歸一化相位矩陣，其中，i＝1，2，...，P；

步驟3，對所述第i個點跡對應的歸一化相位矩陣按列依次重排，得到第i個點跡對應的按列重排后的相位矩陣；

步驟4，獲取第i個點跡對應的目標角度的導向矢量，從而得到第i個點跡對應的理想協方差矩陣，獲取第i個點跡對應的理想協方差矩陣的上三角元素組成的相位矩陣；

步驟5，根據網絡參數構建卷積神經網絡，以所述第i個點跡對應的按列重排后的相位矩陣作為所述卷積神經網絡的輸入，從而得到第i個點跡對應的卷積神經網絡的輸出矩陣；所述初始網絡參數隨機產生，

確定第i個點跡對應的卷積神經網絡的輸出矩陣和所述第i個點跡對應的理想協方差矩陣的上三角元素組成的相位矩陣的均方誤差，并將其作為卷積神經網絡的目標函數，對所述卷積神經網絡的網絡參數進行修正；

步驟6，令i的值加1，重復執行子步驟2-5，直到每個目標函數均收斂時，得到最終訓練得到的卷積神經網絡對應的網絡參數；

步驟7，獲取所述米波雷達的實測目標點跡，將所述實測目標點跡的相位矩陣輸入所述最終訓練得到的卷積神經網絡中，得到所述實測目標點跡對應的輸出相位矩陣，從而重構所述實測目標點跡的協方差矩陣，并根據重構的實測目標點跡的協方差矩陣對目標點跡進行DOA估計。

2.根據權利要求1所述的一種基于一維卷積神經網絡的米波雷達DOA估計方法，其特征在于，步驟1具體為：

(1a)獲取所述米波雷達采集的P個點跡作為訓練集X＝{x₁，…，x_i，…，x_P}，其中，x_i為第i個點跡，x_i＝a(θ_i)s_i+n_i，a(θ_i)表示第i個點跡對應的導向矢量，s_i為目標數據，n_i為噪聲數據，d為米波雷達陣元間距；

(1b)計算訓練集中第i個點跡的協方差矩陣得到P個協方差矩陣組成的矩陣集第i個點跡的協方差矩陣的上三角元素對應的相位組成上三角元素相位矩陣φ_i，得到P個上三角元素相位矩陣組成的相位集Φ＝{φ₁，…，φ_i，…，φ_p}，進而得到所述相位集對應的相位平均值矩陣μ_X和相位標準差矩陣σ_X。

3.根據權利要求1所述的一種基于一維卷積神經網絡的米波雷達DOA估計方法，其特征在于，步驟2具體為：

獲取所述訓練集中的第i個點跡，且第i個點跡對應的目標角度為θ_i，對第i個點跡的協方差矩陣的上三角元素對應的相位矩陣進行歸一化，得到第i個點跡對應的歸一化相位矩陣其中，i＝1，2，...，P。

4.根據權利要求1所述的一種基于一維卷積神經網絡的米波雷達DOA估計方法，其特征在于，步驟3具體為：

對所述第i個點跡對應的歸一化相位矩陣進行按列重排得到列矢量，使其滿足卷積神經網絡中卷積運算的規則，從而得到第i個點跡對應的按列重排后的相位矩陣

5.根據權利要求1所述的一種基于一維卷積神經網絡的米波雷達DOA估計方法，其特征在于，步驟4具體為：

獲取第i個點跡對應的目標角度的導向矢量從而得到第i個點跡對應的理想協方差矩陣獲取第i個點跡對應的理想協方差矩陣的上三角元素組成的相位矩陣