[發明專利]一種基于神經網絡Massive MIMO DOA系統及實現方法

在審

• 申請號: 202010215244.7
• 申請日: 2020-03-24
• 公開（公告）號: CN111366892A
• 公開（公告）日: 2020-07-03
• 發明（設計）人: 王伶;鄭怡童;李大偉;汪躍先;粟嘉;陶明亮;范一飛;張兆林
• 申請（專利權）人: 西北工業大學
• 主分類號: G01S3/14
• 分類號: G01S3/14;G06F17/18;G06N3/04;G06N3/08
• 代理公司: 西北工業大學專利中心 61204
• 代理人: 金鳳

1.一種基于神經網絡Massive MIMO DOA系統，包括訓練模塊和DOA處理模塊，其特征在于：

所述訓練模塊包括四個子模塊，原始信號生成模塊，生成信號處理模塊，生成數據處理模塊和回歸模型訓練模塊，原始信號生成模塊通過仿真產生訓練數據集，產生的每一組數據以矩陣的形式輸入生成信號處理模塊；生成信號處理模塊對數據進行協方差操作，生成的協方差矩陣輸入生成數據處理模塊；生成數據處理模塊對輸入的數據進行拉直操作并組成數據集，輸入回歸模型訓練模塊進行訓練；

所述DOA處理模塊包括原始信號采集模塊，采集信號處理模塊，采集數據處理模塊和回歸模型處理模塊；原始信號生成模塊采集空間中信號并已矩陣形式輸出采集數據，采集數據直接傳入采集信號處理模塊；采集信號處理模塊對輸入的矩陣進行協方差操作，生成的協方差矩陣，并以矩陣形式傳入采集數據處理模塊；采集數據處理模塊對輸入的數據進行拉直操作并組成數據集，輸入回歸模型處理模塊；

訓練模塊訓練生成的回歸模型輸入DOA處理模塊的回歸模型處理模塊中，作為回歸模型處理模塊的回歸模型，回歸模型處理模塊通過接受來自回歸模型訓練模塊訓練生成的回歸模型，進行回歸操作并產生DOA預測結果。

2.一種利用權利要求1所述基于神經網絡Massive MIMO DOA系統的實現方法，其特征在于包括下述步驟：

一、訓練模塊流程：

1.1原始信號生成模塊：通過仿真產生訓練數據集，具體方法如下：

第一步，模擬矩陣陣列，陣列參數如下：

陣列形狀：矩形陣列

陣元個數：m×n＝v，其中m為水平陣元個數，n為垂直陣元個數，陣元數量v隨精度和運算速度的需求調整，取值范圍為4到1024；

水平陣元間距：uλ，其中λ為采用信號的波長；

垂直陣元間距：pλ，其中p在1到1.5之間取值；

第二步，矩陣建模并生成二維面陣；

二維面陣表示為：

X(t)為32天線陣元接收原始信號產生的二維平面陣；

A為面陣導向矢量，在仿真過程中，采用kronnecker積的方式實現面陣導向矢量仿真；

s_i(t)為天線接收信號，天線陣接收信號采用隨機產生，randn為隨機函數，iwave為DOA信號個數，snap為采樣點數；

n(t)為高斯白噪聲；

導向矢量exp是以e為底的質數函數，對于均勻面陣來說，θ_i為水平角，φ_i為俯仰角；

通過公式(1)，生成的二維面陣X(t)輸入信號處理模塊；

1.2生成信號處理模塊：原始信號生成模塊輸出的二維面陣X(t)通過求協方差矩陣的方式生成mn×mn的協方差矩陣R輸入生成數據處理模塊；

R＝X(t)X^H(t) (2)

其中X^H(t)為二維面陣X(t)的共軛轉置矩陣；

1.3生成數據處理模塊：將生成信號處理模塊輸入的v×v的協方差矩陣拉直展開(計square＝v*v)，實部虛部分離，轉化為尺度為2square×1的訓練矩陣，之后將2square×1的訓練矩陣組成數據集，統一傳入回歸模型處理模塊進行波達方向定位；

1.4回歸模型訓練模塊：通過輸生成數據處理模塊生成的數據，使用SGD(隨機梯度下降)作為優化器，采用[r1,r2,r3]的階梯學習率，采用交叉熵作為損失函數，訓練n_epoch次，得到最終的回歸模型，輸入回歸模型處理模塊中，作為回歸模型處理模塊中起DOA處理作用的回歸模型；

二、DOA處理模塊流程

2.1原始信號采集模塊：首先構建與原始信號生成子模塊相同的v陣元天線陣，將v陣元天線陣接收到的數據，通過采樣存入二維平面陣，輸入采集信號處理模塊，該二維面陣的數據量與原始信號模塊；

2.2采集信號處理模塊：原始信號采集模塊輸出的二維面陣X(t)通過R＝X(t)X^H(t)，其中X^H(t)為二維面陣X(t)的共軛轉置矩陣，生成v×v的協方差矩陣R輸入采集數據處理模塊；

2.3采集數據處理模塊：將采集信號處理模塊輸入的v×v的協方差矩陣拉直展開，實部虛部分離，轉化為2square×1的矩陣，之后將2square×1的矩陣傳入回歸模型處理模塊進行波達方向定位；

2.4回歸模型處理模塊：回歸模型處理模塊通過調用回歸模型訓練模塊輸入的回歸模型，根據輸入矩陣的個數，產生相同個數的(theta，phi)，對應(方位角，俯仰角)，輸出即為估計的來波方向的俯仰角、方位角；

訓練模塊先通過數據仿真以及回歸模型訓練生成回歸模型，DOA處理模塊之后通過數據采集和已經生成的回歸模型進行DOA預測。

3.根據權利要求2所述基于神經網絡Massive MIMO DOA系統的實現方法，其特征在于：

所述回歸模型包括輸入層1層，隱藏層4層，輸出層1層，共計6層，激活函數為tanh。