[發明專利]一種基于殘差網絡的MIMO雷達波束賦形方法

有效

• 申請號: 202010510925.6
• 申請日: 2020-06-08
• 公開（公告）號: CN111693976B
• 公開（公告）日: 2022-10-11
• 發明（設計）人: 胡進峰;張偉見;魏志勇;鄒欣穎;李玉枝;董重
• 申請（專利權）人: 電子科技大學
• 主分類號: G01S13/02
• 分類號: G01S13/02;G01S7/41;G06N3/04;G06N3/08
• 代理公司: 電子科技大學專利中心 51203
• 代理人: 甘茂

1.一種基于殘差網絡的MIMO雷達波束賦形方法，包括以下步驟：

步驟1.構建殘差網絡；

所述殘差網絡包括依次連接的5個殘差塊，每個殘差塊由兩層神經網絡構成；其中，

第一個殘差塊中第一層為權重矩陣維數為ML×J、神經元個數為J的神經網絡，第二層為權重矩陣維數為J×J、神經元個數為J的神經網絡；

第二至第四個殘差塊中每層均為權重矩陣維數為J×J、神經元個數為J的神經網絡；

第五個殘差塊中第一層為權重矩陣維數為J×J、神經元個數為J的神經網絡，第二層為權重矩陣維數為J×ML、神經元個數為ML的神經網絡；

第一個殘差塊的輸入與輸出之間還設置有一層權重矩陣維數為ML×J、神經元個數為J的神經網絡，最后一個殘差塊的輸入與輸出之間還設置有一層權重矩陣維數為J×ML、神經元個數為ML的神經網絡，用以實現維度匹配；

設置x＝[x(1),x(2),…,x(ML)]為殘差網絡的輸入，其中，x(i)∈[0,1]且為隨機數、i＝1,2,…,ML、M為MIMO雷達發射陣的發射天線數量、L為快拍數；

所述殘差網絡輸出為

步驟2.設置損失函數，采用ADAM深度學習優化器對步驟1中殘差網絡進行優化；優化完成后得到最后一次訓練的輸出

所述損失函數為：

loss₁＝F₁+F₂+F₃

其中：n₁表示主瓣區域的網格點數，η₁表示主瓣區域的平衡因子；

ε_k＝|u_optd(θ_k)-P(θ_k)|²，

d(θ_k)表示期望方向圖，

a_t(θ_k)表示θ_k方向的方向向量，表示矩陣的第l列，并還原為M行、L列的矩陣；

n₂表示旁瓣區域的網格點數，η₂表示旁瓣區域的平衡因子；

表示具有高互相關性的網格點數，η₃表示互相關旁瓣項的平衡因子，

|P(θ_p,θ_q)|²＝Re(P(θ_p,θ_q))²+Im(P(θ_p,θ_q))²，

步驟3.計算將s恢復為發射波形矩陣S。

2.一種基于殘差網絡的MIMO雷達波束賦形方法，包括以下步驟：

步驟1.構建殘差網絡；

所述殘差網絡包括依次連接的5個殘差塊，每個殘差塊由兩層神經網絡構成；其中，

第一個殘差塊中第一層為權重矩陣維數為ML×J、神經元個數為J的神經網絡，第二層為權重矩陣維數為J×J、神經元個數為J的神經網絡；

第二至第四個殘差塊中每層均為權重矩陣維數為J×J、神經元個數為J的神經網絡；

第五個殘差塊中第一層為權重矩陣維數為J×J、神經元個數為J的神經網絡，第二層為權重矩陣維數為J×ML、神經元個數為ML的神經網絡；

第一個殘差塊的輸入與輸出之間還設置有一層權重矩陣維數為ML×J、神經元個數為J的神經網絡，最后一個殘差塊的輸入與輸出之間還設置有一層權重矩陣維數為J×ML、神經元個數為ML的神經網絡，用以實現維度匹配；

設置x＝[x(1),x(2),…,x(ML)]為殘差網絡的輸入，其中，x(i)∈[0,1]且為隨機數、i＝1,2,…,ML、M為MIMO雷達發射陣的發射天線數量、L為快拍數；

所述殘差網絡輸出為

步驟2.設置損失函數，采用ADAM深度學習優化器對步驟1中殘差網絡進行優化；優化完成后得到最后一次訓練的輸出

所述損失函數為：

loss₂＝F₄+F₅+F₆

其中：n₁表示主瓣區域的網格點數，η₁表示主瓣區域的平衡因子；

ε_k＝|u_optd(θ_k)-P(θ_k)|²，

d(θ_k)表示期望方向圖，

a_t(θ_k)表示θ_k方向的方向向量，表示矩陣的第l列，并還原為M行、L列的矩陣；

n₂表示旁瓣區域的網格點數，η₂表示旁瓣區域的平衡因子；

表示具有高互相關性的網格點數，η₃表示互相關旁瓣項的平衡因子，

|P(θ_p,θ_q)|²＝Re(P(θ_p,θ_q))²+Im(P(θ_p,θ_q))²，

步驟3.計算將s恢復為發射波形矩陣S。