本技术公开了一种基于级联神经网络的多源DOA高分辨估计方法及系统,涉及阵列信号处理技术领域,方法中,首先基于单层FNN设计了一个可解释空域滤波网络,从而将目标空域划分为多个子空域,再利用多个二维CNN对每个子空域的输出数据进行处理,得到信源数未知条件下的多信源DOA估计结果。为提高DOA估计精度,还采用预训练和联合微调的网络训练方法,先对可解释SF‑Net和各个二维CNN进行独立预训练,以此为基础对级联神经网络进行端到端的联合训练,从而获得最终的网络参数,进行多源DOA估计。本发明可提高网络可解释性、减少训练数据集规模、降低网络训练难度,且在多信源条件下能够获得更优的DOA估计性能。
背景技术
波达方向(Direction of Arrival,DOA)估计是阵列信号处理的一个重要研究方向,广泛应用于雷达、通信和导航等领域。几十年来,学者们提出了一系列DOA估计算法,包括子空间分解类算法、子空间拟合类算法和稀疏恢复类算法等。其中,以多重信号分类(Multiple Signal Classification,MUSIC)算法和旋转不变子空间算法为代表的子空间分解类算法能够实现超分辨DOA估计,但在信噪比较低的条件下性能较差;以最大似然算法和加权子空间拟合算法为代表的子空间拟合类算法可在低信噪比条件下获得较好的DOA估计性能,但对初始值的依赖程度和运算复杂度较高;以L1
范数最小化算法和正交匹配追踪(Orthogonal Matching Pursuit,OMP)算法为代表的稀疏恢复类算法具有较高的估计精度,但存在运算复杂度高或需要信号稀疏度先验信息等问题,限制了该类算法在在实际中的应用。
近年来,以深度神经网络(Deep Neural Network,DNN)为代表的深度学习技术发展迅速,为DOA估计提供了新的思路。国内外学者们先后将自编码器和全连接网络(FullConnectNetwork,FNN)应用到DOA估计之中,在单信源条件下获得了较好的估计结果,但在多信源条件下性能较差。为解决多信源DOA估计问题,学者们提出了先将目标空域划分为多个子空域,再对各个子空域分别进行DOA估计的方法。例如,有学者使用多个自编码器对空域进行划分,每个自编码器后分别级联一个由多层FNN构成的分类器,实现了多信源DOA估计。然而,由自编码器构成的空域滤波网络(Spatial Filtering Network,SF-Net)的性能与理想空域滤波器之间具有一定的差距,且存在着可解释性差的问题。此外,多层FNN的网络参数较多,训练难度较高。针对FNN存在的问题,有学者使用二维卷积神经网络(Convolutional Neural Network,CNN)对阵列接收数据进行处理,针对信源数已知和信源数未知的情况分别提出不同的数据集构建方法和网络训练方法,具有较高的多信源DOA估计性能。然而,对于信源数未知的情况,当信源数增加时,该方法所构建训练数据集的规模将以指数形式增长,内存占用量增大、网络训练难度升高。因此,该方法在实际中的应用受到一定的限制。
因此,亟需一种可用于多信源条件下的DOA估计方案,以解决上述现有技术存在的可解释性差、训练难度高、多信源估计性能差等问题。
实现思路