一种基于深度学习的DOA与信源数联合估计方法

本发明涉及阵列信号处理，尤其涉及一种基于深度学习的doa与信源数联合估计方法。

背景技术：

1、波达方向（direction of arrival，doa）估计是阵列信号处理领域的重要研究内容，旨在利用空间排布的传感器，精确地估计出信号源相对于参考阵元的入射角度，该技术在雷达、声呐、无线通信等领域具有广泛的应用需求。

2、传统doa估计方法经过数十年的发展，已形成较为完善的理论体系。以music（multiple signal classification）为代表的子空间类算法，通过特征分解将接收数据划分为噪声子空间和信号子空间，利用正交性来实现角度估计，此类方法在阵列流形精确已知、快拍数足够和非相干信号等理想条件下具有优异的估计性能；以压缩感知为代表的稀疏重构类算法将doa估计建模为信号在空间域的稀疏表示问题，利用信号的稀疏先验实现高分辨率估计，尤其适用于少快拍场景。

3、然而，实际应用场景往往偏离上述假设，一方面，硬件的非理想因素普遍存在，例如阵列位置误差、通道间增益和相位不一致等，导致真实的阵列流形偏离数学模型，破坏了子空间方法的适用前提。另一方面，复杂电磁环境使得低信噪比（signal-to-noise ratio，snr）成为常态，多径传播则会产生相干信号，造成接收信号协方差矩阵秩亏损，这些非理想因素导致传统doa估计方法性能急剧下降，甚至完全失效。

4、近年来，以深度学习为代表的人工智能技术凭借强大的数据驱动建模能力以及端到端的优化范式，为突破传统方法的局限性提供了新思路。深度学习能够绕开复杂的物理建模过程，直接从大量的观测数据中学习从阵列接收信号到目标doa的隐含映射关系，从而在面对非理想情况时展现出更强的鲁棒性。当前基于深度学习的doa估计方法可分为两类：（1）神经网络替代方法：此类方法用端到端的神经网络直接替代整个传统信号处理流程，将doa估计问题构建为多标签分类任务，典型做法是将阵列接收到的原始数据或协方差矩阵作为网络的输入，直接输出doa估计结果，其优势在于实现了端到端估计流程，训练完成后，推理速度极快，但也存在固有缺陷：首先神经网络是一个巨大的黑箱，可解释性差；其次，往往需要将空间离散化为网格，精度有限，存在离网误差；此外还需要大量带标签的训练数据，而获取真实世界数据成本很高，限制了应用场景。（2）神经网络辅助方法：此类方法保留了传统算法的框架，用神经网络替换或增强其中的某个步骤，如music算法的核心是特征值分解，此步骤计算量大且对非理想条件敏感，可用神经网络直接从协方差矩阵中学习信号子空间和噪声子空间。此类方法的优势在于可解释性强，且对训练数据量的要求显著低于端到端的方法，但其最终性能难以超越原始框架，且神经网络模块的误差可能被后续传统模块放大。

5、综上，现有方法存在以下不足：（1）部分方法的估计精度依赖于离散化的角度网格，存在离网误差；（2）端到端的神经网络替代方法可解释性差，且在小样本或未见场景下泛化能力有限；（3）在动态场景下对不同信源数的适应性不足，难以满足实际系统需求。

技术实现思路

1、针对现有波达方向估计面临的阵列误差、低信噪比、有限快拍和信源数未知等问题，本发明提出了一种基于深度学习的doa与信源数联合估计方法，该方法能够从含噪的阵列接收信号中，通过联合学习实现对信号doa的高精度估计和信源数的准确判别。

2、一种基于深度学习的doa与信源数联合估计方法，包括以下步骤：

3、步骤s1，数据预处理：获取阵列的时域接收信号，计算其空间协方差矩阵，进行归一化处理后再提取该协方差矩阵的实部和虚部信息，并将二者堆叠形成一个双通道的特征张量，作为深度神经网络模型的输入；

4、步骤s2，构建深度神经网络模型：构建一个端到端的深度学习网络，所述深度学习网络包括自编码器去噪模块、深度特征提取模块和双分支输出模块；

5、自编码器去噪模块为采用编码器-解码器结构的卷积神经网络，对输入的双通道特征张量进行去噪处理，采用跳跃连接在去噪的同时保留原始信号的细节特征，最终输出一个去噪的双通道张量；

6、深度特征提取模块将去噪后的双通道张量输入至由多个残差块、通道注意力机制和空间注意力机制组成的深层网络中进行处理，以提取富含区分性的深层特征；

7、双分支输出模块将深度特征提取模块提取的深层特征分别输入至两个并行的全连接网络分支中，其中第一分支为信源数分支，用于输出一个固定维度的概率向量，每个概率值对应相应信源数的估计概率，并根据其中最大概率所处位置对应的信源数作为最终的信源数估计值；第二分支为角度分支，用于输出一个维度等于信源数估计值的向量，该向量中的每个元素代表一个潜在的信号源角度；

8、步骤s3，模型训练：构建训练数据集，所述数据集的每个样本包含双通道协方差矩阵、对应的真实doa角度和真实信源数标签，将双通道协方差矩阵输入深度神经网络模型，通过损失函数联合优化两个分支的输出，使模型学习从含噪协方差矩阵到精确doa角度和信源数的映射关系；

9、步骤s4，doa与信源数联合估计：将实测的阵列信号经数据预处理后输入到训练好的模型中，模型直接输出预测的角度和信源数估计值。

10、进一步地，所述步骤s1具体包括：

11、设置一个由m个阵元组成的均匀线性阵列，阵元间距，为入射信号波长，并设置有k，个远场窄带信号源分别以角度，入射到阵列，阵列在t时刻的接收信号表示为：

12、

13、其中，是阵列在t时刻的输出，为复信号，为与信源独立的加性噪声，为阵列流形矩阵，对不同的入射角度，导向矢量；

14、空间协方差矩阵r为：

15、

16、其中，为信号协方差矩阵，为噪声协方差矩阵，为阵列流形矩阵；

17、对接收信号进行t次快拍采样，得到样本协方差矩阵的估计值：

18、

19、随后，提取样本协方差矩阵的实部和虚部，并将它们堆叠成一个双通道张量，作为神经网络的输入：

20、

21、其中，表示对取实部，表示对取虚部。

22、进一步地，所述步骤s2中自编码器去噪模块包括编码器层、瓶颈层和解码器层，每个编码器层即为一个下采样卷积单元，每个下采样卷积单元均由一个3×3卷积层、批归一化bn、relu激活函数和2×2最大池化层组成，编码器层逐步将输入通道数从2提升至128，同时采用最大池化降低特征图尺寸，提取深层抽象特征；瓶颈层进一步通过两个卷积层将通道数增加至256，再降至128的预设维度，生成紧凑的特征表示；每个解码器层即为一个上采样卷积单元，采用转置卷积进行上采样，并通过跳跃连接将编码器对应层的特征沿通道维度进行拼接，以恢复细节信息，最终通过3×3卷积输出双通道的去噪张量，整个自编码器去噪模块输入与输出的映射关系表示为：

23、

24、其中，autoecoder表示自编码器去噪模块。

25、进一步地，所述步骤s2中深度特征提取模块的处理过程为：

26、经过自编码器去噪模块去噪后的张量首先通过一个初始3×3卷积层，将通道数扩展至256，表示为：

27、

28、其中，表示3×3的卷积，bn表示批归一化，relu表示采用的激活函数；

29、随后依次通过4个残差块、1个通道注意力模块和1个空间注意力模块，具体为：

30、残差块：每个残差块包含两个3×3卷积层，每个卷积层后接批归一化bn和relu激活，通过跳跃连接将该残差块的输入与第二个卷积层经bn后的输出逐元素相加，再将相加结果经relu激活后作为残差块的最终输出，该过程表示为：

31、

32、其中，表示每个残差块的输入，表示每个残差块的输出，第一个残差块的输入为，最后一个残差块的输出为；

33、通道注意力模块：该模块执行全局平均池化和最大池化获得两个通道维度的统计信息和，表示全局平均池化，表示最大池化，再将统计信息输入到一个共享的多层感知机mlp中，并应用sigmoid函数生成注意力权重，表示为：

34、

35、其中，为注意力权重，为sigmoid函数；

36、随后，该模块的输入与注意力权重进行逐通道相乘，实现通道维度的特征重标定，最后输出特征：

37、

38、空间注意力模块：沿着通道维度对通道注意力模块输出的特征分别计算平均池化和最大池化，得到两个二维描述符和，将得到的两个二维描述符进行拼接，再经过一个7×7卷积层和sigmoid激活得到空间注意力权重：

39、

40、其中，为空间注意力权重，为sigmoid函数；

41、最后将空间注意力权重与输入空间注意力的特征图逐元素相乘，得到新的特征图：

42、

43、其中，表示逐元素相乘；

44、最后，再通过全局平均池化将特征图压缩为一维特征向量。

45、进一步地，所述步骤s2中双分支输出模块的工作流程为：

46、一维特征向量f被分别送入两个mlp，每个mlp包含两个隐藏层，维度分别为128和64，并使用relu激活和正则化dropout以防止过拟合，两个分支输出如下：

47、信源数分支：该分支的全连接层输出一个m维向量，对该向量采用softmax激活，将其转换为一个m维概率向量，其中第i个元素对应信源数为i-1的预测概率，根据概率向量中最大值所在的位置，确定信源数估计值；

48、角度分支：该分支直接根据信源数估计值输出一个维向量，得到doa估计值。

49、进一步地，所述步骤s3中的总损失函数为：

50、

51、其中，为信源数损失，为角度损失，为重建损失，为可学习参数，为正则项。

52、进一步地，信源数损失为：

53、

54、其中，为真实标签，为预测概率。

55、进一步地，角度损失为：

56、

57、其中，为真实角度，为匹配角度。

58、进一步地，重建损失为：

59、

60、其中，为frobenius范数的平方，为自编码器输出的去噪张量，为无噪协方差张量，。

61、与现有技术相比，本发明具有以下的有益技术效果：

62、高精度与高鲁棒性：通过引入自编码器进行数据驱动的前端去噪，并结合残差网络与双重注意力机制进行深度特征挖掘，本发明方法在低信噪比环境下仍能保持较高的doa估计精度；

63、联合估计能力：本发明将doa估计和信源数估计统一在一个端到端的网络框架内，通过独特的双分支输出结构，同时估计信源个数和角度估计值，避免了传统方法中需先验信源数或通过特征值分解等复杂步骤来判别信号源的弊端，最大可检测信源数由网络输出维度决定，具有良好的灵活性和实用性。