基于Capon空间谱图与改进卷积网络的信源数估计方法及系统与流程

本发明属于阵列信号处理，具体涉及一种基于capon空间谱图与改进卷积神经网络的信源数估计方法及系统，具体解决低信噪比、有限快拍场景下信源数估计准确率低、弱谱峰特征易丢失、模型泛化能力差的技术问题，可用于雷达探测、声呐测向、无线通信、电子对抗等领域中的空间信号源个数检测。

背景技术：

1、随着现代电磁探测技术向远距离、低截获、高抗干扰方向发展，雷达与电子侦察系统长期工作在低信噪比、有限快拍、强杂波干扰的复杂环境中。信源数估计是阵列信号处理中的基础问题，其目标是根据含噪阵列观测数据确定空间入射信号的个数。该问题通常作为到达角估计的前置步骤，其结果会直接影响后续测向与定位性能，一旦出现欠估计或过估计，将直接导致后续到达角估计偏差增大、多目标混淆丢失，严重降低探测系统的整体性能。因此，提升低信噪比条件下的信源数估计准确率，对提升复杂电磁环境下的阵列探测能力具有重要的工程应用价值。

2、传统的信源数估计方法主要基于信息论准则与特征值结构分析，典型代表为赤池信息准则aic、最小描述长度准则mdl以及盖氏圆盘估计gde。这类方法依赖样本协方差矩阵的信号特征值与噪声特征值之间的差值完成判决，在高信噪比、快拍数充足的理想条件下，信号与噪声特征值分离度高，能够输出稳定准确的估计结果。然而，在低信噪比或小快拍数条件下，有限样本协方差矩阵中的信号特征值与噪声特征值容易发生混叠，导致传统方法性能明显下降，并常表现为信源数欠估计。

3、近年来，深度学习技术被逐步引入信源数估计任务，凭借强大的特征学习能力，在低信噪比和小快拍数条件下表现出较好的适应性。现有深度学习信源数估计方案在输入设计上呈现出不同的技术路径：一类直接以原始阵列接收复信号作为网络输入，该方式保留了完整的观测信息，但输入维度随快拍数动态变化，且复数数据需要额外处理，部署灵活性差；另一类以协方差矩阵降序排列的特征值向量作为输入，将信源数估计转化为分类或回归任务，该类方法固定了输入维度，模型结构更简洁，但本质上属于一维压缩统计特征，虽然能够反映协方差矩阵的整体特征变化，却难以显式保留与信源数判别相关的空间谱结构信息。在极低信噪比条件下，当特征值分布发生混叠时，仅依赖一维特征输入的网络容易出现性能下降。

4、在网络架构层面，现有方案多直接采用标准resnet等通用卷积网络处理谱图或特征输入，并未针对信源数估计任务做定制化改进，存在三方面明显缺陷：第一，网络普遍采用relu激活函数，对负半轴特征直接置零，低信噪比下微弱谱峰对应的弱响应特征梯度直接丢失，导致模型对浅窄弱峰的感知能力不足；第二，通用卷积网络仅建模通道维度的注意力，无法有效利用空间谱图明确的横纵坐标物理含义，难以精准区分随机噪声起伏与真实连续谱峰，弱信号场景下易出现误判；第三，训练过程未针对低信噪比困难样本做优化，训练集中高信噪比简单样本占比高，模型易偏向学习简单样本特征，对困难样本的识别能力不足，泛化性能受限。

5、目前，mish平滑激活、坐标注意力、mixstyle风格扰动等技术均为独立的零散改进手段，尚未出现将固定db尺度空间谱构建、轻量化注意力增强网络、面向困难样本的联合训练策略三者深度融合的一体化信源数估计方案，无法同步解决输入表征信息丢失、弱特征提取能力不足、强噪声泛化性差三大核心技术痛点。

技术实现思路

1、本发明的目的是针对低信噪比均匀线阵信源数估计中存在的空间结构信息丢失、弱谱峰特征难以提取、复杂噪声环境下泛化性差等难题，提出一种基于capon空间谱图与mca-resnet18的低信噪比均匀线阵信源数估计方法。

2、本发明通过基于迹约束的自适应对角加载技术修正协方差矩阵，保障低快拍低噪环境下谱计算的数值稳定性；采用全局固定db尺度将一维capon功率谱映射为二维图像输入，完整保留谱峰空间结构与幅值对比信息；将标准stem初始卷积模块和各残差块中的relu激活函数替换为mish激活函数，强化微弱谱峰的负向梯度传递与非线性特征表达；在四级残差阶段末端串联嵌入坐标注意力模块（coordinate attention, ca），精准建模谱峰位置信息、抑制背景噪声干扰；在训练阶段，引入辅助训练策略，结合mixstyle、标签平滑和dropout等策略，提高模型在高动态条件下的泛化性能，解决模型偏向简单样本、困难样本识别能力弱的问题。五项改进协同作用，显著增强模型对微弱谱峰的多尺度感知与表征能力，大幅提升低信噪比及极低信噪比场景下信源数估计的准确率与抗干扰鲁棒性。

3、本发明所采用的技术方案为：

4、s1、采集阵列观测数据并构建信源数估计数据集。

5、本发明所使用的信源数估计数据集为基于均匀线阵远场窄带接收模型自主仿真构建的 signal-set-36 数据集，基于阵列信号处理经典理论假设生成，可精准控制信噪比、入射角度、快拍数等实验变量。

6、采用均匀线阵采集的远场窄带信号的多快拍阵列观测数据，并约束远场窄带信号的最小入射角度间隔保证空间可分辨性，覆盖宽信噪比范围生成多组样本。将多组样本进行数据清洗，后构建信源数估计数据集。将信源数估计数据集划分为训练集、验证集和测试集，其中，训练集用于网络模型的迭代训练，验证集用于训练过程中的性能监控、超参数调优与早停判定，测试集包括按信噪比档位分桶的均衡测试子集，用于最终验证模型在不同噪声强度下的估计性能。

7、s2、基于对角加载与固定db映射的capon空间功率谱预处理。

8、以 signal-set-36 数据集中的阵列观测数据为输入，求解每一样本对应的样本协方差矩阵，引入基于迹约束的自适应对角加载修正协方差矩阵，消除低快拍低信噪比下的矩阵病态问题。在设定扫描角度范围内，对修正后的协方差矩阵计算对数形式的capon空间功率谱。采用全局统一的db区间对所有样本做线性归一化映射，去除坐标轴、刻度与文字标注，将一维的capon空间功率谱转换为统一尺寸的二维 capon 灰度谱图，作为标准化网络输入。

9、s3、基于mca-resnet18网络的层级化特征提取。

10、将预处理后的二维灰度谱图送入stem初始卷积模块完成底层纹理特征编码，后通过mca-resnet18网络的四阶段层级化残差结构完成由浅到深的多尺度特征提取，逐级提升特征的语义抽象能力。上一残差阶段的输出特征图作为下一残差阶段的输入，依次完成四级特征传递。

11、s4、基于坐标注意力的空间位置特征增强。

12、在四个残差阶段的输出端分别嵌入独立的坐标注意力模块，沿高度与宽度两个正交维度做一维池化编码，生成携带位置信息的两个通道注意力权重，将本级输出特征图与两个方向的通道注意力权重逐元素相乘，完成特征重标定，抑制噪声背景冗余响应，增强真实谱峰区域的特征权重。

13、s5、基于mish激活的弱特征梯度保留优化。

14、将mca-resnet18网络主干中所有relu激活函数统一替换为mish平滑非线性激活函数，利用其全区间可微、负值保留梯度的特性，完整保留低信噪比下微弱谱峰对应的弱响应特征梯度，提升模型对浅窄弱峰的感知能力。

15、mish 激活函数核心公式：

16、

17、其中，为输入特征值

18、s6、辅助训练策略优化与信源数输出。

19、训练阶段融合 mixstyle 特征扰动、标签平滑、dropout 正则化与低信噪比样本加权采样策略，优化模型泛化性能；推理时将待测谱图输入网络，经全局平均池化与全连接层输出三类信源数概率，取最大概率值对应类别作为最终估计结果。

20、本发明有益效果如下：

21、现有技术在处理低信噪比信源数估计时，难以有效应对特征值混叠、空间结构信息丢失、弱谱峰易被噪声掩盖等问题，导致极低信噪比下识别准确率大幅衰减。

22、本发明解决了低信噪比复杂电磁环境下均匀线阵信源数估计精度不足、鲁棒性差的问题。本发明采用对角加载稳定协方差矩阵计算，结合全局固定db尺度的二维capon谱图构建方式，在保留谱峰数量、位置、相对强弱等完整空间结构信息的同时，统一了所有样本的幅值标尺，避免单样本自适应归一化破坏样本间幅值对比关系，从输入层面提升了低信噪比下的特征可区分性；采用mca-resnet18改进网络进行深层特征提取，通过全网络mish激活替换保留弱特征梯度，通过四级串联坐标注意力同步建模通道权重与空间位置关系，能够精准区分随机噪声起伏与真实连续谱峰，定向增强微弱谱峰的特征响应，在仅引入极小参数量与计算量开销的前提下，大幅提升了弱信号场景的识别性能；采用多策略联合训练优化方案，通过mixstyle特征统计扰动、标签平滑正则、dropout随机失活、低信噪比样本加权采样协同作用，均衡了困难样本与简单样本的训练权重，降低了模型过拟合风险，显著提升了复杂噪声环境下的泛化能力。

23、本发明提出的基于capon空间谱与mca-resnet18的信源数估计方法，能够有效解决低信噪比下传统方法与现有深度学习方法识别精度不足的问题。经仿真实验验证，在-20db至15db的全信噪比范围内，本方法的整体top1识别准确率达到94.74%；在-20db至-15db的极低信噪比区间，平均识别准确率仍可达69.28%，性能显著优于aic、mdl、gde等传统方法，以及ernet等一维特征输入的深度学习方法，同时也明显优于标准resnet18基线网络。此外，本方法无需修改网络结构即可适配[-60°,60°]常规扫描角域与[-90°,90°]宽角域场景，具备优异的泛化适配能力，可直接集成至各类阵列探测系统中。