基于三维球面共形阵列与物理增强网络的DOA估计方法

摘要: 本发明涉及天线工程与人工智能,具体涉及基于三维球面共形阵列与物理增强网络的doa估计方法。背景技术:1、随着无人机技术的快速发展,低空空域移动群智感知网络成为6...
基于三维球面共形阵列与物理增强网络的DOA估计方法

本发明涉及天线工程与人工智能,具体涉及基于三维球面共形阵列与物理增强网络的doa估计方法。

背景技术:

1、随着无人机技术的快速发展,低空空域移动群智感知网络成为 6g 通信与智能探测领域的研究热点,波达方向(doa)估计与极化状态识别是无人机电磁感知的核心任务,直接决定辐射源定位与信号解耦的精度。为适配微型无人机平台,感知系统需同时满足全向空间覆盖、小型化紧凑布局、复杂环境鲁棒估计三大核心需求,现有技术围绕阵列结构设计、互耦效应补偿、doa与极化联合估计算法和机器学习形成了相关研究体系。

2、相关技术方向的研究成果主要有两种,一种是基于改进子空间算法的通过子阵列选择策略消除互耦矩阵的紧凑阵列doa估计方案,其使用固定的均匀线性阵列(ula)进行doa估计,仅能实现一维的doa估计,无法实现球面全向感知,对于无人机动态飞行的俯仰、横滚等动态姿态适应性差,非正交方向感知性能严重退化。另一种则是通过纯数据驱动减小互耦的影响。

3、现有技术虽在无人机电磁感知、doa与极化估计、互耦补偿、球面阵列设计等领域取得一定研究成果,但均未针对微型无人机群智感知这一特定应用场景做全链路优化,各类方案均存在无法克服的技术缺陷,且缺陷相互叠加,具体如下:

4、1.阵列结构设计缺陷:不规则球面阵列存在空间采样不均匀、单元间隔离度低的问题,球面极点区域感知性能严重退化;平面和线阵结构虽紧凑易集成,但仅能实现局部空域感知,非正交方向性能退化,无法适配无人机俯仰、横滚的动态飞行姿态;基于三维球面共形阵列的规则阵列虽能实现全向均匀感知,但单元数较大,天线阵列体积大。

5、2.互耦效应补偿效果有限:纯数据驱动深度学习方案忽视电磁波传播的物理规律,模型仅依赖样本拟合,在低信噪比环境下估计准确率下降,对互耦、噪声等干扰的抗干扰能力弱;传统子阵列选择、矩阵求逆法需精准求解互耦矩阵,工程中阵列误差会导致补偿效果下降,实用性差。

技术实现思路

1、本发明的目的是提出基于三维球面共形阵列与物理增强网络的doa估计方法以解决背景技术中提到的问题。

2、为达到上述发明目的,本发明采用的第一种技术方案是:基于三维球面共形阵列与物理增强网络的doa估计方法包括以下步骤:

3、s1:设计基于球面t-design的16单元小斜方截半立方体球面阵列,所述球面阵列由16个正交双极化偶极子单元组成;

4、s2:基于球面阵列接收电磁辐射源信号,对电磁辐射源信号进行预处理,将预处理后的信号特征解耦为物理流形特征与统计特征,将协方差矩阵特征与统计特征拼接形成596维异构特征向量;其中为展开的 16×16 协方差矩阵特征,承载阵列流形信息;为信号的复数映射、幅度、相位统计描述符,表征电磁信号物理特性为统计特征;

5、s3:将协方差矩阵特征x输入矩阵耦合层,根据阵列物理拓扑结构将协方差矩阵特征还原为16×16二维复数协方差矩阵,执行共轭同余矩阵变换实现物理流形重构,得到校准后的协方差矩阵;

6、s4:将通过矩阵耦合层校准后的协方差矩阵重新展开为一维特征,与统计特征融合后输入自适应仿射校准层,在自适应仿射校准层动态生成校准参数,基于校准参数实现统计分布对齐的校准,在s3物理流形重构的基础上实现降低信号噪声影响;

7、s5:将s4处理后的特征信号输入极化路由器,通过softmax分类器感知特征的极化分布特征,将0°、45°、90°和135°的不同线极化状态的特征信号导向对应的极化专家子网,每个极化专家子网为针对特定极化状态构建的独立神经网络模型,其包含共享特征编码层以及分别用于俯仰角和方位角估计的双分支回归结构,从而实现极化状态条件下的doa参数解耦估计;

8、s6:引入综合空间角度误差作为评估指标,输出doa俯仰角、方位角估计值和极化状态识别结果。

9、进一步地,所述正交双极化偶极子单元以rogers ro4003介质基板为基底,两对扇形偶极子按45°交叉放置在介质基板正面,介质基板周围设置金属腔体,背面设有寄生扇形结构,同轴电缆对称位置设有金属柱;所述16个单元基于小斜方截半立方体布点结构,选取16个正方形面心作为相位中心,实现360°全空间均匀覆盖。

10、进一步地,步骤s1中小斜方截半立方体布点结构包含24个顶点,均匀分布于单位球面,包含18个全等正方形和8个全等正三角形,16个阵列单元相位中心为除去顶部和底部两个正交正方形面心后的剩余正方形面心。

11、进一步地,步骤s3中校准后的协方差矩阵公式为:

12、;

13、其中为可学习的复数互耦矩阵,为观测协方差矩阵,为校准后的协方差矩阵。

14、进一步地,对原始信号(电磁辐射源信号)进行预处理,包括特征提取和协方差矩阵计算,得到统计特征和协方差特征。

15、进一步地,步骤s5中所述极化状态包括0°、45°、90°、135°四种全极化模式,极化路由器通过softmax分类器进行不同极化模式信号的精准分流。

16、进一步地,所述统计特征包括信号复数映射的实部、虚部,信号幅度的均值、方差及信号相位的分布特征。

17、进一步地,步骤s6中综合空间角度误差计算公式如下:

18、;

19、式中,、为信号真实俯仰角和方位角角度,、为估计的信号俯仰角和方位角角度。

20、由于上述技术方案运用,本发明与现有技术相比具有下列优点:

21、1.实现360°全空间无死角均匀感知:基于球面t-design理论设计的16单元小斜方截半立方体球面阵列,突破了平面和线阵的空域覆盖限制,解决了不规则球面阵列采样不均的问题,实现360°全空间无死角均匀感知。

22、2.大幅提升互耦补偿效果与估计精度:通过矩阵耦合层引入共轭同余矩阵变换,将电磁场物理机理显式融入深度学习模型,从物理层面恢复阵列流形的几何正交性,相比现有标量无校准方案,综合空间角度均方根误差从1.88°降至1.50°,精度提升25.33%;相比自适应统计对齐方案,从1.67°降至 1.50°,精度提升11.33%;相比纯数据驱动偏置缩放学习方案,从1.71°降至1.50°,精度提升14%。

23、3.实现100%全极化模式精准识别:通过极化路由与多任务解耦设计,支持0°,45°,90°,135°全极化模式识别,极化分类准确率达到100%,相比现有仅支持双极化模式的方案,极化识别能力与精度实现质的提升,适配复杂电磁环境下的多极化信号感知。

1.基于三维球面共形阵列与物理增强网络的doa估计方法,其特征在于,包括以下步骤:

2.如权利要求1所述的基于三维球面共形阵列与物理增强网络的doa估计方法,其特征在于,所述正交双极化偶极子单元以rogers ro4003介质基板为基底,两对扇形偶极子按45°交叉放置在介质基板正面,介质基板周围设置金属腔体,背面设有寄生扇形结构,同轴电缆对称位置设有金属柱;所述16单元小斜方截半立方体球面阵列为小斜方截半立方体布点结构,选取16个正方形面心作为相位中心,实现360°全空间均匀覆盖。

3.如权利要求2所述的基于三维球面共形阵列与物理增强网络的doa估计方法,其特征在于,步骤s1中小斜方截半立方体布点结构包含24个顶点,均匀分布于单位球面,包含18个全等正方形和8个全等正三角形,16个阵列单元相位中心为除去顶部和底部两个正交正方形面心后的剩余正方形面心。

4.如权利要求3所述的基于三维球面共形阵列与物理增强网络的doa估计方法,其特征在于,步骤s3中校准后的协方差矩阵公式为:

5.如权利要求1所述的基于三维球面共形阵列与物理增强网络的doa估计方法,其特征在于,步骤s5中所述极化状态包括0°、45°、90°、135°四种全极化模式,极化路由器通过softmax分类器进行不同极化模式信号的精准分流。

6.如权利要求1所述的基于三维球面共形阵列与物理增强网络的doa估计方法,其特征在于,所述统计特征包括信号复数映射的实部、虚部,信号幅度的均值、方差及信号相位的分布特征。

7.如权利要求1所述的基于三维球面共形阵列与物理增强网络的doa估计方法,其特征在于,步骤s6中综合空间角度误差计算公式如下: