基于空间谱图像检测网络的多源近间隔DOA估计方法与流程

本发明属于阵列信号处理与深度学习领域，涉及一种基于空间谱图像检测网络的多源近间隔doa估计方法，具体是一种基于空间谱图像与改进目标检测网络的多源近间隔波达方向（direction of arrival，doa）估计方法。

背景技术：

1、波达方向估计是阵列信号处理中的重要研究内容，其目标是根据阵列接收信号估计空间信号源的入射方向。该技术在雷达探测、无线通信、声呐定位和智能感知等领域具有广泛应用。对于多源场景，准确获得各信源入射角是后续目标定位、波束形成和空间感知的重要基础。传统doa估计方法中，多重信号分类（music）、旋转不变子空间（esprit）和求根多重信号分类（root-music）等子空间类算法具有明确的数学模型和较高的角度分辨能力，在高信噪比、快拍数充足和阵列模型较理想的条件下能够取得较好的估计结果。

2、在实际多源doa估计中，信源角度间隔和角度位置会明显影响估计难度。当相邻信源间隔较小时，空间谱中相邻谱峰容易出现局部重叠、峰间谷值变浅和谱峰中心偏移等现象，多源角度分辨难度随之增加。当信源位于扫描角域边缘区域时，阵列方向响应和谱峰形态相较中心区域更加敏感，角度估计难度也会提高。若小角度间隔与边缘角度同时出现，doa估计容易受到噪声扰动、谱峰形态变化和子空间估计误差的共同影响。因此，边缘近间隔多源doa估计是一个具有代表性的困难场景。

3、近年来，深度学习方法逐渐被引入doa估计任务，相关研究在输入特征和网络结构上不断发展。deepmusic类方法通常以样本协方差矩阵特征作为输入，通过深度网络学习协方差矩阵与music空间谱之间的映射关系，并进一步利用谱峰搜索获得doa估计结果；cov-cnn类方法将样本协方差矩阵的实部、虚部和相位组成三通道特征作为输入，并将doa估计转化为角度网格上的多标签分类问题；dct-vit类方法同样以协方差矩阵的实部、虚部和相位三通道特征作为输入，在此基础上引入双类标记的视觉自注意力（vision transformer）结构，以增强网络对全局特征关系的建模能力。

4、可以看出，现有深度学习doa估计方法多以协方差矩阵及其相关特征作为网络输入，并通过谱回归或角度网格分类方式完成doa估计。虽然这类方法在低信噪比条件下具有一定优势，但仍可能受到角度网格划分、输入特征退化和训练数据分布的影响，尤其在边缘近间隔多源场景下，谱峰中心位置仍不易稳定估计。因此，如何在保留空间谱物理含义的基础上，稳定地完成边缘近间隔条件下的谱峰中心定位与连续doa回归，是提高多源doa估计性能亟需解决的问题。

技术实现思路

1、本发明的目的是提高多信源在边缘近间隔、低信噪比和少快拍等困难条件下的角度分辨能力与谱峰中心定位精度，解决现有方法在边缘近间隔多源场景下谱峰中心位置不易稳定估计的问题。

2、本发明提出一种基于空间谱图像检测网络的多源近间隔doa估计方法。该方法先由阵列接收数据构造样本协方差矩阵，并计算空间谱；随后将一维空间谱转换为二维填充式谱图，将每个信源对应的谱峰视为检测目标，通过检测框横向中心位置实现连续角度估计。所述改进网络在基础检测网络的基础上引入用于增强谱峰局部结构特征提取的模块，并增加用于保留高分辨率横向位置信息的高分辨率检测分支，从而提高近间隔谱峰中心定位精度。该方法在保留空间谱物理含义的基础上，引入目标检测网络对近间隔谱峰进行定位，提高了边缘近间隔场景下的角度估计稳定性。

3、本发明解决其技术问题所采用的技术方案包括以下步骤：

4、步骤1、由阵列接收多源远场窄带信号，根据多快拍观测数据估计样本协方差矩阵。

5、步骤2、利用空间谱估计算法计算空间谱，并将一维空间谱图像转换为二维空间谱图像。

6、步骤3、将二维空间谱图像中每个信源对应的谱峰视为检测目标，对谱峰生成标注框，使标注框的横向中心位置与真实入射角相对应；

7、步骤4、构建改进的目标检测网络。

8、所述改进的目标检测网络在基础检测网络中引入用于增强谱峰局部结构特征提取的特征提取模块，以及用于保留高分辨率横向位置信息的高分辨率检测分支，提取二维空间谱图像的特征并输出谱峰检测框；

9、步骤5、根据谱峰检测框的横向中心位置与扫描角度之间的映射关系，得到各信源的doa估计结果。

10、优选的，步骤1中：

11、所述阵列采用均匀线阵作为接收阵列。

12、设阵列由m个阵元组成，阵元间距为d，有k个远场窄带非相干信号从方向入射。第t个快拍下的阵列接收信号表示为：

13、

14、其中，x(t)表示阵列接收信号，s(t)表示信源信号，n(t)表示复高斯白噪声，为阵列流形矩阵。方向对应的阵列导向向量为：

15、

16、式中，为信号波长，表示转置。

17、在多快拍观测条件下，根据阵列接收信号构造样本协方差矩阵：

18、

19、其中，n为快拍数，h表示共轭转置。对样本协方差矩阵进行特征分解后，得到信号子空间和噪声子空间。

20、优选的，步骤2中：

21、所述空间谱估计算法优选为music算法，该算法利用阵列导向向量与噪声子空间之间的正交关系构造空间谱：

22、

23、其中，表示噪声子空间矩阵，为扫描角度。当扫描角度接近真实入射角时，空间谱中会形成明显谱峰，因此music空间谱能够反映信源在角度域中的分布情况。

24、优选的，将一维空间谱转换为二维空间谱图像,具体实现如下：

25、设扫描角度范围为预设区间，扫描步长为预设值；在获得一维空间谱后，先将其转换为对数尺度的一维空间谱：

26、

27、随后采用min-max归一化方法将映射到[0,1]区间：

28、

29、其中，和分别表示当前空间谱对数幅值的最大值和最小值。

30、完成归一化后，将一维空间谱沿横向插值到图像宽度，并生成预设尺寸的填充式空间谱图像，图像中不保留坐标轴、刻度和文字标注，使模型主要关注谱峰位置、峰宽、峰形以及相邻谱峰之间的局部结构。

31、优选的，扫描角度范围设置为，扫描步长设置为0.1°，生成的空间谱图像尺寸为640×640。

32、优选的，步骤3中：

33、所述对谱峰生成标注框具体实现如下：

34、在二维空间谱图像中，每个信源对应一个谱峰目标，将谱峰视为检测目标。

35、对于每个真实doa，在二维空间谱图像中生成一个竖向的谱峰检测框，检测框的横向中心位置与真实入射角对应，纵向中心位置固定为高度值的一半。

36、设扫描角度范围为，则真实入射角对应的归一化后的横向中心坐标为：

37、                      (7)

38、采用固定角宽的标注方式，对应的归一化后的宽度为w，则第k个信源的标签表示为：

39、

40、其中，c表示空间谱峰目标类别。

41、优选的，采用固定2°角宽的标注方式，对应的归一化后的宽度。

42、优选的，步骤4中：

43、所述改进的目标检测网络优选为在yolo11基础上构建的gp2-yolo11网络。

44、gp2-yolo11网络由主干网络（backbone）、颈部（neck）和检测头（head）三部分组成。所述gp2-yolo11网络的改进包括两个方面：其一，在主干网络和颈部特征融合部分引入用于增强谱峰局部结构特征提取的特征提取模块；其二，在检测头中增加高分辨率检测分支，使网络由原有多尺度检测结构扩展为多尺度高分辨率检测结构。

45、所述特征提取模块优选为c3k2_ghostmodule，用于提取谱峰边缘、峰宽变化和相邻峰间局部结构等特征。c3k2_ghostmodule以c2f结构为基础，保留了通道划分、分支处理和特征拼接的基本形式。设输入特征为x，模块首先通过卷积生成中间特征，并在通道维度上划分为两部分；其中一部分作为短路径特征保留，另一部分进入核心处理分支；经过多个核心处理分支后，各分支特征在通道维度上进行拼接，并通过卷积得到输出特征，该过程简要表示为：

46、

47、其中，表示通道划分后形成的不同分支特征。

48、所述核心处理分支由参数c3k控制：当c3k=true时，内部采用c3k结构，以保留较强的局部卷积特征提取能力；当c3k=false时，内部采用ghostbottleneck，以提高特征生成效率并减少冗余计算。

49、当核心处理分支采用ghostbottleneck时，其主要由两个ghostmodule和残差分支组成，第一个ghostmodule用于通道扩展，第二个ghostmodule用于特征投影，最后通过残差分支得到输出。ghostmodule由primaryconv和cheapoperation两部分组成，primaryconv用于生成主特征，cheapoperation用于生成补充特征，二者通过拼接得到输出特征，从而在减少冗余特征生成的同时保留谱峰边缘、峰宽变化和局部重叠等有效信息。

50、优选的，ghostmodule内部的卷积操作进一步引入dynamicconv，dynamicconv先通过全局平均池化获得输入特征的统计信息，再生成不同卷积专家的路由权重，使卷积核组合能够随输入特征自适应调整，其等效卷积核简要表示为：

51、

52、其中，表示第e个卷积专家的卷积核，表示第e个卷积专家对应的路由权重，e表示卷积专家数量。由此，dynamicconv能够根据输入空间谱图像的差异，自适应调整特征提取方式。

53、所述高分辨率检测分支优选为高分辨率检测分支，使网络由原有的、、三尺度检测结构扩展为、、、四尺度检测结构。网络在自顶向下特征融合过程中，将特征继续上采样并与主干网络中的特征进行拼接，得到高分辨率的融合特征；随后在自底向上路径中，特征再逐级传递到、和，实现浅层位置细节与深层上下文信息的融合。对于输入尺寸为640×640的二维空间谱图像，不同检测尺度对应的特征图尺度如下：

54、

55、其中，对应1/4下采样的二维空间谱图像，具有最高空间分辨率。

56、设扫描角度范围为，输入的二维空间谱图像尺寸为m×m，则图像横向单像素对应的角度间隔计算如下：

57、                             (12)

58、进一步的，由于本发明设置的扫描角度范围为120°，二维空间谱图像的尺寸为640×640，所以图像横向单像素对应的角度间隔计算如下：

59、

60、从特征图尺度看，单个特征位置在不同检测层对应的近似角度跨度分别为：

61、

62、上述关系说明，高分辨率检测分支能够提供更细粒度的横向位置表达。

63、本发明最终检测输出尺度为：

64、

65、其中，分支主要用于保留谱峰横向中心附近的细节信息，到分支则提供更大感受野下的上下文特征。最终输出尺度将的尺度进行拼接。通过四尺度检测结构，所述网络能够同时利用浅层位置细节和深层特征表达，从而提升边缘近间隔场景下谱峰检测框中心回归的稳定性。

66、优选的，步骤5中：

67、由于二维空间谱图像的横向坐标与扫描角度之间具有固定映射关系，设扫描范围为，gp2-yolo11网络输出的第i个检测框横向中心为，则对应的doa估计值可表示为：

68、

69、代入优选的扫描范围、后，对应的doa估计值表示为：

70、

71、由此，多源doa估计问题被转化为空间谱图像中的谱峰检测与横向中心定位问题。相比直接采用传统谱峰搜索方法，该方式能够利用检测网络对谱峰形态、峰宽变化和相邻谱峰局部结构的学习能力，从而提高近间隔和边缘角度条件下的谱峰定位稳定性。

72、进一步的，本发明提供一种基于空间谱图像检测网络的多源近间隔doa估计系统，包括采集模块、转换模块、生成模块、模型构建模块、估计模块。

73、采集模块：由阵列接收多源远场窄带信号，根据多快拍观测数据估计样本协方差矩阵。

74、转换模块：利用空间谱估计算法计算空间谱，并将一维空间谱图像转换为二维空间谱图像。

75、生成模块：将二维空间谱图像中每个信源对应的谱峰视为检测目标，对谱峰生成标注框，使标注框的横向中心位置与真实入射角相对应；

76、模型构建模块：在基础检测网络中引入用于增强谱峰局部结构特征提取的特征提取模块，以及用于保留高分辨率横向位置信息的高分辨率检测分支，提取二维空间谱图像的特征并输出谱峰检测框；

77、估计模块：根据谱峰检测框的横向中心位置与扫描角度之间的映射关系，得到各信源的doa估计结果。

78、本发明有益效果如下：

79、1.构建了基于music空间谱图像检测的多源doa估计框架，将传统谱峰定位问题转化为目标检测问题，通过检测框横向中心实现连续角度估计，避免了角度网格划分带来的量化误差；

80、2.引入用于增强谱峰局部结构特征提取的特征提取模块，增强了模型对谱峰边缘、峰宽变化和相邻峰间局部结构等特征的提取能力；增加高分辨率检测分支，保留了谱峰横向中心附近的细节信息，提高了近间隔谱峰中心的定位精度；

81、3.在低信噪比、少快拍数和小角度间隔的边缘近间隔困难场景下具有较好的稳定性。在-20db到-10db的低信噪比区间内，本发明方法在双信源和三信源场景下的平均均方根误差分别为4.49°和3.63°，低于对比方法，为边缘近间隔多源doa估计提供了一种有效的空间谱图像检测思路。