阵列信号DOA估计方法、装置、设备及可读存储介质与流程

阵列信号doa估计方法、装置、设备及可读存储介质
技术领域
1.本发明涉及卫星信号处理领域，尤其涉及一种阵列信号doa估计方法、装置、设备及可读存储介质。


背景技术：

2.传统的子空间类doa估计算法，通常假定噪声服从高斯分布。以窄带doa估计算法为例，经典的music，esprit等方法都是基于高斯噪声条件下推导的。然而，在实际应用中，观测到的噪声可能表现出非高斯特性，脉冲噪声即具有非高斯特性。由于脉冲噪声能够很好地对噪声中出现的离群值进行建模，因此在稳健统计中得到了广泛的研究。常用的脉冲噪声模型有：高斯混合模型(gaussian mixture model，简称gmm)、复合高斯模型(compound gaussian model，简称cgm)以及对称α稳定分布灯。与高斯噪声相比，脉冲噪声的概率密度函数(probability density function，简称pdf)具有更长的拖尾，比高斯分布高出几个标准差，因此，当遇到脉冲噪声时，传统的基于二阶统计量的子空间类doa算法对离群值的敏感性使其估计性能大大降低。


技术实现要素：

3.本发明的主要目的在于提出一种阵列信号doa估计方法、装置、设备及计算机可读存储介质，旨在提供一种即使在非高斯噪声存在的情况下也能够稳健地对阵列信号进行doa估计。阵列信号doa估计方法包括以下步骤：
4.获取阵列接收信号，并对所述阵列接收信号进行短时傅里叶变换，以得到频域相位谱；
5.对所述频域相位谱进行空频掩膜处理，得到与所述阵列接收信号对应的特征矩阵；
6.将所述特征矩阵输入已训练的空域感知器，得到初始空间谱，以实现初步的doa估计；
7.将所述初始空间谱中各个空间子区域与所述特征矩阵的乘积分别输入各个已训练的深层分类器，得到与所述初始空间谱对应的多个分类结果，每个所述深层分类器只接收所述初始空间谱中的一个空间子区域的输出与所述特征矩阵的乘积；
8.拼接所述多个分类结果，得到目标空间谱，以完成所述阵列接收信号的doa估计。
9.在一种实施方式中，所述对所述阵列接收信号进行短时傅里叶变换，以得到频域相位谱的步骤包括：
10.对所述阵列接收信号进行短时傅里叶变换，得到与所述阵列接收信号对应的频域接收信号；
11.对所述频域接收信号取相位，得到与所述阵列接收信号对应的频域相位谱。
12.在一种实施方式中，所述对所述频域相位谱进行空频掩膜处理，得到与所述阵列接收信号对应的特征矩阵的步骤包括：
13.将所述频域相位谱的矩阵点乘空频掩膜矩阵，得到的乘积为与所述阵列接收信号对应的特征矩阵。
14.在一种实施方式中，所述将所述特征矩阵输入已训练的空域感知器，得到初始空间谱的步骤包括：
15.将所述特征矩阵输入已训练的空域感知器，所述已训练的空域感知器对所述特征矩阵进行分类，得到初始空间谱。
16.在一种实施方式中，空域感知器的训练步骤包括：
17.获取第一样本训练集，所述第一样本训练集包括第一协方差矩阵和所述第一doa类标签；
18.将所述第一样本训练集输入预设的空域感知器，所述预设的空域感知器生成与所述第一协方差矩阵对应的第一样本空间谱；
19.所述预设的空域感知器根据所述第一样本空间谱与所述第一doa类标签的损失值，调整所述预设的空域感知器的第一预设参数，得到第一目标参数；
20.将所述第一目标参数配置于所述预设的空域感知器，得到已训练的空域感知器。
21.在一种实施方式中，深层分类器的训练步骤包括：
22.获取第二样本训练集，所述第二样本训练集包括第二协方差矩阵与与所述第二协方差矩阵对应的第二空间谱的乘积，以及第二doa类标签；
23.将所述第二协方差矩阵和与所述第二协方差矩阵对应的第二空间谱的乘积输入预设的深层分类器，所述预设的深层分类器根据所述第二协方差矩阵和与所述第二协方差矩阵对应的第二空间谱的乘积对应的样本分类结果；
24.所述预设的深层分类器根据所述样本分类结果和所述第二doa类标签的损失值，调整所述预设的深层分类器的第二预设参数，得到第二目标参数；
25.将所述第二目标参数配置于所述预设的深层分类器，得到已训练的深层分类器。
26.此外，为实现上述目的，本发明还提供一种阵列信号doa估计装置，所述阵列信号doa估计装置包括：
27.获取模块，用于获取阵列接收信号；
28.变换模块，用于对所述阵列接收信号进行短时傅里叶变换，以得到频域相位谱；
29.处理模块，用于对所述频域相位谱进行空频掩膜处理，得到与所述阵列接收信号对应的特征矩阵；
30.第一输入模块，用于将所述特征矩阵输入已训练的空域感知器，得到初始空间谱，以实现初步的doa估计；
31.第二输入模块，用于将所述初始空间谱中各个空间子区域与所述特征矩阵的乘积分别输入各个已训练的深层分类器，得到与所述初始空间谱对应的多个分类结果，每个所述深层分类器只接收所述初始空间谱中的一个空间子区域的输出与所述特征矩阵的乘积；
32.拼接模块，用于拼接所述多个分类结果，得到目标空间谱，以完成所述阵列接收信号的doa估计。
33.此外，为实现上述目的，本发明还提供一种阵列信号doa估计设备，所述阵列信号doa估计设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的阵列信号doa估计程序，所述阵列信号doa估计程序被所述处理器执行时实现如上所述的阵列信
号doa估计方法的步骤。
34.此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有所述阵列信号doa估计程序，所述阵列信号doa估计程序被处理器执行时实现如上所述的阵列信号doa估计方法的步骤。
35.本发明通过获取阵列接收信号，并对阵列接收信号进行短时傅里叶变换，以得到频域相位谱；并对频域相位谱进行空频掩膜处理，得到与阵列接收信号对应的特征矩阵；将特征矩阵输入已训练的空域感知器，得到初始空间谱，以实现初步的doa估计；将初始空间谱中各个空间子区域与特征矩阵的乘积分别输入已训练的深层分类器，得到与初始空间谱对应的多个分类结果，每个深层分类器只接收初始空间谱中一个空间子区域与特征矩阵的乘积；拼接分类结果，得到目标空间谱，实现了即使在非高斯噪声存在的情况下也能够稳健地对阵列信号进行doa估计。
附图说明
36.图1为实现本发明各个实施例一种设备的硬件结构示意图；
37.图2为本发明阵列信号doa估计方法第一实施例的流程示意图；
38.图3为本发明空域感知器的网络结构；
39.图4为本发明深层分类器的网络结构；
40.图5为本发明的仿真实验中得到的目标空间谱；
41.图6为本发明的仿真实验中各种方法的均方根误差随信噪比变化而变化的对比图；
42.图7为本发明的仿真实验中各种方法的均方根误差随离群值出现的概率p变化而变化的对比图；
43.图8为本发明的仿真实验中各种方法的均方根误差随离群值功率变化而变化的对比图。
44.本发明目的的实现、功能特点及优点将结合实施例，参照附图做说明。
具体实施方式
45.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
46.本发明提供了一种阵列信号doa估计设备，参照图1，图1是本发明实施例方案涉及的硬件运行环境的结构示意图。
47.需要说明的是，图1即可为阵列信号doa估计设备的硬件运行环境的结构示意图。本发明实施例阵列信号doa估计设备可以是pc(personal computer，个人电脑)，便携计算机，服务器等设备。
48.如图1所示，该阵列信号doa估计设备可以包括：处理器1001，例如cpu，存储器1005，用户接口1003，网络接口1004，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如wi-fi接口)。存储器1005可以是高速ram存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可
以是独立于前述处理器1001的存储装置。
49.可选地，阵列信号doa估计设备还可以包括rf(radio frequency，射频)电路，传感器、wifi模块等等。
50.本领域技术人员可以理解，图1中示出的阵列信号doa估计设备结构并不构成阵列信号doa估计设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
51.如图1所示，作为一种计算机存储可读存储介质的存储器1005中可以包括操作设备、网络通信模块、用户接口模块以及阵列信号doa估计程序。其中，操作设备是管理和控制阵列信号doa估计设备硬件和软件资源的程序，支持阵列信号doa估计程序以及其它软件或程序的运行。
52.图1所示的阵列信号doa估计设备，用于提供一种即使在非高斯噪声存在的情况下也能稳健地对阵列信号进行doa估计的方法，用户接口1003主要用于侦测或者输出各种信息，如输入阵列接收信号和输出目标空间谱等；网络接口1004主要用于与后台服务器交互，进行通信；处理器1001可以用于调用存储器1005中存储的阵列信号doa估计程序，并执行以下操作：
53.获取阵列接收信号，并对所述阵列接收信号进行短时傅里叶变换，以得到频域相位谱；
54.对所述频域相位谱进行空频掩膜处理，得到与所述阵列接收信号对应的特征矩阵；
55.将所述特征矩阵输入已训练的空域感知器，得到初始空间谱，以实现初步的doa估计；
56.将所述初始空间谱中各个空间子区域与所述特征矩阵的乘积分别输入各个已训练的深层分类器，得到与所述初始空间谱对应的多个分类结果，每个所述深层分类器只接收所述初始空间谱中的一个空间子区域的输出与所述特征矩阵的乘积；
57.拼接所述多个分类结果，得到目标空间谱，以完成所述阵列接收信号的doa估计。
58.本发明通过获取阵列接收信号，并对阵列接收信号进行短时傅里叶变换，以得到频域相位谱；并对频域相位谱进行空频掩膜处理，得到与阵列接收信号对应的特征矩阵；将特征矩阵输入已训练的空域感知器，得到初始空间谱，以实现初步的doa估计；将初始空间谱中各个空间子区域与特征矩阵的乘积分别输入已训练的深层分类器，得到与初始空间谱对应的多个分类结果，每个深层分类器只接收初始空间谱中一个空间子区域与特征矩阵的乘积；拼接分类结果，得到目标空间谱，实现了即使在非高斯噪声存在的情况下也能够稳健地对阵列信号进行doa估计。
59.本发明移动终端具体实施方式与下述阵列信号doa估计方法各实施例基本相同，在此不再赘述。
60.基于上述结构和现有技术的缺陷，提出本发明阵列信号doa估计方法的各个实施例。
61.本发明提供一种阵列信号doa估计方法。
62.参照图2，图2为本发明阵列信号doa估计方法第一实施例的流程示意图。
63.在本实施例中，提供了阵列信号doa估计方法的实施例，需要说明的是，虽然在流
程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
64.在本实施例中，阵列信号doa估计方法包括：
65.步骤s10，获取阵列接收信号，并对所述阵列接收信号进行短时傅里叶变换，以得到频域相位谱；
66.本实施例的阵列接收信号为由m个阵元构成的等距直线阵列接收到的远场平面波信号源发出的信号，对阵列接收信号进行短时傅里叶变换(short time fourier transform，stft)，进一步地得到与阵列接收信号对应的频域相位谱，可以确定阵列接收信号的频率和相位。频域相位谱的矩阵表达式为：x(k)＝[x(1，k)，x(2，k)，...，x(l，k)]，l＝1，2，
…
，l，其中l为频域快拍数，k=1，2，
…
，k，其中，k为阵列接收信号的窄带总数。
[0067]
在一些具体的实施例中，对所述阵列接收信号进行短时傅里叶变换，以得到频域相位谱的步骤包括：
[0068]
步骤a，对所述阵列接收信号进行短时傅里叶变换，得到与所述阵列接收信号对应的频域接收信号；
[0069]
步骤b，对所述频域接收信号取相位，得到与所述阵列接收信号对应的频域相位谱。
[0070]
阵列接收信号是一种时域信号，对阵列接收信号进行短时傅里叶变换，得到的是与阵列接收信号对应的频域上的信号，即频域接收信号。再对所述频域接收信号取相位，最终得到频域相位谱。
[0071]
步骤s20，对所述频域相位谱进行空频掩膜处理，得到与所述阵列接收信号对应的特征矩阵；
[0072]
由于冲激噪声对阵列接收信号的影响非常严重，本实施例提出了空频掩膜(spatial-frequency mask，简称s-f mask)用以检测并抑制冲激噪声，提高信噪比，为稳健的宽带信号doa估计算法奠定基础。对频域相位谱进行空频掩膜处理后，抑制频域相位谱中的冲激噪声，得到与阵列接收信号对应的特征矩阵。
[0073]
在一些具体的实施例中，步骤s20还包括：
[0074]
步骤c，将所述频域相位谱的矩阵点乘空频掩膜矩阵，得到的乘积为与所述阵列接收信号对应的特征矩阵。
[0075]
对频域相位谱进行空频掩膜处理，即是将频域相位谱的的矩阵点乘空频掩膜矩阵，所得乘积即为频域相位谱进行空频掩膜处理后得到的特征矩阵。
[0076]
具体的，空频掩膜矩阵的表达式为：式中为受离群值污染的(时间帧，阵元)集合，(i，j)为m
sf
的第i行第j列元素。m
sf
矩阵将受离群值污染的快拍标注为0。特征矩阵的计算过程为：其中，
⊙
为点乘运算，该运算也是对频域相位谱进行空频掩膜处理的过程，由该运算便可以将受离群值污染的快拍数据置为0，从而抑制噪声项中冲激噪声的影响。本实施例得到的特征矩阵不会出现信号失真的情况。
[0077]
的的计算方法为：确定阵列接收信号中的第m个阵元的第l个时间帧为：受脉冲噪声污染的数据具有较大的模值，
可以利用这个特点检测数据是否为离群值。用表示第m个阵元的第l时间帧上第g个快拍的模，计算第g个快拍的模值中位数以及中位数的标准差为：
[0078][0079][0080]
式中，那么可定义受离群值污染的(时间帧，阵元)集合为
[0081]
步骤s30，将所述特征矩阵输入已训练的空域感知器，得到初始空间谱，以实现初步的doa估计；
[0082]
空域感知器是一种浅层分类器，由于空域感知器的作用是对输入数据，即特征矩阵进行一个粗略的空间划分而不需要精细的角度估计，因此降低了计算复杂度。空域感知器的网络结构如图3所示，由3个卷积层以及2个全连接层级联而成，其中前三个卷积层核大小为2
×
2，步长为1并且无填充。每个卷积层的激活函数都为relu函数。
[0083]
在一些具体的实施例中，步骤s30还包括：
[0084]
步骤d，将所述特征矩阵输入已训练的空域感知器，所述已训练的空域感知器对所述特征矩阵进行分类，得到初始空间谱。
[0085]
空域感知器对输入的特征矩阵在空域上进行一个粗分类。假定将待测空域无重叠地划分为p个空间子区域[θ
(p-1)
，θ
(p)
)p＝1，...，p，假设输入的特征矩阵φ(θ)来源于方向θ，并且θ∈[θ
(p-1)
，θ
(p)
)，那么空域感知器的输出向量u
p
×1的第p个元素为1，其他元素均为0。即空域感知器的输出可由下式表示：
[0086]
其中，u
p
为向量u为第p个元素。
[0087]
步骤s40，将所述初始空间谱中各个空间子区域与所述特征矩阵的乘积分别输入各个已训练的深层分类器，得到与所述初始空间谱对应的多个分类结果，每个所述深层分类器只接收所述初始空间谱中的一个空间子区域的输出与所述特征矩阵的乘积；
[0088]
在空域感知器之后引入了一组深层的cnn对属于初始空间谱中的各空间子区域的信号进行更精细地分类以实现在空间子区域更精细的doa估计。cnn的组数为空域感知器所划分的空间子区域数p。每个深层分类器的网络结构如图4所示。
[0089]
每一个深层的cnn都是一个多类别的分类器，第p个分类器的输入为空域感知器输出向量的第p个元素(即初始空间谱中的空间子区域的输出)与空域感知器输输出项(即特征矩阵)的乘积。即：
[0090][0091]
深层分类器对空间子区域的输入信号进行分类，以确定该信号是否位于该空间子区域内的精细方向网格上。网格对应的分类器的输出节点值为信号方向与该网格对应的方向之间的距离度量，信号方向与该网格对应的方向越接近，则该值越大，反之则越
小。由于每个深层分类器只对一个空间子区域范围内的信号进行分类，而不需要考虑位于其他子区域的信号，这使得对这些深层分类器的训练更加容易，并且增强了这些分类器的泛化性能。
[0092]
步骤s50，拼接所述多个分类结果，得到目标空间谱，以完成所述阵列接收信号的doa估计。
[0093]
得到每个深层分类器的输出的分类结果，将这些分类结果进行拼接，得到阵列接收信号完整的空间谱，即目标空间谱，至此完成了对阵列接收信号的doa估计。
[0094]
本实施例提出的是一种利用空频掩膜的基于卷积神经网络的doa估计方法，为降低冲激噪声对阵列接收信号doa估计带来的负面影响，利用空频掩膜技术将被冲激噪声污染的阵元接收信号频率分量置0，得到阵列接收信号的特征矩阵，将其输入空域感知器，进行粗分类，还借用深层分类器进行精细的分类，实现阵列接收信号的doa估计。
[0095]
本实施例还通过4组数值仿真实验结果来验证本实施例提出的方法在混合高斯噪声环境下的稳健性。本实施例所有的有关于神经网络的数值仿真结果都是在tensoflow平台上实现的，所有传统的子空间类算法都在matlab上实现。本实施例将所提算法与基于s-f mask和矩阵填充的离群值滤除方法(mc-music)以及经典的music方法进行对比实验。由实验结果可以看出，在引入空间感知器后，本文提出的方法将原有的卷积神经网络方法的精度从5
°
提高到了1
°
。如无特殊说明，本实验的蒙特卡洛次数均为100，mc-music方法中相互交错子阵的数目为3。
[0096]
本实施例仿真实验采用具有m＝10个阵元的全向宽带均匀线阵，阵元间距d＝λ/2，为了避免出现相位模糊，λ为阵列最高接收频率相对应的波长，并且规定在估计每个频域块的快拍中，最多只有4个阵元受到离群值的影响。信号源采用功率为10的线性调频信号，信号的带宽为[f
low
，f
up
]，其中，f
low
＝0hz，f
up
＝1000hz。阵列接收信号中的加性混合高斯噪声由式给出，其中，b服从pro(b＝0)＝p，pro(b＝1)＝1-p的伯努利随机变量，p表征冲激噪声出现的概率。和分别表示0均值、方差分别为和的高斯噪声，显然在冲激噪声环境下，规定要远远大于噪声在各阵元上是相互独立的。空域测向范围为[θ
(0)
，θ
(p)
)，其中，θ
(0)
＝-60
°
，θ(p)＝60
°
，采用间隔为1
°
的空间谱，因此待估计的空间谱总共有i＝120个网格。将这120个网格平均划分为p＝6个空间子区域，则每个子区域含有的网格数为i0＝20。空域感知器和深层分类器的输入矩阵分别由式以及式给出，式中，其中，angle(
·
)表示逐元素取相位，其中，表示方向角为的入射信号在频率为k上的协方差矩阵中位于第m1行第m2列的元素。用于估计r(k)(r(k)＝x(k)xh(k)/l)的频域快拍数为l＝100，每个频域快拍都由nf＝2b个时域快拍估计得到，其中，b＝f
up-f
low
＝1000。宽带信号源被均匀划分为k＝100个子带。
[0097]
为了训练空域感知器，数据集将在一个方向集上计算出协方差矩阵φ以及其相应的标签u。由于在实际系统中，一般无法得到囊括大量不同信噪比情况且带理想方向标注的数据，因此本实施例提出使用随机掩蔽的方式对一个小的数据集进行扩充。具体而言，在训练过程的每个batch中随机地对协方差矩阵φ中的元素置0。实验结果表明本实验提出的方
法在小数据集上能够得到令人满意的训练效果。这个方向集通过对待估计空域范围[-60
°
，60
°
)使用1
°
的采样间隔进行均匀采样得到，在每个方向上有10组数据，并且这些数据设定为p＝0、snr为10db产生。其中，定义snr为：
[0098][0099]
其中，为信号功率。因此，空域感知器的训练数据集包含1200个协方差矩阵φ。
[0100]
虽然深层分类器是与空域感知器分开训练的，但是由式可知，深层分类器与空域感知器的输入矩阵只相差一个常数的乘积，因此只需要在空域感知器的训练数据集基础上，根据式和式进行计算即得到深层分类器的训练数据集。
[0101]
空域感知器和深层分类器两个部分在训练过程中的学习率都为μ＝0.001，数据集的遍历次数为80，并且每次数据集遍历时，都对数据集顺序进行打乱，每次迭代送入神经网络的数据量(批大小)为30。
[0102]
图5为两个cnn的训练结果。图5显示了入射角度为θ＝11
°
，snr为10db，时，通过sfm-cnn后重建出的空间谱。由图5可以看出，本实施例提出的方法重建出的空间谱非常精细。
[0103]
图6显示了入射角度为θ＝11
°
，p＝0.2，时，几种方法的均方根误差随信噪比变化而变化的趋势图。图6中ideal方法是指当p＝0时的music方法，此时噪声项是方差为的高斯噪声。从图6中可以清楚地看出经典的music算法的rmse随信噪比的变化而变化不大，且其估计性能很差。这是由于算法中设定此时的离群值对music算法影响很大，甚至导致算法失效。与之对比的mc-music方法估计性能随着信噪比的增加而增加，与ideal方法非常接近，并且明显好于经典的music方法。这是由于s-f mask很好地抑制了离群值的影响，虽然在抑制离群值的同时也抑制了期望信号，但是由于后续使用矩阵填充的方法对期望信号进行重构，因此mc-music方法拥有很好的抗离群值性能。另一方面，由于矩阵填充方法不可避免地存在重构误差，因此mc-music方法的估计性能比ideal方法稍差。与上述三种算法相比，神经网络方法是数据驱动的方法，虽然卷积神经网络对离群值敏感，采用s-f mask处理将离群值滤除从而降低离群值对卷积神经网络的影响，同时又利用了卷积神经网络拥有的良好的抗高斯白噪声的性能，因此本实施例提出的方法对混合高斯噪声具有很好的稳健性，图6也表明了本实施例的方法在信噪比变化的情况下呈现出优于其他三种算法的doa估计性能。
[0104]
图7显示了入射角度为θ＝11
°
，snr为10db，时，几种方法的均方根误差随离群值出现的概率p变化而变化的对比图。图7中ideal方法是指当p＝0时的music方法，此时噪声项是方差为的高斯噪声。从图7中可以清楚地看出经典的music算法在p＝0，即不存在离群值时估计效果与传统的music方法以及mc-music效果较为一致。但是，当p≠0时
算法的估计性能随p的变化有小幅波动，且估计性能很差。这是由于即使p很小，但是由于估计协方差矩阵φ所需要的时域快拍非常大，这就导致了离群值出现的次数很多，此时的离群值对music算法影响很大，甚至导致算法失效。与之对比的mc-music方法估计性能随着概率p的变化近似不变，与ideal方法非常接近，并且明显好于经典的music方法。这是由于s-f mask很好地抑制了离群值的影响，虽然在抑制离群值的同时也抑制了期望信号，但是由于后续使用矩阵填充的方法对期望信号进行重构，因此mc-music方法拥有很好的抗离群值性能。另一方面，由于矩阵填充方法不可避免地存在重构误差，因此mc-music方法的估计性能比ideal方法稍差。与上述三种算法相比，神经网络方法是数据驱动的方法，采用s-f mask处理将离群值滤除从而降低离群值对卷积神经网络的影响，同时又利用了卷积神经网络拥有的良好的抗高斯白噪声的性能，因此本文提出的方法对混合高斯噪声具有很好的稳健性，图7也表明了该算法在离群值出现的概率p变化的情况下呈现出优于其他三种算法的doa估计性能。
[0105]
图8显示了入射角度为θ＝11
°
，p＝0.2，snr为10db，时，几种方法的均方根误差随离群值功率变化的对比图。从图8中可以清楚地看出，本实施例提出的方法可以很好地降低离群值的影响。
[0106]
提出本发明的第二实施例，与第一实施例的区别在于空域感知器的训练步骤包括：
[0107]
步骤e，获取第一样本训练集，所述第一样本训练集包括第一协方差矩阵和与所述第一doa类标签；
[0108]
步骤f，将所述第一样本训练集输入预设的空域感知器，所述预设的空域感知器生成与所述第一协方差矩阵对应的第一样本空间谱；
[0109]
步骤g，所述预设的空域感知器根据所述第一样本空间谱与所述第一doa类标签的损失值，调整所述预设的空域感知器的第一预设参数，得到第一目标参数；
[0110]
步骤h，将所述第一目标参数配置于所述预设的空域感知器，得到已训练的空域感知器。
[0111]
本实施例提供一种空域感知器的训练方法，输入预设的空域感知器的数据集为第一样本训练集，第一样本训练集包括第一协方差矩阵，以及与第一协方差矩阵对应的doa标签，即第一doa类标签。
[0112]
关于第一协方差矩阵的获取，利用信号的统计特性来降低由信号离散采样值带来的输入数据集分布的多样性，考虑到阵列接收信号的协方差矩阵是hermite(厄米矩阵)矩阵，为了降低输入数据的冗余性，只取信号带宽内所有协方差矩阵中的第一列元素作为空域感知器的输入矩阵，也即第一协方差矩阵。空域感知器的输入可由下式表示：
[0113]
关于该式的说明，已在第一实施例中陈述，在此不做赘述。
[0114]
由于本实施例研究单源信号的doa估计，因此，在建立空域感知器的第一样本训练集时，只需要使用测向范围内单信源的输入信号即可。对测向角度范围进行等间距采样，假设采样点数为i且i可以被p整除，采样的方向表示为令i0＝i/p，如果作为空域感知器的输入，那么空域感知器的第pi个(pi＝[i/i0]，[
·
]为向上取整)元素的输出
应为1，而其他p-1个元素的输出为0，其中，k＝|r|。空域感知器的输出由式给出，同时式也是对应的标签。综上，空域感知器的训练数据集的输入为：其相应的doa标签集为：其中，(
·
)
(1)
表示与空域感知器有关的变量。至此，(γ
(1)
，ψ
(1)
)作为数据和其相应的标签用以对空域感知器进行训练。空域感知器训练所使用损失函数为：其中，其中，是空域感知器对应于输入的实际输出，即第一样本空间谱。
[0115]
预设的空域感知器中的权重矩阵以及偏置向量使用损失函数的梯度进行反向传播从而实现更新，使用tensorflow平台进行仿真实验，此平台提供网络中参数更新的具体实现，最终得到目标参数，即预设的空域感知器计算第一样本空间谱与第一doa类标签的损失值，并调整预设的空域感知器的参数，即第一预设参数，得到第一目标参数，将第一目标参数配置于预设空域感知器中，得到已训练的空域感知器，完成空域感知器的训练。
[0116]
提出本发明的第三实施例，与第一实施例和第二实施例的区别在于，深层分类器的训练步骤包括：
[0117]
步骤i，获取第二样本训练集，所述第二样本训练集包括第二协方差矩阵与与所述第二协方差矩阵对应的第二空间谱的乘积，以及第二doa类标签；
[0118]
步骤j，将所述第二协方差矩阵与与所述第二协方差矩阵对应的第二空间谱的乘积输入预设的深层分类器，所述预设的深层分类器根据所述第二协方差矩阵与与所述第二协方差矩阵对应的第二空间谱的乘积对应的样本分类结果；
[0119]
步骤k，所述预设的深层分类器根据所述样本分类结果和所述第二doa类标签的损失值，调整所述预设的深层分类器的第二预设参数，得到第二目标参数；
[0120]
步骤l，将所述第二目标参数配置于所述预设的深层分类器，得到已训练的深层分类器。
[0121]
关于第一实施例陈述的阵列信号doa估计方法，需要多个深层分类器，每个深层分类器的训练步骤相同，只是输入的样本训练集不同，使得得到的分类结果存在差异，所以就不一一赘述。
[0122]
深层分类器与空域感知器是分别训练的，所以的那个空域感知器完成训练之后，空域感知器中的权重矩阵和偏置向量将被固定，深层分类器的输入数集可由空域感知器的输出矩阵的相应位置元素与空域感知器的输入相乘得到，所以用于训练深层分类器的第二样本训练集包括第二协方差矩阵和与第二协方差矩阵对应的第二空间谱的乘积，第二空间谱是将第二协方差矩阵输入已训练的空域感知器得到的。第二样本训练集还包括doa类标签，即第二doa类标签。
[0123]
由于每个深层分类器输入以及输出维度都是一样的，只是在分类区域上有所不同，因此只给出第p个深层分类器的输入输出，其他深层分类器的输入输出可以以此类推。在一些实施例中，考虑实际训练得到的空域感知器的输出与期望输出存在偏差，利用一个阈值函数来减少这种偏差。由此，第p个深层分类器的输入为：
其中，其中，α为选通阈值，在本实施例中α＝0.6。
[0124]
深层分类器需要对相应空间子区域中的信号进行更精细的分类，因此需要定义相应的输出向量。假设深层分类器的输入矩阵为则相应的输出应为：其中，[y
(p)
(θ)]
l
为第p个深层分类器输出向量中的第l个元素的值。具体而言，深层分类器重建出的空间谱应该在与实际波达方向相邻的两个方向网格点上有非零值，并且两个相邻方向网格之间的值可以通过线性插值估计出来，进而可以提高doa的估计精度。
[0125]
深层分类器的训练输入矩阵可以表示为：第二doa类标签组成的集合为：
[0126]
在训练过程中，需要用标签与实际的输出之间的误差定义一个损失函数，再用其梯度进行反向传播进而更新分类器网络中的参数。定义为对应于输入r(θ)的实际的输出，则空间谱重建误差为：深层分类器所使用的损失函数和空域感知器的损失函数一样深层分类器计算生成的样本分类结果与第二doa类标签的损失值，并调整预设的深层分类器的参数，即第二预设参数，得到第二目标参数，将第二目标参数配置于预设的深层分类器中，得到已训练的深层分类器，完成深层分类器的训练。
[0127]
此外，本发明实施例还提出一种阵列信号doa估计装置，所述阵列信号doa估计装置包括：
[0128]
获取模块，用于获取阵列接收信号；
[0129]
变换模块，用于对所述阵列接收信号进行短时傅里叶变换，以得到频域相位谱；
[0130]
处理模块，用于对所述频域相位谱进行空频掩膜处理，得到与所述阵列接收信号对应的特征矩阵；
[0131]
第一输入模块，用于将所述特征矩阵输入已训练的空域感知器，得到初始空间谱，以实现初步的doa估计；
[0132]
第二输入模块，用于将所述初始空间谱中各个空间子区域与所述特征矩阵的乘积分别输入各个已训练的深层分类器，得到与所述初始空间谱对应的多个分类结果，每个所述深层分类器只接收所述初始空间谱中的一个空间子区域的输出与所述特征矩阵的乘积；
[0133]
拼接模块，用于拼接所述多个分类结果，得到目标空间谱，以完成所述阵列接收信号的doa估计。
[0134]
本发明所述阵列信号doa估计装置实施方式与上述阵列信号doa估计各实施例基本相同，在此不再赘述。
[0135]
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质
上存储有阵列信号doa估计程序，所述阵列信号doa估计程序被处理器执行时实现如上所述的阵列信号doa估计方法的各个步骤。
[0136]
需要说明的是，计算机可读存储介质可设置在阵列信号doa估计设备中。
[0137]
本发明计算机可读存储介质具体实施方式与上述阵列信号doa估计方法各实施例基本相同，在此不再赘述。
[0138]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0139]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0140]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
[0141]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。