一种基于深度增强的波达方向估计方法和系统

技术领域

本发明涉及阵列信号处理领域，具体地，涉及一种基于深度增强的波达方向估计方法和系统。

背景技术

波达方向(DoA)估计技术在雷达、信道估计、地震勘探以及医学诊断等领域中都有广泛的应用。

在1979年，Schmidt提出了多重信号分类(MUSIC)方法。传统的MUSIC方法是基于信号和噪声子空间的正交特性来构建谱峰，然后进行峰值搜索实现波达方向估计。该方法可以对多个目标同时估计，且相较之前的估计方法有着高分辨率的优势。但是这种方法难以实现，运算量过大，且必须在已知噪声特性和信号源数等多个前提下进行，并且几乎无法估计相干源，仍存在很大的局限性。

为了克服经典MUISC方法的局限性，它的改进方法逐渐被提出。例如：1984年，Barbell提出了求根MUSIC方法，通过多项式求根提高分辨率，但缺点是只适用于直线阵列。国内同样有人对经典MUSIC方法进行改进，例如曾浩等人提出了利用DFT改进MUSIC方法进行波达方向估计，减少了传统方法的计算量，但是仍存在和传统方法一样的局限性。

随着深度学习的不断进步，科研工作者开始将传统的基于模型的波达方向估计方法和神经网络结合进行研究。例如：2015年，Xiong Xiao等人通过使用多层感知器来解决挑战性环境中的波达方向估计问题，首先将深度学习网络结合传统方法进行研究，提出了波达方向的估计的分类问题。2019年，Chakrabarty S等人提出了一种基于卷积神经网络的监督学习方法来估计波达方向，在这里波达方向估计被表述为一个多类多标签分类问题。Kase Y等人则是把波达方向估计看作是一个回归问题研究，它将深度神经网络应用于波达方向估计，并评估了两个等功率和不相关的信号入射到一个均匀的线性阵列中的情况下的估计性能。以上提出的方法基本上都是使用密集型和卷积型神经网络实现了与模型无关的波达方向估计。由于它们与模型无关，所以这些方法能够处理阵列缺陷，但它们涉及高度参数化，并且缺乏基于模型方法的可解释性。

而混合的基于模型和数据驱动系统的波达方向估计方法的提出有望解决上述缺陷。例如，Elbir A M.提出名为Deep-MUSIC的多信号分类框架，从测量的协方差矩阵中估计离散的MUSIC谱。提出的Deep-MUSIC框架具有卓越的估计精度，并表现出较低的计算复杂性，但由于它利用空间频谱作为训练的标签，与基于模型方法有相同的缺点。Barthelme A等人提出使用神经网络从子阵列的采样协方差矩阵中估计全阵列的协方差矩阵，它将到达方向的估计问题建模为一个端到端的回归任务，从不相干的子阵列中通过神经网络获得一个估计协方差矩阵。该方法使MUSIC方法的稳健性增强，但是由于该网络是用估计的协方差矩阵作为标签训练，而不是用真实的协方差矩阵，所以它的神经网络没有得到充分利用。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于深度增强的波达方向估计方法和系统。

根据本发明的一个方面，提供一种基于深度增强的波达方向估计方法，包括：

构建阵列信号模型；

基于所述阵列信号模型，建立数据集；

对所述数据集进行预处理，进行训练集与测试集的划分；

结合传统的MUSIC方法的框架和CRNN网络以及MLP层，构建深度增强网络模型；

基于所述训练集对网络进行训练，得到所述深度增强网络模型的最佳模型；

利用所述最佳模型进行波达方向估计。

优选地，所述阵列信号模型选用远场窄带均匀线阵模型。

优选地，所述数据集选用四种数据集，分别为相干数据集、非相干数据集、两个离得很近的数据集和模型不匹配的数据集；

对所述四种数据集分别进行协方差矩阵的构建和真实频谱的计算；

将数据集中的数据和处理得到的数据进行既定比例划分为训练集和测试集，分别用于完成训练和测试的工作。

优选地，所述深度增强网络模型，其内部的层与层之间复合了池化模块和归一化模块，用于优化特征提取提高非线性度；其以噪声子空间作为标签，用于简化模型。

优选地，输入数据在深度增强网络模型中的过程，包括：

输入数据，输入数据的shape为(2m,T)，其中m为阵元数，T为快拍数；

变换维度，变换后的shape为(T,2m)；

变换维度后的数据经过BN层进行归一化处理；

经过归一化处理后的数据进入CRNN层，学习输入数据的噪声子空间；

将从CRNN层输出的数据转化为复数值，进行复数空间的转换；

将所述复数值进行实虚部堆叠；

计算传入导向向量的值和所述噪声子空间的空间谱的估计值

其中，a(θ)为导向向量，E

通过MLP层从空间谱中估计d个波达角。

优选地，所述CRNN层，包括：

第一卷积层，所述第一卷积层包括一维卷积，其卷积层通道数为64，卷积核大小为5*5，步长设置2，填充模式设置为SAME，激活函数设置为GeLU；

第一池化层，所述第一池化层包括一维最大池化，池化大小为2，步长设置为2，填充模式设置为SAME；

第二卷积层，所述第二卷积层包括一维卷积，卷积层通道数为64，卷积核大小为5*5，步长设置2，填充模式设置为SAME，激活函数设置为GeLU；

第二池化层，所述第二池化层包括一维最大池化，池化大小为2，步长设置为2，填充模式设置为SAME；

GRU层，所述GRU层为RNN网络的循环单元，设置大小为2m，m为阵元数。

优选地，所述MLP层包括三个全连接的dense层和一个线性激活的dense层,其中全连接层的神经元数为2m，线性激活层神经元个数为d，即输出源个数的估计的波达角，其中全连接层的激活函数均设置为ReLU。

根据本发明的第二个方面，提供一种基于深度增强的波达方向估计系统，包括：

阵列信号模块，所述阵列信号模块构建阵列信号模型；

数据集模块，所述数据集模块建立数据集；

预处理模块，所述预处理模块对所述数据集进行预处理，并进行训练集与测试集的划分；

深度增强网络模块，所述深度增强网络模块结合传统的MUSIC方法的框架和CRNN网络以及MLP结构，构建深度增强网络模型；

训练模块，所述训练模块基于预处理后的数据集进行网络训练，得到所述深度增强网络模型的最佳模型；

测试模块，所述测试模块利用所述最佳模型进行波达方向估计。

根据本发明的第三个方面，提供一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时可用于执行上述的方法，或，运行上述的系统。

根据本发明的第四个方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时可用于执行上述的方法，或，运行上述的系统。

与现有技术相比，本发明具有如下的有益效果：

本发明实施例中的一种基于深度增强的波达方向估计方法和系统，其是以传统MUSIC方法为架构，联合数据驱动和基于传统MUSIC模型的方法。该方法突破了传统MUSIC方法的局限性，可以检测多个相干的信号源，并且具有更高的分辨性能；其涉及深度增强网络网络引入了卷积循环神经网络，可以从输入数据直接学习噪声子空间，更好地提取特征；并利用MLP结构从估计的空间谱中估计波达角。

本发明实施例中的一种基于深度增强的波达方向估计方法和系统，为了使网络的复杂度降低，将传统MUSIC方法结构中的特征值分解构造噪声子空间去掉，使噪声子空间直接通过CRNN网络学习得到，而训练标签也变成了利用噪声子空间进行估计，实现了结构的简化。同时，在相干源的估计情况和模型不匹配时的鲁棒性也得到了提升。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明一实施例中基于深度增强的波达方向估计方法的流程图；

图2为本发明一优选实施例中深度增强网络的结构示意图；

图3为本发明一优选实施例中深度增强网络中CRNN层详细示意图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。

参见图1，本发明提供一个实施例，一种基于深度增强的波达方向估计方法，包括：

S100，构建阵列信号模型；

S200，基于S100构建的阵列信号模型，建立数据集；

S300，对S200建立的数据集进行预处理，进行训练集与测试集的划分；

S400，结合传统的MUSIC方法的框架和CRNN网络以及MLP结构，构建深度增强网络模型；

S500，基于S300预处理后的数据集进行网络训练，得到所述深度增强网络模型的最佳模型；

S600，利用所述最佳模型进行波达方向估计。

本实施例，本发明采用回归学习的波达方向估计算法，在增强原始MUSIC结构的同时，使其能够克服传统基于模型的方法局限性，同时简化传统MUSIC模型的结构。

在本发明的一个实施例中，实施S100，构建阵列信号模型，采用的是远场窄带均匀线阵模型。

在本发明的一个优选实施例中，实施S200，数据集的建立与划分，具体如下：

首先，数据集的建立。本发明公开了四种数据集的实现，分别为相干数据集、非相干数据集、两个离得很近的数据集(具有两个信号源，并且两者的的角度差很小)和模型不匹配的数据集。其中产生数据集涉及的参数如下：信源数目设置为5(特别的，产生两个离得很近的数据集时信源数设置为2)，信噪比为10dB，阵元数目为8，样本数为10000。本实施例中的参数设置可以使得结果呈现得更加明显。

其中设置相干和非相干的数据集旨在比较本发明与传统MUSIC方法的性能差异，得出可以克服传统方法无法估计相干源的局限性；设置两个离得很近的信源旨在表明本发明相比传统MUSIC方法可以估计两个离得很近的信号，其分辨率有所提高。设置模型不匹配数据集，即其中的导向向量的每一项均被高斯噪声污染，与对应的角度不匹配，旨在分析本发明的鲁棒性。

在本发明的一个优选实施例中，实施S300，进行预处理，具体的，根据数据集计算协方差矩阵和真实的频谱，然后按照1：9的比例划分训练集与测试集，完成训练和测试的工作。

在本发明的一个优选实施例中，实施S400，构建深度增强网络模型，即基于传统MUSIC方法的框架，并与CRNN网络、MLP结构相结合的一种网络架构，层与层之间复合了池化和归一化模块，用于优化特征提取提高非线性度；同时对网络模型进行进一步简化，以噪声子空间作为标签。

一较优实施例中，将该步骤网络初始学习率设置为0.001，采用Adam优化器，迭代次数为110次，训练模型按图2所示，次序具体参数分别为：

1)输入数据的shape为(2m,T),其中m为阵元数，T为快拍数；

2)变换维度，变换后的shape为(T,2m)；

3)BN层，进行归一化处理；

4)CRNN层，包括两层卷积、两层池化和一层GRU层，学习输入数据的噪声子空间，获取特征；

5)进行复数空间的转化；

6)将上述复数值进行实虚部堆叠，能够更全面处理输入数据信息，学习噪声子空间，更好地提取输入数据的特征；

7)传入导向向量和估计的噪声子空间进行空间谱的计算，具体公式如下：

其中，a(θ)为导向向量，E

8)估计的空间谱输入MLP层进行波达角估计；MLP层具体包括三个全连接的dense层和一个线性激活的dense层,其中全连接层的神经元数为2m，m为阵元数，线性激活层神经元个数为d，即输出源个数的估计的波达角。

9)从空间谱中估计d个波达角，输出估计结果。

本实施例为了使网络的复杂度降低，将传统MUSIC方法结构中的特征值分解构造噪声子空间去掉，使噪声子空间直接通过CRNN网络学习得到，而训练标签也变成了利用噪声子空间进行估计，实现了结构的简化。同时，在相干源的估计情况和模型不匹配时的鲁棒性也得到了提升。

另一较优实施例中，CRNN网络内部具体网络模型按图3所示的参数分别为：

(1)卷积层1，一维卷积，卷积层通道数为64，卷积核大小为5*5，步长设置2，填充模式设置为SAME，激活函数设置为GeLU；

(2)池化层1，一维最大池化，池化大小为2，步长设置为2，填充模式设置为SAME；

(3)卷积层2，一维卷积，卷积层通道数为64，卷积核大小为5*5，步长设置2，填充模式设置为SAME，激活函数设置为GeLU；

(4)池化层2，一维最大池化，池化大小为2，步长设置为2，填充模式设置为SAME；

(5)GRU层，为RNN网络的循环单元，设置大小为2m，m为阵元数。

该CRNN层可以从输入数据直接学习噪声子空间，相比于单一的CNN或者RNN网络能够更好地提取特征并且捕捉长期依赖关系。这样做可以通过比较其估计的DoA和真实的DoA，与后续的MLP层共同调整噪声子空间的训练和MUSIC频谱转化为DoA的能力。

在本发明的另一个实施例中，通过测试集测试，评价指标评估方法的性能，评价指标采用均方根周期误差(RMSPE)将估计的DoA角度与真实的DoA角相比较，计算公式如下：

其中，mod(·)表示取模运算，||·||表示求范数，d为信源数，θ为真实的波达角，

基于相同的发明构思，在本发明的其他实施例中，提供一种基于深度增强的波达方向估计系统，包括阵列信号模块、数据集模块、预处理模块、深度增强网络模块、训练模块和测试模块；阵列信号模块构建阵列信号模型；数据集模块建立数据集；预处理模块对所述数据集进行预处理，进行训练集与测试集的划分；深度增强网络模块结合传统的MUSIC方法的框架和CRNN网络以及MLP结构，构建深度增强网络模型；训练模块基于预处理后的数据集进行网络训练，得到所述深度增强网络模型的最佳模型；测试模块利用所述最佳模型进行波达方向估计，利用评价指标评估系统性能。

基于相同的发明构思，在本发明的其他实施例中，提供一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时可用于执行上述的方法，或，运行上述的系统。

基于相同的发明构思，在本发明的其他实施例中，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时可用于执行上述的方法，或，运行上述的系统。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。上述各优选特征在互不冲突的情况下，可以任意组合使用。