申请/专利权人：南京邮电大学

申请日：2022-02-11

公开（公告）日：2024-07-05

公开（公告）号：CN114462454B

主分类号：G06F18/10

分类号：G06F18/10;G06N3/08;G06F18/214;G06F17/16;G06N3/0464;G01S3/14;G06F18/2136

优先权：

专利状态码：有效-授权

法律状态：2024.07.05#授权;2022.05.27#实质审查的生效;2022.05.10#公开

摘要：本发明提供一种基于深度学习的无网格信号源DOA估计方法，通过接收端使用阵元数为M的稀疏阵列进行架构；利用所架构的稀疏阵列接收入射信号并建模；计算稀疏阵列接收信号的采样协方差矩阵计算生成接收信号所对应的协方差矩阵张量构造基于卷积神经网络的信号源个数估计网络，得到估计信号源个数构造基于卷积神经网络的信号降噪重构网络CRN，得到重构的无噪协方差矩阵的首行向量的估计值恢复无噪协方差矩阵并搜索信号源方向DOA；该方法，能够去除噪声干扰的同时，可以估计更多的信号；并且通过采用无网格的估计方法，由无噪协方差矩阵估计得到DOA，避免了网格失配问题。

主权项：1.一种基于深度学习的无网格信号源DOA估计方法，其特征在于：包括以下步骤，S1、接收端使用阵元数为M的稀疏阵列进行架构；S2、利用步骤S1所架构的稀疏阵列接收入射信号并建模；S3、计算稀疏阵列接收信号的采样协方差矩阵计算生成接收信号所对应的协方差矩阵张量S4、构造基于卷积神经网络的信号源个数估计网络，对信号源个数估计网络进行训练后，输入步骤S3所得协方差矩阵张量得到估计信号源个数具体为，S41、构造基于卷积神经网络的信号源个数估计网络，用于信号降噪重构网络CRN参数选择，信号源个数估计网络包括目标检测网络TDN和数据库，该数据库包含关于不同K的训练CRN参数集，目标检测网络TDN为通过协方差矩阵的输入张量来估计信号源个数的CNN网络；S42、对目标检测网络TDN进行训练，获得目标检测网络TDN的参数；S43、将协方差矩阵张量输入训练后的目标检测网络TDN，目标检测网络TDN的输出表示为其中，为目标个数为j的概率，最大元素的索引即为估计信号源个数S5、构造基于卷积神经网络的信号降噪重构网络CRN，由步骤S4所得估计信号源个数对信号降噪重构网络CRN进行训练后，将步骤S3所得协方差矩阵张量输入到信号降噪重构网络CRN，得到重构的无噪协方差矩阵的首行向量的估计值S6、由步骤S5所得无噪协方差矩阵的首行向量的估计值恢复无噪协方差矩阵并搜索信号源方向DOA。

全文数据：

权利要求：

百度查询： 南京邮电大学 基于深度学习的无网格信号源DOA估计方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD