买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西北工业大学

摘要：本发明涉及一种基于广义回归神经网络的均匀线列阵目标方位估计方法，设置对应角度范围的阵列接收到数据并进行范数归一化，以复声压的实部和虚部作为GRNN模型输入特征；使用k折交叉验证来确定最优扩展因子，选取扩展因子范围和步长，将得到的扩展因子用于GRNN模型的优化。最优扩展因子用于GRNN的训练，再以测试集测试GRNN模型的估计性能，训练和验证以及测试后的GRNN模型用于实时数据的方位估计。对各个信噪比下不同方法测试集的估计结果，可得到，在高信噪比下，GRNN方法有着较好的稳健性，在低信噪比下，仍有着较好的估计性能。GRNN方法在0°附近无明显影响，仍可有效估计目标方位，但在90°附近，在信噪比较低时，会出现较小的误差。

主权项：1.一种基于广义回归神经网络的均匀线列阵目标方位估计方法，其特征在于步骤如下：步骤1、采集L个阵元的均匀线列阵接收数据：按照设定的角度范围内，以采样频率为fs，在采样时间T内，以n角度为间隔，每个角度共采集Tfs组数据，每组数据为：Pt＝[p1t,p2t,…,pLt]步骤2、对均匀线列阵接收到的数据进行预处理：将基阵接收的频域复声压进行范数归一化： 以归一化后复声压的实部和虚部作为输入特征，其维度为1×2L，Re表示实部，Im表示虚部： 步骤3：从各个角度的数据中按比例随机选取数据用于模型的训练和验证，剩余的数据用于数据测试；步骤4：随机地将用于模型的训练和验证的数据分成k折，验证集为其中的1折，训练集为其他的k-1折；步骤5：以k折交叉验证方法来确定最优扩展因子，选取扩展因子范围和步长，将得到的扩展因子用于GRNN模型的优化：步骤6：将均方根误差RootMeanSquardError，RMSE作为估计结果的衡量指标； 其中，θi为第i个样本目标方位估计结果，θ为其对应实际方位，N为样本数量；步骤7：将各个扩展因子作为GRNN模型的参数，首先输入训练集对GRNN模型进行训练，再输入验证集进行方位估计，并计算对应的RMSE；将每一折训练样本均作为一次验证集，重复上述过程，统计并计算k个RMSE的均值，即平均RMSE；步骤8：对所有扩展因子，重复以上步骤，将平均RMSE的最小值对应的扩展因子作为最优扩展因子；步骤9：将得到的最优扩展因子作为GRNN模型的参数，并将训练数据用于GRNN模型的训练，再输入多个信噪比下的测试数据进行方位估计，统计目标方位的估计值，并分析GRNN模型的估计性能，训练和验证以及测试后的GRNN模型用于实时数据的方位估计。

全文数据：

权利要求：

百度查询： 西北工业大学 基于广义回归神经网络的均匀线列阵目标方位估计方法