基于ResNet的和差共阵DOA估计.pdf
《基于ResNet的和差共阵DOA估计.pdf》由会员分享,可在线阅读,更多相关《基于ResNet的和差共阵DOA估计.pdf(6页珍藏版)》请在咨信网上搜索。
1、2023 年第 10 期计算机与数字工程收稿日期:2023年4月12日,修回日期:2023年5月17日作者简介:尤俣良,男,硕士研究生,研究方向:阵列信号处理。国洪灿,女,硕士研究生,研究方向:FPGA信号处理。王雪,女,硕士研究生,研究方向:FPGA信号处理。1引言无线信号波达方向(Direction of Arrival,DOA)估计是一种应用于移动通信和各种雷达系统中的用户定位技术。近几十年来,用天线阵代替窄带波束天线进行DOA估计已成为普遍现象。为了提高DOA估计的精度,研究人员在传统算法基础上进行改进,引入更精确的数学模型和优化方法,不断在提高精度、超分辨率和适应低信噪比场景方面取得
2、了显著的进展,也提出了许多信号处理技术,如波束形成、Capon、空间交替广义期望最大化(SpaceAlternating Generalized Expectation Maximization,SAGE)1、协方差矩阵增广(Covariance Matrix Augmentation,CMA)2、空间交替广义期望最大化(Space-Alternating Generalized Expectation-maximization,SAGE)3等。最近,深度神经网络(Deep Neural Networks,DNN)展示了其对语音信号处理的强大功能,例如语音分离4、自动语音识别(Automati
3、c speech recognition,ASR)5等。随后,DNN 也用于 DOA 估计,Takeda和Komatani使用具有7个隐藏层的DNN通过判别训练方法来预测DOA6。输入特征是每个频点处相关矩阵的特征向量,实验结果表明,该方法对混响敏感。广义互相关(Generalized CrossCorrelation,GCC)被用作一个隐藏层感知器神经网络的特征,结果表明,它对高电平噪声和强烈的混基于 ResNet 的和差共阵 DOA 估计尤俣良国洪灿王雪(南京信息工程大学电子与信息工程学院南京210044)摘要传统互质阵列的差分共阵存在“空洞”,即缺少一些虚拟阵列元素。论文采用和差共阵形成
4、更大尺寸的连续虚拟阵列,保留了传统的互质阵列配置,同时,将残差网络(ResNet)应用于到达方向(DOA)估计算法。论文采用的算法先将和差共阵输出的空间平滑矩阵处理后,得到特征数据,然后输入到ResNet中,将DOA估计转变为特征数据和DOA之间的非线性映射关系。通过ResNet对信号分类来实现DOA估计,相比于传统的互质阵列,基于ResNet的和差共阵DOA估计算法具有更强的准确性和适应性。关键词和差共阵;DOA估计;ResNet;空间平滑矩阵中图分类号TP338.7DOI:10.3969/j.issn.1672-9722.2023.10.007ResNet Based for Sum an
5、d Difference Co-array DOA EstimationYOU YuliangGUO HongcanWANG Xue(College of Electronic and Information Engineering,Nanjing University of Information Science and Technology,Nanjing210044)AbstractThe differentce co-array of the traditional co-prime array has holes,it lacks some virtual array element
6、s.In thispaper,the sum-and-difference co-array is used to form a larger continuous virtual array,which retains the traditional co-prime array configuration.At the same time,residual network(ResNet)is applied to the direction of arrival(DOA)estimation algorithm.The proposed algorithm first processes
7、the spatial smoothing matrix output by the sum and difference co-array to obtain the characteristic data,and then input it into ResNet to transform the DOA estimation into a non-linear mapping relationship between the characteristic data and the DOA.DOA estimation is achieved by signal classificatio
8、n through ResNet.Compared with the traditionalco-prime array,the ResNet-based sum and difference co-array DOA estimation algorithm has stronger accuracy and adaptability.Key Wordssum and difference co-array,DOA estimation,ResNet,spatial smoothing matrixClass NumberTP338.7总第 408期2023 年第 10 期计算机与数字工程C
9、omputer&Digital EngineeringVol.51No.102251第 51 卷响具有鲁棒性7。引入卷积神经网络(Convolutional Neural Networks,CNN)技术,从而为解决DOA估计问题带来新的方法,其中将短时傅立叶变换(Short-time Fourier Transform,STFT)的相位分量用作CNN的特征8。基于CNN的方法显示了对噪声的鲁棒性和麦克风位置的小扰动。随着互质阵列技术的应用,功率信号成为新的信号源。然而,它们是相干的,而通常用于估计DOA的MUSIC算法要求源是非相干的。尽管空间平滑技术可用于去相干源,但它通常应用于均匀数据。传
10、统互质阵列的差分共阵列存在“空洞”9,即缺少一些虚拟阵列元素。为了解决这个问题,本文提出一种基于残差网络(Residual Network,ResNet)的和差共阵(Sum anddifference co-array,SD-CPA)DOA估计算法。该算法将和差共阵输出的空间平滑矩阵经过数据预处理后生成的特征数据输入残差网络中,将DOA估计转变为特征数据和 DOA 之间的非线性映射关系,通过ResNet对信号分类来实现DOA估计。2阵列模型2.1互质阵列传统的互质阵列9由两个均匀的线性子阵列组成,它们的阵列间距分别为M和N,如图 1所示。第一个子阵列中有N个传感器,第二个子阵列中有M个传感器。
11、M和N是互质整数,即gcd(MN)=1,d为阵元之间的距离。为避免空间混叠,d通常设置为 2,其中是入射信号的波长。传统互质阵列中的传感器放置如下所示:PC=MndNmd(1)式中,0nN-1,0mM-1。由于这两个均匀线性子阵列的第一个传感器位于同一位置,因此传统的互质阵列中的传感器总数为M+N-1。(c)(b)(a)图1互质均匀线阵在互质阵列中,两个均匀线性子阵的方向向量可以表示为an(k)=1e-j2Mdsink/e-j2(N-1)Mdsink/T(2)am(k)=1e-j2Ndsink/e-j2(M-1)Ndsink/T(3)式中,k是每个信号的DOA。结合式(2)和式(3)可得,互质
12、阵列的方向向量和方向矩阵为a(k)=aTn(k)aTm(k)T(4)A=a(1)a(2)a(K)(5)假设图 1 中互质阵列接收的信号为X(t)=AS(t)+N(t),接 收 信 号 的 协 方 差 矩 阵 为Rxx=ARssAH+2nI,对Rxx进行矢量化处理,得z=vec(Rxx)=(A*A)vec(RSS)+2nvec(I)=(A*A)p+2nIn(6)式中,RSS为声源的协方差矩阵,I为单位矩阵转化后的列向量,p为21222KT,vec()为将矩阵转化为列向量的操作,表示克罗内克乘积,表示Khatri-Rao积。2.2和差共阵差分阵是互质阵列中两个子阵的实际阵元位置之间的位置间距的集合
13、,它关于原点对称。差分阵是互质阵列经过虚拟化之后产生的,它是PC中的任意两个元素作差得到的虚拟阵列。传统互质阵列的差分共阵列存在“空洞”,即缺少一些虚拟阵列元素。为了解决这个问题,采用延伸的互质阵列来让差分共阵列获得更长的连续均匀线阵。延伸的互质阵列和传统互质阵列具有相似的阵列布置,只是在第二子阵列中放置更多的传感器,如图2所示。(c)(b)(a)图2延伸的互质阵列通常,经过计算阵列输出的协方差矩阵可以获得差共阵,而和共阵作为主动传感中的虚拟阵列自然产生910。延伸后的互质阵列产生的和差共阵的数目为2MN+2M+2N-1。但是,此和共阵仅包含交叉和项,而未包含自和项。假设信号的功率为21222
14、K的K个实值源从12 K方向尤俣良等:基于ResNet的和差共阵DOA估计22522023 年第 10 期计算机与数字工程撞击阵列,则在阵列的方向矩阵可表示为A=a(1)a(2)a(K)=1111ej(2d/)Msin1ej(2d/)Msin2ej(2d/)MsinKej(2d/)(N-1)Msin1ej(2d/)(N-1)Msin2ej(2d/)(N-1)MsinKej(2d/)Nsin1ej(2d/)Nsin2ej(2d/)NsinKej(2d/)(M-1)Nsin1ej(2d/)(M-1)Nsin2ej(2d/)(M-1)NsinK(7)在阵列信号处理中,差共阵是在计算接收数据之间的自相
15、关等二阶矩时自然形成的,通过分析式(26),令B=A*A,可得B(12K)=b(1)b(2)b(K)=a*(1)a(1)a*(2)a(2)a*(K)a(K)(8)式中,b(k)和B分别为阵列经过矢量化后得到差共阵的方向向量和方向矩阵。同时,也可以计算出正和共阵Rxx2和负和共阵Rxx3以及他们的矢量化。由此,我们可以轻松地集成三个新生成的接收数据向量:z=zT1zT2zT3T(9)式中,z1、z2、z3分别是差共阵、正和共阵和负和共阵的矢量化。同时,也能得到一个较大的对应阵列流形矩阵:B=BT1BT2BT3T(10)式中,B1、B2、B3分别是差共阵、正和共阵和负和共阵的方向矩阵。由于向量中存
16、在冗余和无序阵元,必须删除并重新排序一些阵元来重建z,以形成新的向量z,从而使其对应的B具有与连续虚拟ULA的流形相同的表达式。重建的向量z可以表示为z=Bp+n(11)将新接收到的数向量z划分为多个向量zi,将其对应的虚拟ULA阵列划分为多个重叠的子阵列,然后计算每个分割的接收的向量zi的自相关矩阵,同时取所有自相关矩阵的平均值,则空间平滑矩阵Rsd:Rsd1DOFzizHi(12)式中,DOF为所有子阵列的数量,经过空间平滑技术后,可用的DOF为MN+M+N,可以将空间平滑矩阵Rsd的上三角阵作为神经网络的输入,则其输入特征是通过式(12)得到,将式(12)中的上三角阵按照实部与虚部分别展
17、开,得到特征组合序列:y=Re(R1)Im(R11)Re(R12)Im(RMM)(13)式中,Im()为虚部,Re()为实部。3基于注意力的ResNet的和差共阵DOA估计在传统的 DOA估计方法中,MUSIC算法被认为是一种经典典范。该方法在角度域内寻找谱峰,以确定信号源的方向。与其他方法如最大似然法(Maximum Likelihood Method,ML)和加权子空间拟合(Weighted Subspace Fitting,WSF)相比,MUSIC算法在计算方面具有较小的复杂性,这使得其成为一种受欢迎的选择。随着互质阵列技术的应用,功率信号成为新的信号源。然而,它们是相干的,而通常用于估
18、计 DOA 的 MUSIC 算法要求源是非相干的。尽管空间平滑技术可用于去相干源,但它通常应用于均匀数据。针对这些问题,本文提出了基于ResNet的DOA估计算法1011。本文提出的算法将 ResNet 应用到 DOA 估计中,通过和差共阵与ResNet相结合,能有效解决传统互质阵列中差分共阵缺少一些虚拟阵列元素的问题,该算法将DOA估计任务转化为输入和输出之间的映射关系,从而实现对信号源方向的精确估计。该算法不受阵列形状的限制,同时还增强在各种不同麦克风阵列设置下的适应性。3.1ResNet网络CNN是一类深度神经网络,具备卷积层、池化层和全连接层等不同网络组件12。CNN通过堆叠更多网络层
19、,可以更好地从数据集中提取不同级别的特征。然而,CNN模型很难训练,随着网络深度的增加,训练精度越来越饱和,之后开始迅速下降 1314。为了克服退化,ResNet网络被提出来促进 CNN模型的训练。与其他 CNN网络模型相比,ResNet网络通过添加身份映射来解决退化问题,如图3中的曲线所示。相比其他的 CNN 网络,ResNet网络多了残差块,残差块是ResNet网络的主要基础元素,如图4所示。随着我们深入到具有大量层的网络中,计算变得更加复杂。这些层相互叠加,每一层都试图学习所需函数的一些底层映射。图4中,x作为第一层的输入,G(x)表示从第一层输入到堆叠层输出的映射。在模型训练期间,学习
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 ResNet 差共阵 DOA 估计
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。