【摘 要】
：
波达方向（Direction Of Arrival,DOA）估计是阵列信号处理领域中的研究重点,目前已有许多成熟的测向算法。传统算法在理想条件下均有着优秀的表现,但是由于其大多属于模型驱动的算法,极度依赖算法模型与实际阵列模型的匹配程度,在面对阵列误差等实际复杂环境时算法性能会严重下滑。深度学习作为一种数据驱动的算法,其本着让模型自主地从训练集中寻找数据与预测结果之间非线性映射关系的思想,在图像处
论文部分内容阅读
波达方向（Direction Of Arrival,DOA）估计是阵列信号处理领域中的研究重点,目前已有许多成熟的测向算法。传统算法在理想条件下均有着优秀的表现,但是由于其大多属于模型驱动的算法,极度依赖算法模型与实际阵列模型的匹配程度,在面对阵列误差等实际复杂环境时算法性能会严重下滑。深度学习作为一种数据驱动的算法,其本着让模型自主地从训练集中寻找数据与预测结果之间非线性映射关系的思想,在图像处理、语言翻译、无人驾驶等领域获得了广泛的关注。近些年国内外学者开始使用深度学习的方法解决阵列信号处理领域的相关问题,克服了一些传统算法难以处理的困难。本文研究两种基于不同网络结构的DOA估计方法,分别从网络模型的设计、输入数据的处理和参数的选取等角度对算法的细节进行详细的介绍。重点研究了在训练样本减少和存在未知阵列误差的条件下网络的实际测向性能,本文主要的研究内容包括以下部分:（1）介绍了阵列信号处理的基本原理,包括:基于窄带信号模型的阵列接收模型、传统DOA估计方法和常见的阵列误差。对神经网络的基本原理进行介绍,主要包括:激活函数、损失函数、反向传播算法、两种主要的网络结构,以及网络的评价指标。（2）搭建了基于深度神经网络（Deep Neural Network,DNN）的使用阵列协方差矩阵作为输入的分区DOA估计网络。网络由分区网络和多个并行的DOA估计网络组成,其中分区网络的主要功能是根据目标的入射角度将输入信号划分至不同分区,并且每个分区都与一个负责该片区域角度估计任务的DOA估计网络相连接。分区网络可以减少每个DOA估计网络的测角范围,这样使得原本不完备的训练集变得完备,减少了整个网络对训练集的依赖程度。文中通过实验验证了该算法在非训练环境下的泛化性能。使用包含未知误差的训练数据训练神经网络,通过与MUSIC算法的比较,反映出该算法对于阵列误差具有较好的适应能力。最后重点比较了不同分区网络在多种训练集条件下的性能差异,证明了在不同训练条件下分区数会导致不同测向性能,并给出分区数的最优选取策略。（3）搭建了基于卷积神经网络（Convolutional Neural Network,CNN）的使用波束形成谱作为输入的DOA估计网络。该算法通过卷积核对输入数据的局部特征进行提取,使网络学习到了低分辨谱到高精度谱之间的映射关系。在多种条件下测试了该算法的测向性能,实验结果表明利用波束形成谱作为输入的CNN网络保留了一部分波束形成算法的特点,导致测向具备一定的方向性。在泛化能力测试实验中,CNN网络表现出更好的目标个数泛化能力,而在角度间隔泛化能力上略差。最后在阵列误差条件下进行了测试,证明了该方法同样具有较好的针对未知误差的鲁棒性能,但是会损失一定的泛化性能。（4）搭建了DOA估计系统测试平台。该系统主要由硬件部分和软件部分组成,其中硬件部分主要包括接收天线、接收机、采集卡和信号处理机;软件部分主要负责采用DOA估计算法对信号进行方位参数估计。文中分别对硬件和软件部分进行了介绍是,其中对系统软件界面进行了详细的说明,并基于仿真信号对系统功能实现的结果进行了展示。
其他文献
基于超宽带（Ultra-Wide Band,UWB）的室内定位技术凭借其高时间分辨率、高测距精准度以及优异的抗干扰能力在众多基于无线电信号的室内定位技术中脱颖而出。本课题以超宽带室内定位系统研究为基础,针对其非视距条件下产生较大非视距误差的问题,研究非视距误差抑制方法,分别给出了基于非视距数据剔除、基于二重粒子滤波算法、基于组合定位三种非视距误差抑制方法,并通过仿真和实验证实了三种方法的有效性。本
单兵班组在室外树林中执行消防或抓捕任务时,身处的环境复杂、处置的情况紧急、卫星信号易被遮挡。在此环境中,单兵之间相互的测距和测向信息,是实现协同导航的前提条件,可以增强单兵环境感知能力,提高任务效率。当前,在提高测距精度方面,学者多针对宽泛环境展开研究,缺乏针对树林环境的特定模型。在UWB测向阵列方面,学者广泛采用单一的干涉式测向技术,不具备抗多径能力。在多节点协调测距方面,大部分研究都集中在移动
半球谐振陀螺是惯性技术领域中最具发展潜力的高精度测量元件,全角模式下半球谐振陀螺可以实现高动态范围测量,扩大了半球谐振陀螺的应用场合。但是,由于加工、制造及装配工艺的缺陷,半球谐振陀螺表头会不可避免地引入检测误差、驱动误差和阻尼不均匀、质量不平衡等特征误差,降低了陀螺的测量精度。因此,本文针对上述误差,提出了检测误差参数、驱动误差参数和特征误差参数的辨识方法,为后续陀螺误差补偿、提高测量精度提供了
LoRa（Long Range）作为一种低功率广域网（Low-Power Wide-Area Network,LPWAN）技术,以其低功耗、远距离、低成本的特性迅速发展成为世界范围内最成熟、商业化程度最高的物联网技术之一。但是其媒体访问控制（Medium Access Control,MAC）层采用ALOHA随机接入协议,在面对未来物联网海量接入的场景时会产生严重碰撞,导致网络质量严重下降,因此如
降雨预测与人们的生产生活息息相关,特别是短时临近的降雨预测。短时临近的降雨预测主要通过雷达回波预测出未来几小时内的降雨情况,实现短时临近的精准预测可以有效应对重大降雨灾害,保障人们的生命安全,避免重大经济损失。因此对于短时临近降雨的精准预测一直是气象领域的重要研究方向之一。近些年来,伴随着机器学习特别是深度学习的不断发展,人工智能的方法广泛应用于各个领域,同样的气象领域通过与人工智能方法的结合,实
随着无线通信技术的飞速发展,天线作为接收和发射电磁波的器件,对于整个通信系统质量有决定性作用,通信系统的发展也对天线性能提出了更高的要求。一般需要天线具有稳定的带宽和带宽内稳定的方向图和增益,同时,应用于不同的场景,还需要所设计的天线体积更小和更低的加工成本。因为Ka波段与毫米波交叉的频段具备毫米波在成像、小型化、高速数据传输等优点,因此,Ka波段圆极化天线在卫星通信和5G通信领域广泛使用,圆极化
同步定位与地图构建即SLAM（Simultaneous Localization and Mapping）,是指在未知环境下利用传感器的数据测量,对自身位姿状态进行定位并对周围环境进行感知和构图。目前的移动机器人在复杂场景下无法代替专业人员快速精准地完成任务,而结合SLAM技术的穿戴式设备可以在高度动态的条件下实现对穿戴人员的实时定位,同时发送和记录环境信息,有效协助使用人员在未知环境下执行特殊任
随着现代社会科技水平和人民生活水平的提升,无线移动网络正在逐步成为人们日常生活中不可或缺的一部分。在使用无线移动网络传输信息的过程中,私密和敏感信息的含量逐步提高,因此对无线通信系统的安全性和保密性提出了进一步的要求。瞬时宽谱连续载波无线传输技术可实现更高级别的安全通信,即隐蔽无线传输信号,使第三方无法判断通信行为是否存在。然而,该技术还处于初步发展阶段,载波信号产生、发射、传输、接收以及处理等相
随着万物互联时代的到来,物联网设备的种类与数量正以前所未有的速度不断增加,同时承载了人们多样化需求的物联网设备,所需要执行的任务也变得更加丰富多样。虚拟现实,在线视频处理等之前难以想象的技术逐渐变成现实。然而由于移动设备的体积受限,其自身的计算能力和电池容量不足以完成这些需要密集型计算的任务,而云计算又过于遥远,势必会带来过高的延迟。作为一种新型的计算架构,移动边缘计算成为一种有前景的解决方案。移
自适应模式分解作为一种完全由数据驱动的信号分析方法,以经验模态分解为典型代表,在复杂非平稳信号处理中卓有成效,受到许多领域的广泛关注。但经验模态分解算法没有数学理论的支撑,分离出的部分模态无法解释,其实际应用在一定程度上受到了限制。经验小波变换算法基于小波的理论并结合了经验模态分解的适应性,集二者所长,具有严格数学支撑的同时展示出处理的灵活性。然而,经验小波变换依赖于频域的峰值检测,信号需要具有能