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一个主要问题,在车载人工智能、远程视频会议以及家用智能语音助手有广泛的作用。最近十年,基于深度学习的DOA估计技术得到了长足的发展,基于这一类算法的DOA估计技术有更好的泛化性、鲁棒性和精确度,据此深入研究了以下三种不同应用场景和算法的DOA估计问题:(1)为解决传统神经网络DOA估计算法稳定性差、定位精度较低和常用无人机定位需要射频发射器的问题,提出了基于局部加权长短时间记忆网络(Locally Weighted Long Short-Term Memory,LWLSTM)网络的无人机DOA估计算法,使用圆阵天线对无人机OFDM信号功率进行实值化和特征提取,选取第n个阵元平均接收信号功率与所有阵元平均功率值总和之比作为网络输入,通过LWLSTM网络将方位角θ恢复,实现无人机DOA估计。(2)针对传统算法在低信噪比情况下波达方位估计精度不高,提出了基于SSDAEDNN的语音DOA估计算法。首先对阵列协方差矩阵的上三角阵提取特征作为SSDAE神经网络的输入,通过迁移学习策略,将SSDAE网络的训练权重赋予为DNN网络的初始权重,增强DNN框架的抗噪性能和收敛速度,最后通过DNN框架恢复方位角θ,实现语音DOA估计。(3)针对传统DOA估计算法泛化性差,不同情况下方位估计精度不够准确的问题,提出了基于注意力机制(Attention)和双向局部加权长短时间记忆网络(Bi Locally Weighted Long Short-Term Memory,Bi LWLSTM)的DOA估计算法,将阵列接收信号的协方差矩阵的虚实部三角阵作为神经网络的输入,利用Attention的优化分类问题的权重分配,接着通过Bi LWLSTM模型的提高算法的泛化性,最后获得高精度的DOA估计方位结果,提高了方位精度。最后对以上三种DOA估计算法进行实现并与现有传统算法进行对比实验,验证了所提出的三种算法的有效性。