基于卷积神经网络的信号DOA估计研究.pdf

中文摘要

波达方向(DirectionofArrival,DOA)估计一直是阵列信号处理领域的经典问题，

波达方向估计广泛地应用于无线通信、导航、国防航空、射电天文等领域。然而在

实际工程应用中，传统DOA估计算法往往受到信号特性、阵列误差等因素影响。近

年来由于深度学习技术的迅猛发展，由于深度学习技术具有速度快、精度高和鲁棒

性强的特点，使用深度学习技术来进行DOA估计吸引了大量的学者进行研究。然而

使用深度学习技术对考虑实际情况下存在的干扰因素的DOA估计研究不多。

针对实际环境中存在的特殊信号和接收信号阵列存在干扰的问题，本文提出了

一种基于卷积神经网络的DOA估计算法，以及针对存在阵列误差的改进型卷积神经

网络的DOA估计算法，本文的具体工作内容如下：

(1)针对DOA估计中存在的特殊信号，提出了一种基于卷积神经网络的DOA估

计算法。首先利用线性均匀阵列得到信号的协方差矩阵，再针对不同的信号使用不

同的DOA矩阵重构算法对矩阵进行预处理。最后将得到的矩阵作为双通道的数据输

入到训练好的神经网络中得到DOA的估计值。实验结果表明，算法在低信噪比和阵

元数目较少的情况下依然有较高的精度。

(2)针对阵列误差下接收信号协方差矩阵引入多维度误差的问题，本文提出了一

种改进型的卷积神经网络DOA估计算法。首先由多维卷积核生成接收信号协方差矩

阵的多通道特征图，再将这些通道按照它们的统计特性进行加权、融合，最后将得

到的多通道特征图作为卷积神经网络的输入得到预测的DOA估计值。仿真结果表

明，所提出的改进型卷积神经网络算法估计精度更高，能有效地在阵列误差下对来

波方向进行有效的估计。

关键词：DOA估计；卷积神经网络；相干信号；循环平稳信号；阵列误差

I

目录

中文摘要I

ABSTRACTII

1绪论1

1.1研究背景及意义1

1.2国内外研究现状2

1.2.1相干信号DOA估计研究现状2

1.2.2循环平稳信号DOA估计研究现状3

1.2.3阵列误差校正技术研究现状4

1.2.4深度学习DOA技术研究现状5

1.3本章研究内容与结构安排6

2DOA估计理论基础7

2.1阵列信号模型7

2.2MUSIC算法8

2.2.1MUSIC算法仿真9

2.3ESPRIT算法10

2.4深度学习框架11

2.4.1激活函数11

2.4.2损失函数13

2.5阵列误差模型14

2.5.1阵元幅相误差14

2.5.2阵元位置误差14

2.5.3实验仿真15

2.6本章小结16

3基于深度学习的非理想信号DOA估计17

3.1相干信号的DOA估计17

3.1.1相干信号的定义17

3.1.2相干信号的矢量奇异值算法17

3.2循环平稳信号的DOA估计18

3.2.1循环平稳信号的定义18

3.2.2循环平稳信号的SC-SSF算法19

3.3基于CNN的DOA估计算法19

3.3.1卷积神经网络模型19

3.3.2卷积神经网络训练21

3.4仿真结果24

3.5本章小结31

4阵列误差下的深度学习DOA估计32

4.1阵列误差校正算法32

4.1.1阵元幅相