阅读说明：本技术 一种基于卷积神经网络和接收信号强度的doa估计方法 (DOA estimation method based on convolutional neural network and received signal strength ) 是由 蒋伊琳 张昊平 李向 于 2019-10-09 设计创作，主要内容包括：本发明属于阵列信号处理技术领域,具体涉及降低了各阵元间对采样频率和信道同步依赖的一种基于卷积神经网络和接收信号强度的DOA估计方法。本方法包括以下步骤：1.定义DOA的范围,传感器的数量K和位置,角度空间的分辨率和类别的总数M；2.根据每个传感器接收的RSS值构建K×1的RSS向量；3.将RSS向量归一化至0到1之间；4.根据归一化的RSS向量构建K×K的RSS图像；5.定义网络中的层和参数,生成各类别的训练样本进行模型训练；6.根据训练好的模型进行实际的DOA预测。本发明的DOA方法降低了各阵元间对采样频率和信道同步的依赖,适用于实现相对简单,复杂度较低,定位精度不需要很高的环境。此外,该方法还具有应用于均匀线阵等较一般的DOA场景的潜力。(The invention belongs to the technical field of array signal processing, and particularly relates to a DOA estimation method based on a convolutional neural network and received signal strength, which reduces the synchronous dependence of each array element on sampling frequency and a channel. The method comprises the following steps: 1. defining the range of DOA, the number K and the positions of sensors, the resolution of an angle space and the total number M of categories; 2. constructing a Kx 1 RSS vector according to the RSS value received by each sensor; 3. normalizing the RSS vector to between 0 and 1; 4. constructing a KxK RSS image according to the normalized RSS vector; 5. defining layers and parameters in a network, and generating training samples of various types for model training; 6. and (4) performing actual DOA prediction according to the trained model. The DOA method reduces the dependence of each array element on the sampling frequency and the channel synchronization, and is suitable for the environment with relatively simple realization, lower complexity and no need of high positioning precision. In addition, the method has the potential of being applied to the uniform linear array and other more common DOA scenes.)

一种基于卷积神经网络和接收信号强度的DOA估计方法

技术领域

本发明属于阵列信号处理技术领域，具体涉及降低了各阵元间对采样频率和信道同步依赖的一种基于卷积神经网络和接收信号强度的DOA估计方法。

背景技术

近年来提高DOA估计的精度和超分辨率，增强对有限快照、低信噪比等高要求场景的适应性，是DOA估计研究的一个主要趋势。常见的DOA估计方法例如MUSIC、ESPRIT等，它们都在高精度的定位上有着突出的贡献。但是，在回顾这些方法的特点时，我们不难发现目前仍存在一些众所周知的局限性。这些基于相位的方法需要充足的快拍和准确的时间同步，这将增加硬件的负担。

随着新理论和新技术的发展，DOA估计的方法呈现出更多的可能性。目前DNN已经展示它在阵列信号处理方面的能力。在这之后，DNN也在DOA估计的任务中频繁出现。Youssef Harkouss和Hassan Shraim等人(International Journal of RF and MicrowaveComputer-Aided Engineering第28卷第6期，2018年8月，Direction of arrivalestimation for smart antenna in multipath environment using convolutionalneural network)提出了一种基于CNN的DOA估计策略。该策略适用于多径环境下的智能天线系统，利用协方差矩阵的实部和虚部构造输入特征，采用双三次插值法将输入特征转换成图像。Liu Zhang-Meng和Zhang Chenwei等人(IEEE Transactions on Antennas andPropagation第66卷第12期，2018年12月，Direction-of-Arrival Estimation based onDeep Neural Networks with Robustness to Array Imperfections)提出了基于DNN的层次结构框架来解决DOA估计中对各种阵列缺陷缺乏适应性的问题。但是网络的输入特征仍然是协方差矩阵。S.Chakrabarty和E.A.P.Habets("Broadband doa estimation usingconvolutional neural networks trained with noise signals,"2017IEEE Workshopon Applications of Signal Processing to Audio and Acoustics(WASPAA),NewPaltz,NY,2017,pp.136-140.)提出了一种基于CNN的宽带DOA估计分类方法，将输入信号的短时傅立叶变换(STFT)系数的相位分量直接作为神经网络的输入特征。该方法对麦克风位置的噪声和小扰动具有较强的鲁棒性。除此之外，Zhang Xueliang和Li Hao("OnlineDirection of Arrival Estimation Based on Deep Learning,"2018IEEEInternational Conference on Acoustics,Speech and Signal Processing(ICASSP),Calgary,AB,2018,pp.2616-2620.)提出了一种结合CNN和长短期记忆(LSTM)的方法来解决噪声和混响环境中的在线DOA估计问题。采用一种特殊的广义互相关(GCC)作为输入特征。综上所述，所有基于DNN的方法的一个共同特点是，输入特征的提取仍然依赖于足够的快照和精确的相位同步，这在硬件实现上是代价很大的。特别是当采样频率有限或需要多信道同步时，如无人机平台，这些输入特征的提取将受到很大影响，最终导致这些方法不容易取得良好的DOA估计效果。

不同于以上这些基于相位的DOA估计方法，基于RSS的方法利用信号强度或幅度信息以相对简单和低硬件成本的方式进行估计。由于天线存在一定的辐射模型，通过RSS进行DOA估计的想法是可能的。这种辐射模型为我们提供了天线方向性增益随角度变化的信息。因此，我们可以利用这些信息来建立与DOA之间的非线性映射关系。

发明内容

本发明的目的在于提供一种基于卷积神经网络和接收信号强度的DOA估计方法。

本发明的目的是这样实现的：

一种基于卷积神经网络和接收信号强度的DOA估计方法，包括以下步骤：

步骤1：定义DOA的范围，传感器的数量K和位置，角度空间的分辨率和类别的总数M；

步骤2：根据每个传感器接收的RSS值构建K×1的RSS向量；

步骤3：将RSS向量归一化至0到1之间；

步骤4：根据归一化的RSS向量构建K×K的RSS图像；

步骤5：定义网络中的层和参数，生成各类别的训练样本进行模型训练；

步骤6：根据训练好的模型进行实际的DOA预测。

步骤1所述的DOA的范围是[-30°，+30°]，49个传感器均匀分布在[-45°，+45°]的圆周上，定义分辨率为1°，则整个DOA范围被划分成M＝61个类别，具体表示为Θ＝{θ₁…θ_M}，其中θ_i表示第i个类别对应的DOA。

步骤2所述的RSS向量记为R_θ，表示为下式：

R_θ＝[Pr₁…Pr_K]^T+n

其中n＝[n₁…n_K]^T是接收时的噪声，用白噪声代替，θ代表一个确定的DOA，Pr_i表示第i个传感器接收的RSS值，表示为下式：

其中，Pt是信号源的发射功率，Gt和Gr是发射天线和接收天线的增益，d_i是指信号源与第i个传感器间的距离，λ代表波长，信号的发射频率设为50MHz，是一个二维的远场辐射模型，以高斯天线为例，主波束为0°的辐射模型表示为下式：

其中

表示与主波束之间的夹角，

是天线的半功率波束宽度(HPBW)。

步骤3所述RSS向量归一化可以表示为下式：

其中R_Max和R_Min分别表示RSS向量中的最大值和最小值。

步骤4所述RSS向量图像化具体为：

在归一化的RSS向量中，0代表能量最弱，1代表能量最强；将能量划分成K个级别，如果第i个传感器归一化后的RSS值属于第j个能量级别，那么RSS图像的第j行第i列的元素为1，其余元素置0，根据每个元素所在的级别生成一副[K×K]的RSS图像。

步骤5所述的模型具体为：模型包括两个隐藏层和两个全连接层，每个隐藏层经过三部分：一个卷积层，一个ReLU(rectified linear units)激活函数以及一个最大池化层；两个卷积层分别包含64个和128个卷积核，大小[3×3]，步长设为1，第一个全连接层的激活函数为ReLU并且输出神经元的总数是2048；第二个全连接层采用Softmax激活函数来计算每个类别的后验概率；Adam gradient用作训练期间的优化器，代价函数采用交叉熵(cross-entropy)；模型的权值在初始化时采用一种截断的正太分布，偏置值初始化为常数0.1。

步骤6具体为：将传感器实际测到的RSS值转化成RSS图像，然后放入步骤5训练好的模型中，根据CNN的输出结果中概率最高的类别预测DOA。

本发明的有益效果在于：本发明的DOA方法降低了各阵元间对采样频率和信道同步的依赖，适用于实现相对简单，复杂度较低，定位精度不需要很高的环境。此外，该方法还具有应用于均匀线阵等较一般的DOA场景的潜力。

附图说明

图1是模型化的DOA场景；

图2是RSS预处理的完整过程；

图3是本发明用到的辐射模型；

图4是模型的网络结构；

图5是本发明方法的实现流程和使用流程；

图6是预处理前后的表现；

图7是在低复杂度下本发明与MUSIC方法的比较情况；

图8是本发明在一定误差范围内地DOA估计精度。

具体实施方式

下面结合附图对本发明做进一步描述。

本发明公开了一种基于卷积神经网络和接收信号强度的DOA估计方法，主要解决目前基于DNN(deep neural network)的DOA估计方法在输入特征提取时，接收阵元需要准确的时间同步以及较高的采样率等增加硬件代价的问题。其实现步骤为：1)将DOA问题转化成基于CNN(convolutional neural network)的多分类问题；2)根据多个传感器采集到的RSS(received signal strength)构成一个固定维度的初始RSS向量；3)对RSS向量进行归一化处理；4)将归一化的RSS向量转化成RSS图像；5)训练CNN模型；6)根据训练好的CNN的输出结果，选择预测概率最高的类别来估计DOA。本发明的DOA方法降低了各阵元间对采样频率和信道同步的依赖，适用于实现相对简单，复杂度较低，定位精度不需要很高的环境。此外，该方法还具有应用于均匀线阵等较一般的DOA场景的潜力。

本发明提出了一种基于CNN和RSS的DOA估计方法，用来解决现有DOA方法所采用的参量在提取时依赖充足的快拍数以及各阵元间的精确同步的问题。本发明将DOA问题转化成基于CNN的角度空间分类问题，仅采用一种特殊的RSS图像作为输入特征，减轻了硬件的负担。提高了DOA估计方法在低成本和低复杂度下的适应能力，最终实现了在一定误差范围内的高概率DOA估计。

本次发明的技术方案为一种基于CNN和RSS的DOA估计方法，该发明包括如下步骤：

1)定义DOA的范围，传感器的数量K和位置，角度空间的分辨率和类别的总数M。

2)根据每个传感器接收的RSS值构建K×1的RSS向量。

3)将RSS向量归一化至0到1之间。

4)根据归一化的RSS向量构建K×K的RSS图像。

5)定义网络中的层和参数，生成各类别的训练样本进行模型训练。

6)根据训练好的模型进行实际的DOA预测。

步骤一：定义DOA的范围，传感器的数量K和位置，角度空间的分辨率和类别的总数M。

图1是模型化的DOA场景。定义DOA的范围是[-30°，+30°]，K＝49个传感器均匀分布在[-45°，+45°]的圆周上。定义分辨率为1°，那么整个DOA范围被划分成M＝61个类别，具体表示为Θ＝{θ₁…θ_M}。其中θ_i表示第i个类别对应的DOA。

当信号源的天线转动到某一个类别时，K个传感器测量到的RSS会构成一组“样本”，每一个样本对应一个“标签”。标签是一个1×M的向量，其中仅有一个元素是1，其余都是0。1所在位置对应的类别就是天线主波束的方向，即来波方向。至此，DOA问题就转化成了一种监督学习的分类问题。

步骤二：根据每个传感器接收的RSS值构建K×1的RSS向量。

一个二维的远场辐射模型

可以看作是

的函数。以高斯天线为例，主波束为0°的辐射模型表示如下。

其中是天线的半功率波束宽度(HPBW)，

表示与主波束之间的夹角。

在理论情况下第i个传感器接收的RSS为Pr_i，其具体形式如下。

其中，Pt＝56dBm是信号源的发射功率，Gt＝20dB和Gr＝15dB是发射天线和接收天线的增益，d_i＝1km是指信号源与第i个传感器间的距离，λ代表波长，信号的发射频率设为50MHz。

K个传感器的Pr构成一个RSS向量，记为R_θ。

R_θ＝[Pr₁…Pr_K]^T+n

其中n＝[n₁…n_K]^T是接收时的噪声，用白噪声代替。θ代表一个确定的DOA。

步骤三：将RSS向量归一化至0到1之间。

将上一步骤形成的RSS向量中的最大值和最小值取出，记为R_Max和R_Min，利用如下公式将R_θ＝[R₁…R_K]^T归一化至0到1之间。

归一化后的结果如图2(b)所示。

步骤四：根据归一化的RSS向量构建K×K的RSS图像。

在归一化的RSS向量中，0代表能量最弱，1代表能量最强。将能量划分成K个级别，根据每个元素所在的级别生成一副[K×K]的RSS图像。如果第i个传感器归一化后的RSS值属于第j个能量级别，那么RSS图像的第j行第i列的元素为1，其余元素置0。图像化的结果如图2(c)所示。

步骤五：定义网络中的层和参数，生成各类别的训练样本进行模型训练。

图3是用来生成数据集的四种天线辐射模型。从信噪比，辐射模型以及角度类别三个角度来丰富训练集。总的样本数为73,200(61个角度类别×4个辐射模型×5种SNR×每种SNR下60次试验)，其中61,000个样本被用作生成训练集，12,200个样本用来生成测试集。

图4是CNN网络模型的结构图。模型包括两个隐藏层和两个全连接层。每个隐藏层经过三部分：一个卷积层，一个ReLU(rectified linear units)激活函数以及一个最大池化层。两个卷积层分别包含64个和128个卷积核，大小[3×3]，步长设为1。第一个全连接层的激活函数为ReLU并且输出神经元的总数是2048。第二个全连接层采用Softmax激活函数来计算每个类别的后验概率。Adam gradient用作训练期间的优化器，代价函数采用交叉熵(cross-entropy)。模型的权值在初始化时采用一种截断的正太分布，偏置值初始化为常数0.1。

步骤六：根据训练好的模型进行实际的DOA预测。

将传感器实际测到的RSS值经过步骤二和三转化成RSS图像，然后放入步骤五的结果，一个训练好的模型中，根据CNN的输出结果中概率最高的类别预测DOA。具体的流程如图5所示。

下面将结合仿真实验对本方法的效果做进一步说明：

对于本发明提出的办法进行预处理前后的比较，同时还与低复杂度下的MUSIC算法进行了比较，最后验证了本发明在一定误差范围内的精度。

图2是完整的RSS向量预处理过程，这种处理方式将RSS向量转化成RSS图像的同时还保留了传感器的位置信息。图3中P1和P2分别是HPBW＝10°和16°的高斯天线，P3和P4则是由波束形成的具有旁瓣的天线。图6是预处理前后的对比图。预处理前指的是未经图像化处理，仅有归一化的RSS向量作为输入特征。可以看出经过本发明提出的预处理后，训练出来的模型在每种SNR上都有相对高的准确率。证明了本发明在训练阶段存在明显的优势，这样的处理方式更有效。

图7采用P4来仿真信号源的辐射模型，均方根误差(RMSE)被用作评估指标。DOA的取值不再是标准的类别，而是更为实际的随机角度，例如11.2°，-28.1°等。将本发明方法分别与5快拍和10快拍下的MUSIC算法进行比较。从结果可以看出，当采样不充分，少快拍的条件下，本发明方法呈现出相对更小的DOA估计误差，当SNR较大时，优势显著。当SNR较小时，本发明方法仍存在差距。

图8展示了一定误差下的精度。如果当真实角度与预测的DOA之间的差值小于某一确定的误差时，DOA估计的结果就可以被认为是准确的。很明显±1°的结果要优于±0.5°的结果。因此，本发明更适合在定位精度不需要太高的背景下应用。综上所述，本发明为DOA估计领域提供了一种新的思路以及一个减轻对高采样率和精确时间同步的依赖的解决办法。