針對米波雷達低仰角目標的DOA估計問題,該文提出一種新的基于多幀相位特征增強方法,所提方法可以有效解決低仰角條件下陣列接收信號中直達信號相位特征模糊問題,進而提高DOA估計精度。通過學習多幀原始數據的相位分布特征與理想環(huán)境下直達波信號的相位分布特征之間的復雜映射關系,有效削弱多徑信號引起的相位誤差,將增強后的相位信息與原始的幅度信息進行數據重組,并利用已有的超分辨算法進行DOA估計。通過計算機仿真實驗和實測數據驗證,該文所提方法在DOA估計性能以及泛化能力上優(yōu)于基于物理驅動的MUSIC算法以及數據驅動的基于特征反演和基于支持向量回歸的兩種估計方法。

【文章頁數】：9 頁

【部分圖文】：

圖1信號模型

此外，已有的物理驅動的超分辨DOA估計算法中，DBF算法、MUSIC和ML算法的估計公式可總結為圖2幅相敏感度分析

圖2幅相敏感度分析

圖1信號模型其中，UN為噪聲子空間，PA(θ)為投影到導向矢量矩陣A(θ)的列向量張成空間的投影算子，tr[·]表示矩陣的跡。通過搜索仰角θ，實現(xiàn)對目標仰角的估計。分析搜索仰角的過程，由于搜索仰角僅影響導向矢量的相位，導向矢量的幅度特征并不受仰角的影響，因此搜索仰角的過程，實....

圖3相位增強系統(tǒng)框圖

本文提出的相位增強方法系統(tǒng)框圖如圖3所示。其中，訓練部分主要完成原始數據相位特征的提取、預處理以及DNN和CNN的訓練；增強部分則將預處理后的相位特征作為訓練好的神經網絡的輸入，增強后的相位特征與原始的幅度特征重構出新的數據協(xié)方差矩陣，并采用經典的物理驅動的超分辨算法進行DOA估....

圖4深度神經網絡結構

其中，f(i)(x)=g(Wi·x+bi)。經典的非線性激活函數g(·)包括Sigmoid函數和ReLU函數，分別表示為圖5深度卷積神經網絡結構

本文編號：3941411