基于深度学习的到达角估计系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114487988A(43)申请公布日2022.05.13(21)申请号202111653969.5(22)申请日2021.12.30(71)申请人复旦大学地址200433上海市杨浦区邯郸路220号(72)发明人陈赟林立宇江宇佘超然(74)专利代理机构上海正旦专利代理有限公司31200专利代理师陆飞陆尤(51)Int.Cl.G01S3/14(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书6页附图2页(54)发明名称基于深度学习的到达角估计系统(57)摘要本发明属于无线通信技术领域，具体为一种基于深度学习的到达角估计系统。本发明系统包括信号模型、数据预处理模块、双分支神经网络模型；信号模型用于对输入信号进行建模；数据预处理模块用于初步提取信号特征；双分支神经网络模型包括特征提取网络和并行预测网络，并行预测网络包括分类分支，回归分支和输出层；特征提取网络用于提取输入数据的深层特征，输出给分类分支和回归分支，分类分支给出DoA的大致范围即掩码，回归分支给出DoA相对网格点的误差，输出层结合两个分支的结果给出最终的DoA估计结果。仿真结果表明，与基于模型的深度学习方法和已有的深度学习方法相比，本发明在存在模型缺陷的情况下，能够达到更高的DoA估计精度，且大小仅为1.8MB。CN114487988ACN114487988A权利要求书1/2页1.一种基于深度学习的到达角估计系统，其特征在于，包括信号模型，数据预处理模块，双分支神经网络模型三部分；其中：所述信号模型用于对输入信号进行建模；其中，将考虑增益和相位不一致、传感器间相互耦合和天线位置偏差三项模型缺陷，对模型进行优化，在原有模型基础上增加四个参数，分别代表增益偏差、相位偏差、传感器相互耦合偏差和天线位置偏差；所述数据预处理模块，用于初步提取信号特征，包括取输入数据的协方差矩阵的上三角区域，对其实部和虚部分别重新构建矩阵后拼接在一起，得到处理后的数据；所述双分支神经网络模型，包括特征提取网络和并行预测网络，并行预测网络包括分类分支，回归分支和输出层；特征提取网络用于提取输入数据的深层特征，输出给分类分支和回归分支，分类分支给出DoA的大致范围即掩码，回归分支给出DoA相对网格点的误差，输出层结合两个分支的结果给出最终的DoA估计结果。2.根据权利要求1所述的基于深度学习的到达角估计系统，其特征在于，所述双分支神经网络模型中：所述特征提取网络由五层卷积层组成，每层卷积层包括卷积部分，归一化部分和ReLu激活函数部分，输入数据信道数为2，通过特征提取网络后得到的输出为128信道的特征值；所述分类分支和回归分支均由卷积层和激活层构成，激活函数分别为Sigmoid函数和Tanh函数，给出的输出为含有121个元素的向量；分类分支给出的结果表示DoA的掩码，向量中的元素为1或0，表示该元素索引对应的角度的扇区内是否有目标DoA值；回归分支给出C‑Branch每个为1的元素索引对应的网格点与DoA的误差值；所述输出层将分类分支的结果中为1的元素索引与网格间距相乘再加上回归分支给出的误差值得到最终的DoA结果；训练时，分类分支用二值交叉熵作为损失函数，回归分支用l2范数作为损失函数，将分类分支的损失函数乘以0.1后加上回归分支的损失函数得到总损失函数，并利用该损失函数来对整个网络进行训练优化。3.根据权利要求2所述的基于深度学习的到达角估计系统，其特征在于，系统工作如下：(1)首先，对输入信号进行建模，并考虑三种模型缺陷，包括增益和相位不一致、传感器间相互耦合和天线位置偏差，对模型进行修改，在原有模型基础上增加四个参数，分别代表增益偏差、相位偏差、传感器相互耦合偏差和天线位置偏差；(2)对输入信号进行预处理，先取输入数据的协方差矩阵，再取协方差矩阵的上三角区域，对其实部和虚部分别重新构建矩阵后拼接在一起得到处理后的数据；(3)将经预处理后数据输出到特征提取网络，由特征提取网络给出输入信号的协方差矩阵的特征，输出到C‑Branch和R‑Branch；C‑Branch输出一个掩码向量m＝[m1，m2，...，mG]，每个元素的值属于{0，1}，表示粗略DoA估计，即DoA可能在为1的掩码索引对应的网格位置；R‑Branch输出一个偏差向量d＝[d1，d2，...，dG]，给出相对于元素索引对应网格的DoA偏差，用于对DoA估计的细化；输出层结合C‑Branch和R‑Branch的输出结果，首先找到m中K个峰值的索引p＝[p1，...，pk]，与网格大小相乘得到粗略DoA估计，再加上d中对应的偏差值得到精确的DoA估计；训练时，使用二值交叉熵作为C‑Branch的损失函数，使用l2范数