[发明专利]一种基于RBF神经网络的自修正波束设计方法

说明书

本发明公开了一种基于RBF神经网络的自修正波束设计方法，利用RBF神经网络逼近MVDR算法求解的最优权值进而实现拟合的波束形成。通过构造RBF神经网络，求取样本的协方差矩阵，利用MVDR算法计算最优权向量，再采用递归最小二乘法完成权迭代修正，最终求出最优波束权向量，得到RBF神经网络输出，即改进后的阵列波束输出。本发明方法具有RBF神经网络逼近快速、结构简单、容错和归纳能力强的优点，在降低MVDR算法运算量的同时，具备较强的抗干扰性，对包含干扰和噪声的来波信号快速、准确识别定向的能力。

技术领域

本发明属于信号处理技术领域，具体涉及一种自修正波束设计方法。

背景技术

神经网络是深度学习算法的基础，是近年来随着机器学习的火热而渐渐为人们所熟知的一类深度学习算法结构的总称，基本原理是使用类似于生物神经网络信号传输的信息传递方法来自动搜索样本中的固有规律和基本属性，自组织和自适应地改变网络参数和结构，以实现优化输出的目标。其自适应、自组织和自学习特性使其在信号处理中具有良好的应用前景。从神经网络的基本模式看，主要有：前馈型、反馈型、自组织型及随机型网络。这4种类型各自具有不同的网络模型。在前馈网络中主要有感知器网络、BP网络及RBF网络；反馈型网络主要有Hopfield网络；自组织网络主要有ART网络；随机网络主要有波茨曼机网络。在信号处理、模式识别等系统中,多层前馈网络是应用较为广泛的模型。实际应用中，用的较多的是BP神经网络，但BP网络存在局部最优问题，并且训练速度慢，效率低。RBF神经网络是一种前向反馈网络，在逼近能力、分类能力和学习速度等方面都优于BP神经网络。

波束形成技术在无线通信领域，如声纳、雷达等阵列处理等领域有着不可替代的重要作用。一般而言，波束形成可以大致分为两类：传统波束形成和自适应波束形成。传统波束形成是指通过空域匹配滤波进行的常规波束形成技术；而自适应波束形成则是指利用算法对波束进行自适应的控制以达到一定的抑制干扰目的的波束形成技术。常见的波束形成方法有最小均方误差(LMS)算法、采样矩阵求逆(SMI)算法和最小方差无失真响应(MVDR)算法。LMS算法的基本原理是基于最陡梯度下降法,沿权值的梯度估值的负方向进行搜索,达到权值最优,实现均方误差最小意义下的自适应波束形成，但LMS算法无法平衡收敛速度和稳态误差之间的矛盾；SMI算法根据最大信干噪比准则保证给定方向信号增益,使阵列天线输出总功率最小,从而达到抑制干扰的目的，但当信噪比升高时，SMI算法鲁棒性能会有所下降，而MVDR算法满足最小噪声方差准则，既能保持收敛速度和稳态误差之间的平衡，同时也能保证在较高性噪比条件下算法的鲁棒性，但算法需要对矩阵求逆运算，计算量较大。

发明内容

为了克服现有技术的不足，本发明提供了一种基于RBF神经网络的自修正波束设计方法，利用RBF神经网络逼近MVDR算法求解的最优权值进而实现拟合的波束形成。通过构造RBF神经网络，求取样本的协方差矩阵，利用MVDR算法计算最优权向量，再采用递归最小二乘法完成权迭代修正，最终求出最优波束权向量，得到RBF神经网络输出，即改进后的阵列波束输出。本发明方法具有RBF神经网络逼近快速、结构简单、容错和归纳能力强的优点，在降低MVDR算法运算量的同时，具备较强的抗干扰性，对包含干扰和噪声的来波信号快速、准确识别定向的能力。

本发明解决其技术问题所采用的技术方案包括如下步骤：

步骤1：构造RBF神经网络；

阵元数设为N，RBF神经网络输入层及输出层有N个节点，隐藏层设为M个节点；

输入层输入信号为阵列接收信号的协方差矩阵R₁,R₂,…,R_N，表示为R＝[R₁,R₂,…,R_N]；

隐藏层的径向基函数采用高斯函数，隐藏层的输出信号表示为：其中σ_i为第i个神经元节点上用最小二乘法求得的高斯函数方差，c_i为第i个神经元节点上的函数中心点；