[发明专利]基于深度展开的大规模天线阵列单比特采样DOA估计方法

说明书

本发明公开了一种基于深度展开的大规模天线阵列单比特采样DOA估计方法，首先利用大规模天线阵列接收原始信号，对原始信号建立单比特DOA估计信号模型，在中引入稀疏性，定义一个由F个待选方向组成的网格，根据压缩感知测量公式，得到实数域中单比特DOA估计信号模型，接着建立深度展开网络模型，通过一致项为单侧范数的不动点连续算法对深度展开网络模型进行更新，设置relu(·)为激活函数，最后用深度展开网络模型解决DOA估计问题，从实数域中单比特DOA估计信号模型中恢复原始信号，得到恢复信号，并对恢复信号进行DOA估计。本发明既提高了信号重构精度和收敛速度，又提升了准确率和鲁棒性，降低了系统复杂度和成本。

技术领域

本发明属于雷达信号处理领域，具体涉及一种基于深度展开的大规模天线阵列单比特采样DOA估计方法。

背景技术

在雷达、声纳、无线通信等领域，对于到达方向(DOA)估计都有广泛的研究。进行DOA估计，可以使用一些传统算法，像多信号分类(MUSIC)方法和旋转不变(ESPRIT)方法。但是MUSIC和ESPRIT这类子空间分解类算法，是基于协方差矩阵计算的，需要足够数量的数据样本估计真实的协方差矩阵。在低信噪比条件下，信号和噪声特征值两者之间没有明显的区别，会导致子空间交换，使DOA估计的不准确，鲁棒性不好。还可以将压缩感知技术应用于DOA估计，压缩感知(CS)是一种针对稀疏信号的低速率信号捕获方法，可以用比香农-奈奎斯特理论所规定的低得多的采样率恢复它。但像压缩感知这类的非线性算法通常计算负荷非常沉重，在过去的几十年中，已经提出了多种方法来解决压缩相关的重建问题，例如匹配追踪、非凸优化、和贝叶斯算法，也提出了深度学习方法来解决问题。

Zhang-Meng Liu等人在《Direction-of-Arrival Estimation based on DeepNeural Networks with Robustness to Array Imperfections》一文中，采用一种深度神经网络(DNN)框架来解决DOA估计问题，但训练DNN框架进行DOA估计需要大量的标记数据，训练参数多，在实际应用中是非常困难的，需要大量时间进行收集数据和进行训练。由于深度神经网络(DNN)没有结合关于信号结构的先验知识，有望通过深度展开的方法把DNN设计为优化算法的展开迭代来提升深度神经网络的性能。

在大规模天线阵列系统中，由于硬件成本和系统功耗很大，进行测量是不切实际的，为了解决这个问题，将单比特量化思想引入DOA估计中，可以很大程度上减少硬件的消耗，降低采样和系统复杂度，从而进行准确的单比特信号恢复任务。

发明内容

本发明的目的在于提供一种基于深度展开的大规模天线阵列单比特采样DOA估计方法，基于深度展开算法和单比特量化，通过展开单边l₂范数不动点连续算法迭代，解决现有技术中基于深度学习的DOA估计计算速度、存储需求以及估计精度问题，既提高了准确率和鲁棒性，又降低了复杂度和成本。

实现本发明目的的技术解决方案为：一种基于深度展开的大规模天线阵列单比特采样DOA估计方法，将传统DOA估计方法拓展成深度展开的单比特采样DOA估计，方法步骤如下：

步骤1、大规模天线阵列接收原始信号，对原始信号建立单比特DOA估计信号模型z(t)，在z(t)中引入稀疏性，定义一个由F个待选方向组成的网格，根据压缩感知测量公式，得到实数域中单比特DOA估计信号模型转入步骤2。

步骤2、建立深度展开网络模型，通过一致项为单侧l₂范数的不动点连续算法对深度展开网络模型进行更新，设置relu(·)为激活函数，转入步骤3。

步骤3、用深度展开网络模型解决DOA估计问题，从实数域中单比特DOA估计信号模型中恢复原始信号，得到恢复信号并对恢复信号进行DOA估计。

本发明与现有技术相比，其显著优点在于：