[发明专利]基于相干子空间深度学习的频域鲁棒性测向方法

权利要求书

1.基于相干子空间深度学习的频域鲁棒性测向方法，其特征在于，具体步骤包括：

步骤一：构建基于相干子空间深度学习测向模型；

步骤二：进行数字化采样，获得数字化采样信号；

步骤三：进行频域变换与子带分解；

步骤四：聚焦处理，不同子带的信号子空间变换到参考信号子空间；

步骤五：卷积处理；

步骤六：池化处理，基于平移不变特性池化处理，将输入的特征映射划分为多个不重叠的区域；

步骤七：相干子空间宽带测向，在学习训练的基础上，基于相干子空间深度学习的频域鲁棒性测向。

2.根据权利要求1所述的基于相干子空间深度学习的频域鲁棒性测向方法，其特征在于，基于相干子空间深度学习测向模型分为相干子空间聚焦预处理和CNN测向处理。

3.根据权利要求1所述的基于相干子空间深度学习的频域鲁棒性测向方法，其特征在于，进行数字化采样为：对各阵元接收到的辐射源信号进行数字采样处理，获得数字化采样信号x(k)。

4.根据权利要求3所述的基于相干子空间深度学习的频域鲁棒性测向方法，其特征在于，进行频域变换与子带分解的方法为：

基于数字化采样信号x(k)，进行傅立叶变换，得到：

将宽带信号分解为多个窄子带，对于宽带内中心频率为ω_n的窄子带，有：

X(ω_n)＝A(ω_n)S(ω_n)+N(ω_n)。

5.根据权利要求4所述的基于相干子空间深度学习的频域鲁棒性测向方法，其特征在于，聚焦处理的方法包括：

令T(ω_n)A(ω_n)＝A(ω₀)，得到：

T(ω_n)＝A(ω₀)A^-1(ω_n)；

按上式设计聚焦矩阵T(ω_n)，将不同子带的信号子空间A(ω_n)变换到参考信号子空间A(ω₀)，进行聚焦处理后的数据向量为：

6.根据权利要求1所述的基于相干子空间深度学习的频域鲁棒性测向方法，其特征在于，卷积处理中卷积层采用局部连接的方式，通过卷积操作实现对数据的非线性特征映射。