(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111353267.5 (22)申请日 2021.11.16 (71)申请人 江苏科技大学 地址 212008 江苏省盐城市东台市东台 高 新技术产业开发区科创大厦809室 (72)发明人 李鹏飞　田雨波　 (74)专利代理 机构 南京苏高专利商标事务所 (普通合伙) 32204 代理人 常虹 (51)Int.Cl. G06F 30/27(2020.01) G06F 30/25(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于自选 择神经网络的DOA估计方法、 系统、 存储介质、 设备 (57)摘要 本发明公开了一种基于自选择神经网络的 DOA估计方法和估计系统， 其中的估计方法包括： 1、 在窄带远场信号从不同方向入射时采集阵列 接收数据并计算其协方差矩阵， 根据协方差矩阵 生成双通道阵列接收矩阵； 以所述双通道阵列接 收矩阵和入射方向作为样本构建样本集； 2、 生成 N个初始卷积神经网络， 每个卷积神经网络的输 入为双通道阵列接收矩阵， 输出为入射方向的概 率向量； 3、 采用粒子群算法对N个卷积神经网络 进行优化， 确定最优卷积神经网络； 4、 根据天线 阵列接收到的数据生成接收矩阵， 将所述矩阵输 入最优卷积神经网络， 输 出为DOA估计结果。 该方 法无需凭经验设计卷积神经网络， 且DOA估计时 收敛速度快， 精度高。 权利要求书5页 说明书11页 附图6页 CN 114048681 A 2022.02.15 CN 114048681 A 1.一种基于自选择神经网络的DOA估计方法， 其特 征在于， 包括： S1、 在窄带远场信号从不同方向入射时采集阵列接收数据， 计算阵列接收数据的协方 差矩阵， 将所述协方差矩阵的实部和虚部分别转换为二维矩阵， 并组合为双通道阵列接 收 矩阵； 以所述双通道阵列接收矩阵和入射方向作为样本构建训练样本集； S2、 根据预设的卷积神经网络结构参数， 生成N个初始卷积神经网络， 每个卷积神经网 络的输入为双通道阵列接 收矩阵， 输出为入射方向的概率向量； 每个卷积神经网络由级联 的两部分组成， 第一部 分由卷积层和最大池化层组成， 且第一层为卷积层； 第二部 分由至少 一个全连接层组成； 初始化每 个卷积神经网络的权 重； S3、 采用粒子群算法对N个卷积神经网络进行优化， 确定最优卷积神经网络； S4、 根据天线阵列接收到的数据生成接收矩阵， 将所述矩阵输入步骤S3中确定的最优 卷积神经网络， 所述 最优卷积神经网络的输出为DOA估计结果。 2.根据权利要求1所述的基于自选择神经网络的DOA估计方法， 其特征在于， 所述步骤 S1具体为： 当窄带远场信号从方向θi入射到均匀线性天线阵列时， 采集阵列接收数据Xi(t)： Xi(t) ＝[x1i(t),x2i(t),…,xMi(t)]T； 其中xmi(t)为第m个阵元接收到的数据， m＝1,2, …,M， M为均匀线性天线阵列中的阵元 数； 计算阵列接收数据Xi(t)的协方差矩阵： 其中Z为快拍数， 上标H表示共轭转置， 上标*表示共轭； 分别根据Ri的实部和虚 部生成像 素大小为M×M的二维矩阵 和 组合为双通道 矩阵 将入射方向θi转换为概率向量Θi， 组合为样本(ri,Θi)。 3.根据权利要求1所述的基于自选择神经网络的DOA估计方法， 其特征在于， 所述步骤 S2中采用Xavier初始化每 个卷积神经网络的权 重。 4.根据权利要求1所述的基于自选择神经网络的DOA估计方法， 其特征在于， 所述步骤 S3包括： S31、 初始化： 生成数量为N的粒子群， 粒子的位置坐标维数D为N个卷积神经网络第一部 分层数的最大值D1与第二部分层数的最大值D2之和； 初始化迭代次数τ ＝0； 初始化每 个粒子的位置： 其中n＝1,2， …， N， l1＝1,2，…， D1， l2＝1,2，…， D2； Pn[l1]表示第n个粒子位置的第l1个 元素； CNNn[l1]表示第n个卷积神经网络第一部分第l1层； CNNn[l2]表示第n个卷积神经网络权　利　要　求　书 1/5 页 2 CN 114048681 A 2第二部分第l2层； 采用训练样本集对N个卷积神经网络进行训练； 误差函数为： 其中ys,w为第s个训练样本的入射方向概率向量的第w个元素； ys′,w为第s个训练样本中 的双通道阵列接收矩阵作为输入时卷积神经网络 输出的入射方向概 率向量的第w个元 素； 将每个粒子的个 体最优pBestn初始化为自身； 将N个卷积神经网络中误差函数最小的作为全局最优卷积神经网络， 根据所述全局最 优神经网络的结构映射得到全局最优粒子gBest； S32、 更新粒子的速度和位置： 计算每个粒子与个体最优和全局最优的位置差异项； 对于第 n个粒子， 其与个体最优的 位置差异项中第l个元 素为： 与全局最优粒子的位置 差异项中第l个元 素为： 其速度的第l个元 素取值方法为： 生成[0,1)内均匀分布的随机数r， 如果r＞c， 的取值为 如果r≤c， 的取值为 其中c为预设的加速常数； l ＝1,2,…,D； 更新粒子的位置， 对于第n个粒子， 更新后的位置为： S33、 更新粒子的个 体最优以及全局最优粒子： 根据更新后的N个粒子位置建立N个卷积神经网络， 网络 中的层类型与粒子位置 中的元 素对应， 网络结构参数根据预设的卷积神经网络结构参数设置； 采用训练样本集对N个卷积神经网络进行训练， 在层与层之间增加dropout和批归一化 BN防止训练中的过拟合； 根据本次训练后的每 个卷积神经网络的误差函数 更新对应粒子的个 体最优pBestn； 根据本次训练后的N个卷积神经网络中误差函数最小值更新全局最优卷积神经网络， 根据所述全局最优神经网络的结构更新全局最优粒子gBest； S34、 令迭代次数τ加一； 如果达到迭代终止条件， 根据当前全局最优粒子gBest进行迁移学习， 映射成卷积神经 网络， 即为 最优卷积神经网络； 如果没有达 到迭代终止条件， 跳转至步骤S32进行 下一次迭代。权　利　要　求　书 2/5 页 3 CN 114048681 A 3