论文部分内容阅读
阵列信号处理是现代信号处理领域的重要分支,在移动通信、雷达、声呐、射电天文、电子医学等领域具有重要的应用。目前,经典的阵列测向方法属于模型驱动类方法,如MUSIC、ESPRIT及其各种改进算法。然而,模型驱动类方法在实际工程应用中始终面临着阵列误差、低信噪比等复杂环境的严峻挑战。机器学习是由数据驱动的信号处理与信息获取工具,在数据挖掘、文本理解、图像处理、模式识别（人脸、语音）等领域受到了广泛的关注。近些年,国内外很多学者也开始探索将机器学习方法应用到阵列信号处理领域,解决经典阵列测向方法对复杂环境适应能力弱的问题。运用机器学习方法进行阵列测向的本质是从阵列观测数据中提取含有信号源入射角度的特征,并通过学习训练在该特征与信号角度之间建立一种非线性映射关系。目前已取得的研究成果表明,机器学习类阵列测向方法在适应复杂环境方面确实具有很大优势。然而,目前机器学习类方法还处于研究起步阶段,如何进一步提高此类方法对信号类型、阵列误差、小训练样本等实际环境的适应性,仍然是下一步要重点攻关的方向。本文重点研究机器学习技术在宽频段/宽带信号测向、超分辨测向、模型失配条件下测向以及小训练样本条件下测向等方面的应用,取得的主要创新性成果包括:（1）针对实际阵列测向系统中面临的可变载频信号测向需求以及宽带信号测向需求,本文分别提出了基于SVR（Support Vector Regression）的可变载频信号测向方法VFSVR（Variable Frequency SVR）以及基于SVR的宽带信号测向方法CWSVR（Coherent Wideband SVR）。其中,VFSVR利用预处理和后处理策略,基于单个频点的训练数据完成可变载频信号测向。具体而言预处理策略利用了均匀线阵的阵列结构特性,在不损失测向性能的前提下,降低了输入特征的维数;后处理策略基于频率和角度的耦合关系,利用单载频测向模型完成不同频率下的角度估计。基于上述两点,VFSVR大大减小了目前可变载频信号测向方法所需的训练数据量,降低了训练的开销以及复杂度。CWSVR以频域分解后多频点的协方差矩阵作为输入,以信号角度作为输出,通过SVR建立两者之间的函数映射关系,避免了常规子空间类宽带信号测向方法的频域聚焦过程。所以在保证无模糊测向的条件下,CWSVR放宽了对阵列阵元间距的要求,相应的测向性能也优于已有子空间类宽带信号测向方法。（2）为了更好地满足复杂环境中阵列测向系统对测向精度以及分辨率的要求,本文随后提出了基于卷积神经网络的阵列测向方法DCNN-DOA（Deep Convolution Neural Network based Direction-Of-Arrival）,利用深度学习强大的表示能力建立信号空间谱与阵列输出之间的映射关系。DCNN-DOA利用入射信号空域稀疏性这一基本特性以及在较多观测快拍条件下阵列输出协方差向量信噪比高于原始阵列输出信噪比的特点,构建以阵列输出协方差向量为输入,以信号真实空间谱为输出的深度卷积神经网络,用于实现空间谱的高精度重构。DCNN-DOA在低信噪比适应能力以及空域邻近信号的适应能力上优于传统稀疏重构类测向方法,同时在计算效率方面具有2到3个数量级的优势。相比于已有的基于深度学习的阵列测向方法,DCNN-DOA充分利用了入射信号空域稀疏性,从而在测向性能上更具优势。（3）研究了模型失配条件下的阵列测向问题,提出了基于“deep-unfolding”型深度网络的阵列测向方法LISTA（Learned Iterative Soft Thresholding Algorithm）,以增强阵列测向系统对各类误差的适应能力。LISTA利用迭代正则化方法的迭代规则进行网络结构设计与参数初始化,并利用训练数据在训练过程中进一步优化网络参数,是一种典型的“数据驱动+模型先验”的学习架构,这使得LISTA能利用更少的层数达到与原始迭代正则化算法相同的性能。同时在存在明显阵列误差条件下,LISTA可直接利用训练数据在学习过程中校正模型,因此其误差适应性更好。（4）针对实际阵列测向系统中特别是阵列误差条件下,有标记样本获取相对困难的情况,探索了能自动利用未标记样本提升性能的半监督学习在阵列测向中的应用,提出了基于流形正则化的半监督测向方法MR-SSDOA（Manifold Regularization based Semi-Supervised DOA）以及基于深度网络预训练的半监督测向方法Pretrained-DCNN。MR-SSDOA方法利用少量有标记样本以及测向系统工作中逐步累积的大量无标注的数据,通过流形正则化约束逐步修正角度拟合函数,从而在标记数据有限的情况下提高测向性能。Pretrained-DCNN方法通过自编码器逐层重构无标记样本输入对深度网络进行预训练,从而为网络提供一个较好的初始参数。预训练完成后,利用有标签样本对网络参数进行微调优化,使得深度网络在少量标记样本条件下能收敛到一个较好的极值点,从而提高空间谱重构性能。基于半监督学习的测向方法能够充分利用实际应用场景中广泛存在的未标记样本,缓解基于有监督学习的测向方法因标签数据不足导致的性能下降缺点,同时能保持机器学习类阵列测向方法误差适应能力强的优势。