本發(fā)明涉及計(jì)算、推算或計(jì)數(shù)的，特別涉及一種非理想信道條件下去噪優(yōu)化的doa估計(jì)方法。

背景技術(shù)：

1、方位估計(jì)，尤其是在水下場(chǎng)景中的信號(hào)方位估計(jì)，是信號(hào)處理領(lǐng)域的重要技術(shù)之一。通常，移動(dòng)目標(biāo)或聲源的空間位置推斷依賴(lài)于陣列信號(hào)處理技術(shù)，通過(guò)接收到的陣列信號(hào)推斷聲源或目標(biāo)的方位，然而水下場(chǎng)景中的方位估計(jì)面臨著諸多挑戰(zhàn)。首先，水下環(huán)境的復(fù)雜性對(duì)信號(hào)傳播產(chǎn)生顯著影響，如散射、衰減以及各種環(huán)境干擾等，這導(dǎo)致信號(hào)的空間分布特性發(fā)生變化，增加方位估計(jì)的精度；其次，多目標(biāo)之間的信號(hào)往往具有較高的相似性，使得難以在復(fù)雜場(chǎng)景中區(qū)分多個(gè)目標(biāo)的方位，特別是在多目標(biāo)任務(wù)中表現(xiàn)尤為突出；最后，水下信號(hào)的收集面臨高成本且通常伴隨著數(shù)據(jù)量有限的問(wèn)題。這些因素使得在噪聲干擾嚴(yán)重且數(shù)據(jù)稀少的條件下，如何提高方位估計(jì)，特別是水下場(chǎng)景中的方位估計(jì)準(zhǔn)確性成為了關(guān)鍵的研究問(wèn)題。

2、更重要的是，在實(shí)際的應(yīng)用場(chǎng)景中存在天線(xiàn)位置擾動(dòng)、增益/相位不一致、互耦合效應(yīng)、非線(xiàn)性放大器效應(yīng)等各種干擾因素，而現(xiàn)有的傳統(tǒng)方位估計(jì)方法通?；诶硐氲奶炀€(xiàn)陣列模型，即均勻線(xiàn)性陣列(uniform?linear?array,ula)，由于忽略了干擾，在實(shí)際的方位估計(jì)應(yīng)用中，常規(guī)方位估計(jì)算法的性能將受到顯著影響，泛化能力較差。

3、為了應(yīng)對(duì)這些挑戰(zhàn)，必須重新設(shè)計(jì)適應(yīng)水下場(chǎng)景的方位估計(jì)方法，特別是針對(duì)數(shù)據(jù)不平衡、噪聲干擾和計(jì)算資源有限的場(chǎng)景，提出更具魯棒性的解決方案。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明解決了現(xiàn)有技術(shù)中存在的問(wèn)題，提出一種非理想信道條件下去噪優(yōu)化的doa估計(jì)方法。

2、本發(fā)明所采用的技術(shù)方案是，一種非理想信道條件下去噪優(yōu)化的doa估計(jì)方法，所述方法包括以下步驟：

3、s1構(gòu)造模擬非理想信道條件下的仿真數(shù)據(jù)集；

4、s2構(gòu)建改進(jìn)的去噪與分類(lèi)網(wǎng)絡(luò)；

5、s3訓(xùn)練所述改進(jìn)的去噪與分類(lèi)網(wǎng)絡(luò)；

6、s4獲取測(cè)試信號(hào)數(shù)據(jù)，輸入訓(xùn)練后的模型中，得到方位估計(jì)。

7、優(yōu)選地，s1包括以下步驟：

8、s1.1確定doa范圍，根據(jù)輸入的最大目標(biāo)數(shù)量、天線(xiàn)數(shù)量以及分辨率，生成所有不交叉的doa組合；

9、s1.2根據(jù)生成的doa組合、天線(xiàn)陣列的結(jié)構(gòu)及設(shè)定的分辨率，計(jì)算信號(hào)的轉(zhuǎn)向矢量；

10、s1.3對(duì)所述天線(xiàn)陣列施加不同類(lèi)型的隨機(jī)擾動(dòng)進(jìn)行數(shù)據(jù)增強(qiáng)，構(gòu)建若干種具有不同擾動(dòng)類(lèi)型的訓(xùn)練集；

11、s1.4對(duì)訓(xùn)練集中的任意數(shù)據(jù)分配唯一的方位索引。

12、優(yōu)選地，所述擾動(dòng)類(lèi)型包括位置擾動(dòng)、增益擾動(dòng)、相位擾動(dòng)、互耦合擾動(dòng)、非線(xiàn)性效應(yīng)擾動(dòng)中的一種或多種。

13、優(yōu)選地，至少有一個(gè)訓(xùn)練集不包括以隨機(jī)擾動(dòng)進(jìn)行數(shù)據(jù)增強(qiáng)的信號(hào)。

14、優(yōu)選地，所述改進(jìn)的去噪與分類(lèi)網(wǎng)絡(luò)包括順次設(shè)置的基于diffusion的降噪模塊和復(fù)數(shù)注意力機(jī)制模塊；

15、所述基于diffusion的降噪模塊包括前向加噪單元和后向去噪單元。

16、優(yōu)選地，后向去噪單元包括順次設(shè)置的n個(gè)下采樣層和n個(gè)上采樣層，第n個(gè)下采樣層與倒數(shù)第n個(gè)上采樣層間跳躍連接。

17、優(yōu)選地，所述復(fù)數(shù)注意力機(jī)制模塊包括并列的復(fù)數(shù)操作單元和通道注意力單元，兩者的輸出聚合后輸入自注意力單元。

18、優(yōu)選地，所述復(fù)數(shù)操作單元包括順次連接的復(fù)數(shù)卷積層、復(fù)數(shù)批歸一化層和復(fù)數(shù)激活函數(shù)。

19、優(yōu)選地，構(gòu)建所述改進(jìn)的去噪與分類(lèi)網(wǎng)絡(luò)的損失函數(shù)，所述損失函數(shù)與基于diffusion的降噪模塊的降噪輸出與真實(shí)信號(hào)的誤差、訓(xùn)練樣本分類(lèi)預(yù)測(cè)分布概率于真實(shí)分布的距離關(guān)聯(lián)。

20、本發(fā)明涉及一種非理想信道條件下去噪優(yōu)化的doa估計(jì)方法，構(gòu)造模擬非理想信道條件下的仿真數(shù)據(jù)集，構(gòu)建改進(jìn)的去噪與分類(lèi)網(wǎng)絡(luò)；訓(xùn)練改進(jìn)的去噪與分類(lèi)網(wǎng)絡(luò)后，獲取測(cè)試信號(hào)數(shù)據(jù)，輸入訓(xùn)練后的模型中，得到方位估計(jì)。

21、本發(fā)明的有益效果在于：

22、(1)在原始信號(hào)中引入如天線(xiàn)互耦效應(yīng)、位置擾動(dòng)、幅值和相位擾動(dòng)，非線(xiàn)性失真等多種復(fù)雜因素，構(gòu)建更加貼近實(shí)際場(chǎng)景的訓(xùn)練數(shù)據(jù)集，解決數(shù)據(jù)稀缺、類(lèi)型單一的問(wèn)題；

23、(2)針對(duì)低信噪比環(huán)境下信號(hào)特征表達(dá)能力不足的問(wèn)題，提出了基于擴(kuò)散模型(diffusion?model)的加噪-去噪方案，對(duì)數(shù)據(jù)進(jìn)行增強(qiáng)和優(yōu)化處理，抑制噪聲的影響，提升信號(hào)的特征表達(dá)能力；

24、(3)針對(duì)重構(gòu)后的信號(hào)的幅值、相位、實(shí)部、虛部多維特征割裂的問(wèn)題，設(shè)計(jì)了多維特征融合的復(fù)數(shù)注意力機(jī)制深度學(xué)習(xí)框架，實(shí)現(xiàn)多維特征的高效整合，解決了信號(hào)多維特征割裂的問(wèn)題，從而提高了模型在復(fù)雜環(huán)境下的魯棒性和精度。

技術(shù)特征：

1.一種非理想信道條件下去噪優(yōu)化的doa估計(jì)方法，其特征在于：所述方法包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種非理想信道條件下去噪優(yōu)化的doa估計(jì)方法，其特征在于：s1包括以下步驟：

3.根據(jù)權(quán)利要求2所述的一種非理想信道條件下去噪優(yōu)化的doa估計(jì)方法，其特征在于：所述擾動(dòng)類(lèi)型包括位置擾動(dòng)、增益擾動(dòng)、相位擾動(dòng)、互耦合擾動(dòng)、非線(xiàn)性效應(yīng)擾動(dòng)中的一種或多種。

4.根據(jù)權(quán)利要求3所述的一種非理想信道條件下去噪優(yōu)化的doa估計(jì)方法，其特征在于：至少有一個(gè)訓(xùn)練集不包括以隨機(jī)擾動(dòng)進(jìn)行數(shù)據(jù)增強(qiáng)的信號(hào)。

5.根據(jù)權(quán)利要求1所述的一種非理想信道條件下去噪優(yōu)化的doa估計(jì)方法，其特征在于：所述改進(jìn)的去噪與分類(lèi)網(wǎng)絡(luò)包括順次設(shè)置的基于diffusion的降噪模塊和復(fù)數(shù)注意力機(jī)制模塊；

6.根據(jù)權(quán)利要求5所述的一種非理想信道條件下去噪優(yōu)化的doa估計(jì)方法，其特征在于：后向去噪單元包括順次設(shè)置的n個(gè)下采樣層和n個(gè)上采樣層，第n個(gè)下采樣層與倒數(shù)第n個(gè)上采樣層間跳躍連接。

7.根據(jù)權(quán)利要求5所述的一種非理想信道條件下去噪優(yōu)化的doa估計(jì)方法，其特征在于：所述復(fù)數(shù)注意力機(jī)制模塊包括并列的復(fù)數(shù)操作單元和通道注意力單元，兩者的輸出聚合后輸入自注意力單元。

8.根據(jù)權(quán)利要求7所述的一種非理想信道條件下去噪優(yōu)化的doa估計(jì)方法，其特征在于：所述復(fù)數(shù)操作單元包括順次連接的復(fù)數(shù)卷積層、復(fù)數(shù)批歸一化層和復(fù)數(shù)激活函數(shù)。

9.根據(jù)權(quán)利要求7所述的一種非理想信道條件下去噪優(yōu)化的doa估計(jì)方法，其特征在于：構(gòu)建所述改進(jìn)的去噪與分類(lèi)網(wǎng)絡(luò)的損失函數(shù)，所述損失函數(shù)與基于diffusion的降噪模塊的降噪輸出與真實(shí)信號(hào)的誤差、訓(xùn)練樣本分類(lèi)預(yù)測(cè)分布概率于真實(shí)分布的距離關(guān)聯(lián)。

技術(shù)總結(jié)
本發(fā)明涉及一種非理想信道條件下去噪優(yōu)化的DOA估計(jì)方法，構(gòu)造模擬非理想信道條件下的仿真數(shù)據(jù)集，構(gòu)建改進(jìn)的去噪與分類(lèi)網(wǎng)絡(luò)；訓(xùn)練改進(jìn)的去噪與分類(lèi)網(wǎng)絡(luò)后，獲取測(cè)試信號(hào)數(shù)據(jù)，輸入訓(xùn)練后的模型中，得到方位估計(jì)。本發(fā)明在原始信號(hào)中引入多種復(fù)雜因素，構(gòu)建更加貼近實(shí)際場(chǎng)景的訓(xùn)練數(shù)據(jù)集，解決數(shù)據(jù)稀缺、類(lèi)型單一的問(wèn)題；提出基于擴(kuò)散模型的加噪?去噪方案，對(duì)數(shù)據(jù)進(jìn)行增強(qiáng)和優(yōu)化處理，抑制噪聲的影響，提升信號(hào)的特征表達(dá)能力；設(shè)計(jì)多維特征融合的復(fù)數(shù)注意力機(jī)制深度學(xué)習(xí)框架，實(shí)現(xiàn)多維特征的高效整合，解決信號(hào)多維特征割裂的問(wèn)題，從而提高模型在復(fù)雜環(huán)境下的魯棒性和精度。

技術(shù)研發(fā)人員：姚信威,張恒聰,李強(qiáng),劉俊,涂梓韜
受保護(hù)的技術(shù)使用者：浙江工業(yè)大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15