基于子空间分解的相干信源DOA(Direction of arrival)估计算法对阵列有特殊的要求,且估计性能较差,在低信噪比时甚至失效;另外,基于压缩感知的DOA估计算法在高信噪比下可以实现相干源的DOA估计,但计算复杂度较高。针对这些不足,本文基...基于子空间分解的相干信源DOA(Direction of arrival)估计算法对阵列有特殊的要求,且估计性能较差,在低信噪比时甚至失效;另外,基于压缩感知的DOA估计算法在高信噪比下可以实现相干源的DOA估计,但计算复杂度较高。针对这些不足,本文基于稀疏表示的阵列接收信号模型,提出一种基于深度学习的相干源DOA估计方法,该方法利用卷积网络和全连接网络构造了深度学习网络,并通过选择合适的训练策略,对网络进行了有效训练,利用训练好的深度学习网络能够对相干源进行有效的DOA估计。仿真实验表明,与现有的相干源DOA估计算法相比,本文提出的方法适合于任意阵列结构,在时间复杂度上有着明显的优势,在估计性能上优于平滑解相干和L 1-SVD(Sigular Value Decomposition)算法,略差于OGSBI(Off-Grid Sparse Bayesian Inference)算法。展开更多
文摘基于子空间分解的相干信源DOA(Direction of arrival)估计算法对阵列有特殊的要求,且估计性能较差,在低信噪比时甚至失效;另外,基于压缩感知的DOA估计算法在高信噪比下可以实现相干源的DOA估计,但计算复杂度较高。针对这些不足,本文基于稀疏表示的阵列接收信号模型,提出一种基于深度学习的相干源DOA估计方法,该方法利用卷积网络和全连接网络构造了深度学习网络,并通过选择合适的训练策略,对网络进行了有效训练,利用训练好的深度学习网络能够对相干源进行有效的DOA估计。仿真实验表明,与现有的相干源DOA估计算法相比,本文提出的方法适合于任意阵列结构,在时间复杂度上有着明显的优势,在估计性能上优于平滑解相干和L 1-SVD(Sigular Value Decomposition)算法,略差于OGSBI(Off-Grid Sparse Bayesian Inference)算法。