基于机器学习和随机矩阵理论的大阵列DOA估计方法研究
发布时间：2020-12-30 20:54
波达方向（Direction of Arrival,DOA）估计是阵列信号处理的一个重要分支,在无线通信、雷达等领域具有广泛的应用。近年来,大阵列系统的DOA估计已成为阵列信号处理领域的一个重要发展趋势,由于其在提高波束分辨力、改善系统容量等方面的巨大潜力,越来越受到国内外学者的极大关注。DOA估计的经典方法是子空间算法,然而,在大阵列情况下,阵元数多达几十甚至上百个,与样本数接近,子空间算法会面临如下问题需要解决:（1）接收信号样本协方差矩阵产生畸变,不能替代统计协方差矩阵,导致传统基于子空间的DOA估计算法估计性能下降;（2）大阵列的引入给传统子空间方法带来巨大的运算量,甚至无法运行;（3）传统基于子空间的DOA估计算法对实际应用环境的适应性差,尤其在低信噪比情况下,其估计性能严重下降。机器学习可以实现大数据分析和处理,且受噪声影响小,运算速度快,为大阵列DOA估计提供了有力工具。然而,大阵列情况下,机器学习训练和测试过程中输入数据的数量和维度也会增大,影响分类性能,导致估计性能下降。本文利用大维随机矩阵理论中的渐近谱理论对机器学习进行修正,使机器学习方法能够更准确、高效地处理大阵...
【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
单隐层神经网络示意图
第2章基础知识15xb0······································(2.23)其中，表示超平面法向量，b表示超平面位移量。假设超平面满足间隔最大化条件，并且能正确分类训练样本，即训练样本(,)iixy满足公式()1iiyxb···································(2.24)图2.2清晰地展示了支持向量机的超平面，“支持向量”即是距离超平面最近的样本点，满足()1iiyxb。图2.2中两条虚线即为边界，虚线之间距离即是间隔（margin）。图2.2支持向量机超平面图SVM的主要目的是最大化间隔，即,2max,..()1(1,2,,)iibstyxbimK···················(2.25)最大化2相当于最小化，因此，式（2.25）也可以表示为2,1min,..()1(1,2,,)2iibstyxbimK·················(2.26)利用拉格朗日乘子法对式（2.26）进行求解，可得到其对偶问题，从而确定超平面参数，实现二分类问题。对于非线性问题，线性支持向量机表现性能欠佳，由此引入非线性模型以提高支持向量机性能。非线性模型是将训练样本映射到高维空间，使得训练样本在
第3章基于支持向量机的DOA估计方法19第3章基于支持向量机的DOA估计方法传统DOA估计算法是利用阵列观测信号的协方差矩阵进行有效的信息提龋但是，随着信噪比降低，传统算法性能会受到影响，且子空间方法运算速度较慢，因此本章将以机器学习为工具，实现基于支持向量机的DOA估计方法，提高估计性能。本章首先介绍DOA估计的信号模型，并简单阐述几种传统的DOA估计算法，如Capon，MUSIC等。之后，研究基于支持向量机的DOA估计方法，分别考虑RBF和linear两种核函数，并通过MATLAB在低信噪比条件下对二分类器和多分类器情况进行仿真。为体现该算法性能的优越性，与Capon和MUSIC算法进行了对比。3.1阵列空间信号模型首先给出经典DOA估计的观测信号阵列模型，其结构如图3.1所示。图3.1DOA估计观测信号模型假设信源信号距离阵列较远，可以视为远场目标，因此，到达阵元的信号相当于平行波。考虑一个共由M个传感器构成的阵元间距为d的天线阵列，接收信号为窄带信号。已知有P个信源信号，则第m个阵元的接收信号模型可以表示为(1)sin11()()()()()()iPPjmmimimimiiytstentstnta··················(3.1)其中，()ist是第i个信源信号，()mnt是第m个阵元的噪声，i是第i个信源的DOA值，(1)sin=ijmmiea。则可以得到第t个时刻的接收信号模型为
【参考文献】：
期刊论文
[1]基于支持向量机可控功率响应的MUSIC-DOA估计方法[J]. 郭业才,王超. 南京理工大学学报. 2019(02)
[2]基于加权极速学习机室内高动态环境的定位算法[J]. 周世悦,张静. 上海师范大学学报(自然科学版). 2017(02)
[3]基于PSO-BP神经网络的DOA估计方法[J]. 孟非,王旭. 电讯技术. 2012(05)
[4]基于模拟退火方法BP神经网络的测向定位方法[J]. 赵晓萌,刘李楠. 安阳工学院学报. 2012(02)
[5]基于互相关函数相角特征的RBF神经网络来波方位估计[J]. 张旻,李鹏飞. 电子与信息学报. 2009(12)
[6]基于RMT的协作MIMO频谱感知[J]. 王磊,郑宝玉. 解放军理工大学学报(自然科学版). 2008(06)
[7]支持向量机多类分类方法[J]. 苟博,黄贤武. 数据采集与处理. 2006(03)
[8]支撑向量机的多类分类方法[J]. 徐勋华,王继成. 微电子学与计算机. 2004(10)
[9]机器学习研究[J]. 王珏,石纯一. 广西师范大学学报(自然科学版). 2003(02)
[10]基于神经网络的宽带相干DOA估计方法的改进[J]. 雷中定,黄绣坤,张树京. 自动化学报. 1998(02)
博士论文
[1]基于支持向量机的多用户检测算法、功率控制算法和波达方向估计算法[D]. 赵宇.中国科学技术大学 2006
[2]大维随机矩阵谱分布的极限理论研究及其应用[D]. 金百锁.中国科学技术大学 2006
硕士论文
[1]神经网络在来波到达角估计中的应用研究[D]. 王旭.江苏科技大学 2012
本文编号：2948289
【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
单隐层神经网络示意图
第2章基础知识15xb0······································(2.23)其中，表示超平面法向量，b表示超平面位移量。假设超平面满足间隔最大化条件，并且能正确分类训练样本，即训练样本(,)iixy满足公式()1iiyxb···································(2.24)图2.2清晰地展示了支持向量机的超平面，“支持向量”即是距离超平面最近的样本点，满足()1iiyxb。图2.2中两条虚线即为边界，虚线之间距离即是间隔（margin）。图2.2支持向量机超平面图SVM的主要目的是最大化间隔，即,2max,..()1(1,2,,)iibstyxbimK···················(2.25)最大化2相当于最小化，因此，式（2.25）也可以表示为2,1min,..()1(1,2,,)2iibstyxbimK·················(2.26)利用拉格朗日乘子法对式（2.26）进行求解，可得到其对偶问题，从而确定超平面参数，实现二分类问题。对于非线性问题，线性支持向量机表现性能欠佳，由此引入非线性模型以提高支持向量机性能。非线性模型是将训练样本映射到高维空间，使得训练样本在
第3章基于支持向量机的DOA估计方法19第3章基于支持向量机的DOA估计方法传统DOA估计算法是利用阵列观测信号的协方差矩阵进行有效的信息提龋但是，随着信噪比降低，传统算法性能会受到影响，且子空间方法运算速度较慢，因此本章将以机器学习为工具，实现基于支持向量机的DOA估计方法，提高估计性能。本章首先介绍DOA估计的信号模型，并简单阐述几种传统的DOA估计算法，如Capon，MUSIC等。之后，研究基于支持向量机的DOA估计方法，分别考虑RBF和linear两种核函数，并通过MATLAB在低信噪比条件下对二分类器和多分类器情况进行仿真。为体现该算法性能的优越性，与Capon和MUSIC算法进行了对比。3.1阵列空间信号模型首先给出经典DOA估计的观测信号阵列模型，其结构如图3.1所示。图3.1DOA估计观测信号模型假设信源信号距离阵列较远，可以视为远场目标，因此，到达阵元的信号相当于平行波。考虑一个共由M个传感器构成的阵元间距为d的天线阵列，接收信号为窄带信号。已知有P个信源信号，则第m个阵元的接收信号模型可以表示为(1)sin11()()()()()()iPPjmmimimimiiytstentstnta··················(3.1)其中，()ist是第i个信源信号，()mnt是第m个阵元的噪声，i是第i个信源的DOA值，(1)sin=ijmmiea。则可以得到第t个时刻的接收信号模型为
【参考文献】：
期刊论文
[1]基于支持向量机可控功率响应的MUSIC-DOA估计方法[J]. 郭业才,王超. 南京理工大学学报. 2019(02)
[2]基于加权极速学习机室内高动态环境的定位算法[J]. 周世悦,张静. 上海师范大学学报(自然科学版). 2017(02)
[3]基于PSO-BP神经网络的DOA估计方法[J]. 孟非,王旭. 电讯技术. 2012(05)
[4]基于模拟退火方法BP神经网络的测向定位方法[J]. 赵晓萌,刘李楠. 安阳工学院学报. 2012(02)
[5]基于互相关函数相角特征的RBF神经网络来波方位估计[J]. 张旻,李鹏飞. 电子与信息学报. 2009(12)
[6]基于RMT的协作MIMO频谱感知[J]. 王磊,郑宝玉. 解放军理工大学学报(自然科学版). 2008(06)
[7]支持向量机多类分类方法[J]. 苟博,黄贤武. 数据采集与处理. 2006(03)
[8]支撑向量机的多类分类方法[J]. 徐勋华,王继成. 微电子学与计算机. 2004(10)
[9]机器学习研究[J]. 王珏,石纯一. 广西师范大学学报(自然科学版). 2003(02)
[10]基于神经网络的宽带相干DOA估计方法的改进[J]. 雷中定,黄绣坤,张树京. 自动化学报. 1998(02)
博士论文
[1]基于支持向量机的多用户检测算法、功率控制算法和波达方向估计算法[D]. 赵宇.中国科学技术大学 2006
[2]大维随机矩阵谱分布的极限理论研究及其应用[D]. 金百锁.中国科学技术大学 2006
硕士论文
[1]神经网络在来波到达角估计中的应用研究[D]. 王旭.江苏科技大学 2012
本文编号：2948289
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/2948289.html
