基于ResNet的和差共阵DOA估计.pdf

2023 年第 10 期计算机与数字工程收稿日期：2023年4月12日，修回日期：2023年5月17日作者简介：尤俣良，男，硕士研究生，研究方向：阵列信号处理。国洪灿，女，硕士研究生，研究方向：FPGA信号处理。王雪，女，硕士研究生，研究方向：FPGA信号处理。1引言无线信号波达方向（Direction of Arrival，DOA）估计是一种应用于移动通信和各种雷达系统中的用户定位技术。近几十年来，用天线阵代替窄带波束天线进行DOA估计已成为普遍现象。为了提高DOA估计的精度，研究人员在传统算法基础上进行改进，引入更精确的数学模型和优化方法，不断在提高精度、超分辨率和适应低信噪比场景方面取得了显著的进展，也提出了许多信号处理技术，如波束形成、Capon、空间交替广义期望最大化（SpaceAlternating Generalized Expectation Maximization，SAGE）1、协方差矩阵增广（Covariance Matrix Augmentation，CMA）2、空间交替广义期望最大化（Space-Alternating Generalized Expectation-maximization，SAGE）3等。最近，深度神经网络（Deep Neural Networks，DNN）展示了其对语音信号处理的强大功能，例如语音分离4、自动语音识别（Automatic speech recognition，ASR）5等。随后，DNN 也用于 DOA 估计，Takeda和Komatani使用具有7个隐藏层的DNN通过判别训练方法来预测DOA6。输入特征是每个频点处相关矩阵的特征向量，实验结果表明，该方法对混响敏感。广义互相关（Generalized CrossCorrelation，GCC）被用作一个隐藏层感知器神经网络的特征，结果表明，它对高电平噪声和强烈的混基于 ResNet 的和差共阵 DOA 估计尤俣良国洪灿王雪（南京信息工程大学电子与信息工程学院南京210044）摘要传统互质阵列的差分共阵存在“空洞”，即缺少一些虚拟阵列元素。论文采用和差共阵形成更大尺寸的连续虚拟阵列，保留了传统的互质阵列配置，同时，将残差网络（ResNet）应用于到达方向（DOA）估计算法。论文采用的算法先将和差共阵输出的空间平滑矩阵处理后，得到特征数据，然后输入到ResNet中，将DOA估计转变为特征数据和DOA之间的非线性映射关系。通过ResNet对信号分类来实现DOA估计，相比于传统的互质阵列，基于ResNet的和差共阵DOA估计算法具有更强的准确性和适应性。关键词和差共阵；DOA估计；ResNet；空间平滑矩阵中图分类号TP338.7DOI：10.3969/j.issn.1672-9722.2023.10.007ResNet Based for Sum and Difference Co-array DOA EstimationYOU YuliangGUO HongcanWANG Xue（College of Electronic and Information Engineering，Nanjing University of Information Science and Technology，Nanjing210044）AbstractThe differentce co-array of the traditional co-prime array has holes，it lacks some virtual array elements.In thispaper，the sum-and-difference co-array is used to form a larger continuous virtual array，which retains the traditional co-prime array configuration.At the same time，residual network（ResNet）is applied to the direction of arrival（DOA）estimation algorithm.The proposed algorithm first processes the spatial smoothing matrix output by the sum and difference co-array to obtain the characteristic data，and then input it into ResNet to transform the DOA estimation into a non-linear mapping relationship between the characteristic data and the DOA.DOA estimation is achieved by signal classification through ResNet.Compared with the traditionalco-prime array，the ResNet-based sum and difference co-array DOA estimation algorithm has stronger accuracy and adaptability.Key Wordssum and difference co-array，DOA estimation，ResNet，spatial smoothing matrixClass NumberTP338.7总第 408期2023 年第 10 期计算机与数字工程Computer&Digital EngineeringVol.51No.102251第 51 卷响具有鲁棒性7。引入卷积神经网络（Convolutional Neural Networks，CNN）技术，从而为解决DOA估计问题带来新的方法，其中将短时傅立叶变换（Short-time Fourier Transform，STFT）的相位分量用作CNN的特征8。基于CNN的方法显示了对噪声的鲁棒性和麦克风位置的小扰动。随着互质阵列技术的应用，功率信号成为新的信号源。然而，它们是相干的，而通常用于估计DOA的MUSIC算法要求源是非相干的。尽管空间平滑技术可用于去相干源，但它通常应用于均匀数据。传统互质阵列的差分共阵列存在“空洞”9，即缺少一些虚拟阵列元素。为了解决这个问题，本文提出一种基于残差网络（Residual Network，ResNet）的和差共阵（Sum anddifference co-array，SD-CPA）DOA估计算法。该算法将和差共阵输出的空间平滑矩阵经过数据预处理后生成的特征数据输入残差网络中，将DOA估计转变为特征数据和 DOA 之间的非线性映射关系，通过ResNet对信号分类来实现DOA估计。2阵列模型2.1互质阵列传统的互质阵列9由两个均匀的线性子阵列组成，它们的阵列间距分别为M和N，如图 1所示。第一个子阵列中有N个传感器，第二个子阵列中有M个传感器。M和N是互质整数，即gcd(MN)=1，d为阵元之间的距离。为避免空间混叠，d通常设置为 2，其中是入射信号的波长。传统互质阵列中的传感器放置如下所示：PC=MndNmd（1）式中，0nN-1，0mM-1。由于这两个均匀线性子阵列的第一个传感器位于同一位置，因此传统的互质阵列中的传感器总数为M+N-1。（c）（b）（a）图1互质均匀线阵在互质阵列中，两个均匀线性子阵的方向向量可以表示为an(k)=1e-j2Mdsink/e-j2(N-1)Mdsink/T（2）am(k)=1e-j2Ndsink/e-j2(M-1)Ndsink/T（3）式中，k是每个信号的DOA。结合式（2）和式（3）可得，互质阵列的方向向量和方向矩阵为a(k)=aTn(k)aTm(k)T（4）A=a(1)a(2)a(K)（5）假设图 1 中互质阵列接收的信号为X(t)=AS(t)+N(t)，接 收 信 号 的 协 方 差 矩 阵 为Rxx=ARssAH+2nI，对Rxx进行矢量化处理，得z=vec(Rxx)=(A*A)vec(RSS)+2nvec(I)=(A*A)p+2nIn（6）式中，RSS为声源的协方差矩阵，I为单位矩阵转化后的列向量，p为21222KT，vec()为将矩阵转化为列向量的操作，表示克罗内克乘积，表示Khatri-Rao积。2.2和差共阵差分阵是互质阵列中两个子阵的实际阵元位置之间的位置间距的集合，它关于原点对称。差分阵是互质阵列经过虚拟化之后产生的，它是PC中的任意两个元素作差得到的虚拟阵列。传统互质阵列的差分共阵列存在“空洞”，即缺少一些虚拟阵列元素。为了解决这个问题，采用延伸的互质阵列来让差分共阵列获得更长的连续均匀线阵。延伸的互质阵列和传统互质阵列具有相似的阵列布置，只是在第二子阵列中放置更多的传感器，如图2所示。（c）（b）（a）图2延伸的互质阵列通常，经过计算阵列输出的协方差矩阵可以获得差共阵，而和共阵作为主动传感中的虚拟阵列自然产生910。延伸后的互质阵列产生的和差共阵的数目为2MN+2M+2N-1。但是，此和共阵仅包含交叉和项，而未包含自和项。假设信号的功率为21222K的K个实值源从12 K方向尤俣良等：基于ResNet的和差共阵DOA估计22522023 年第 10 期计算机与数字工程撞击阵列，则在阵列的方向矩阵可表示为A=a(1)a(2)a(K)=1111ej(2d/)Msin1ej(2d/)Msin2ej(2d/)MsinKej(2d/)(N-1)Msin1ej(2d/)(N-1)Msin2ej(2d/)(N-1)MsinKej(2d/)Nsin1ej(2d/)Nsin2ej(2d/)NsinKej(2d/)(M-1)Nsin1ej(2d/)(M-1)Nsin2ej(2d/)(M-1)NsinK（7）在阵列信号处理中，差共阵是在计算接收数据之间的自相关等二阶矩时自然形成的，通过分析式（26），令B=A*A，可得B(12K)=b(1)b(2)b(K)=a*(1)a(1)a*(2)a(2)a*(K)a(K)（8）式中，b(k)和B分别为阵列经过矢量化后得到差共阵的方向向量和方向矩阵。同时，也可以计算出正和共阵Rxx2和负和共阵Rxx3以及他们的矢量化。由此，我们可以轻松地集成三个新生成的接收数据向量：z=zT1zT2zT3T（9）式中，z1、z2、z3分别是差共阵、正和共阵和负和共阵的矢量化。同时，也能得到一个较大的对应阵列流形矩阵：B=BT1BT2BT3T（10）式中，B1、B2、B3分别是差共阵、正和共阵和负和共阵的方向矩阵。由于向量中存在冗余和无序阵元，必须删除并重新排序一些阵元来重建z，以形成新的向量z，从而使其对应的B具有与连续虚拟ULA的流形相同的表达式。重建的向量z可以表示为z=Bp+n（11）将新接收到的数向量z划分为多个向量zi，将其对应的虚拟ULA阵列划分为多个重叠的子阵列，然后计算每个分割的接收的向量zi的自相关矩阵，同时取所有自相关矩阵的平均值，则空间平滑矩阵Rsd：Rsd1DOFzizHi（12）式中，DOF为所有子阵列的数量，经过空间平滑技术后，可用的DOF为MN+M+N，可以将空间平滑矩阵Rsd的上三角阵作为神经网络的输入，则其输入特征是通过式（12）得到，将式（12）中的上三角阵按照实部与虚部分别展开，得到特征组合序列：y=Re(R1)Im(R11)Re(R12)Im(RMM)（13）式中，Im()为虚部，Re()为实部。3基于注意力的ResNet的和差共阵DOA估计在传统的 DOA估计方法中，MUSIC算法被认为是一种经典典范。该方法在角度域内寻找谱峰，以确定信号源的方向。与其他方法如最大似然法（Maximum Likelihood Method，ML）和加权子空间拟合（Weighted Subspace Fitting，WSF）相比，MUSIC算法在计算方面具有较小的复杂性，这使得其成为一种受欢迎的选择。随着互质阵列技术的应用，功率信号成为新的信号源。然而，它们是相干的，而通常用于估计 DOA 的 MUSIC 算法要求源是非相干的。尽管空间平滑技术可用于去相干源，但它通常应用于均匀数据。针对这些问题，本文提出了基于ResNet的DOA估计算法1011。本文提出的算法将 ResNet 应用到 DOA 估计中，通过和差共阵与ResNet相结合，能有效解决传统互质阵列中差分共阵缺少一些虚拟阵列元素的问题，该算法将DOA估计任务转化为输入和输出之间的映射关系，从而实现对信号源方向的精确估计。该算法不受阵列形状的限制，同时还增强在各种不同麦克风阵列设置下的适应性。3.1ResNet网络CNN是一类深度神经网络，具备卷积层、池化层和全连接层等不同网络组件12。CNN通过堆叠更多网络层，可以更好地从数据集中提取不同级别的特征。然而，CNN模型很难训练，随着网络深度的增加，训练精度越来越饱和，之后开始迅速下降 1314。为了克服退化，ResNet网络被提出来促进 CNN模型的训练。与其他 CNN网络模型相比，ResNet网络通过添加身份映射来解决退化问题，如图3中的曲线所示。相比其他的 CNN 网络，ResNet网络多了残差块，残差块是ResNet网络的主要基础元素，如图4所示。随着我们深入到具有大量层的网络中，计算变得更加复杂。这些层相互叠加，每一层都试图学习所需函数的一些底层映射。图4中，x作为第一层的输入，G(x)表示从第一层输入到堆叠层输出的映射。在模型训练期间，学习所需映射G(x)的问题可以转化为学习残差映射函数F(x)，其中2253第 51 卷F(x)=G(x)-x。鉴于原始映射函数变为F(x)+x，对应于F(x)的堆叠层的权重可以为零，以模拟层与层之间的“快捷连接”。通过利用残差网络，即使层数增加到1202，也可以优化CNN模型，但是使用这种更深的网络往往会因为过拟合而导致较低的测试精度。图3ResNet的网络模型图图4残差块的结构图3.2基于ResNet的DOA估计所提出的基于ResNet的DOA估计可以看作是一个阵列输出信号和DOA之间的映射函数，如图5所示。将DOA估计分为两个阶段：在第一阶段中，对通过和差共阵获得的空间平滑矩阵Rsd进行数据预处理来获得特征数据y；第二阶段中，将特征数据y与生成的物理DOAk形成训练数据集，作为训练样本输入基于注意力机制的ResNet，获特征数据y与生成的物理DOAn之间的映射函数，即(k)=y(k)k（14）式中，k为训练角，y为特征数据。因此，通过训练DOA估计网络，从而掌握阵列输出与相应DOA之间的非线性联系。图5基于ResNet的DOA估计为了获得估计的DOAk，选择ReLU函数作为激活函数，损失函数基于交叉熵概念，即ReLU(x)=0 x0 xx0（15）L=1NiLi=-1Nic=1Myiclog(pic)（16）式中，M表示类别数，为符号函数（0或1），pic为观测样本i属于类别c的预测概率。3.3评估指标本实验采用均方根误差（Root Mean Square Error，RMSE）作为评估标准，将MUSIC算法和采用的算法进行对比，以评估算法的准确性和稳定性。RMSE的公式表达为RMSE=1Nn=1N(xn-xn)2（17）式中，N表示为数据样本总数，xn表示为入射方向的估计值，xn表示为入射方向的真实值。4实验与仿真实验仿真设置在一个尺寸为5.5m2.3m3.3m的消音室中进行，如图6所示，采用M=4和N=5的均匀线性互质阵列，则物理传感器的总数为M+N-1=8，生成的和差共阵的数目为2MN+2M+2N-1=57，经过空间平滑技术后，可用的DOF为MN+M+N=29，阵元之间的间距设置为0.17m。仿 真 在 TensorFlow 平 台 上 实 现，其 中ResNet的学习率设置为0.001，训练周期为1000。本实验首先比较MUSIC算法和本文采用算法在和差共阵中DOA估计的性能。设置信噪比SNR为 0 dB，快照数为 100。图 7和图 8分别为 MUSIC算法和本文采用算法的频谱图，可以发现和差共阵尤俣良等：基于ResNet的和差共阵DOA估计22542023 年第 10 期计算机与数字工程可以识别频谱中的所有源，这证明了其使用数量少得多的物理传感器识别大量源的有效性。通过对比图7和图8可以发现，本文采用的算法能更为精确地识别所有的源。图6仿真环境1.00.80.60.40.20.0Normalized spectrum-12-8-404812Direction/degrees图7MUSIC算法频谱图1.00.80.60.40.20.0Normalized spatial spectrum-12-8-404812Direction/degrees图8本文采用算法的频谱图接着分析SNR和快照数的变化对本文采用算法的影响。图9和图10分别为SNR的变化和快照数的变化对 MUSIC算法、SVR 算法以及本文算法的DOA估计的影响。图9中，SNR以2.5 dB为步长在-10 dB10 dB之间变化。从图示可知，在SNR高于-1.2 dB时，MUSIC算法表现出稍高的估计精度；然而，在低信噪比情况下，基于SVR算法和本文提出的方法的DOA估计性能更佳，特别在较低信噪比下，本文算法展现出优异的抗干扰能力。图10为快照数的变化对MUSIC算法、SVR算法以及本文算法的DOA估计的影响，采样点数以50为步长在0400之间变化。随着采样点数的增加，三种算法的RMSE逐渐减小，这表明随着样本数量的增加，DOA估计的性能得到了提升。3.02.52.01.51.00.50.0RMSE-10.0-7.5-5.0-2.50.02.55.07.510.0SNR/dBMUSICSVRResNet图9SNR的影响2.01.61.20.80.40.0RMSE050100150200250300350400SnapshotsMUSICSVRResNet图10快照数的影响5结语本文采用ResNet与和差共阵结合的方法来解决传统互质阵列的差分共阵存在“空洞”的问题。通过仿真可以得出，采用基于 ResNet的和差共阵的DOA估计技术能够有效提高了DOA估计的准确性和适应性，同时也能减少对于阵列阵元的需求。然而，本文中采用的DOA估计算法在神经网络的训练阶段中，数据需求较大，在后期还需不断改进神经网络结构或采用更适宜的神经网络，减少数据需求。参 考 文 献1Ni Z，Luo Y，Motani M，et al.DOA Estimation for Lens Antenna Array via Root-MUSIC，Outlier Detection，and Clustering J.IEEE Access，2020，8：199187-199196.2Pan J，Sun M，Wang Y，et al.An enhanced spatial smoothing technique with ESPRIT algorithm for direction of arrival estimation in coherent scenariosJ.IEEE Transactions on Signal Processing，2020，68：3635-3643.3Narasimhappa M，Mahindrakar A D，Guizilini V C，et al.2255第 51 卷MEMS-based IMU drift minimization：Sage Husa adaptiverobust Kalman filtering J.IEEE Sensors Journal，2019，20（1）：250-260.4Du J，Tu Y，Xu Y，et al.Speech separation of a targetspeaker based on deep neural networks C/2014 12th InternationalConferenceonSignalProcessing（ICSP）.IEEE，2014：473-477.5Weng C，Yu D，Seltzer M L，et al.Single-channel mixedspeech recognition using deep neural networksC/2014IEEE International Conference on Acoustics，Speech andSignal Processing（ICASSP）.IEEE，2014：5632-5636.6Takeda R，Komatani K.Sound source localization basedon deep neural networks with directional activate functionexploiting phase information C/2016 IEEE internationalconference on acoustics，speech and signal processing（ICASSP）.IEEE，2016：405-409.7Xiao X，Zhao S，Zhong X，et al.A learning-based approach to direction of arrival estimation in noisy and reverberant environments C/2015 IEEE International ConferenceonAcoustics，SpeechandSignalProcessing（ICASSP）.IEEE，2015：2814-2818.8Chakrabarty S，Habets E A P.Broadband DOA estimationusing convolutional neural networks trained with noise signals C/2017 IEEE Workshop on Applications of SignalProcessing to Audio and Acoustics（WASPAA）.IEEE，2017：136-140.9BouDaher E，Ahmad F，Amin M G.Sparsity-based direction finding of coherent and uncorrelated targets using active nonuniform arraysJ.IEEE Signal Processing Letters，2015，22（10）：1628-1632.10He K，Zhang X，Ren S，et al.Deep residual learning forimage recognitionC/Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition，2016：770-778.11Yang H，Cai C，Yuan X，et al.RIS-aided constant-envelope beamforming for multiuser wireless power transfer：A max-min approach J.China Communications，2021，18（3）：80-90.12Liu Z M，Guo F C.Azimuth and elevation estimation withrotating long-baseline interferometers J.IEEE Transactions on Signal Processing，2015，63（9）：2405-2419.13Liu Z M，Zhang C，Philip S Y.Direction-of-arrival estimation based on deep neural networks with robustness toarray imperfections J.IEEE Transactions on Antennasand Propagation，2018，66（12）：7315-7327.14邹士祥，林明.基于未知信源数的相干信号DOA估计J.计算机与数字工程，2019，47（10）：2446-2450.ZOU Shixiang，LIN Ming.DOA Estimation of CoherentSignals Based on Unknown Source Number J.Computer&Digital Engineering，2019，47（10）：2446-2450.9刘威，付杰，周定宁，等.基于反时限混沌郊狼优化算法的BP神经网络参数优化 J.控制与决策，2021，36（10）：2339-2349.LIU Wei，FU Jie，ZHOU Dingning，et al.Parameter optimization of BP neural network based on coyote optimization algorithm with inverse time chaoticJ.Control andDecision，2021，36（10）：2339-2349.10Osama S.Faragallah，et al.Secure color image cryptosystem based on chaotic logistic in the FrFT domainJ.Multimedia Tools and Applications，2020，79（3）：2495-2519.11王联国，代永强，施秋红.混沌混合蛙跳算法 J.控制工程，2014，21（06）：891-895.WANG Lianguo，DAI Yongqiang，SHI Qiouhong.ChaosShuffled Frog Leaping Algorithm J.Control Engineering of China.2014，21（06）：891-895.12OU C M.Design of block ciphers by simple chaotic functionsJ.Computational Intelligence Magazine IEEE，2008，3（2）：54-59.13张新明，付子豪.全局引导和相互作用的郊狼优化算法及其应用 J.计算机应用研究，2020，37（09）：2711-2717.ZHANG Xinming，FU Zihao.Coyote optimization algorithm with global guidance and coyote interaction and itsapplicationJ.Application Research of Computers.2020，37（09）：2711-2717.14冯文涛，宋科康.一种增强型鲸鱼优化算法 J.计算机仿真，2020，37（11）：275-279，357.FENG Wentao，SONG Kekang.An Enhanced Whale Optimization AlgorithmJ.Computer Simulation，2020，37（11）：275-279，357.15Jia T C，Zhi M D.Cloud model based sine cosine algorithm for solving optimization problems J.EvolutionaryIntelligence，2019，12（4）：503-514.（上接第2250页）尤俣良等：基于ResNet的和差共阵DOA估计2256