(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111653969.5 (22)申请日 2021.12.3 0 (71)申请人 复旦大学 地址 200433 上海市杨 浦区邯郸路2 20号 (72)发明人 陈赟　林立宇　江宇　佘超然　 (74)专利代理 机构 上海正旦专利代理有限公司 31200 专利代理师 陆飞　陆尤 (51)Int.Cl. G01S 3/14(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于深度学习的到 达角估计系统 (57)摘要 本发明属于无线通信技术领域， 具体为一种 基于深度学习的到达角估计系统。 本发明系统包 括信号模型、 数据预处理模块、 双分支神经网络 模型； 信号模型用于对输入信号进行建模； 数据 预处理模块用于初步提取信号特征； 双分支神经 网络模型包括特征提取网络和并行预测网络， 并 行预测网络包括分类分支， 回归分支和输出层； 特征提取网络用于提取输入数据的深层特征， 输 出给分类分支和回归分支， 分类分支给出DoA的 大致范围即掩码， 回归分支给出DoA相对网格点 的误差， 输出层结合两个分支的结果给出最终的 DoA估计结果。 仿真结果表明， 与基于模型的深度 学习方法和已有的深度学习方法相比， 本发明在 存在模型缺陷的情况下， 能够达到更高的DoA估 计精度， 且大小仅为1.8MB。 权利要求书2页 说明书6页 附图2页 CN 114487988 A 2022.05.13 CN 114487988 A 1.一种基于深度学习的到达角估计系统， 其特征在于， 包括信号模型， 数据预处理模 块， 双分支神经网络模型三部分； 其中： 所述信号模型用于对输入信号进行建模； 其中， 将考虑增益和相位不一致、 传感器间相 互耦合和天线位置偏差三项模型缺陷， 对模型进 行优化， 在原有模型基础上增加四个参数， 分别代表增益偏差、 相位偏差、 传感器相互耦合偏差和天线位置偏差； 所述数据预处理模块， 用于初步提取信号特征， 包括取输入数据的协方差矩阵的上三 角区域， 对其实部和虚部分别重新构建矩阵后拼接在一 起， 得到处 理后的数据； 所述双分支神经网络模型， 包括特征提取网络和并行预测网络， 并行预测网络包括分 类分支， 回归分支和输出层； 特征提取网络用于提取输入数据的深层特征， 输出给分类分支 和回归分支， 分类 分支给出DoA的大致范围即掩码， 回归分支给出DoA相对网格点的误差， 输 出层结合两个分支的结果给 出最终的DoA估计结果。 2.根据权利要求1所述的基于深度学习的到达角估计系统， 其特征在于， 所述双 分支神 经网络模型中： 所述特征提取网络由五层卷积层组成， 每层卷积层包括卷积部分， 归一化部分和 ReLu 激活函数部分， 输入数据信道数为2， 通过 特征提取网络后得到的输出为128信道的特 征值； 所述分类分支和回归分支均由卷积层和激活层构成， 激活函数分别为Sigmoid函数和 Tanh函数， 给出的输出为含有121个元素的向量； 分类 分支给出的结果表 示DoA的掩码， 向量 中的元素为1或0， 表 示该元素索引对应的角度的扇区内是否有目标DoA 值； 回归分支给出C ‑ Branch每个为1的元 素索引对应的网格点与DoA的误差值； 所述输出层将分类分支的结果中为1的元素索引与网格间距相乘再加上回归分支给出 的误差值得到最终的DoA结果； 训练时， 分类分支用二值交叉熵作为损失函数， 回归分支用l2范数作为损失函数， 将分 类分支的损失函数乘以0.1后加上回归分支的损失函数得到总损失函数， 并利用该损失函 数来对整个网络进行训练优化。 3.根据权利要求2所述的基于深度学习的到达角估计系统， 其特征在于， 系统工作如 下： (1)首先， 对输入信号进行建模， 并考虑三种模型缺陷， 包括增益和相位不一致、 传感器 间相互耦合和天线位置偏差， 对模型进 行修改， 在原有模型基础上增加四个参数， 分别代表 增益偏差、 相位偏差、 传感器相互耦合偏差和天线位置偏差； (2)对输入信号进行预处理， 先取输入数据的协方差矩阵， 再取协方差矩阵的上三角区 域， 对其实部和虚部分别重新构建矩阵后拼接在一 起得到处 理后的数据； (3)将经预处理后数据输出到特征提取网络， 由特征提取网络给出输入信号的协方差 矩阵的特 征， 输出到 C‑Branch和R‑Branch； C‑Branch输出一个掩码向量m＝[m1， m2， ...， mG]， 每个元素的值属于{0， 1}， 表示粗略 DoA估计， 即DoA可能在为1的掩码索引对应的网格位置； R ‑Branch输出一个偏差向量d＝ [d1， d2， ...， dG]， 给出相对于元 素索引对应网格的DoA偏差， 用于对DoA估计的细化； 输出层结合C ‑Branch和R ‑Branch的输出结果， 首先找到m中K个峰值的索引p＝[p1， ...， pk]， 与网格大小相乘得到粗略DoA估计， 再加上d中对应的偏差值得到精确的DoA估计； 训练时， 使用二值交叉熵作为C ‑Branch的损失函数， 使用l2范数作为R ‑Branch的损失函权　利　要　求　书 1/2 页 2 CN 114487988 A 2数， 总损失设为 L＝0.1×lBCE+l2。 4.根据权利要求1所述的基于深度学习的到达角估计系统， 其特征在于， 所述输入信号 建模的过程如下： 设sk(t)为第k个输入信号， θk为DoA， 接收到的信号表示 为： 其中， n(t)～CN(0, σ2)， 为高斯噪声， K为源数， a( θk)为阵列响应向量； 假设采用均匀线 性阵列(ULA)， 有： 其中， M为ULA中的天线数， d为相邻天线之间的间距， λ为波长； 考虑三种模型缺陷， 即增益和相位不一致(eg， epha)， 传感器间相互耦合(em)和天线位置 的偏差(epos)， 将a( θk)中的第i个(i ＝1，……， M)元素重写为： 5.根据权利要求4所述的基于深度学习的到达角估计系统， 其特征在于， 所述输入信号 预处理过程如下： x(t)的协方差矩阵近似为： 其中， N表示快照的数量； 然后， 将所提神经网络的输入值表示如下： u＝[Vec(Real(Triu(R) ))， Vec(Ima g(Triu(R) )))]  (5) 其中， Triu( ·)表示该矩阵的上三角形部分， Vec( ·)将该矩阵重构为 一个向量。权　利　要　求　书 2/2 页 3 CN 114487988 A 3