论文部分内容阅读
DOA估计是阵列信号处理中不可或缺的组成部分,而目前传统的DOA估计算法,如经典的MUSIC和ESPRIT算法,需要进行复杂的矩阵运算,MUSIC算法还需要进行谱峰搜索,ESPRIT算法需要对小特征值的重数进行估计,导致对DOA估计时间较长,难以满足实际需求。另一方面,实际中信号传播和阵列接收环境十分复杂,阵列系统存在各种缺陷,导致无法对其准确建模,而机器学习的方法基于数据驱动,不需要对阵列几何形状预先规定、对复杂场景和各种缺陷进行人为假设和简化,能够基于训练数据集重建复杂的模型。本文主要研究将机器学习算法运用到DOA估计中,具体研究内容如下:(1)分析了DOA估计的背景意义和研究现状,对传统的MUSIC和ESPRIT算法进行了深入研究,并对其进行了实验仿真分析。(2)研究了目前主流机器学习DOA估计算法—支持向量机和神经网络,针对这两种算法在少量样本时,对接近-90°和90°到达角估计误差较大的问题,提出将基于梯度提升树和集成学习的XGBoost算法运用到DOA估计中,并对不同情况下各算法进行了仿真分析,实验表明,当信号源为一个时,XGBoost算法平均均方误差比MUSIC算法减少了0.008853度,比ESPRIT算法减少了0.044989度,而平均估计时间比MUSIC算法减少了26.440107s,比ESPRIT算法减少了0.000438s。(3)为解决多个信号源DOA估计问题,本文提出了支持向量分类和XGBoost回归的联合DOA估计模型。支持向量分类估计信号源数量,针对不同信号源数,采用不同的已训练模型对每个信号源的到达角进行估计。实验表明,当信号源数最多三个时,支持向量分类模型的分类准确率最高,可达到99.7%,同时联合估计模型对单样本的平均估计时间为0.001514s,能较好满足实时性的需求。(4)机器学习算法的性能十分依赖数据集的好坏,考虑到实际中到达角是连续值,在-90°～90°中随机生成到达角,构建数据集并仿真,结果表明XGBoost算法平均均方误差上升了0.009858度,性能有所下降,但仍比支持向量回归和神经网络算法效果更好。进一步地,创建不同数量的训练集并对不同算法仿真,实验表明XGBoost算法在不同数据量下性能更稳定,神经网络在数据集6万时接近XGBoost算法性能。