一种高精度的神经网络波达方向估计算法

基于区间划分的神经网络DOA (波达方向)估计算法通过建立多个网络结构来进行波达方向的估计，但是对一些特定角度的信号，识别的精确度不高。为了提高神经网络算法的精确度和适用性，本文对该算法进行了改进：首先利用波束形成技术，调整天线阵元的权值，将天线阵的波束集中在每个区间所对应的角度；在区间划分上，采用边缘重叠的区间划分方式替代原有的均匀无重叠方式。相比于之前的神经网络算法，该算法的识别精确度更高，并且对于任意角度的信号都适用，最后通过仿真验证了该算法的正确性与有效性。

DOA 估计目前面临的主要问题就是如何快速地估计空间中多个信号源的方向，而传统的DOA 估计算法：多重信号分类(MUSIC)算法、基于旋转不变技术的信号参数估计(ESPRIT)算法、Capon 算法等都需要对信号进行特征值分解，运算量十分大，难以保证DOA 估计的实时性[1]。

近年来，利用机器学习快速估计DOA 的方法在一些场景下逐渐取代了传统的DOA 算法，2018 年Huang 等人[2]将MIMO 和DOA 估计集成到深度学习中的非线性框架中，能够很好地模拟出不同信道下的情况，取得了良好的性能，2019 年Wang 等人提出了基于时频掩蔽的深度学习DOA 估计算法[3]，能够应用于多种天线结构。

多信源情况下的神经网络DOA 估计算法也是研究的一个重点， 传统的神经网络算法，通过建立多信号模型，找出信号与角度之间映射关系，但是算法的鲁棒性不高，网络复杂度太大[4]。基于区间划分的神经网络算法，将信号按角度划分到不同的区间，而后在每个区间内进行估计，降低了网络的复杂度，具有良好的鲁棒性[5]，但是在进行区间划分时，很难保证划分的一个准确度，尤其是信号的角度处于区间的边缘处，因此本文提出了一种新的划分方式，同时采用波束形成技术与边缘重叠划分提高区间划分的精确度，进而提升DOA 估计的性能。

2. 信号模型 考虑使用M 元直线阵对信号进行接收，信号模型结构如图1。其中M 表示接收阵的阵元个数，d 为阵元之间的间距，θ 为所求的信号的DOA，那么我们便可以得出相邻两个阵元在接收到信号的时间差 为sindtcθ=，同时也可以求出任意阵元与第一个阵元的相位差为()21sin, 1, , f idiMcθϕ−==π，其中 f 表示入射信号的频率[6]。

假设阵元同时接收N 个信号(也就是说信号的稀疏度为N)， 那么我们便可以得出第k 个天线上的接收信号： ( )( )()( )21sin1eiifkdNjckikixts tntθπ−−==+∑ (1) 其中， ( )is t 示第i 个干扰信号的幅度， ( )knt 表示第k 个阵元的接收到的噪声。