2022, 44(12):81-86.
摘要:
针对低信噪比下基于实数卷积神经网络(RV-CNN)的阵列波达方向(DOA)估计方法对接收信号幅相特征提取不充分的问题,引入复数卷积神经网络(CV-CNN)进行DOA 估计。为进一步提高分类准确率,构建了一种基于复数卷积神经网络的非对称双通道DOA 估计模型(CV-DCNN)。该模型以阵列接收信号的复数协方差矩阵作为输入,分别输入由空洞卷积层组成的第一通道和由标准卷积层组成的第二通道中,其中空洞卷积在不损失角度信息的情况下,增大特征图的感受野。通过复数卷积神经网络(CV-CNN)独有的复数卷积方式提取和融合信号的幅值和相位特征,将双通道提取的特征融合后通过全连接层和sigmoid 函数实现角度分类结果输出。实验结果表明,CV-CNN 比RV-CNN 有更快的收敛速度,在低信噪比和少快拍条件下,CV-CNN 比RV-CNN 有更高的估计精度,而CV-DCNN 比CV-CNN 在收敛速度和估计精度上又有了进一步的提升。
