本发明涉及波达方向估计，尤其是涉及一种跨平台的复域特征增强相干超分辨doa估计方法。
背景技术：
1、波达方向(directionofarrival，doa)是指空间信号的到达方向(各个信号到达阵列参考阵元的方向角，简称波达方向)。它是空间谱估计理论中一个重要概念，而空间谱估计又是阵列信号处理两大研究方向之一。
2、典型的doa估计方法包括单脉冲测角法(比幅单脉冲、比相单脉冲)以及阵列超分辨测角法。单脉冲测角技术，计算量小，实时性强，但精度不高，不适合多源的doa估计，更适合相干源的角度估计问题。目前，对于相干信号的doa估计问题，主要是采用阵列信号处理的方法。对于相干源的doa估计，经典的超分辨算法包括多重信号分类算法(multiplesignalclassification，music)和最大似然算法(maximumlikelihood，ml)。ml算法已知噪声的统计分布特征，算法性能较优。对于单源信号，通常可以直接采用ml算法进行角度估计，但如果涉及到多源估计问题，ml算法涉及到多个维度的投影矩阵计算问题，计算量较大，实时性较差，通常可以采用多维交替迭代的优化算法，降低计算复杂度，但交替迭代过程不能总是优化到全局最优解，性能会略有损失；若采用music算法，则必须先进行解相干处理，恢复协方差矩阵的秩，经典的秩恢复手段是采用子阵平滑的方法实现，即空间平滑music算法(spatialsmoothingmusic，ssmusic)。显而易见，平滑处理造成了阵列孔径损失，测角性能下降，此外，music算法涉及到特征值分解运算，计算量较大。对于这几种超分辨算法，在理想远场平面波模型条件下，若快拍数和信噪比(signal-to-noiseratio，snr)较高时，能取得良好的估计性能；但是，当实际接收信号模型不满足远场平面波模型匹配度较高，快拍数较少时，则超分辨算法性能大大降低。
3、人工智能已经成为当今社会的热点话题之一，这主要归功于深度学习的迅速发展，而神经网络(neuralnetworks)是深度学习的重要模型，主要被应用于计算机视觉领域，并在该领域取得了许多优异的成果。已有的基于深度学习的超分辨算法性能虽高，但仅利用到目标的空域特征，即空域稀疏性，通过深度神经网络学习阵列接收数据与目标仰角的映射关系，缺少分析阵列接收数据本身的数据特征，且对阵列接收数据要求要有较高的快拍数。
4、然而大多数神经网络都是基于实数表示的，而很少是基于复数表示的。最近研究表明，基于复数表示的网络比基于实数表示的网络具有更好的表达能力。2010年，haenschr与hellwicho将复数神经网络应用在全极化合成孔径雷达图像进行分类，实验结果表明复数的性能优于复数全连接网络。2016年，danihelka等人中提出复数长短时记忆网络，实现了比实数长短时记忆网络更好的性能。2017年，popa等人提出了多层复数神经网络，并在mnist与cifar-10数据集上实现比实数神经网络更好的性能。2018年，trabelsi等人提出了复数残差网络(complex-valuedresidualnetworks，cresnet)，它的核心模块为cresnet块。2019年，程慧涛应用复数神经网络到核磁共振成像数据的重建上，取得了比传统方法更好的结果。2020年，党泽将cresnet应用于无线通信干扰信号的识别，cresnet的识别性能优于rresnet的识别性能。
5、复数域神经网络(complex-valuedneuralnetwork，cv-nn)相对于实数域神经网络(real-valuedneuralnetwork，rv-nn)具有明显识别优势。在低空目标情况下，多径信号会导致目标直接信号的幅相失真，降低了现有方法在到达方向(doa)估计中的性能。
6、因此，急需一种相位增强的方法，利用监督深度神经网络(dnn)来减轻相位失真，并提高doa估计的精度。
技术实现思路
1、本发明的目的是提供一种跨平台的复域特征增强相干超分辨doa估计方法，将监督深度神经网络(dnn)与超分辨率doa估计技术结合，通过训练好的dnn网络对所接收信号相位的增强，以提高到达方向(doa)估计的精度，进而将该技术应用于不同平台以解决实际中的问题。
2、为实现上述目的，本发明提供了一种跨平台的复域特征增强相干超分辨doa估计方法，包括以下步骤：
3、s1、构建复数域cvsimo学习模型；
4、s2、对采样数据进行预处理；
5、s3、cvsimo学习模型的前向传播；
6、s4、cvsimo学习模型的反向传播与参数优化；
7、s5、数据重构与信号分离；
8、s6、跨平台的超分辨doa估计；
9、s7、进行模型仿真实验。
10、优选的，步骤s1中，所述复数域cvsimo学习模型包括一个复值输入层、四个隐藏层和k个独立的复值输出层。
11、优选的，步骤s2中，所述对采样数据进行预处理的具体过程如下：
12、假设训练集由n个样本组成，表示为：其中y(t)代表第t个采样数据，代表第k个标记数据，对n个样本特征的实部和虚部进行复值高斯归一化处理，如下所示：
13、y(t)＝a(θ,λ)s(t)+n(t),t＝1,2,…,l(1)
14、其中，r(·)和i(·)分别为求解复数的实部和虚部分量；μr和μi分别表示训练集实部和虚部的统计平均值；σr和σi分别表示训练集实部和虚部的统计标准差，表示为：
15、
16、优选的，步骤s3具体过程如下：
17、隐藏层和输出层均为全连接层，假设第l层的输入是ol-1，复数权重矩阵为wl，该隐藏层经复数激活函数σc激活后的输出表示为：
18、ol＝σc(zl)＝σ(r(zl))+i·σ(i(zl)) (3)
19、其中zl＝wlol-1；
20、对于一个l层的全连接神经网络，输出层由k个独立的全连接层组成，假设第k个输出层的复权矩阵为wl,k，则第k个输出层的输出表示为：
21、ol,k＝σc(zl,k)＝σc(wl,kol-1) (4)
22、因此，cvsimo学习模型的前向传播表示为：
23、
24、优选的，步骤s4中，cvsimo学习模型的损失表述为：
25、
26、设第l层p行q列的复数权重矩阵w的参数更新公式为：
27、
28、其中η代表学习率，由于链式法则得到：
29、
30、
31、其中，表示向量zl的第p个元素，表示向量ol-1的第q个元素，将式(9)带入式(8)得：
32、
33、其中，设误差项因此式(7)表示为：
34、
35、当l＝l时，误差项表示为：
36、
37、当l＝l-1时，误差项的第m个元素表示为：
38、
39、其中，
40、
41、将式(14)代入式(13)得：
42、
43、将式(12)和式(15)合并，第l层得误差项总结为：
44、
45、接着采用自适应矩估计adam算法，对cvsimo学习模型得权重进行优化，直至学习误差收敛。
46、优选的，步骤s5中，对cvsimo模型学习模型的优化后，利用cvsimo模型对给定数据的相干信号分离：假设任意测试数据为y′(t)|λ2且λ1≠λ2，测试样本使用式(2)中的均值和标准差进行高斯归一化处理，处理后的样本为：
47、
48、将经过归一化处理的数据输入到训练好的simo学习模型中，通过模型的前向传播过程，得到分离后的k个信号数据的输出，k个独立输出为：
49、
50、其中，s′(t)和n′(t)代表分离的信号数据和噪声数据。
51、优选的，步骤s6中，经过cvsimo模型分离的阵列数据只包含一个信号源，使用复域特征增强相干超分辨doa估计技术，使分离的信号先经过dnn网络进行相位的增强，去除噪声等干扰，再进行doa估计；
52、对于不同平台即频率发生变化时的doa估计按如下原理矫正：
53、假设训练集样本的波长为λ1，相干信号的角度范围为θk∈[φ1,φ2]，测试集为跨平台采样数据，测试集样本的波长为λ2，不同于训练集样本，相干信号的角度范围是且
54、训练集和测试集样本的相位特征表示为：
55、
56、测试集φ2的相位特征通过对λ1进行等效替换得到：
57、
58、令其中相位特征φ2表示为：
59、
60、上面的变化形式和φ1一致，这意味着跨平台波长的变化会引起doa所测角度的变化，并且满足如下关系：
61、
62、因此，跨平台条件下的doa通过以下方式来估计：
63、
64、分析式(23)，讨论λ1和λ2的取值范围，由于得到：
65、
66、因此，的取值范围为：
67、
68、经过cvsimo学习网络所分离数据的doa估计通过经典的dbf、music和ml算法实现：
69、将所测角度记为θ′，由上述矫正原理，根据式(23)，得到波长为λ2的跨平台doa估计结果表示为：
70、
71、其中，θ′为训练集样本的测角结果，θ为跨平台期待输出的测角结果。
72、因此，本发明采用上述一种跨平台的复域特征增强相干超分辨doa估计方法，有益效果如下：
73、(1)本发明通过使用监督深度神经网络dnn对接收信号的相位进行增强，解决了低空目标情况下多径信号导致的相位失真问题。相位增强方法具有针对性和精确性，能够提高到达方向doa估计的精度。
74、(2)本发明可以应用于不同的实际情景，解决跨平台的doa估计问题，通过构建并训练监督深度神经网络模型，然后利用该训练好的dnn网络实现不同平台的相位增强，进而高精度进行doa估计。
75、(3)传统的相干信号处理方法在存在多个相干源时可能受到相互干扰和耦合的影响，导致doa估计结果不准确；本发明通过深入分析相干信号的耦合作用，挖掘信号模型的潜在特征，实现多个点源信号的特征挖掘，从而提高doa估计的准确性。
76、(4)传统的超分辨算法通常具有较高的计算复杂度，不适用于实时应用场景，本发明利用复数域神经网络模型，将多源估计问题转化为单点源的doa估计问题，从而实现快速的doa估计。复数域神经网络具有更快的学习速度和更丰富的表达能力，能够提高算法的实时性和性能。
77、(5)本发明引入复数域神经网络相对于实数域神经网络，可以更好地保留阵列孔径的信息，并具有更强大的特征提取和表达能力，利用复数域神经网络的优势，增强相干信号的特征，提高超分辨doa估计算法的性能和精度。
78、(6)本发明针对实际战时和非战时雷达信号频点不同(波长不同)，训练样本和测试样本的波长差异导致相位分布特征不匹配的问题，该技术利用复数域数据特征分离模型实现多个相干信号的数据分离并进行doa估计，通过巧妙的特征求解实现真实角度估计。
79、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
1.一种跨平台的复域特征增强相干超分辨doa估计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种跨平台的复域特征增强相干超分辨doa估计方法，其特征在于，步骤s1中，所述复数域cvsimo学习模型包括一个复值输入层、四个隐藏层和k个独立的复值输出层。
3.根据权利要求2所述的一种跨平台的复域特征增强相干超分辨doa估计方法，其特征在于，步骤s2中，所述对采样数据进行预处理的具体过程如下：
4.根据权利要求3所述的一种跨平台的复域特征增强相干超分辨doa估计方法，其特征在于，步骤s3具体过程如下：
5.根据权利要求4所述的一种跨平台的复域特征增强相干超分辨doa估计方法，其特征在于，步骤s4中，cvsimo学习模型的损失表述为：
6.根据权利要求5所述的一种跨平台的复域特征增强相干超分辨doa估计方法，其特征在于，步骤s5中，对cvsimo模型学习模型的优化后，利用cvsimo模型对给定数据的相干信号分离：假设任意测试数据为y′(t)|λ2且λ1≠λ2，测试样本使用式(2)中的均值和标准差进行高斯归一化处理，处理后的样本为：
7.根据权利要求6所述的一种跨平台的复域特征增强相干超分辨doa估计方法，其特征在于，步骤s6中，经过cvsimo模型分离的阵列数据只包含一个信号源，使用复域特征增强相干超分辨doa估计技术，使分离的信号先经过dnn网络进行相位的增强，去除噪声等干扰，再进行doa估计；
