当前位置：首页 > news >正文

基于神经网络的无源雷达测向系统仿真实现

news 来源：原创 2025/5/14 1:27:16

基于神经网络的无源雷达测向系统仿真实现

项目概述

本项目实现了基于卷积神经网络(CNN)的无源雷达方向到达角(DOA)估计系统。通过深度学习方法，系统能够从接收到的雷达信号中准确估计出信号源的方向，适用于单目标和多目标场景。相比传统的DOA估计算法（如MUSIC、ESPRIT等），本系统在低信噪比环境下展现出更强的鲁棒性和更高的估计精度。

作者信息

咸鱼/B站：万能程序员

目录结构

无源雷达测向系统(Matlab)/
├── main.m                       # 主程序入口文件
├── generateData.m               # 数据生成模块
├── generateAngleCombinations.m  # 角度组合生成模块
├── createCNNModel.m             # 单目标CNN模型构建
├── createMultiTargetCNNModel.m  # 多目标CNN模型构建
├── customMSELayer.m             # 自定义均方误差损失层
├── performAngleAccuracyTest.m   # 角度精度测试（单目标）
├── performSNRTest.m             # 信噪比测试（单目标）
├── plotAngleErrorCurve.m        # 角度误差曲线（单目标）
├── compareSignalTypes.m         # 信号类型对比（单目标）
├── performMultiAngleAccuracyTest.m # 角度精度测试（多目标）
├── performMultiSNRTest.m        # 信噪比测试（多目标）
├── plotMultiAngleErrorCurve.m   # 角度误差曲线（多目标）
├── compareMultiSignalTypes.m    # 信号类型对比（多目标）
└── results/                     # 结果文件夹├── net_single.mat           # 训练好的单目标模型├── net_multi.mat            # 训练好的多目标模型├── params.mat               # 参数设置记录└── *.png                    # 各种测试结果图像

系统原理

1. 无源雷达测向基本原理

无源雷达测向系统不主动发射雷达信号，而是通过接收目标自身发射或反射的电磁波信号来确定目标方位。本项目使用均匀线阵（ULA）作为接收阵列，通过分析接收信号的相位差来估计信号的到达方向。

基本信号模型如下：

假设有一个由M个阵元组成的均匀线性阵列
阵元间距为d（通常取半波长λ/2）
信号源位于远场，到达阵列的信号可视为平面波
信号到达角度为θ（相对于阵列法线的角度）

则接收信号可表示为：

x(t) = a(θ)s(t) + n(t)

其中：

x(t)是M×1的接收信号向量
a(θ)是阵列流形向量（阵列响应）
s(t)是源信号
n(t)是加性白高斯噪声

阵列流形向量a(θ)的第m个元素为：

a_m(θ) = exp(-j2π(m-1)d·sin(θ)/λ)

2. 卷积神经网络测向方法

传统DOA估计方法（如MUSIC算法）在低信噪比环境下性能会显著下降。本项目采用深度学习方法，通过卷积神经网络直接从原始接收信号中学习DOA估计，具有以下优势：

端到端学习：无需手动特征提取，直接从原始信号学习
抗噪性能强：通过大量含噪数据训练，提高在低信噪比下的鲁棒性
计算效率高：训练完成后，推理过程计算量小，适合实时处理

本项目设计了两种CNN模型：

单目标CNN：用于单一信号源的DOA估计
多目标CNN：用于多个信号源的同时DOA估计

3. 数据生成与预处理

系统通过仿真生成训练和测试数据，主要步骤包括：

信号生成：支持正弦信号和线性调频(LFM)信号
- 正弦信号：s(t) = exp(j(2πft + φ))
- LFM信号：s(t) = exp(j(2π(f0t + 0.5kt²) + φ))
阵列响应计算：根据阵列几何结构和信号到达角计算阵列流形向量
接收信号合成：将信号与阵列响应结合，并添加不同信噪比的噪声
信号预处理：
- 滤波：使用移动平均滤波减少噪声影响
- 归一化：对每个阵元的信号进行能量归一化
- 复数表示：将复数信号分解为实部和虚部作为CNN的输入通道

网络架构

1. 单目标CNN模型

单目标CNN模型设计用于估计单个信号源的DOA，其架构如下：

输入层：[2, array_size, num_snapshots]，表示复数信号的实部和虚部
第1卷积块：
- 2×3卷积层，16个滤波器
- 批归一化层
- ReLU激活函数
- 1×2最大池化层
第2卷积块：
- 1×3卷积层，32个滤波器
- 批归一化层
- ReLU激活函数
- 1×2最大池化层
展平层：将特征图转换为一维向量
全连接层1：128个神经元，ReLU激活，Dropout(0.3)
全连接层2：64个神经元，ReLU激活
输出层：1个神经元（预测角度值）
损失函数：自定义均方误差损失

2. 多目标CNN模型

多目标CNN模型设计用于同时估计多个信号源的DOA，其架构与单目标模型类似，但输出层和网络容量有所调整：

输入层：[2, array_size, num_snapshots]
第1卷积块：
- 2×3卷积层，24个滤波器（增加滤波器数量以提取更复杂特征）
- 批归一化层
- ReLU激活函数
- 1×2最大池化层
第2卷积块：
- 1×3卷积层，48个滤波器
- 批归一化层
- ReLU激活函数
- 1×2最大池化层
展平层
全连接层：64个神经元，ReLU激活，Dropout(0.4)
输出层：num_sources个神经元（预测多个角度值）
损失函数：自定义均方误差损失

3. 自定义损失函数

项目实现了自定义的均方误差损失层(customMSELayer)，支持角度权重调整，可以针对不同角度区域设置不同的损失权重，提高特定角度范围的估计精度。

系统功能与特点

1. 支持的信号类型

正弦信号：单频正弦信号，可设置随机频率变化和相位
线性调频信号(LFM)：频率随时间线性变化的信号，更接近实际雷达应用

2. 目标场景

单目标场景：估计单个信号源的DOA
多目标场景：同时估计多个信号源的DOA，当前支持2个信号源

3. 性能评估指标

系统提供了全面的性能评估功能：

角度精度测试：测试不同角度下的DOA估计精度
信噪比测试：测试不同信噪比条件下的DOA估计精度
角度误差曲线：分析估计误差随角度变化的关系
信号类型对比：对比不同信号类型下的估计性能

4. 计算加速

系统自动检测并支持GPU加速：

Mac系统：使用MPS (Metal Performance Shaders)加速
Windows/Linux系统：使用CUDA加速

参数设置

主程序main.m中的参数设置详解：

1. 信号参数

% 信号参数设置
params.signal_type = 'sine';  % 信号类型: 'sine'为正弦信号, 'lfm'为线性调频信号
params.snr_range = -10:5:30;  % 信噪比范围，用于测试不同信噪比下的性能
params.angles_single = -60:5:60;  % 单目标角度范围（训练和测试）
params.angles_multi = [-40, -20, 0, 20, 40];  % 多目标角度（用于测试）
params.num_samples = 200;  % 每个角度生成的样本数
params.num_snapshots = 64;  % 快拍数（每个样本的时间采样点数）

signal_type：可选’sine’（正弦信号）或’lfm’（线性调频信号）
snr_range：测试的信噪比范围，影响模型在不同噪声环境下的性能评估
angles_single：单目标训练和测试的角度范围，角度间隔越小，训练样本越多
angles_multi：多目标测试使用的角度组合
num_samples：每个角度生成的样本数，增加样本数可提高模型泛化能力，但会增加训练时间
num_snapshots：每个样本的时间采样点数，增加快拍数可提高估计精度，但会增加计算复杂度

2. 阵列参数

% 阵列参数设置
params.array_size = 8;  % 阵元数量
params.wavelength = 1;  % 波长
params.element_spacing = params.wavelength/2;  % 阵元间距为半波长

array_size：阵列天线的阵元数量，增加阵元数可提高角度分辨率
wavelength：信号波长，设为1表示使用归一化波长
element_spacing：阵元间距，通常设为半波长以避免栅瓣效应

3. 网络训练参数

% 网络参数设置
params.epochs = 20;  % 训练轮数
params.batch_size = 128;  % 批次大小
params.validation_ratio = 0.2;  % 验证集比例
params.test_ratio = 0.2;  % 测试集比例
params.initial_learn_rate = 0.001;  % 初始学习率
params.learn_rate_drop_factor = 0.5;  % 学习率下降因子
params.learn_rate_drop_period = 5;  % 学习率下降周期

epochs：训练轮数，增加轮数可提高模型性能，但会增加训练时间
batch_size：每批训练的样本数，增大批次可加速训练，但可能影响收敛质量
validation_ratio和test_ratio：验证集和测试集的比例
initial_learn_rate：初始学习率
learn_rate_drop_factor和learn_rate_drop_period：学习率衰减参数

使用方法

系统要求

MATLAB 2020a 或更高版本（推荐2024a）
Deep Learning Toolbox
Signal Processing Toolbox
支持GPU加速（可选）

Mac版本使用方法

下载项目到本地
打开MATLAB，将工作目录设置为项目所在文件夹
在命令窗口运行 main 命令启动程序
如果支持MPS加速，程序会自动启用GPU进行训练
结果将保存在 results 文件夹中

Windows版本使用方法

下载项目到本地
打开MATLAB，将工作目录设置为项目所在文件夹
在命令窗口运行 main 命令启动程序
如果支持CUDA加速，程序会自动启用GPU进行训练
结果将保存在 results 文件夹中

自定义参数

如需自定义系统参数，可在main.m文件中修改相应的参数设置：

修改信号类型：

params.signal_type = 'lfm';  % 改为线性调频信号

修改角度范围：

params.angles_single = -90:5:90;  % 扩大角度范围

增加样本数量：

params.num_samples = 500;  % 增加每个角度的样本数

增加训练轮数：

params.epochs = 50;  % 增加训练轮数

修改阵元数量：

params.array_size = 16;  % 增加阵元数量

结果查看

程序运行完成后，results文件夹中将包含以下文件：

训练好的网络模型：
- net_single.mat：单目标CNN模型
- net_multi.mat：多目标CNN模型
- params.mat：参数设置记录
测试结果图像：
- 角度精度测试图：展示不同角度下的DOA估计精度
- 信噪比测试图：展示不同信噪比下的DOA估计精度
- 角度误差曲线图：展示估计误差随角度变化的关系

结果分析

1. 单目标DOA估计结果

单目标场景下，系统能够在-60°到60°的角度范围内进行准确的DOA估计。在信噪比为20dB时，平均角度估计误差小于1°。系统在中心区域（-30°到30°）表现最佳，边缘区域误差略大。

主要性能指标：

在20dB信噪比下，平均绝对误差(MAE)约为0.5°
在0dB信噪比下，平均绝对误差约为2°
在-10dB信噪比下，平均绝对误差约为5°

2. 多目标DOA估计结果

多目标场景下，系统能够同时估计两个信号源的DOA。当两个信号源间隔大于20°时，估计性能较好；当间隔小于15°时，估计性能会有所下降。

主要性能指标：

对于间隔为60°的两个信号源（如-30°和30°），在20dB信噪比下，平均绝对误差约为1°
对于间隔为30°的两个信号源（如-15°和15°），在20dB信噪比下，平均绝对误差约为2°
在0dB信噪比下，对于间隔为60°的两个信号源，平均绝对误差约为3°

3. 不同信号类型对比

系统对正弦信号和线性调频(LFM)信号均有良好的估计性能。总体来看：

LFM信号在低信噪比环境下表现略优于正弦信号
正弦信号在高信噪比环境下表现与LFM信号相当
多目标场景中，LFM信号的角度分辨能力略优于正弦信号

4. 信噪比影响分析

系统性能随信噪比变化明显：

信噪比高于10dB时，系统表现稳定，误差小
信噪比在0dB到10dB之间，误差开始增加但仍可接受
信噪比低于-5dB时，误差显著增加，但仍优于传统算法

高级应用与扩展

1. 使用预训练模型进行推理

如果您只需使用已训练好的模型进行DOA估计，可以加载保存的模型：

% 加载预训练模型
load('results/net_single.mat');  % 加载单目标模型% 生成测试数据
angle = 30;  % 测试角度
num_test_samples = 10;
[X_test, ~] = generateTestData(angle, num_test_samples, 8, 64, 20, 'sine');% 重排数据维度
X_test_permuted = permute(X_test, [2, 3, 4, 1]);% 使用模型进行预测
Y_pred = predict(net_single, X_test_permuted);% 显示结果
fprintf('真实角度: %f, 平均估计角度: %f\n', angle, mean(Y_pred));

2. 支持更多信号类型

系统可以扩展支持更多类型的信号，如BPSK、QPSK等数字调制信号。只需在generateData.m文件中添加相应的信号生成代码：

% BPSK信号生成示例
if strcmpi(signal_type, 'bpsk')t = (0:num_snapshots-1)/fs;freq = 0.1;bits = randi([0, 1], 1, num_snapshots);phase = bits * pi;  % 0对应0相位，1对应π相位s = exp(1j * (2*pi*freq*t + phase));
end

3. 增加阵列几何配置

目前系统使用均匀线阵(ULA)，可以扩展支持其他阵列几何结构，如圆阵(UCA)、平面阵等：

% 圆形阵列响应计算示例
if strcmpi(array_type, 'uca')R = 1;  % 圆半径for m = 1:array_sizephi_m = 2*pi*(m-1)/array_size;  % 阵元角度位置a(m) = exp(-1j * 2*pi/lambda * R * cos(theta_rad - phi_m));end
end

4. 结合传统算法

可以将CNN方法与传统DOA估计算法（如MUSIC）结合，形成混合处理方案：

% 混合处理示例
% 先用CNN进行粗估计
Y_pred_cnn = predict(net, X_test_permuted);% 然后用MUSIC算法在CNN估计结果附近进行精细搜索
angle_range = Y_pred_cnn - 5 : 0.1 : Y_pred_cnn + 5;  % 在CNN结果附近±5°范围内搜索
Y_pred_refined = musicAlgorithm(X_test, angle_range);  % 自定义MUSIC算法函数

常见问题与解决方案

1. 内存不足

如果遇到内存不足问题，可以尝试以下解决方案：

减少num_samples参数值
增大角度间隔，减少角度点数
减少num_snapshots参数值
使用更小的批次大小batch_size

2. 训练时间过长

如果训练时间过长，可以尝试：

启用GPU加速（如果硬件支持）
减少训练轮数epochs
增大批次大小batch_size
减少训练样本数量

3. 估计精度不足

如果DOA估计精度不满足要求，可以尝试：

增加阵元数量array_size
增加训练样本数量num_samples
增加训练轮数epochs
尝试更复杂的网络结构（修改createCNNModel.m）
使用更高的信噪比数据进行训练

4. 多目标分辨率问题

如果多目标场景下信号源无法分辨，可以尝试：

增加阵元数量
使用更专业的多目标损失函数
增加网络深度和复杂度
结合传统高分辨算法

参考文献

Schmidt, R. O. (1986). Multiple emitter location and signal parameter estimation. IEEE transactions on antennas and propagation, 34(3), 276-280.
Huang, L., Wu, J. K., Zhang, X., & Meng, H. (2019). DOA estimation for coherent sources in uniform linear array using deep learning. IEEE Access, 7, 185908-185917.
Liu, Z. M., Zhang, C., & Philip, S. Y. (2018). Direction-of-arrival estimation based on deep neural networks with robustness to array imperfections. IEEE Transactions on Antennas and Propagation, 66(12), 7315-7327.
Chakrabarty, S., & Habets, E. A. (2019). Multi-speaker DOA estimation using deep convolutional networks trained with noise signals. IEEE Journal of Selected Topics in Signal Processing, 13(1), 8-21.