(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110259681.3 (22)申请日 2021.03.10 (65)同一申请的已公布的文献号 申请公布号 CN 113033083 A (43)申请公布日 2021.06.25 (73)专利权人 浙江大学 地址 310058 浙江省杭州市西湖区余杭塘 路866号 (72)发明人 宋春毅　方文巍　俞鼎柯　王昕　 席玉章　徐志伟　李欢　 (74)专利代理 机构 杭州求是专利事务所有限公 司 33200 专利代理师 贾玉霞 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01)G06N 3/02(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 110967665 A,2020.04.07 CN 106971713 A,2017.07.21 CN 111199281 A,2020.0 5.26 US 2018341017 A1,2018.1 1.29 US 2020359914 A1,2020.1 1.19 US 20182798 84 A1,2018.10.04 US 2018096 595 A1,2018.04.0 5 US 2009043441 A1,20 09.02.12 于斌等.阵列误差 影响下的RBF神经网络波 达方向估计. 《微波学报》 .20 07,(第06期),全文. 吴彪等.均匀线阵互耦矩阵非Toepl itz条件 下的DOA估计. 《雷达科 学与技术》 .2009,(第05 期),全文. 审查员 夏容 (54)发明名称 一种基于密度峰值聚类径向基神经网络波 达方向估计方法 (57)摘要 本发明公开了一种基于密度峰值聚类径向 基神经网络波达方向估计方法， 存在互耦误差的 阵列天线接收信号源信号， 计算所接收信号的协 方差矩阵； 将协方差矩阵中的上三角元素转换为 归一化实向量， 得到互耦误差协方差信息向量； 将互耦误差协方差信息向量输入互耦校正网络， 得到校正后的协方差信息向量； 校正后的协方差 信息向量输入给DOA估计网络， 获得DOA的估计 值； 本发明通过密度峰值聚类方法， 确定径向基 函数的个数、 中心、 方差， 提高了网络结构和性能 的稳定性； 在密度峰值聚类时， 对样本点的决策 值进行降序排序， 选出重要性样本集， 使用大间 隔采样结合重要样本采样方法， 减少采样点数。 权利要求书3页 说明书6页 附图2页 CN 113033083 B 2022.06.17 CN 113033083 B 1.一种基于密度峰值聚类径向基神经网络波达方向估计方法， 其特征在于， 包括以下 步骤： S1： 在仿真环境中， 设置信号源入射角以小间隔均匀变化， 根据阵列天线接收模型， 产 生理想数据集D1＝[X1， Y1]， 其中， X1为输入样本集， Y1为标签样本集； S2： 对D1中的输入样本集X1， 使用密度峰值聚类算法， 获得聚类结果， 根据聚类结果确 定波达方向估计网络的径向基函数参数， 并选取重要样本采样集Z1， 使用D1训练已确定径 向基函数参数的波达方向估计网络， 得到训练好的波达方向估计网络； 所述步骤S2通过以下子步骤来实现： S2.1： 计算协方差矩阵信息向量xi与xj之间欧式距离dij 其中， xi， xj∈X1， n为向量x的维数； S2.2： 对dij进行升序排序， 得到序列dist， 计算截断距离dc＝dist[I]； 其中， I 为序号， I＝round(percent ·N·(N‑1)/2)， round( ·)表示四舍五入取整运算， percent是一个 百分数， 取值 为1％‑2％之间， 其中dist[ ·]表示对序列取 所选序号对应的值； S2.3： 对于每一数据点xi∈X1， 计算局部密度ρi和高密度距离 δi 其中， ρmax为数据点中最大局部密度值； S2.4： 对每一数据点xi计算归一 化决策值 其中， δmax为数据点中最大的高密度距离； S2.5： 对样本点按归一化决策值γi进行降序排序， 绘制排序图， 找到拐 点， 并将拐点序 号作为聚类结果； 然后选取归一 化决策值大的前N2个样本点的标签， 作为重要性采样集Z1； S2.6： 确定径向基神经网络中的隐藏层径向基函数为 隐藏层径向基函数的个 数为nc， nc为x的维数与S2.5的聚类结果数之和； 选取归一化决策值大的前nc个样本点作为 nc个径向基函数的中心ci， nc个点局部密度ρi作为径向基函数的方差σi； S2.7： 使用最小二乘法确定径向基神经网络隐藏层和输出层之间的权 重系数wi， H+＝HT(HHT)‑1权　利　要　求　书 1/3 页 2 CN 113033083 B 2其中， W为权重系数wi形成的矩阵， 权重系数wi是由径向基神 经网络的代价函数最小时 计算得到的， 代价函数 H+是H矩阵的广义逆， xi为径向基神经网络 的输入， yi为标签， 为输出； S3： 使用存在互耦误差的天线系统， 设置信号源入射角， 分别进行大间隔均匀采样和按 Z1中的角度值进行重要样本点采样， 采样结果取并集， 得到互耦误差数据集D2＝[X2， Y2]， X2为输入样本集， Y2为标签样本集； S4： 从D1中的X1选取与D2中的X2具有相同标签的输入样本X3， 将X2和 X3组成数据集D3 ＝[X2， X3]， 用数据集D3训练互耦 校正神经网络， 然后用互耦误差协方差矩阵信息向量作为 训练后的互耦校正神经网络的输入， 输出经过互耦矫正的协方差矩阵信息 向量， 并将其作 为所述的训练好的波达方向估计网络的输入， 输出波达方向的估计值。 2.根据权利要求1所述的基于密度峰值聚类径向基神经网络波达方向估计方法， 其特 征在于， 所述 步骤S1具体为： S1.1： 设置单个信号源入射角在 区间[‑θ， θ]内以小间隔Δθ均匀变化， 则采样点数目N ＝2·θ /Δθ +1； 阵列天线接收信号， 其中， 阵列天线接收的数据矢量X(t)表示 为： X(t)＝AS(t)+N(t) 其中， N(t)＝[n1(t) n2(t)...nM(t)]为噪声数据矢量， S(t)＝[s1(t) s2(t)...sM(t)] 为信号源矢量， A为阵列的导向矢量， M为阵列天线的阵元 数目； S1.2： 计算协方差矩阵Rx x； S1.3： 对Rxx取不包括对角线的上三角元素， 组成复数向量Ru＝[r12， r13，…， r1M， r23， r24，…， r(M‑1)M]； 对上三角元 素进行实值 化， 得到实数向量r＝[real(Ru)， ima g(Ru)]； S1.4： 对实数向量r进行归一化， 得到协方差矩阵信息向量x＝r/||r||； 并用N个x组成 输入样本集X1， 并用采样的N个信号源 入射角作为标签样本集Y1， 组成理想数据集D1。 3.根据权利要求1所述的基于密度峰值聚类径向基神经网络波达方向估计方法， 其特 征在于， 所述 步骤S3具体为： 设置信号源入射角在区间[ ‑θ， θ]内以大间隔Δθ2均匀变化， Δθ2＝k ·Δθ， 采样N3＝ 2·θ/Δθ2+1个点； 设置信号入射角为Z1中的入射角， 采样N2个点； 取N2个采样点和N3个采 样点的并集N4， 使用存在互耦误差的天线系统接收信号， 获得互耦误差协方差矩阵信息向 量z； 并用N4个z组成互耦误差数据集D2的输入样本集X2， 并用采样时设置的信号源的入射 角作为标签， 组成标签样本集Y2， 形成互耦误差数据集D2。权　利　要　求　书 2/3 页 3 CN 113033083 B 3