基于广义回归神经网络的均匀线列阵目标方位估计方法

1.一种基于广义回归神经网络的均匀线列阵目标方位估计方法，其特征在于步骤如下：步骤1、采集L个阵元的均匀线列阵接收数据：按照设定的角度范围内，以采样频率为f s ，在采样时间T内，以n角度为间隔，每个角度共采集Tf s 组数据，每组数据为：P(t)＝[p 1 (t),p 2 (t),…,p L (t)]步骤2、对均匀线列阵接收到的数据进行预处理：将基阵接收的频域复声压进行范数归一化：以归一化后复声压的实部和虚部 作为输入特征，其维度为1×2L，Re表示实部，Im表示虚部：步骤3：从各个角度的数据中按比例随机选取数据用于模型的训练和验证，剩余的数据用于数据测试；步骤4：随机地将用于模型的训练和验证的数据分成k折，验证集为其中的1折，训练集为其他的k-1折；步骤5：以k折交叉验证方法来确定最优扩展因子，选取扩展因子范围和步长，将得到的扩展因子用于GRNN模型的优化：步骤6：将均方根误差Root Mean Squard Error，RMSE作为估计结果的衡量指标；其中，θ i 为第i个样本目标方位估计结果，θ为其对应实际方位，N为样本数量；步骤7：将各个扩展因子作为GRNN模型的参数，首先输入训练集对GRNN模型进行训练，再输入验证集进行方位估计，并计算对应的RMSE；将每一折训练样本均作为一次验证集，重复上述过程，统计并计算k个RMSE的均值，即平均RMSE；步骤8：对所有扩展因子，重复以上步骤，将平均RMSE的最小值对应的扩展因子作为最优扩展因子；步骤9：将得到的最优扩展因子作为GRNN模型的参数，并将训练数据用于GRNN模型的训练，再输入多个信噪比下的测试数据进行方位估计，统计目标方位的估计值，并分析GRNN模型的估计性能，训练和验证以及测试后的GRNN模型用于实时数据的方位估计。 2.根据权利要求1所述基于广义回归神经网络的均匀线列阵目标方位估计方法，其特征在于：所述步骤3的比例为3/4的数据用于模型的训练和验证，剩余的1/4用于数据测试。 3.根据权利要求1所述基于广义回归神经网络的均匀线列阵目标方位估计方法，其特征在于：所述n角度为间隔为1度。 4.根据权利要求1所述基于广义回归神经网络的均匀线列阵目标方位估计方法，其特征在于：所述扩展因子范围小于1。 5.根据权利要求1所述基于广义回归神经网络的均匀线列阵目标方位估计方法，其特征在于：所述扩展因子步长0.001～0.1。