基于迁移学习的卫星信号波达方向估计技术研究.pdf

摘要

波达方向（DirectionofArrival,DOA）估计在地面无线通信、卫星通信、雷达

与声纳系统等很多领域中都得到了非常普遍的研究与应用。传统DOA估计算法一

般可以分为两类。第一类是基于谱的方法，包括Bartlett、多重信号分类（Multiple

SignalClassification,MUSIC）、Capon等。第二类是基于参数的方法，例如最大似

然（MaximumLikelihood,ML）。这些传统的算法往往在性能或是计算复杂度上受

到限制。卫星通信星上功率和处理能力受限，亟需一种估计精度高，同时复杂度合

适的DOA估计算法。近年来，机器学习算法在通信信号处理领域得到了广泛的应

用，在DOA估计方面也取得了一些喜人的成果，但该类算法需要严格保证训练样

本和测试样本维持相同概率分布。卫星通信由于卫星运动以及工作环境复杂等因

素，属于时变通信系统，信道环境动态变化，而迁移学习具有“灵活变通“的作用，

这启示我们可以借助迁移学习进行卫星信号的DOA估计，本文正是基于这个思路

展开研究。

本文首先研究了卫星通信场景下半波长阵列间距的DOA估计问题。在分析了

卫星信号DOA估计的特点之后，创造性地将迁移学习的思想引入这一问题，建立

了卫星信号DOA估计的模型，并提出了基于测地线流形内核（GeodesicFlowKernel,

GFK）的DOA估计算法以及基于迁移联合匹配（TransferJointMatching,TJM）的

DOA估计算法。数值仿真结果表明，在卫星通信信道条件下，所提算法均有很高

的分辨率，并且可以自适应信噪比和快拍数的动态变化。

接着探讨了源域样本信噪比的选择问题，目的在于使训练出的迁移学习模型

能在卫星通信环境下取得更好的估计效果。由迁移学习算法建模的卫星信号DOA

估计问题，其性能受到源域样本信噪比的影响。于是以源域信噪比值为优化参数，

使用粒子群优化（ParticleSwarmOptimization,PSO）模型来优化卫星信噪比条件下

的DOA估计误差。仿真表明优化处理进一步提高了卫星信号的来波方向估计精度。

最后本文进一步扩展研究如何优化阵列间距使得卫星信号DOA估计的精度

更高。阵列间距会影响不同阵元接收信号的相对时延，进而影响辐射模式，这也会

使得估计结果有所不同。通常让阵列间距等于半波长，然而这并不一定是最优结果。

我们以阵列间距为优化参数，以最小化迁移学习模型在目标领域的平均估计误差

为优化目标，将优化过程建模为磷虾群（KrillHerd,KH）优化。仿真表明，应用优

化后的阵列间距将会得到更好的估计性能。

关键词：卫星信号DOA估计，迁移学习，GFK，TJM，群体智能

ABSTRACT

Recentlythereexistsmoreandmoreapplicationsinterrestrialwireless

communications,spacecommunications,radarandsonarsystemsandsoon,whichneed

highaccuracyestimationalgorithmstodealwithlocalizationproblems.Therearetwo

importanttypesofmethodswhichcontributetodirectionofarrivalestimation.Thefirst

oneisspectral-basedmethods,includingBartlett,MultipleSignalClassification

(MUSIC),Caponmethods,etc.,andtheotherkindofmethodssuchasmaximum

likelihoodbuildsupthemodelusingparameters.Thesetraditionalalg