基于自编码器的阵列时变幅相误差校正算法

随着阵列天线在各类移动平台上的广泛应用，时变幅相误差成为影响阵列信号处理技术工程化应用的重要因素。针对当前时变幅相误差无法有效校正的问题，结合自编码器思想，提出一种基于深度学习的阵列时变幅相误差校正算法。算法充分利用自编码器网络的数据特征提取与重构能力，设计了针对通道时变幅相误差校正的深度学习网络，给出了不含时变幅相误差数据(无扰数据)与含时变幅相误差数据(扰动数据)双驱动下的学习机制，基于期望输出与理想模型均方误差最小化原则，完成了对阵列流形隐匿特征提取，实现了阵列时变幅相误差的有效校正。仿真实验表明，所提算法可有效实现各通道时变幅相误差校正，在通道存在±80%随机时变幅度误差以及±5°随机时变相位误差时，幅度与相位误差校正后的均方差分别在0.5%和1.5%以内，当信噪比大于等于0 dB时，校正后数据的MUSIC算法测向精度与无误差数据基本一致，验证了所提算法的有效性。