一种冲击噪声环境下小快拍相干源波达方向估计方法技术

本发明专利技术提供一种冲击噪声环境下小快拍相干源波达方向估计方法，包括建立均匀线阵小快拍采样信号模型，构造基于Sigmoid神经网络核的无穷范数中值协方差矩阵，获得基于Sigmoid神经网络核的无穷范数小快拍极大似然方程。由于在α稳定分布噪声环境下，尤其是特征指数较小时，有很大概率出现非常大的奇异值，这时用传统均值估计方法会出现较大的偏差，而采用中值具有不受偏大或偏小的数据影响的优点，故能在冲击噪声环境下有着不错的DOA估计效果。本发明专利技术通过性能仿真来选择最优核长，并设计出连续量子云团搜索机制对基于Sigmoid神经网络核无穷范数的极大似然测向方程进行高效求解。所发明专利技术的小快拍DOA估计方法在冲击噪声下对独立源和相干源均能进行有效的波达方向估计。源和相干源均能进行有效的波达方向估计。源和相干源均能进行有效的波达方向估计。

【技术实现步骤摘要】
一种冲击噪声环境下小快拍相干源波达方向估计方法


[0001]本专利技术涉及一种冲击噪声环境下基于量子云团搜索机制的特小快拍相干源波达方向估计方法，本专利技术属于阵列信号处理领域。

技术介绍

[0002]波达方向(Direction of Arrival,DOA)估计是阵列信号处理领域的重要研究方向，尤其在通信、雷达和声纳等系统中有着广泛的应用。虽然传统的多重信号分类法(MUSIC)和信号参数估计的旋转不变子空间技术(ESPRIT)已经具有较高的估计性能，但是这些算法都是基于特征值分解运算的基础上进行的，为了获得良好的估计性能往往需要较大的快拍数，不仅实时性低，而且计算量大。为了降低DOA估计的运算量，提高系统的实时性，单快拍DOA估计受到了学者的广泛关注，但是单快拍DOA估计往往需要较高的信噪比且冲击噪声的特征指数不宜过大否则其鲁棒性较差。因此设计求解精度高且适用于复杂冲击噪声环境下的波达方向估计方法是十分有必要的。
[0003]根据已有技术文献发现，韩佳辉等在《火力与控制指挥》(2019，Vol.44,No.3,pp.112
‑
115.)上发表的“基于单快拍数据的嵌套阵列DOA估计算法”利用两子阵接收的单快拍数据分别构造Toeplitz矩阵，然后进行特征值分解结合MUSIC算法进行DOA估计，具有较好的实时性，并且拥有较高的波达方向估计精度，但是该方法通过嵌套阵列分别构造Toeplitz矩阵，进行两次谱峰搜索，增加了计算量，且不能在冲击噪声环境下进行有效的波达方向估计。焦亚萌等在《电子与信息学报》(2011，Vol.33,No.4,pp.972
‑
976)上发表的“基于连续蚁群优化算法的小快拍加权子空间拟合快速算法”利用连续蚁群算法中的信息量高斯核概率分布函数，经过有限次迭代得到加权子空间拟合算法的非线性全局最优解，在低信噪比，小快拍条件下具有不错的估计性能，但是其快拍数仍然在100到200左右，所需的快拍数依旧较大，并且在冲击噪声环境下DOA估计失效。

技术实现思路

[0004]已有的文献表明，小快拍DOA估计可以提高系统实时性，减少运算量，并且相比于单快拍鲁棒性差的特点，具有较好的估计准确率。但是现有关于小快拍波达方向估计的文献中仍然需要较大快拍数，且噪声环境均为高斯白噪声，并不适合现在复杂电磁环境下的DOA估计研究，尤其是在电子信息战中，由于各种干扰的存在,单位时间内获得的快拍数有限,已有的大多数算法在此情况下性能严重下降，甚至不能进行有效的DOA估计，因此设计一种适用于冲击噪声背景下的高性能小快拍波达方向估计方法是十分有必要的。本专利技术设计了一种冲击噪声环境下基于量子云团搜索机制的小快拍相干源波达方向估计方法，该方法可在复杂冲击噪声环境下，通过对快拍数据的中值处理来构造伪协方差矩阵，并利用Sigmoid神经网络核无穷范数极大似然方法对信源进行有效的DOA估计。该方法不仅可以实现在特小快拍情况下的DOA估计，而且在高斯噪声，弱冲击噪声以及强冲击噪声等其他恶劣环境下均能获得较好的DOA估计效果。
[0005]本专利技术的目的是这样实现的：步骤一：建立冲击噪声环境下的小快拍采样信号模型：
[0006]给出一个阵元数为Q的等距均匀线阵，阵元间距为d，第i个远场窄带信号从θ
i
方向入射到该阵列，波长为λ，快拍数为L(L＜Q)，并且入射信号和噪声信号相互独立，i＝1,2,
…
,N，选择第一个阵元作为参考阵元，则在第时刻第k个阵元接收的信号为其中，为时刻的第i个信源的入射信号，为时刻第k个阵元的噪声信号，表示第k个阵元上满足SαS稳定分布的冲击噪声,k＝1,2,
…
,Q，则阵列接收的第l次快拍信号可以表示为y(l)＝A(θ)s(l)+n(l)，l＝1,2,
…
,L，式中y(l)＝[y1(l),y2(l),
…
,y
Q
(l)]T
，A(θ)＝[a(θ1),a(θ2),
…
,a(θ
N
)]QXN
为导向矩阵，其中第i个导向矢量为θ＝[θ1,θ2,
…
,θ
N
]为来波方向矢量，s(l)＝[s1(l),s2(l),
…
,s
N
(l)]T
为第l次快拍信号矢量，n(l)＝[n1(l),n2(l),
…
,n
Q
(l)]T
为第l次快拍阵列噪声矢量，T表示转置。
[0007]步骤二：利用阵列接收到的快拍数据构造基于Sigmoid神经网络核的无穷范数中值协方差矩阵，再利用均匀线阵的导向矩阵构造正交投影矩阵，获得基于Sigmoid神经网络核的无穷范数小快拍极大似然测向方程：直接利用接收的快拍数据构造如下矩阵其中为第k个阵元接收的L次小快拍数据取中值运算，即其中y
k
＝[y
k
(1),y
k
(2),
…
y
k
(L)]，k＝1,2,
…
,Q，med{
·
}为取中值运算，基于Sigmoid神经网络核的无穷范数低阶矩协方差矩阵可以表示为其中的元素可以具体表示为式中R
y
(:,k)代表R
y
中第k列的所有元素；tanh(
·
)为神经网络的激活函数,σ表示为核函数的核长；1≤q≤Q；1≤k≤Q；为矩阵R
y
中的第行第k列元素；R
y
(q,k)为矩阵R
y
中的第q行第k列元素；(
·
)
*
表示求共轭；正交投影矩阵为P
A(θ)
＝A(θ)(A
H
(θ)A(θ))
‑1A
H
(θ)，基于Sigmoid神经网络核的无穷范数小快拍极大似然测向方程的角度估计值为其中，(
·
)
H
代表求共轭转置；tr(
·
)为矩阵求迹函数。
[0008]步骤三：初始化量子云团量子位置并设定参数：
[0009]首先进行如下参数设定：量子云团数为C
P
，每个量子云团中的量子水滴数为W
P
，量子云团半径U＝ρ，其中ρ∈(0,1)为半径因子；量子云团的降雨率为r
a
；降雨飘动代数为r
t
；收缩、扩张代数为r
s
，收缩系数为ε；最大迭代次数为G。量子水滴位置为优化问题的潜在解，量子水滴是量子云团的组成部分，第g代第个量子云团的第个量子水滴在M维搜索空间中的量子位置为其中其中量子云团中心量子水滴为量子云团的中心量子位置，设每个量子云团中标号为1的量子水滴代表量子云团的中心量子水滴，则第g代第个量子云团的中心量子水滴的量子位置记为量子水滴适应度值为在求最大值优化问题中量子水滴对应的函数值，则第g本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种冲击噪声环境下小快拍相干源波达方向估计方法，其特征在于，步骤如下：步骤一：建立冲击噪声环境下的小快拍采样信号模型，给出一个阵元数为Q的等距均匀线阵，阵元间距为d，第i个远场窄带信号从θ
i
方向入射到该阵列，波长为λ，快拍数为L，并且入射信号和噪声信号相互独立，i＝1,2,
…
,N，选择第一个阵元作为参考阵元，则在第时刻第k个阵元接收的信号为：其中，为时刻的第i个信源的入射信号，为时刻第k个阵元的噪声信号，表示第k个阵元上满足SαS稳定分布的冲击噪声，k＝1,2,
…
,Q，则阵列接收的第l次快拍信号为：y(l)＝A(θ)s(l)+n(l)，l＝1,2,
…
,L式中：y(l)＝[y1(l),y2(l),
…
,y
Q
(l)]
T
，A(θ)＝[a(θ1),a(θ2),
…
,a(θ
N
)]
QXN
为导向矩阵，第i个导向矢量为θ＝[θ1,θ2,
…
,θ
N
]为来波方向矢量，s(l)＝[s1(l),s2(l),
…
,s
N
(l)]
T
为第l次快拍信号矢量，n(l)＝[n1(l),n2(l),
…
,n
Q
(l)]
T
为第l次快拍阵列噪声矢量，T表示转置；步骤二：利用阵列接收到的快拍数据构造基于Sigmoid神经网络核的无穷范数中值协方差矩阵，再利用均匀线阵的导向矩阵构造正交投影矩阵，获得基于Sigmoid神经网络核的无穷范数小快拍极大似然测向方程；步骤三：初始化量子云团量子位置并设定参数：步骤四：第个量子云团中第个量子水滴随机生成的量子旋转角参数和等用来产生除中心量子水滴外的其它W
p
‑
1个量子水滴，其中子水滴，其中为[0,U]之间的随机数，通过简化的模拟量子旋转门来生成第1代的第个量子云团中第个量子水滴的量子位置为：其中第个量子云团第个量子水滴的各维量子旋转角分别表示为：
步骤五：将量子云团中量子水滴映射到解空间中并求解适应度值：步骤六：量子云团进行飘动；步骤七：计算所有量子云团内部量子水滴的适应度值以及量子云团温度值，并将量子云团按温度值由高到低进行排序，找出温度最低的r
a
的量子云团；步骤八：量子云团满足一定条件进行降雨：在步骤七中对量子云团温度降序排列，在后r
a
且量子云团的漂移代数大于等于r
t
的即刻消失，并按照步骤三和步骤四生成新的量子云团；步骤九：量子云团的收缩与扩张过程：步骤十：判断是否达到最大迭代次数G，若未达到，令g＝g+1，返回步骤五；若达到则终止迭代，将最后一代中的全局最优量子水滴的量子位置映射到解空间位置作为波达方向估计结果输出。2.根据权利要求1所述的一种冲击噪声环境下小快拍相干源波达方向估计方法，其特征在于，步骤二具体包括：利用接收的快拍数据构造如下矩阵其中为第k个阵元接收的L次小快拍数据取中值运算，即y
k
＝[y
k
(1),y
k
(2),
…
y
k
(L)]，k＝1,2,
…
,Q，med{
·
}为取中值运算，基于Sigmoid神经网络核的无穷范数低阶矩协方差矩阵可以表示为其中的元素表示为式中R
y
(:,k)代表R
y
中第k列的所有元素；tanh(
·
)为神经网络的激活函数,σ表示为核函数的核长；1≤q≤Q；1≤k≤Q；为矩阵R
y
中的第行第k列元素；R
y
(q,k)为矩阵R
y
中的第q行第k列元素；(
·
)
*
表示求共轭；正交投影矩阵为P
A(θ)
＝A(θ)(A
H
(θ)A(θ))
‑1A
H
(θ)，基于Sigmoid神经
网络核的无穷范数小快拍极大似然测向方程的角度估计值为其中，(
·
)
H
代表求共轭转置；tr(
·
)为矩阵求迹函数。3.根据权利要求1所述的一种冲击噪声环境下小快拍相干源波达方向估计方法，其特征在于，步骤三具体包括：首先设定参数：量子云团数为C
P
，每个量子云团中的量子水滴数为W
P
，量子云团半径U＝ρ，其中ρ∈(0,1)为半径因子；量子云团的降雨率为r
a
；降雨飘动代数为r
t
；收缩、扩张代数为r
s
，收缩系数为ε；最大迭代次数为G；量子水滴位置为优化问题...

【专利技术属性】
技术研发人员：高洪元，刘凯龙，孙志国，孙贺麟，何昭然，王钦弘，杜子怡，白浩川，刘廷晖，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：