CN103543438A - 配置参考声源的水下运动声源柱面矢量聚焦定位方法 - Google Patents

Abstract

本发明提供的是一种配置参考声源的水下运动声源柱面矢量聚焦定位方法。（a）获取矢量阵接收信号；（b）获取整个运动过程中各时间段下的声源运动参数估计结果；（c）根据分段数据以及定位结果生成稀疏虚拟阵列参数及虚拟矢量阵数据矩阵，并得到虚拟阵列采样数据协方差矩阵；（d）在声源所在柱面进行聚焦扫描，生成虚拟矢量阵聚焦导向矢量；（e）对虚拟矢量阵聚焦导向矢量施加最差性能优化约束条件，进而得到扫描点处优化后的聚焦输出功率；（f）设置合适步长，重复（d）至（e）的步骤，进行完整柱面搜索并比较输出功率谱图，定位结果指示声源与参考声源之间的空间位置关系。本发明稳健性高，且适用于非匀速及存在运动倾角的测试条件。

Description

配置参考声源的水下运动声源柱面矢量聚焦定位方法

技术领域

本发明涉及的是一种对运动声源进行聚焦定位的方法。

背景技术

利用被动合成孔径原理对运动声源进行聚焦定位，在提高测试效率的同时，由于沿运动方向上的虚拟阵列孔径得到扩展，在该方向上的空间分辨率也可得到明显提高。实际应用中，需要根据声源辐射面的特点，获取柱面上的空间分布特征。同时，理想条件下的匀速运动条件在实际应用中很难满足，实际遇到的大部分是非匀速运动以及与基阵存在运动倾角的复杂情况，由此得到的虚拟阵列均属于非规则阵列，即稀疏阵列。因此，近场声全息及运动声全息等一类应用于规则阵列的定位识别方法均会出现严重的定位偏差甚至失效。

与传统的声场分析和声源识别方法相比，声聚焦阵列信号处理方法物理意义清晰，可综合利用声波的强度和相位信息反演声场，并可通过设计高分辨聚焦处理器以获得较高的空间分辨能力，较声全息方法具有物理意义明确，工程实现宽容性好的优点。结合MVDR高分辨处理器可以降低聚焦空间谱图的旁瓣级并获得尖锐的谱峰。然而，MVDR高分辨聚焦算法走向工程实用化的技术瓶颈在于该类算法在存在失配误差的情况下会出现明显的性能下降甚至失效，亟待研究可提高该类方法稳健性的新型手段和方法。

目前针对运动声源的聚焦定位方法研究结果较少。时洁等人研究了基于最差性能优化的运动声源稳健聚焦定位识别方法（时洁，杨德森，时胜国.基于最差性能优化的运动声源稳健聚焦定位识别方法研究.物理学报，2011，60(6)：064301，1-11），但由于未配置标准声源，从而无法查找辐射声源与标准声源之间的空间位置，这为查找辐射声源位置带来了困难，另外，该方法无法适用于具有柱面分布特性的声源。

发明内容

本发明的目的在于提供一种稳健性高，适用于非匀速及存在运动倾角的测试条件，具有较强的宽容性和工程实用性的配置参考声源的水下运动声源柱面矢量聚焦定位方法。

本发明的目的是这样实现的：

（a）根据基于矢量阵的水下运动声源测试系统模型，应用被动合成孔径原理，在球面波传播规律及点声源假设条件下，获取矢量阵接收信号。

（b）针对普遍存在的非匀速运动及与基阵存在运动倾角的情况，采取配置参考声源f₀的方式，利用矢量阵最大似然聚焦定位算法，对等时间间隔下的分段数据进行定位，获取整个运动过程中各时间段下的声源位置、速度和倾角等运动参数估计结果。

（c）根据（b）中获得的分段数据以及定位结果生成稀疏虚拟阵列参数及虚拟矢量阵数据矩阵，并得到虚拟阵列采样数据协方差矩阵。

（d）根据声源辐射面特点，针对分析频率f_i，在声源所在柱面进行聚焦扫描，生成虚拟矢量阵聚焦导向矢量。

（e）对（d）中生成的虚拟矢量阵聚焦导向矢量施加最差性能优化约束条件，并将其转化为具有单一非线性约束的二次最小化问题，利用二阶锥规划方法对该优化条件下的最优权矢量进行求解，进而得到该扫描点处优化后的聚焦输出功率。

（f）设置合适步长，重复（d）至（e）的步骤，进行完整柱面搜索并比较输出功率谱图，由谱峰位置确定噪声源所在位置，定位结果可指示声源f_i与参考声源f₀之间的空间位置关系。

本发明的有益效果是：通过配置参考声源，并对虚拟矢量阵聚焦导向矢量施加最差形成最优约束优化条件，提高了MVDR高分辨聚焦定位方法在存在失配误差下的稳健性。新方法在失配条件下可以获得更大的动态范围、更尖锐的聚焦峰尺度以及更强的背景噪声级抑制能力，新方法适用于非匀速及存在运动倾角的测试条件，便于查找各噪声源与参考声源的空间相对位置关系，具有较强的宽容性和工程实用性。

附图说明

图1实船测试中水平矢量阵布放情况示意图；

图2运动声源定位过程示意图；

图3各个时间段声源的运动速度；

图4分段数据定位结果；

图5虚拟阵列坐标；

图6(a)-图6(b)运动声源聚焦空间谱（MVCFB），其中图6(a)为伪彩图、图6(b)为等高线图；

图7(a)-图7(b)运动声源聚焦空间谱（MVMVDRFB），其中图7(a)为伪彩图、图7(b)为等高线图；

图8(a)-图8(b)运动声源聚焦空间谱（RMVMVDRFB），其中图8(a)为伪彩图、图8(b)为等高线图；

图9y向聚焦空间谱切片对比效果图；

图10周向聚焦空间谱切片对比效果图；

图11(a)-图11(b)参考声源聚焦空间谱，其中图11(a)为伪彩图、图11(b)为等高线图。

具体实施方式

下面结合附图举例对本发明进一步说明。

（a）根据基于矢量阵的水下运动声源测试系统模型，应用被动合成孔径原理，在球面波传播规律及点声源假设条件下，获取矢量阵接收信号。

以水平矢量阵测试系统为例（如图1和图2所示），水平阵在整个测量过程中保持静止。各声源分布于柱面S上，并随该柱面一起以相同的速度和方向运动，声源以低速v从y＝-L/2处运动到位置y＝L/2处，运动距离为L；相对的，可认为声源不动，矢量阵以相同的速度v由y＝0处反向运动到y＝-L处，即在空间上形成了一个快拍数为1的连续面阵，虚拟阵列孔径在运动方向扩展为L。

柱面半径为r₀，声源面上共分布有Q个非相干声源，频率为f_i第i号点声源的空间位置为s_i(y_i,θ_i)；配置参考声源的频率为f₀，其空间位置为s₀(y₀,θ₀)；水平阵由M_z个水听器组成，阵元间距Δz，令中心阵元位于坐标系原点O，柱面中轴线与基阵之间的距离为。

对于观测时刻t，根据莫尔斯运动声源理论及点声源假设条件，则矢量阵中第m个水听器测量到的第i号声源的声压信号

和振速信号

以及

可表示为：

其中，k_i＝ω_i/c＝2πf_i/c为波数，q_i为第i号声源辐射强度。式中的

以及

可以表示为：

$\left\{\begin{array}{c}{R}_i^{\left(m\right)}\left(t\right)=\frac{M[y\left(t\right)-y_i]+\sqrt{{[y\left(t\right)-y_i]}^2+(1-M^2)[{(x_s-r_0\cos {\mathrm{\θ}}_i)}^2+{(z_m-r_0\sin {\mathrm{\θ}}_i)}^2]}}{1-M^2}\\ \cos {\mathrm{\θ}}_i^{\left(m\right)}\left(t\right)=[y\left(t\right)-y_i]/R_i^{\left(m\right)}\left(t\right)\end{array}\right.---\left(2\right)$

式中，(x_i,y_i,z_i)＝(x_s-r₀cosθ_i,y_i,r₀sinθ_i)为声源位置坐标，(0,y(t),z_m)为第m号阵元在t时刻的位置坐标，y(t)＝-vt， $z_m=(-\frac{M_z-1}{2}+m-1)\·\mathrm{\Δz}.$

θ_m,i(t)、

和R_m,i(t)分别为对应于时刻t的瞬时俯仰角、瞬时方位角和瞬时距离，

为瞬时复阻抗值。根据空间几何关系得到：

同理可知，第m个水听器测量到的参考声源的声压和振速信号分别为

和

第m个阵元接收到的Q个声源和参考声源的总声压及振速可表示为：

$\left\{\begin{array}{c}{p}^{\left(m\right)}\left(t\right)=\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{p}_i^{\left(m\right)}\left(t\right)+p_0^{\left(m\right)}\left(t\right)+n_p^{\left(m\right)}\left(t\right)\\ v_x^{\left(m\right)}\left(t\right)=\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{v}_{\mathrm{xi}}^{\left(m\right)}\left(t\right)+v_{x0}^{\left(m\right)}\left(t\right)+n_{v_x}^{\left(m\right)}\left(t\right)\\ v_y^{\left(m\right)}\left(t\right)=\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{v}_{\mathrm{yi}}^{\left(m\right)}\left(t\right)+v_{y0}^{\left(m\right)}\left(t\right)+n_{v_y}^{\left(m\right)}\left(t\right)\\ v_z^{\left(m\right)}\left(t\right)=\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{v}_{\mathrm{zi}}^{\left(m\right)}+v_{z0}^{\left(m\right)}\left(t\right)+n_{v_z}^{\left(m\right)}\left(t\right)\end{array}\right.---\left(4\right)$

其中，

以及

分别为声压及振速通道的噪声。

（b）针对普遍存在的非匀速运动及与基阵存在运动倾角的情况，对配置的参考声源f₀利用矢量阵最大似然聚焦定位算法，对等时间间隔下的分段数据进行定位，获取整个运动过程中各时间段下的声源位置、速度和倾角等运动参数估计结果。

采取配置参考声源的工作方式是为获取运动参数估计结果提供可靠保证，即在柱面某一合适位置布放参考声源，进而利用矢量最大似然聚焦算法，在不同时间段下对该参考声源进行定位，进而推断整个运动过程中运动速度及倾角等参数。配置参考声源频率f₀的选取一般选在高频段，不对低频声源的分析造成影响。实例中参考声源配置于柱面正下方中心位置。

设共将数据等时间间隔分为M_y段，每段数据长度为T_y，第n(n＝1,2,...,M_y)段声压及振速数据可表示为：

$\left\{\begin{array}{c}{p}_0^{(m,n)}\left(t^{\′}\right)=p^{\left(m\right)}((n-1)T_y+t^{\′})\\ v_{x0}^{(m,n)}\left(t^{\′}\right)=v_x^{\left(m\right)}((n-1)T_y+t^{\′})\\ v_{y0}^{(m,n)}\left(t^{\′}\right)=v_y^{\left(m\right)}((n-1)T_y+t^{\′})\\ v_{z0}^{(m,n)}\left(t^{\′}\right)=v_z^{\left(m\right)}((n-1)T_y+t^{\′})\end{array}\right.---\left(5\right)$

令

和

分别为第n段矢量阵数据，在经f₀窄带滤波后，对应的M_z×L_s维声压矩阵和振速矩阵。将4M_z×L_s维矢量阵数据矩阵表示为：

$S_{v0}^{\left(n\right)}={\left[\begin{array}{cccc}{\left(p_0^{\left(n\right)}\right)}^T& {\left(V_{x0}^{\left(n\right)}\right)}^T& {\left(V_{y0}^{\left(n\right)}\right)}^T& {\left(V_{z0}^{\left(n\right)}\right)}^T\end{array}\right]}^T---\left(6\right)$

即为4M_z×4M_z维采样数据协方差矩阵。

在柱面S上进行聚焦扫描，设某一扫描点坐标

则转化至直角坐标系下的坐标为

根据该点几何关系，可分别得到该扫描点至接收基阵的M_z×1维聚焦距离矢量

俯仰角矢量

以及方位角矢量

其中，扫描点至m号阵元的俯仰角、方位角和距离可分别表示为：

$\left\{\begin{array}{c}{\widehat{\mathrm{\Θ}}}_m=t{g}^{-1}\left(\frac{\hat{z}-z_m}{\sqrt{{\hat{x}}^2+y_s^2}}\right)\\ {\widehat{\mathrm{\Φ}}}_m=t{g}^{-1}\left(\frac{y_s}{\hat{x}-x_a}\right)\\ {\hat{R}}_m=\sqrt{{\hat{x}}^2+y_s^2+{(\hat{z}-z_m)}^2}\end{array}\right.---\left(7\right)$

则对参考声源频率f₀，该扫描点处的声压和振速聚焦导向矢量分别表示为：

其中，扫描点对应的复阻抗矢量扫描点对应三个方向的聚焦单位方向矢量与频率无关，分别为：

该扫描点对应的4M_z×1维矢量阵聚焦导向矢量为：

${\hat{A}}_v^{\left(n\right)}(\hat{R},\widehat{\mathrm{\Θ}},\widehat{\mathrm{\Φ}}|f_0)=\left[\begin{array}{c}{\hat{A}}_p^{\left(n\right)}\left(\hat{R}\right|f_0)\\ {\hat{A}}_x^{\left(n\right)}(\hat{R},\widehat{\mathrm{\Θ}},\widehat{\mathrm{\Φ}}|f_0)\\ {\hat{A}}_y^{\left(n\right)}(\hat{R},\widehat{\mathrm{\Θ}},\widehat{\mathrm{\Φ}}|f_0)\\ {\hat{A}}_z^{\left(n\right)}(\hat{R},\widehat{\mathrm{\Θ}},\widehat{\mathrm{\Φ}}|f_0)\end{array}\right]---\left(10\right)$

求其正交投影矩阵为：

$P_{{\hat{A}}_v^{\left(n\right)}}={\hat{A}}_v^{\left(n\right)}{\left({\left({\hat{A}}_v^{\left(n\right)}\right)}^H{\hat{A}}_v^{\left(n\right)}\right)}^{-1}{\left({\hat{A}}_v^{\left(n\right)}\right)}^H---\left(11\right)$

则寻遍完整的扫描面，可得到参考声源对应的第n段数据的定位坐标为：

$({\hat{y}}_n,{\hat{z}}_n)=\underset{{\hat{A}}_v^{\left(n\right)}}{\max \mathrm{tr}}\left(P_{{\hat{A}}_v^{\left(n\right)}}{\hat{R}}_v^{\left(n\right)}\right)---\left(12\right)$

（c）根据（b）中获得的分段数据以及定位结果生成稀疏虚拟阵列参数及虚拟矢量阵数据矩阵，并得到虚拟阵列采样数据协方差矩阵。

共将数据分为M_y段，每段数据长度为L_s，则虚拟面阵的y向的阵元个数即为M_y。在非匀速以及运动方向与基阵存在倾角的条件下，产生的虚拟阵列必然是稀疏的。利用步骤（b）中的参考声源定位坐标估计结果，生成虚拟阵列坐标，以保证后续聚焦算法能够具有良好的匹配性能。

设y_a和z_a分别为水平阵M_y×1维y向和M_z×1维z向坐标向量，Y_a和Z_a分别为M_yM_z×1维的虚拟阵列y向和z向坐标向量。Y_a和Z_a的第1至M_z行即为实际水平阵的y向和z向坐标。第(n-1)M_z+1至nM_z行即为第n个虚拟水平阵的坐标，表示为：

$\left\{\begin{array}{c}{Y}_a{|}_{1:M_z}=y_a\\ \·\\ \·\\ \·\\ Y_a{|}_{(n-1)M_z+1:n{M}_z}=y_a-({\hat{y}}_n-{\hat{y}}_1)\\ \·\\ \·\\ \·\\ y_a{|}_{(M_y-1)M_z+1:M_y{M}_z}=y_a-({\hat{y}}_n-{\hat{y}}_1)\end{array}\right.$ $\left\{\begin{array}{c}{Z}_a{|}_{1:M_z}=z_a\\ \·\\ \·\\ \·\\ Z_a{|}_{(n-1)M_z+1:n{M}_z}=z_a-({\hat{z}}_n-{\hat{z}}_1)\\ \·\\ \·\\ \·\\ Z_a{|}_{(M_y-1)M_z+1:M_y{M}_z}=z_a-({\hat{z}}_n-{\hat{z}}_1)\end{array}\right.---\left(13\right)$

针对声源分析频率f_i，令P'_i、

和

分别为(M_yM_z)×L_s维虚拟矢量阵声压及振速数据矩阵，

为(4M_yM_z)×L_s维虚拟矢量阵数据矩阵。

(4M_yM_z)×(4M_yM_z)维虚拟阵列采样数据协方差矩阵可表示为：

${\hat{R}}_{\mathrm{vi}}=V_i^{\′}{\left(V_i^{\′}\right)}^H/L_s---\left(14\right)$

（d）根据声源辐射面特点，针对分析频率f_i，在声源所在柱面进行聚焦扫描，生成虚拟矢量阵聚焦导向矢量。

在声源所在柱面S上进行聚焦扫描，设某一扫描点坐标则转化至直角坐标系下的坐标为

$\hat{r}=[{\hat{r}}^{\left(1\right)};{\hat{r}}^{\left(2\right)};...;{\hat{r}}^{\left(n\right)};...;{\hat{r}}^{\left(M_y\right)}],$ $\widehat{\mathrm{\θ}}=[{\widehat{\mathrm{\θ}}}^{\left(1\right)};{\widehat{\mathrm{\θ}}}^{\left(2\right)};...;{\widehat{\mathrm{\θ}}}^{\left(n\right)};...{\widehat{\mathrm{\θ}}}^{\left(M_y\right)}]$ 和

分别为该扫描点至接收基阵的(M_yM_z)×1维聚焦距离、方位角和俯仰角矢量， ${\hat{r}}^{\left(n\right)}=[{{\hat{r}}^{(1,n)},{\hat{r}}^{(2,n)},...,{\hat{r}}^{(m,n)},...,{\hat{r}}^{(M_z,n)}]}^T,$ ${\widehat{\mathrm{\θ}}}^{\left(n\right)}={[{\widehat{\mathrm{\θ}}}^{(1,n)},{\widehat{\mathrm{\θ}}}^{(2,n)},...,{\widehat{\mathrm{\θ}}}^{(m,n)},...,{\widehat{\mathrm{\θ}}}^{(M_z,n)}]}^T$ 和分别为扫描点至第n个虚拟垂直阵的M_z×1维聚焦距离、方位角和俯仰角矢量。其中，

和

分别为扫描点至第(m,n)号虚拟阵元(X_a|_(m,n),Y_a|_(m,n),Z_a|_(m,n))的距离、方位角和俯仰角，可表示为：

扫描点与频率无关的聚焦单位矢量

和可表示为：

针对声源频率f_i，则该扫描点处的(M_y·M_z)×1维虚拟声压及振速聚焦导向矢量

和分别写为：

${\hat{A}}^{\left(p\right)}\left(\hat{r}\right|f_i)=[{\hat{A}}^{\left(p\right)}\left({\hat{r}}^{\left(1\right)}\right|f_i);{\hat{A}}^{\left(p\right)}\left({\hat{r}}^{\left(2\right)}\right|f_i);...;{\hat{A}}^{\left(p\right)}\left({\hat{r}}^{\left(n\right)}\right|f_i);...;{\hat{A}}^{\left(p\right)}\left({\hat{r}}^{\left(M_x\right)}\right|f_i)]---\left(17\right)$

${\hat{A}}^{\left(p\right)}\left({\hat{r}}^{\left(n\right)}\right|f_i)={[e^{-j\frac{2\mathrm{\π}{f}_i}{c}({\hat{r}}^{(1,n)}-{\hat{r}}^{\left(\mathrm{1,1}\right)})},...,e^{-j\frac{2\mathrm{\π}{f}_i}{c}({\hat{r}}^{(m,n)}-{\hat{r}}^{\left(\mathrm{1,1}\right)})},...,e^{-j\frac{2\mathrm{\π}{f}_i}{c}({\hat{r}}^{(M_z,n)}-{\hat{r}}^{\left(\mathrm{1,1}\right)})}]}^T---\left(18\right)$

${\hat{D}}^{\left(v\right)}\left(\hat{r}\right)=[{\hat{D}}^{\left(v\right)}\left({\hat{r}}^{\left(1\right)}\right);{\hat{D}}^{\left(v\right)}\left({\hat{r}}^{\left(2\right)}\right);...;{\hat{D}}^{\left(v\right)}\left({\hat{r}}^{\left(n\right)}\right);...;{\hat{D}}^{\left(v\right)}\left({\hat{r}}^{\left(M_y\right)}\right)]---\left(19\right)$

${\hat{D}}^{\left(v\right)}\left({\hat{r}}^{\left(n\right)}\right)={[e^{-\mathrm{j\φ}\left({\hat{r}}^{(1,n)}\right)},...,e^{-\mathrm{j\φ}\left({\hat{r}}^{(m,n)}\right)},...,e^{-\mathrm{j\φ}\left({\hat{r}}^{(M_z,n)}\right)}]}^T---\left(20\right)$

其中，

为(M_yM_z)×1维虚拟阵列复阻抗矢量。

得到(4M_yM_z)×1维虚拟矢量阵聚焦导向矢量：

虚拟矢量阵聚焦导向矢量是至关重要的一步，不同聚焦算法的差异仅体现在使用了不同的处理器形式。将使用Bartlett常规处理器和使用MVDR处理器的聚焦算法分别表示为：

实例将对以上两种算法与本发明算法进行性能对比分析。

（e）对（d）中生成的虚拟矢量阵聚焦导向矢量施加最差性能优化约束条件，并将其转化为具有单一非线性约束的二次最小化问题，利用二阶锥规划方法对该优化条件下的最优权矢量进行求解，进而得到该扫描点处优化后的聚焦输出功率。

虚拟矢量阵聚焦导向矢量误差ΔA的范数可以由常数ε'＞0进行约束：

||ΔA||≤ε'  (27)

实际的虚拟矢量阵聚焦导向矢量

将属于下面的集合：

对所有属于集合A(ε'|f_i)的虚拟矢量阵聚焦导向矢量进行约束，即阵列响应的绝对值不小于1：

将约束优化问题可等价为具有单一非线性约束的二次最小化问题：

利用二阶锥规划进行求解。

得到最优化权矢量可表示为：

$w={[{\stackrel{\∪}{w}}_1,...,w_{4M_y\·M_z}^{\∪}]}^T+j{[w_{4M_y\·M_z+1}^{\∪},...,w_{8M_y\·M_z}^{\∪}]}^T$

（f）设置合适步长，重复（d）至（e）的步骤，进行完整柱面搜索并比较输出功率谱图，由谱峰位置确定噪声源所在位置，定位结果可指示声源f_i与参考声源f₀之间的空间位置关系。

将最优权系数w代入目标函数

中，得到最优权系数下的阵列输出功率为：

上面对发明内容各部分的具体实施方式进行了说明。本发明通过配置参考声源，并对虚拟矢量阵聚焦导向矢量施加最差形成最优约束优化条件，提高了MVDR高分辨聚焦定位方法在存在失配误差下的稳健性。其优秀性能主要体现在：适用于非匀速及存在运动倾角的测试条件，在存在失配误差条件下可以获得更大的动态范围、更尖锐的聚焦峰尺度以及更强的背景噪声级抑制能力，便于查找各噪声源与参考声源的空间相对位置关系等方面。下面对仿真实例进行分析。

实例参数设置如下：坐标系如图2所示，考虑M_z=7的均匀垂直矢量阵，阵元间距Δ_z=0.75m，基阵垂直方向尺度D=4.5m，中心阵元所在位置设为坐标原点。圆柱面长度为20m，半径为8m，下半柱面角度范围为-90°～90°，即柱面初始坐标范围为-20m～0m，-90°～90°。测试过程中，水平矢量阵保持静止，柱面由初始位置向x轴正向运动。在柱面中心正下方布放参考声源，即初始坐标为(y₀,θ₀)=(-10m,0°)发射信号频率f₀=1kHz。设声源辐射强线谱频率为500Hz，即声源聚焦分析频率为f_i=500Hz，初始坐标为(-5m,30°)。采样率f_s=32.768kHz，设水中声速1500m/s。

为验证本专利中方法对于声源非匀速运动及存在运动倾角等条件下的适应能力，模拟声源在水平方向作非匀速直线运动的情况，仿真中在1.3m/s至1.8m/s之间产生随机数作为各个时间段声源的运动速度，平均运动速度约为1.58m/s，运动倾角为5.7°。粗略计算当虚拟阵元间距约为Δy=1.5m，处理数据总长为14s时，虚拟孔径尺度即可达到约20m。仿真中共处理14s长数据，每隔1s对数据分段，取各分段数据前512个快拍进行处理。声源距离基阵的正横距离为y_s=8m，信噪比为10dB。

图3为分段数据定位结果，图4所示为基于矢量最大似然聚焦算法的分段数据定位结果，图5为根据该定位结果生成的虚拟阵列坐标。可以看出，在运动方向上，基阵虚拟孔径得到了扩展，同时由于声源在运动过程中并非匀速，在对运动数据等时间间隔采样后生成的虚拟阵列形式不再规则，而是有一定的稀疏度。

图6至图8分别为MVCFB、MVMVDRFB和RMVMVDRFB三种算法的聚焦空间谱。以1m为步长，沿y向在声源所在位置等步长间隔绘制聚焦空间谱切片如图9所示。以1°为步长，沿周向在声源所在位置等步长间隔绘制聚焦空间谱切片如图10所示。可明显看出，RMMVDRFB算法的聚焦峰更为尖锐，且背景噪声级更低，同时具有较大的动态范围。

对比三种算法的聚焦空间谱结果可知，三种算法的定位结果均正确，但在空间谱中表现出不同的特性：

（1）MVCFB采用常规聚焦波束形成处理器。该方法的主要缺点为聚焦空间分辨率低，旁瓣起伏较大，容易在声源识别中与弱目标发生混淆。

（2）MVMVDRFB采用高分辨MVDR聚焦处理器。该方法在理想匹配条件下可获得尖锐的聚焦峰尺度，较低的背景噪声级。但该方法的主要缺点在于对噪声及失配误差较为敏感，实际应用中容易出现谱峰展宽及提高噪声级水平的问题，其性能严重下降甚至失效。

（3）RMMVDRFB在MMVDRFB算法处理器的基础之上，利用最差性能最优的稳健波束形成约束优化思想，并采用二阶锥规划求解最优权，有效改善了高分辨MVDR聚焦算法的稳健性。空间谱表现出更大的动态范围、更为尖锐的聚焦峰尺度以及更强的背景噪声起伏压制能力。图11为参考声源聚焦空间谱，图中显示参考声源f₀的定位结果为(-10m,0°)，将声源f_i的定位结果(-5m,30°)与其进行对比，可便于查找各噪声源与参考声源之间的空间相对位置。

Claims (1)

1.一种配置参考声源的水下运动声源柱面矢量聚焦定位方法，其特征是：

（a）在球面波传播规律及点声源假设条件下，获取矢量阵接收信号；

（b）采取配置参考声源f₀的方式，利用矢量阵最大似然聚焦定位算法，对等时间间隔下的分段数据进行定位，获取整个运动过程中各时间段下的声源位置、速度和倾角运动参数估计结果；

（c）根据（b）中获得的分段数据以及定位结果生成稀疏虚拟阵列参数及虚拟矢量阵数据矩阵，并得到虚拟阵列采样数据协方差矩阵；

（d）针对分析频率f_i，在声源所在柱面进行聚焦扫描，生成虚拟矢量阵聚焦导向矢量；

（e）对（d）中生成的虚拟矢量阵聚焦导向矢量施加最差性能优化约束条件，并将其转化为具有单一非线性约束的二次最小化问题，利用二阶锥规划方法对最优权矢量进行求解，进而得到扫描点处优化后的聚焦输出功率；

（f）设置合适步长，重复（d）至（e）的步骤，进行完整柱面搜索并比较输出功率谱图，由谱峰位置确定噪声源所在位置，定位结果指示声源f_i与参考声源f₀之间的空间位置关系。

Images