CN105022050A - 一种多传感器阵列的水声信道离散噪声源抑制方法 - Google Patents

Abstract

本发明涉及一种多传感器阵列的水声信道离散噪声源抑制方法，用于包括有多个阵元的多传感器阵列中，该方法包括：使用线性匹配场处理或对角加载的最小方差无畸变响应匹配场处理获取水声信道中的离散噪声源的方位信息；根据方位信息设计离散噪声源干扰抑制的最优权向量，使最优权向量对观测方位的波束响应无失真，而对离散噪声源干扰方位的响应为零；使用最优权向量构成离散噪声源干扰抑制匹配处理器，对观测信号进行定位，从而实现在离散噪声源干扰存在情况下的目标定位。

Description

一种多传感器阵列的水声信道离散噪声源抑制方法

技术领域

本发明涉及声纳数字信号处理领域，特别涉及一种多传感器阵列的水声信道离散噪声源抑制方法。

背景技术

基于多传感器阵列的水声信号匹配场处理技术，充分利用了水声信道多途传播的特点，可以实现对目标距离和深度估计，所以该技术在判断目标类型和威胁程度时具有重要的应用价值。其中线性匹配场处理（CMFP）和对角加载的最小方差无畸变响应匹配场处理（DL-MVDR）是应用最为广泛两种算法，CMFP处理器在强干扰环境下旁瓣较高，DL-MVDR处理器对环境参数失配敏感。线性匹配场处理（CMFP）和对角加载的最小方差无畸变响应匹配场处理（DL-MVDR）的理论研究已很充分，处理性能也已通过实验数据进行了充分的论证。

在对水下目标进行探测时，水声信道中的噪声源会对观测信号的检测、定位造成影响。为了尽可能降低这一影响，需对噪声源进行抑制。近年来，国内外众多学者进行了大量的理论和实验研究。现有技术中的强干扰抑制技术，比较典型的方法包括阵元域空域矩阵滤波技术。该技术通过对强干扰方位设置阻带，可实现强干扰的抑制。基于空域矩阵滤波的强干扰抑制技术需要在接收阵列数据用于目标波束形成之前使用，而现有的声纳装备中，大多利用波束域对目标方位进行估计，使用矩阵滤波需对现有声纳硬件设备进行升级，成本高。通过对现有的波束形成和匹配场处理技术的改进，实现强干扰抑制及高精度的目标定位能力，是一个有待解决的技术问题。

发明内容

本发明的目的在于克服现有技术中的强干扰抑制技术对硬件配置要求较高，设备成本高的缺陷，从而提供一种在现有的声纳设备的基础上即能实现的离散噪声源抑制方法。

为了实现上述目的，本发明提供了一种多传感器阵列的水声信道离散噪声源抑制方法，用于包括有多个阵元的多传感器阵列中，该方法包括：

步骤1）、使用线性匹配场处理或对角加载的最小方差无畸变响应匹配场处理获取水声信道中的离散噪声源的方位信息；

步骤2）、根据步骤1）所获得的方位信息设计离散噪声源干扰抑制的最优权向量，使最优权向量对观测方位的波束响应无失真，而对离散噪声源干扰方位的响应为零；

步骤3）、使用步骤2）所设计的最优权向量构成离散噪声源干扰抑制匹配处理器，对观测信号进行定位，从而实现在离散噪声源干扰存在情况下的目标定位。

上述技术方案中，所述步骤1）包括：

步骤1-1）、由所述多传感器阵列接收的时域信号中的某个频点的第l次快拍经过FFT变换之后得到X_l,f，其中X_l,f＝[X_l,f(1),X_l,f(2),L,X_l,f(Ν)]^T，N为多传感器阵列中的阵元数；然后将X_l,f与X_l,f ^H相乘得到数据向量，其中的(·)^H表示共轭转置；

步骤1-2）、将步骤1-1）获得的数据向量取多个快拍数据平均，获得互谱密度矩阵K，其计算公式表示为：

$K=\frac{1}{L}\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{X}_{l,f}{X_{l,f}}^H---\left(1\right)$

其中，L为所要平均的快拍的数目；

步骤1-3）、根据水声环境参数信息和基阵的几何形状建立声场模型，然后计算基阵的拷贝向量其中，

所述水声环境参数信息包括介质声速c、介质密度ρ、衰减系数a；

所述基阵的拷贝向量包括观测区域内距离和深度离散化后多个离散点的拷贝向量，表示为N为多传感器阵列中的阵元数，所述基阵的拷贝向量的计算公式表示为：

为第j个水听器的声压值，表示声源的位置参数；

步骤1-4）、根据步骤1-3）获得的拷贝向量构建线性匹配场处理器的基阵加权向量或最小方差无畸变响应匹配场处理器的基阵加权向量其计算公式为：

或

其中，K为互谱密度矩阵,I为单位矩阵，δ_d为协方差矩阵的对角加载因子；

步骤1-5）、将步骤1-2）获取的互谱密度矩阵K和步骤1-4）计算得到的基阵加权向量做相关，获得模糊度表面其计算公式为：

其中，为或

步骤1-6）、将各个频点按照步骤1-5）计算所得模糊度表面做累加后取平均，得到非相干处理模糊度表面，其极大值点为目标的估计位置，所述估计位置包括多传感器阵列与目标间的相对距离，以及目标相对海平面的深度。

上述技术方案中，在步骤1-3）中，采用Kraken声场模型软件计算基阵的拷贝向量

上述技术方案中，所述步骤2）包括：

步骤2-1）、根据步骤1-6）所获得的目标距离和目标深度信息计算得到该目标距离和目标深度下的离散噪声源的基阵的拷贝向量并对由步骤102）获取的互谱密度矩阵K、步骤103）获取的拷贝向量所生成的观测信号方向向量进行置1约束，对离散噪声源的拷贝向量进行置零约束，所述置1约束与置0约束的约束条件表示为：

其中，为或

步骤2-2）、根据步骤2-1）所得到的约束条件，求模糊度函数P的最小值约束，所述最小值约束的约束条件表示为：

步骤2-3）、构造Lagrange函数，该函数的表达式为：

$L(w,{\mathrm{\λ}}_1,{\mathrm{\λ}}_2)=w^H\mathrm{Kw}-{\mathrm{\λ}}_1(w^H\mathrm{\α}-1)-{\mathrm{\λ}}_2{w}^{H}n---\left(8\right)$

其中，λ₁,λ₂分别表示Lagrange乘子；

步骤2-4）、由步骤1-2）获取的互谱密度矩阵K、步骤1-3）获取的拷贝向量作为观测信号方向向量根据该观测信号方向向量以及步骤2-1）获取的拷贝向量对步骤2-3）所构造的Lagrange函数求最小方差解，从而得到最优权向量w_MV，所述最优权向量w_MV表示为：

$w_{\mathrm{MV}}=\frac{\left(n^H{K}^{-1}n\right)K^{-1}\mathrm{\α}-\left({\mathrm{\α}}^H{K}^{-1}n\right)K^{-1}n}{\left({\mathrm{\α}}^H{K}^{-1}\mathrm{\α}\right)\left(n^H{K}^{-1}n\right)-\left(n^H{K}^{-1}\mathrm{\α}\right)\left({\mathrm{\α}}^H{K}^{-1}n\right)}---\left(9\right).$

上述技术方案中，所述步骤3）进一步包括：

步骤3-1）、由步骤1-2）获取的互谱密度矩阵K和步骤3-1）计算所得的最优权向量w_MV，计算模糊度面表示为：

步骤3-2）、将各个频点按照步骤3-1）计算所得模糊度表面做累加后取平均，得到非相干处理模糊度表面，其极大值点为目标的估计位置，所述估计位置包括多传感器阵列与目标间的相对距离，以及所要探测的目标相对海平面的深度。

本发明的优点在于：

本发明将基于复杂海洋环境的匹配场处理技术和最优传感器阵列处理技术结合在一起，设计最优权向量，使其对观测方位的波束响应无失真，而对离散噪声源干扰方位的响应为零，从而达到消除离散噪声源干扰对观测信号检测和定位的影响。

附图说明

图1是多传感器阵列做目标探测及环境参数的示意图；

图2是线性匹配场处理模糊面的示意图；

图3是最小方差无畸变响应匹配场处理模糊面的示意图；

图4是对离散噪声源做干扰抑制后的模糊度面的示意图；

图5是本发明的多传感器阵列的水声信道离散噪声源抑制方法的流程图。

具体实施方式

现结合附图对本发明作进一步的描述。

本发明的水声信道离散噪声源抑制方法基于多传感器阵列，所述多传感器阵列的阵型不限，可以是水平阵、垂直阵、离散阵等多种阵型。多传感器阵列中包括有多个阵元，这些阵元之间的距离没有要求，可以是等间距，也可以有不同的距离。在图1所示的一个实施例中，所述多传感器阵列为一阵元数N为50的水听器均匀垂直线列阵，阵元间距为2米，海区深度为100m。各个阵元均匀分布在1m到99m水深中。在该实施例中，假设水面强干扰和水下目标都是点声源，水面强干扰声源级比水下目标大10dB，距离垂直阵的水平距离均为8km，水面强干扰声源的等效深度为7米，水下目标的声源深度为40米，两目标信号频带完全重叠，中心频率均为300Hz，带宽为10Hz。在图1中还给出了声速参数模型的示意图，其中，图1的右侧为声速的剖面，从该声速剖面可以看出，声速剖面为微弱正梯度。声速参数模型还包括介质声速c、介质密度ρ以及衰减系数a，如图1底部所示的海底介质参数：海底介质声速C_底、海底介质密度ρ_底、海底介质衰减系数а_底。假设水面强干扰目标为离散噪声源，采用本发明的方法可对其进行抑制，以消除水面强干扰声源对水下目标检测和定位的影响。

在图1所示的实施例中，参考图5，本发明的方法包括：

步骤1）、获取水声信道中的离散噪声源的方位信息。

在获取离散噪声源的方位信息时，可使用线性匹配场处理或对角加载的最小方差无畸变响应匹配场处理实现，该步骤可进一步包括：

步骤101）、由多传感器阵列接收的时域信号中的某个频点的第l次快拍经过FFT变换之后得到X_l,f，其中X_l,f＝[X_l,f(1),X_l,f(2),L,X_l,f(Ν)]^T，N为多传感器阵列中的阵元数，然后将X_l,f与X_l,f ^H相乘得到数据向量；其中的(·)^H表示共轭转置。

例如，在本实施例中，所述某个频点为296Hz～305Hz中的每一个频点；所述l次快拍为24000次快拍，其中24000为节点线列阵的采样率。

步骤102）、将步骤101）获得的数据向量取多个快拍数据平均，获得互谱密度矩阵K，其计算公式表示为：

$K=\frac{1}{L}\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{X}_{l,f}{X_{l,f}}^H---\left(1\right)$

其中，L为所要平均的快拍的数目，

例如，在本实施例中，所述快拍数据有10个，对这10个快拍数据做平均，得到互谱密度矩阵K。

步骤103）、根据水声环境参数信息和基阵的几何形状建立声场模型，然后计算基阵的拷贝向量其中，所述水声环境参数信息包括介质声速c、介质密度ρ、衰减系数a，在图1所示的实施例中，基阵的几何形状为垂直阵，在其他实施例中，基阵的几何形状也可以是水平阵或离散阵等。计算基阵的拷贝向量时可采用采用Kraken声场模型软件实现，计算所得到的基阵的拷贝向量包括观测区域内距离和深度离散化后离散点的拷贝向量，可表示为 N为多传感器阵列中的阵元数，所述基阵的拷贝向量的计算公式表示为：

其中，为Kraken声场模型软件计算得到的第j个水听器的声压值，表示声源的位置参数,其中的(·)^H表示共轭转置。

步骤104）、根据步骤103）获得的拷贝向量构建线性匹配场处理器的基阵加权向量或最小方差无畸变响应匹配场处理器的基阵加权向量其计算公式为：

或

其中，K为互谱密度矩阵,I为单位矩阵，δ_d为协方差矩阵的对角加载因子。

步骤105）、将步骤102）获取的K和步骤104）计算得到的基阵加权向量做相关，获得模糊度表面其计算公式为：

其中，在该计算公式中，为或

图2和图3分别为线性匹配场处理模糊面和最小方差无畸变响应匹配场处理模糊面的示意图。

步骤106）、将各个频点按照步骤105）计算所得模糊度表面做累加后取平均，得到非相干处理模糊度表面，其极大值点为目标的估计位置，所述估计位置包括多传感器阵列与目标间的相对距离，以及目标相对海平面的深度。

步骤2）、根据步骤1）所得到的方位信息设计离散噪声源干扰抑制的最优权向量，使其对观测方位的波束响应无失真，而对离散噪声源干扰方位的响应为零，从而达到消除离散噪声源干扰对观测信号检测和定位的影响。

该步骤进一步包括：

步骤201）、根据步骤106）所获得的目标距离和目标深度信息计算得到该目标距离和目标深度下的离散噪声源的基阵的拷贝向量并对由步骤102）获取的互谱密度矩阵K、步骤103）获取的拷贝向量所生成的观测信号方向向量进行置1约束，对离散噪声源的拷贝向量进行置零约束，所述置1约束与置0约束的约束条件可表示为：

其中，为或

根据目标距离和目标深度信息计算基阵的拷贝向量可通过Kraken声场模型软件实现。

步骤202）、根据步骤201）所得到的约束条件，求模糊度函数P的最小值约束，所述最小值约束的约束条件表示为：

步骤203）、构造Lagrange函数,该函数的表达式为：

$L(w,{\mathrm{\λ}}_1,{\mathrm{\λ}}_2)=w^H\mathrm{Kw}-{\mathrm{\λ}}_1(w^H\mathrm{\α}-1)-{\mathrm{\λ}}_2{w}^{H}n---\left(8\right)$

其中，λ₁,λ₂分别表示Lagrange乘子。

步骤204）、由步骤102）获取的互谱密度矩阵K、步骤103）获取的拷贝向量作为观测信号方向向量根据该观测信号方向向量以及步骤201）获取的拷贝向量对步骤203）所构造的Lagrange函数求最小方差解，从而得到最优权向量w_MV，所述最优权向量w_MV表示为：

$w_{\mathrm{MV}}=\frac{\left(n^H{K}^{-1}n\right)K^{-1}\mathrm{\α}-\left({\mathrm{\α}}^H{K}^{-1}n\right)K^{-1}n}{\left({\mathrm{\α}}^H{K}^{-1}\mathrm{\α}\right)\left(n^H{K}^{-1}n\right)-\left(n^H{K}^{-1}\mathrm{\α}\right)\left({\mathrm{\α}}^H{K}^{-1}n\right)}---\left(9\right)$

步骤3）、使用步骤2）所设计的最优权向量构成离散噪声源干扰抑制匹配处理器，对观测信号进行定位，实现在离散噪声源干扰存在情况下的目标定位。

该步骤进一步包括：

步骤301）、由步骤102）获取的互谱密度矩阵K和步骤301）计算所得的最优权向量w_MV，计算模糊度面表示为：

步骤302）、将各个频点按照步骤301）计算所得模糊度表面做累加后取平均，得到非相干处理模糊度表面，其极大值点为目标的估计位置，所述估计位置包括多传感器阵列与目标间的相对距离，以及所要探测的目标相对海平面的深度。由于w_MV包含对噪声源的抑制，因此在本步骤中所求得的只包括弱目标的位置信息，也就是所要探测的目标的位置信息。图4是对离散噪声源做干扰抑制后的模糊度面的示意图。从图中可以看出，在40米深、8000米处目标清晰可见，对比图2，该目标被7米深、8000米处目标的旁瓣所淹没。

总之，本发明能够有效地消除离散噪声源干扰对观测信号检测和定位的影响。

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.一种多传感器阵列的水声信道离散噪声源抑制方法，用于包括有多个阵元的多传感器阵列中，该方法包括：

步骤1）、使用线性匹配场处理或对角加载的最小方差无畸变响应匹配场处理获取水声信道中的离散噪声源的方位信息；

步骤2）、根据步骤1）所获得的方位信息设计离散噪声源干扰抑制的最优权向量，使最优权向量对观测方位的波束响应无失真，而对离散噪声源干扰方位的响应为零；

步骤3）、使用步骤2）所设计的最优权向量构成离散噪声源干扰抑制匹配处理器，对观测信号进行定位，从而实现在离散噪声源干扰存在情况下的目标定位。

2.根据权利要求1所述的多传感器阵列的水声信道离散噪声源抑制方法，其特征在于，所述步骤1）包括：

步骤1-1）、由所述多传感器阵列接收的时域信号中的某个频点的第l次快拍经过FFT变换之后得到X_l,f，其中X_l,f＝[X_l,f(1),X_l,f(2),L,X_l,f(Ν)]^T，N为多传感器阵列中的阵元数；然后将X_l,f与X_l,f ^H相乘得到数据向量，其中的(·)^H表示共轭转置；

步骤1-2）、将步骤1-1）获得的数据向量取多个快拍数据平均，获得互谱密度矩阵K，其计算公式表示为：

$K=\frac{1}{L}\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{X}_{l,f}{X_{l,f}}^H---\left(1\right)$

其中，L为所要平均的快拍的数目；

步骤1-3）、根据水声环境参数信息和基阵的几何形状建立声场模型，然后计算基阵的拷贝向量其中，

所述水声环境参数信息包括介质声速c、介质密度ρ、衰减系数a；

所述基阵的拷贝向量包括观测区域内距离和深度离散化后多个离散点的拷贝向量，表示为N为多传感器阵列中的阵元数，所述基阵的拷贝向量的计算公式表示为：

为第j个水听器的声压值，表示声源的位置参数；

步骤1-4）、根据步骤1-3）获得的拷贝向量构建线性匹配场处理器的基阵加权向量或最小方差无畸变响应匹配场处理器的基阵加权向量其计算公式为：

或

其中，K为互谱密度矩阵,I为单位矩阵，δ_d为协方差矩阵的对角加载因子；

步骤1-5）、将步骤1-2）获取的互谱密度矩阵K和步骤1-4）计算得到的基阵加权向量做相关，获得模糊度表面其计算公式为：

其中，为或

步骤1-6）、将各个频点按照步骤1-5）计算所得模糊度表面做累加后取平均，得到非相干处理模糊度表面，其极大值点为目标的估计位置，所述估计位置包括多传感器阵列与目标间的相对距离，以及目标相对海平面的深度。

3.根据权利要求2所述的多传感器阵列的水声信道离散噪声源抑制方法，其特征在于，在步骤1-3）中，采用Kraken声场模型软件计算基阵的拷贝向量

4.根据权利要求2所述的多传感器阵列的水声信道离散噪声源抑制方法，其特征在于，所述步骤2）包括：

步骤2-1）、根据步骤1-6）所获得的目标距离和目标深度信息计算得到该目标距离和目标深度下的离散噪声源的基阵的拷贝向量并对由步骤102）获取的互谱密度矩阵K、步骤103）获取的拷贝向量所生成的观测信号方向向量进行置1约束，对离散噪声源的拷贝向量进行置零约束，所述置1约束与置0约束的约束条件表示为：

其中，为或

步骤2-2）、根据步骤2-1）所得到的约束条件，求模糊度函数P的最小值约束，所述最小值约束的约束条件表示为：

步骤2-3）、构造Lagrange函数，该函数的表达式为：

$L(w,{\mathrm{\λ}}_1,{\mathrm{\λ}}_2)=w^H\mathrm{Kw}-{\mathrm{\λ}}_1(w^H\mathrm{\α}-1)-{\mathrm{\λ}}_2{w}^{H}n---\left(8\right)$

其中，λ₁,λ₂分别表示Lagrange乘子；

步骤2-4）、由步骤1-2）获取的互谱密度矩阵K、步骤1-3）获取的拷贝向量作为观测信号方向向量根据该观测信号方向向量以及步骤2-1）获取的拷贝向量对步骤2-3）所构造的Lagrange函数求最小方差解，从而得到最优权向量w_MV，所述最优权向量w_MV表示为：

$w_{\mathrm{MV}}=\frac{\left(n^H{K}^{-1}n\right)K^{-1}\mathrm{\α}-\left({\mathrm{\α}}^H{K}^{-1}n\right)K^{-1}n}{\left({\mathrm{\α}}^H{K}^{-1}\mathrm{\α}\right)\left(n^H{K}^{-1}n\right)-\left(n^H{K}^{-1}\mathrm{\α}\right)\left({\mathrm{\α}}^H{K}^{-1}n\right)}---\left(9\right).$

5.根据权利要求4所述的多传感器阵列的水声信道离散噪声源抑制方法，其特征在于，所述步骤3）进一步包括：

步骤3-1）、由步骤1-2）获取的互谱密度矩阵K和步骤3-1）计算所得的最优权向量w_MV，计算模糊度面表示为：

步骤3-2）、将各个频点按照步骤3-1）计算所得模糊度表面做累加后取平均，得到非相干处理模糊度表面，其极大值点为目标的估计位置，所述估计位置包括多传感器阵列与目标间的相对距离，以及所要探测的目标相对海平面的深度。