CN105703841B - 一种多路径传播宽带主动声信号的分离方法 - Google Patents
一种多路径传播宽带主动声信号的分离方法 Download PDFInfo
- Publication number
- CN105703841B CN105703841B CN201610132769.8A CN201610132769A CN105703841B CN 105703841 B CN105703841 B CN 105703841B CN 201610132769 A CN201610132769 A CN 201610132769A CN 105703841 B CN105703841 B CN 105703841B
- Authority
- CN
- China
- Prior art keywords
- mrow
- mtr
- mtd
- msub
- signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000926 separation method Methods 0.000 title claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims abstract description 69
- 238000000034 method Methods 0.000 claims abstract description 64
- 238000009499 grossing Methods 0.000 claims abstract description 46
- 239000013598 vector Substances 0.000 claims abstract description 25
- 238000003325 tomography Methods 0.000 claims abstract description 13
- 230000004807 localization Effects 0.000 claims abstract 2
- 238000001228 spectrum Methods 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 16
- 238000000354 decomposition reaction Methods 0.000 claims description 12
- 230000001934 delay Effects 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000001902 propagating effect Effects 0.000 claims description 5
- 230000005236 sound signal Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 3
- 238000004587 chromatography analysis Methods 0.000 abstract description 9
- 230000003595 spectral effect Effects 0.000 abstract description 8
- 230000009466 transformation Effects 0.000 description 8
- 238000001514 detection method Methods 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 6
- 238000003491 array Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B11/00—Transmission systems employing sonic, ultrasonic or infrasonic waves
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
- G01S7/539—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
- H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
- H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
- H04B7/0617—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal for beam forming
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种多路径传播宽带主动声信号的分离方法。本发明分两步实现声线路径的分离，第一步首先对传感器阵列所接收信号进行空域平滑与TCT变换，计算频谱矩阵，构造相应的副本矢量与噪声子空间，根据信号子空间与噪声子空间的正交性，计算多项式的根，估算出声线路径在传感器间的时间延迟；第二步、对传感器接收信号进行空域‑频域平滑，计算频谱矩阵，构造相应的副本矢量与噪声子空间，根据信号子空间与噪声子空间的正交性，并结合传感器间的时间延迟，计算多项式的根，估算出声线路径到达传感器的时间。本发明还公开了一种基于声线传播时间层析的海洋声层析方法及一种声源定位方法。本发明在允许的误差范围内可大幅提高声信号分离的效率。
Description
技术领域
本发明涉及声信号处理技术领域，尤其涉及一种多路径传播宽带主动声信号的分离方法。
背景技术
声信号处理技术目前已广泛应用在水声探测、通信以及地震、生物医学工程等许多领域。由于声音信号在介质中的传播往往是以多路径的形式存在，传感器所接收的是这多个路径传播的波的混叠数据，因此，要对声信号进行后续处理的前提是要从传感器所接收的多路径传播声信号中将每条声线路径分离出来，这种声信号处理方法即为多路径传播声信号分离方法。
以海洋声层析技术为例，海洋声层析是用声速方法检测海洋内部的最重要技术之一，它利用声音在海洋中传播速度的变化来反演海洋温度的变化乃至海洋气候变化。根据不同的反演模型，可分为：(1)声线传播时间层析(2)简正波传播时间层析；(3)峰值匹配层析；(4)简正波相位层析；(5)简正波水平折射层析；(6)匹配场层析。
浅海声层析术的前向问题中需识别不同的射线路径(或称声线路径)，之后将射线路径的到达时间用于解决反演问题并估计声速变化。高质量的反演过程建立在(1)可识别的线路径数；(2)线路径可覆盖的海洋波导一致空间。浅海声层析术利用的一个重要的性质是声信号在水中的多路径传播性质，即：由于海面或海底的折射或反射，声音信号是以多路径的形式传播且每个线路径为发射信号的复本。图1为多路径传播的一个例子。由于每一个线路径都覆盖不同的海洋区域，多路径传播性质可以为浅海声层析术的反演过程提供更多的信息。但多路径传播同时产生干扰区域，因此，在浅海声层析术中首先需用阵列处理技术对线路径分离并估计不同线路径的到达时间，这是获得准确反演结果要解决的首要问题。
在浅海声层析应用中，现有阵列处理技术主要为波束形成类算法。波束形成是阵列处理技术中简单且经典的算法。起初，它被用于点到点的试验结构中,即：一个信号源和一个传感器。为了提高分离精度，波束形成又被扩展到点到阵列的结构中，即用一个垂直传感器阵列作为信号接收端，将信号到传感器阵列的波达方向作为判别参数成功分离了部分在点到点结构中无法分离的情形。尽管如此，当线路径以很小的时间间隔到达阵列时，波束形成在点到阵列结构中仍不能成功将其分离识别。近来，有研究者提出一种新的双波束形成算法用于在声层析术背景下信号分离，该算法依据声音在水中传播的互易性，在信号发射端采用信号源阵列，建立阵列到阵列的二维试验结构，由此引入了新的判别参数——发射角度，试验表明较之波束形成算法该方法提高了分离精度。为进一步提高算法分辨力，Jiang等人在“Raypath separation with high resolution processing”一文中，提出在点到阵列结构中，结合空间-频域平滑方法与主动宽带多信号分离算法，提出了平滑的主动宽带多信号分离算法(smoothing Multiple Signal Classification Active Large-band:smoothing-MUSICAL)。该方法的主要步骤为：对传感器阵列接收到的数据傅里叶变换后依次做空间-频域平滑处理、求平滑后数据的协方差矩阵、对协方差矩阵做特征分解、构造副本矢量、构造估计器，最终寻找到声线路径的到达时间和角度。该方法有如下三方面的优点：(1)较之波束形成方法提高了分辨力：当线路径到达时间间隔非常小时，smoothing-MUSICAL可成功分离部分信号；(2)解决了线路径相关或相干时信号的高分辨分离问题；(3)合成数据与实际试验结果表明smoothing-MUS ICAL算法有很好的抗噪性。
然而，smoothing-MUSICAL算法需要在声信号在传感器间的时间延迟与声信号到达传感器的时间所构成的二维平面内搜索射线路径，该搜索过程所需的时间成本极为庞大，从而严重影响了smoothing-MUSICAL算法的实时性。
发明内容
本发明所要解决的技术问题在于克服现有平滑的主动宽带多信号分离算法的不足，提供一种多路径传播宽带主动声信号的分离方法，可大幅提高声信号分离的效率。
本发明具体采用以下技术方案解决上述技术问题：
一种多路径传播宽带主动声信号的分离方法，用于从声传感器阵列所接收到的多路径传播宽带主动声信号中分离出每条声线路径，首先估计出各声线路径在各传感器间的时间延迟，具体包括以下步骤：
步骤1、对声传感器阵列所接收的宽带主动声信号做傅里叶变换后进行空域平滑处理，获得一组窄带估计矩阵；
步骤2、根据步骤1所得到的窄带估计矩阵为所述宽带主动声信号的每个频率子带构造TCT变换矩阵，并分别利用每个频率子带的TCT变换矩阵将该频率子带上经傅里叶变换后的样本数据映射到以所述宽带主动声信号的中心频率表示的样本数据，，然后求出以该中心频率表示的各频率子带样本数据的频谱矩阵；最后对各频率子带声信号的频谱矩阵求平均，得到整个宽带主动声信号的频谱矩阵；
步骤3、对整个宽带主动声信号的频谱矩阵进行EVD特征分解，并以所得到的所有M个特征值中较大的前P个特征值所对应的特征向量构造信号子空间，以剩下的M-P个较小特征值所对应的特征向量构造噪声子空间；其中，M为声传感器阵列中的传感器数量，P为主动声源的个数；
步骤4、为声线路径构造以下的副本矢量a(t,T)：
其中，t表示声线路径在各传感器间的时间延迟，T表示声线路径到达声传感器阵列的时间，e(vc)是所述宽带主动声信号在其中心频率vc处的发射信号幅值，M为声传感器阵列中的传感器数量；
步骤5、根据步骤3所构造信号子空间与噪声子空间的正交性构造估计器，根据所构造估计器定义多项式；然后通过寻找单位圆内最接近单位圆的P个根的方式得到使得估计器达到峰值的多项式的P个根，则这P个根对应的P个时间延迟t就是P个射线路径在不同传感器间的延迟；
然后，根据估计出的各声线路径在各传感器间的时间延迟估计出各声线路径到达声传感器阵列的时间，具体包括以下步骤：
步骤6、利用平滑的主动宽带多信号分离算法smoothing-MUSICAL中的数据预处理方法对声传感器阵列所接收的宽带主动声信号进行处理，估计出所述宽带主动声信号的频谱矩阵，具体如下：利用空域-频域平滑方法对所述宽带主动声信号进行去相关操作，然后用去相关后的信号估计出所述宽带主动声信号的频谱矩阵；
步骤7、对步骤6所估计出的频谱矩阵进行EVD特征分解，并以所得到的MF个特征值中较大的前P个特征值所对应的特征向量构造信号子空间，以剩下的
MF-P个较小特征值所对应的特征向量构造噪声子空间；其中，M为声传感器阵列中的传感器数量，P为主动声源的个数，F为所述空域-频域平滑方法在进行频域平滑时选取的频率数；
步骤8、为声线路径构造以下的副本矢量aL(t,T)：
其中，t表示声线路径在各传感器间的时间延迟，T表示声线路径到达声传感器阵列的时间，e(vi)，i＝1,2,…,F是所述宽带主动声信号在频率vi处的幅值，M为声传感器阵列中的传感器数量，ν1,ν2…νF表示频域平滑时选取的F个不同的频率值；
步骤9、根据步骤7所构造信号子空间与噪声子空间的正交性构造估计器，并将步骤5所得到的各声线路径在各传感器间的时间延迟t作为已知参量代入该估计器后，根据该估计器定义多项式；然后通过寻找单位圆内最接近单位圆的P个根的方式得到使得估计器达到峰值的多项式的P个根，则这P个根对应的P个到达时间T即为P个声线路径到达传感器阵列的时间。
优选地，步骤1中所述空域平滑与步骤6所述空域-频域平滑方法的空域平滑阶次相同。这样，在运行smoothing-MUSICAL中的数据预处理算法时可直接使用步骤1所得到的空域平滑结果，从而进一步减少计算量，提高算法效率。
根据相同的发明思路还可以得到以下技术方案：
一种基于声线传播时间层析的海洋声层析方法，利用声音在海洋中传播速度的变化来反演海洋环境参数，首先利用如上任一技术方案所述多路径传播宽带主动声信号的分离方法，从声传感器阵列所接收到的多路径传播宽带主动声信号中分离出每一条声线路径；然后根据声线路径的到达时间反演出海洋环境参数。
一种声源定位方法，首先利用如上任一技术方案所述多路径传播宽带主动声信号的分离方法，从声传感器阵列所接收到的多路径传播宽带主动声信号中分离出每一条声线路径；然后根据声线路径的到达角度和到达时间在空域和时域构成的二维平面内确定声源的方位。
相比现有技术，本发明技术方案具有以下有益效果：
本发明可快速准确地完成多路径传播宽带主动声信号的分离，相比现有smoothing-MUSICAL算法，其具有巨大的时间成本优势，实时性大幅提高，同时其余各项性能并无明显降低；本发明可广泛应用于浅海水声信号处理、雷达、声呐、通信以及地震、生物医学工程领域等多个领域，应用前景广阔。
附图说明
图1为声信号多路径传播的一个实例；
图2为空域平滑方法的一个示例；
图3为频域平滑方法的一个示例；
图4为在两个声源情况下本发明与smoothing-MUSICAL算法的实验结果对比；
图5为在四个声源情况下本发明与smoothing-MUSICAL算法的实验结果对比。
具体实施方式
针对现有smoothing-MUSICAL算法时间消耗过大的问题，本发明提出了一种多路径传播宽带主动声信号的分离方法，分两步实现声线路径的分离，第一步首先对传感器阵列所接收信号进行空域平滑与双边相关变换(TCT)变换，计算频谱矩阵，构造相应的副本矢量与噪声子空间，根据信号子空间与噪声子空间的正交性，计算多项式的根，估算出声线路径在传感器间的时间延迟；第二步、对传感器接收信号进行空域-频域平滑，计算频谱矩阵，构造相应的副本矢量与噪声子空间，根据信号子空间与噪声子空间的正交性，并结合第一步估算得到的传感器间的时间延迟，计算多项式的根，估算出声线路径到达传感器的时间。
再对本发明技术方案进行进一步说明之前，先对其中所涉及的空域平滑、频域平滑进行简要介绍：
空域平滑通过对空域子阵列的平均来实现，其原理如图2。M个传感器被分成若干尺寸相同，部分重叠的子阵列，假设子阵列是线性一致的，则子阵列传感器上信号的强度不会发生剧烈变化。当子阵列数目大于或等于射线路径数时空间谱矩阵为非单秩矩阵。假设空间平滑阶次为Ks，则每个子阵列的尺寸为M-2Ks，子阵列的数目为2Ks+1。
频域平滑方法根据操作对象是时域数据还是频域数据可分为如下两种：(1)加权相关矩阵；(2)频域子带平均。本发明优选采用频域子带平均法，其具体原理见图3。假设频域的平滑阶次为Kf，则平滑后可以得到2Kf+1个尺寸为M-2Kf的子带。
对空域或频域的过度平滑均会导致互谱矩阵产生严重的误差，为了减小估计误差，可以将空域和频域的平滑相结合(空域-频域平滑，smoothing-MUSICAL算法即采用该方案)，具体如下：从一组观测矩阵X，可以产生2Ks+1个空间上平移出现的观测数据这2Ks+1个复现的矩阵分别经过频域的平滑又可以获得K＝(2Ks+1)(2Kf+1)个窄带估计组成矩阵为了更好的将射线路径从噪声中分离出来，需要设置K的值大于P。
下面结合附图对本发明的技术方案(简便起见，后文称之为root-MUSICAL算法)进行详细说明：
在点到阵列结构中，根据射线路径在浅海波导中的传播，用波达方向、波达时间等参数，建立能够合理描述浅海中声信号传播的物理过程的数学模型。假设信号源数目为P，传感器的数目为M，则第m个传感器上接收到的信号可表示为：
τm，p＝Tp＋tm(θp) (2)
对(1)式做傅里叶变换为：
在以上信号模型基础上，本发明首先估计出各声线路径在各传感器间的时间延迟，具体包括以下步骤：
步骤1、对声传感器阵列所接收的宽带主动声信号做傅里叶变换后进行空域平滑处理，获得一组窄带估计矩阵；
假设空间平滑阶次为Ks，则对一组观测矩阵X，可以产生2Ks+1个空间上平移出现的观测数据
步骤2、根据步骤1所得到的窄带估计矩阵为所述宽带主动声信号的每个频率子带构造TCT变换矩阵，并分别利用每个频率子带的TCT变换矩阵将该频率子带上经傅里叶变换后的样本数据映射到以所述宽带主动声信号的中心频率表示的样本数据，，然后求出以该中心频率表示的各频率子带样本数据的频谱矩阵；最后对各频率子带声信号的频谱矩阵求平均，得到整个宽带主动声信号的频谱矩阵；
当宽带主动声信号的频率为ν时，各传感器接收的信号可表示为X(ν)＝[x1(ν),x2(ν),…,xM(ν)]T。对任意频率子带νi，i＝1,2,…,F，F表示选取的频率子带数，当空域平滑阶次为Ks时，频谱估计矩阵可表示为：
为了更准确的估计宽带信号的频谱矩阵，需要对每一个频率子带对应的传感器接收信号进行TCT变换，目的是将任意频率νi对应的频谱矩阵变换成用所述宽带主动声信号的中心频率νc表示的频谱矩阵。
上述过程为现有技术(参见文献[Valaee S,Kabal P.Wideband arrayprocessing using a two-sided correlation transformation[J].IEEE Transactionson Signal Processing,1995,43(1):160-172.])，其具体过程如下：
根据Valaee和Kabal提出的方法，定义传感器接收信号的无噪声相关矩阵Pi，Pi表示为：
其中，表示第i个频率子带上传感器上接收信号的噪声功率，计算如下：
其中是的第j个特征值，这些特征值是按照降序排列的。
记中心频率对应的无噪声频谱矩阵记为Pcen，则TCT变换矩阵可通过最小化下式来寻找：
其中，Ti满足
根据Valaee和Kabal提出的方法可知，对任意的第i个频域子带，上式的解为其中Xcen和Xi分别是对Pcen和Pi进行evd特征分解后得到的特征向量构成的矩阵。最后，使用变换矩阵Ti将传感器接收的数据Xi变换为中心频率相关的数据Yi：
Y(νi)＝TiX(νi) (8)
经空域平滑与TCT变换后得到的中心频率相关的数据为Yi，i＝1,…F，且每个频率经变换后的频谱矩阵RY(νi)可表示为：
RY(νi)＝Y(νi)Y(νi)*(9)
因此，整个宽带信号的频谱矩阵可以通过对F个频率子带上的频谱矩阵的平均估计得到：
步骤3、对整个宽带主动声信号的频谱矩阵进行EVD特征分解，并以所得到的所有M个特征值中较大的前P个特征值所对应的特征向量构造信号子空间，以剩下的M-P个较小特征值所对应的特征向量构造噪声子空间；其中，M为声传感器阵列中的传感器数量，P为主动声源的个数；
对整个宽带主动声信号的频谱矩阵进行EVD特征分解后得到M个特征值，并将特征值按从大到小排列为：λ1＞λ2＞…＞λM，其中P个较大的特征值对应的特征向量表征信号子空间，剩下的M-P个较小的特征值对应的特征向量表征噪声子空间。则宽带信号的频谱矩阵又可以表示为：
其中，矩阵US是P个较大的特征值对应的特征向量构成的矩阵，UN是剩下的M-P个较小的特征值对应的特征向量构成的矩阵，ΛS是P个较大的特征值构成的对角矩阵，ΛN是剩下的M-P个较小的特征值构成的对角矩阵。
信号子空间A可通过如下方式构造：
噪声子空间B可通过如下方式构造：
步骤4、为声线路径构造以下的副本矢量a(t,T)：
其中，t表示声线路径在各传感器间的时间延迟，T表示声线路径到达声传感器阵列的时间，e(vc)是所述宽带主动声信号在其中心频率vc处的幅值，M为声传感器阵列中的传感器数量。
步骤5、根据步骤3所构造信号子空间与噪声子空间的正交性构造估计器，根据所构造估计器定义多项式；然后通过寻找单位圆内最接近单位圆的P个根的方式得到使得估计器达到峰值的多项式的P个根，则这P个根对应的P个时间延迟t就是P个射线路径在不同传感器间的延迟；
合理的参数估计器直接影响算法的分离定位性能和计算代价。现有文献表明，信号子空间与噪声子空间正交，据此，可以构造合适的估计器S(t,T)如下式：
S-1(t,T)＝a(t,T)*Aa(t,T) (14)
其中，S-1(t,T)可具体表示为：
其中，
根据估计器S(t,T)定义多项式：
其中
计算多项式D(z)的根，这些根的取值可以使得估计器达到峰值，寻找单位圆内最接近单位圆的P个根，则这P个根对应的P个时间延迟t就是P个声线路径在不同传感器间的延迟t：
t＝arg(z) (16)
准确识别不同的声线路径需要能够同时估算出声线路径在各传感器间的时间延迟与其到达传感器阵列的时间，通过以上步骤已得到了声线路径在各传感器间的时间延迟，本发明进一步根据估计出的各声线路径在各传感器间的时间延迟估计出各声线路径到达声传感器阵列的时间，具体包括以下步骤：
步骤6、利用平滑的主动宽带多信号分离算法smoothing-MUSICAL中的数据预处理方法对声传感器阵列所接收的宽带主动声信号进行处理，估计出所述宽带主动声信号的频谱矩阵，具体如下：利用空域-频域平滑方法对所述宽带主动声信号进行去相关操作，然后用去相关后的信号估计出所述宽带主动声信号的频谱矩阵；
smoothing-MUSICAL算法中的数据预处理方法是结合空域-频域平滑估计宽带信号的频谱矩阵，采用该方法所估计出的宽带信号的频谱矩阵具体如下：
其中，Ks和Kf分别是空域-频域平滑阶次，*表示求共轭转置。为了进一步减少计算量，此处空域平滑最好采用与步骤1中相同的平滑阶次，这样即可直接使用步骤1所得到的空域平滑结果进行频域平滑处理。
步骤7、对步骤6所估计出的频谱矩阵进行EVD特征分解，并以所得到的MF个特征值中较大的前P个特征值所对应的特征向量构造信号子空间，以剩下的MF-P个较小特征值所对应的特征向量构造噪声子空间；其中，M为声传感器阵列中的传感器数量，P为主动声源的个数，F为smoothing-MUSICAL中在进行频域平滑时选取的频率数；
对频谱矩阵进行EVD特征分解，并将所得到的MF个特征特征值按从大到小排列为：λ1＞λ2＞…＞λMF；其中P个较大的特征值对应的特征向量表征信号子空间，剩下的MF-P个较小的特征值对应的特征向量表征噪声子空间。则宽带信号的频谱矩阵又可以表示为：
其中，矩阵ULS是P个较大的特征值对应的特征向量构成的矩阵，ULN是剩下的MF-P个较小的特征值对应的特征向量构成的矩阵，ΛLS是P个较大的特征值构成的对角矩阵，ΛLN是剩下的MF-P个较小的特征值构成的对角矩阵。
信号子空间AL构造如下：
噪声子空间BL构造如下：
步骤8、为声线路径构造以下的与频谱矩阵相对应的副本矢量aL(t,T)：
其中，t表示声线路径在各传感器间的时间延迟，T表示声线路径到达声传感器阵列的时间，e(vi)，i＝1,2,…,F是所述宽带主动声信号在频率vi处的幅值，M为声传感器阵列中的传感器数量，ν1,ν2…νF表示频域平滑时选取的F个不同的频率值。
步骤9、根据步骤7所构造信号子空间与噪声子空间的正交性构造估计器，并将步骤5所得到的各声线路径在各传感器间的时间延迟t作为已知参量代入该估计器后，根据该估计器定义多项式；然后通过寻找单位圆内最接近单位圆的P个根的方式得到使得估计器达到峰值的多项式的P个根，则这P个根对应的P个到达时间T即为P个声线路径到达传感器阵列的时间：
与步骤5类似，同样根据信号子空间与噪声子空间的正交性可以构造合理的估计器SL(t,T):
通过化简，上式可写成：
根据估计器SL(t,T)定义多项式：
其中，
将步骤5中估算出的时间延迟t代入多项式DL(z)，并计算多项式的根，这些根的取值可以使得估计器达到峰值，寻找单位圆内最接近单位圆的P个根，则这P个根对应的P个到达时间T就是P个射线路径到达传感器阵列的时间T：
T＝arg(z) (23)
至此，分两步估计出了各声线路径到达传感器阵列的时间延迟t和到达时间T，从而成功分离出了每一条声线路径。
为了验证本发明效果，进行了以下验证实验：
1、实验条件：
在一台计算机上进行验证实验，编程语言用的是Matlab(R2013b版本)。
2、实验方法：
为了验证本发明的实验效果，选择现有的smoothing-MUSICAL方法进行结果对比。实验选取中心频率为3000Hz的等功率射线路径，采样频率为10400Hz,采样点数为256个，信噪比为20dB。
实验1：
产生两条等功率射线路径，两条射线路径到达传感器的时间与在传感器间的时间延迟分别是(10,0.5)和(20,1)；设置9个传感器组成传感器阵列用来接收信号用于实验处理。
root-MUSICAL和smoothing-MUSICAL的实验结果显示如图4所示，实验结果表明，smoothing-MUSICAL方法完成信号源的检测耗时94.57s，本发明root-MUSICAL方法完成信号源的检测耗时8.056s。
root-MUSICAL方法与smoothing-MUSICAL方法估算得到的射线参数及误差分析如表1所示。
表1两个信号源时root-MUSICAL和smoothing-MUSICAL实验结果
实验2：
产生四条等功率射线路径，四条射线路径到达传感器的时间与在传感器间的时间延迟分别是(10,0)、(30,0.5)、(50,0.7)和(70,1.2)；设置15个传感器组成传感器阵列用来接收信号用于实验处理。
root-MUSICAL和smoothing-MUSICAL的实验结果显示如图5所示，实验结果表明，smoothing-MUSICAL方法完成信号源的检测耗时679.619s，root-MUSICAL方法完成信号源的检测耗时36.017s。
root-MUSICAL方法与smoothing-MUSICAL方法估算得到的射线参数及误差分析如表2所示。
表2四个信号源时root-MUSICAL和smoothing-MUSICAL实验结果
图4与图5中白色圆形区域表示smoothing-MUSICAL方法检测出的射线路径，黑色实心小圆点表示root-MUSICAL方法检测出的射线路径。从完成射线路径检测所需时间上看，root-MUSICAL方法相比于smoothing-MUSICAL方法具有很大的时间优势。
根据表1与表2的误差分析结果可以看到smoothing-MUSICAL方法比root-MUSICAL方法估算得到的结果更准确，但两者的误差均在可接受范围内。
对于高分辨射线路径分离算法，准确性与实时性均非常重要，但是在实际射线路径检测环境中，在误差允许的范围内，算法的实时性优先级要远远高于准确性，因为算法的实时性越高，就代表能在越短的时间内检测出信号源的位置，更具现实意义，而本发明root-MUSICAL方法相对于smoothing-MUSICAL方法具有时间上的巨大优势，可极大缩减时间成本。
本发明可广泛应用于浅海水声信号处理、雷达、声呐、通信以及地震、生物医学工程领域等多个领域，例如，利用本发明可得到以下两个技术方案：
一种基于声线传播时间层析的海洋声层析方法，利用声音在海洋中传播速度的变化来反演海洋环境参数，首先利用本发明多路径传播宽带主动声信号的分离方法，从声传感器阵列所接收到的多路径传播宽带主动声信号中分离出每一条声线路径；然后根据声线路径的到达时间反演出海洋环境参数。
一种声源定位方法，首先利用本发明多路径传播宽带主动声信号的分离方法，从声传感器阵列所接收到的多路径传播宽带主动声信号中分离出每一条声线路径；然后根据声线路径的到达角度和到达时间在空域和时域构成的二维平面内确定声源的方位。
Claims (5)
1.一种多路径传播宽带主动声信号的分离方法，用于从声传感器阵列所接收到的多路径传播宽带主动声信号中分离出每条声线路径，其特征在于，首先估计出各声线路径在各传感器间的时间延迟，具体包括以下步骤：
步骤1、对声传感器阵列所接收的宽带主动声信号做傅里叶变换后进行空域平滑处理，获得一组窄带估计矩阵；
步骤2、根据步骤1所得到的窄带估计矩阵为所述宽带主动声信号的每个频率子带构造TCT变换矩阵，并分别利用每个频率子带的TCT变换矩阵将该频率子带上经傅里叶变换后的样本数据映射到以所述宽带主动声信号的中心频率表示的样本数据，然后求出以该中心频率表示的各频率子带样本数据的频谱矩阵；最后对各频率子带声信号的频谱矩阵求平均，得到整个宽带主动声信号的频谱矩阵；
步骤3、对整个宽带主动声信号的频谱矩阵进行EVD特征分解，并以所得到的所有M个特征值中较大的前P个特征值所对应的特征向量构造信号子空间，以剩下的M-P个较小特征值所对应的特征向量构造噪声子空间；其中，M为声传感器阵列中的传感器数量，P为主动声源的个数；
步骤4、为声线路径构造以下的副本矢量a(t,T)：
<mrow>
<mi>a</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>,</mo>
<mi>T</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>e</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>v</mi>
<mi>c</mi>
</msub>
<mo>)</mo>
</mrow>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>i</mi>
<mn>2</mn>
<msub>
<mi>&pi;v</mi>
<mi>c</mi>
</msub>
<mi>T</mi>
</mrow>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>e</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>v</mi>
<mi>c</mi>
</msub>
<mo>)</mo>
</mrow>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>i</mi>
<mn>2</mn>
<msub>
<mi>&pi;v</mi>
<mi>c</mi>
</msub>
<mi>T</mi>
</mrow>
</msup>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>i</mi>
<mn>2</mn>
<msub>
<mi>&pi;v</mi>
<mi>c</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mi>t</mi>
</mrow>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>e</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>v</mi>
<mi>c</mi>
</msub>
<mo>)</mo>
</mrow>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>i</mi>
<mn>2</mn>
<msub>
<mi>&pi;v</mi>
<mi>c</mi>
</msub>
<mi>T</mi>
</mrow>
</msup>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>i</mi>
<mn>2</mn>
<msub>
<mi>&pi;v</mi>
<mi>c</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>M</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mi>t</mi>
</mrow>
</msup>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中，t表示声线路径在各传感器间的时间延迟，T表示声线路径到达声传感器阵列的时间，e(vc)是所述宽带主动声信号在其中心频率vc处的发射信号幅值，M为声传感器阵列中的传感器数量，m＝1，2，…，M；
步骤5、根据步骤3所构造信号子空间与噪声子空间的正交性构造估计器，根据所构造估计器定义多项式；然后通过寻找单位圆内最接近单位圆的P个根的方式得到使得估计器达到峰值的多项式的P个根，则这P个根对应的P个时间延迟t就是P个声线路径在不同传感器间的延迟；
然后，根据估计出的各声线路径在各传感器间的时间延迟估计出各声线路径到达声传感器阵列的时间，具体包括以下步骤：
步骤6、利用平滑的主动宽带多信号分离算法smoothing-MUSICAL中的数据预处理方法对声传感器阵列所接收的宽带主动声信号进行处理，估计出所述宽带主动声信号的频谱矩阵，具体如下：利用空域-频域平滑方法对所述宽带主动声信号进行去相关操作，然后用去相关后的信号估计出所述宽带主动声信号的频谱矩阵；
步骤7、对步骤6所估计出的频谱矩阵进行EVD特征分解，并以所得到的MF个特征值中较大的前P个特征值所对应的特征向量构造信号子空间，以剩下的MF-P个较小特征值所对应的特征向量构造噪声子空间；其中，M为声传感器阵列中的传感器数量，P为主动声源的个数，F为所述空域-频域平滑方法在进行频域平滑时选取的频率数；
步骤8、为声线路径构造以下的副本矢量aL(t,T)：
<mrow>
<msub>
<mi>a</mi>
<mi>L</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>,</mo>
<mi>T</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>e</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>v</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mn>2</mn>
<msub>
<mi>i&pi;v</mi>
<mn>1</mn>
</msub>
<mi>T</mi>
</mrow>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>e</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>v</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mn>2</mn>
<msub>
<mi>i&pi;v</mi>
<mn>1</mn>
</msub>
<mi>T</mi>
</mrow>
</msup>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mn>2</mn>
<msub>
<mi>i&pi;v</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>M</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mi>t</mi>
</mrow>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>e</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>v</mi>
<mi>F</mi>
</msub>
<mo>)</mo>
</mrow>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mn>2</mn>
<msub>
<mi>i&pi;v</mi>
<mi>F</mi>
</msub>
<mi>T</mi>
</mrow>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>e</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>v</mi>
<mi>F</mi>
</msub>
<mo>)</mo>
</mrow>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mn>2</mn>
<msub>
<mi>i&pi;v</mi>
<mi>F</mi>
</msub>
<mi>T</mi>
</mrow>
</msup>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mn>2</mn>
<msub>
<mi>i&pi;v</mi>
<mi>F</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>M</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mi>t</mi>
</mrow>
</msup>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中，t表示声线路径在各传感器间的时间延迟，T表示声线路径到达声传感器阵列的时间，e(vi)，i＝1,2,…,F是所述宽带主动声信号在频率vi处的幅值，M为声传感器阵列中的传感器数量，ν1,ν2…νF表示频域平滑时选取的F个不同的频率值；
步骤9、根据步骤7所构造信号子空间与噪声子空间的正交性构造估计器，并将步骤5所得到的各声线路径在各传感器间的时间延迟t作为已知参量代入该估计器后，根据该估计器定义多项式；然后通过寻找单位圆内最接近单位圆的P个根的方式得到使得估计器达到峰值的多项式的P个根，则这P个根对应的P个到达时间T即为P个声线路径到达传感器阵列的时间。
2.如权利要求1所述分离方法，其特征在于，所述空域-频域平滑方法中的频域平滑使用频域子带平均方法。
3.如权利要求1所述分离方法，其特征在于，步骤1中所述空域平滑与步骤6所述空域-频域平滑方法的空域平滑阶次相同。
4.一种基于声线传播时间层析的海洋声层析方法，利用声音在海洋中传播速度的变化来反演海洋环境参数，其特征在于，首先利用如权利要求1～3任一项所述多路径传播宽带主动声信号的分离方法，从声传感器阵列所接收到的多路径传播宽带主动声信号中分离出每一条声线路径；然后根据声线路径的到达时间反演出海洋环境参数。
5.一种声源定位方法，其特征在于，首先利用如权利要求1～3任一项所述多路径传播宽带主动声信号的分离方法，从声传感器阵列所接收到的多路径传播宽带主动声信号中分离出每一条声线路径；然后根据声线路径的到达角度和到达时间在空域和时域构成的二维平面内确定声源的方位。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610132769.8A CN105703841B (zh) | 2016-03-09 | 2016-03-09 | 一种多路径传播宽带主动声信号的分离方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610132769.8A CN105703841B (zh) | 2016-03-09 | 2016-03-09 | 一种多路径传播宽带主动声信号的分离方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105703841A CN105703841A (zh) | 2016-06-22 |
| CN105703841B true CN105703841B (zh) | 2018-01-30 |
Family
ID=56220960
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610132769.8A Active CN105703841B (zh) | 2016-03-09 | 2016-03-09 | 一种多路径传播宽带主动声信号的分离方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105703841B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110133594B (zh) * | 2018-02-09 | 2023-04-28 | 北京搜狗科技发展有限公司 | 一种声源定位方法、装置和用于声源定位的装置 |
| CN113765595B (zh) * | 2021-07-30 | 2022-08-19 | 南京大学 | 一种二维波动体系内非周期声信号的空间复用方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2393645C1 (ru) * | 2009-06-09 | 2010-06-27 | Федеральное государственное образовательное учреждение высшего профессионального образования Санкт-Петербургский государственный университет | Широкополосный гидроакустический преобразователь |
| US8819757B2 (en) * | 2011-01-11 | 2014-08-26 | Manolo Fabio Rivera | Advanced wireless IPTV set top box |
| CN102307168B (zh) * | 2011-08-06 | 2014-04-02 | 桂林市思奇通信设备有限公司 | 调频广播频段数字广播模数信号的分离方法和接收设备 |
| CN203551769U (zh) * | 2013-10-04 | 2014-04-16 | 吉林大学 | 多目标三维超声跟踪定位系统 |
| CN104464727B (zh) * | 2014-12-11 | 2018-02-09 | 福州大学 | 一种基于深度信念网络的单通道音乐的歌声分离方法 |
| CN104537227B (zh) * | 2014-12-18 | 2017-06-30 | 中国科学院上海高等研究院 | 变电站噪声分离方法 |
| CN104679698B (zh) * | 2015-03-09 | 2017-10-31 | 电子科技大学 | 高速串行通信中抖动信号的分解方法 |
-
2016
- 2016-03-09 CN CN201610132769.8A patent/CN105703841B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN105703841A (zh) | 2016-06-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106226754B (zh) | 基于时间反演的低仰角波达方向估计方法 | |
| Tirer et al. | High resolution direct position determination of radio frequency sources | |
| Prada et al. | Experimental subwavelength localization of scatterers by decomposition of the time reversal operator interpreted as a covariance matrix | |
| CN108375763B (zh) | 一种应用于多声源环境的分频定位方法 | |
| US9357293B2 (en) | Methods and systems for Doppler recognition aided method (DREAM) for source localization and separation | |
| CN111123192B (zh) | 一种基于圆形阵列和虚拟扩展的二维doa定位方法 | |
| US6482160B1 (en) | High resolution 3D ultrasound imaging system deploying a multidimensional array of sensors and method for multidimensional beamforming sensor signals | |
| JP2999266B2 (ja) | １次元又は２次元の方向推定または周波数推定のための信号の高分解能評価方法 | |
| CN110045323B (zh) | 一种基于矩阵填充的互质阵稳健自适应波束形成算法 | |
| CN103245956B (zh) | 一种基于稳健波束形成算法的gps抗多径方法 | |
| US8669901B2 (en) | Method for determining azimuth and elevation angles of arrival of coherent sources | |
| CN103901395B (zh) | 一种冲击噪声环境下相干信号波达方向动态跟踪方法 | |
| CN104730491A (zh) | 一种基于l型阵的虚拟阵列doa估计方法 | |
| CN107092007A (zh) | 一种虚拟二阶阵列扩展的波达方向估计方法 | |
| CN109765521B (zh) | 一种基于子阵划分的波束域成像方法 | |
| CN103076594B (zh) | 一种基于互相关的水声脉冲信号双阵元定位的方法 | |
| CN109725285B (zh) | 一种基于mvdr协方差矩阵元素自适应相角转换的doa估计方法 | |
| CN105652273A (zh) | 一种基于混合匹配追踪算法的mimo雷达稀疏成像算法 | |
| CN109581275B (zh) | 基于非圆信号和三维正交阵的二维水下doa估计方法和装置 | |
| Davy et al. | Influence of noise on subwavelength imaging of two close scatterers using time reversal method: Theory and experiments | |
| CN105703841B (zh) | 一种多路径传播宽带主动声信号的分离方法 | |
| CN109521392B (zh) | 基于非圆信号和l型线阵的水下一维doa估计方法和装置 | |
| Jiang et al. | Raypath separation with high resolution processing | |
| CN110109077A (zh) | 基于时间反演的mimo雷达相干角度估计方法 | |
| Yang et al. | Estimation of the DOAs of coherent signals in beam space processing for phased arrays |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |