CN105869189B - 基于ffdiag算法的雷达目标盲源分离方法 - Google Patents
基于ffdiag算法的雷达目标盲源分离方法 Download PDFInfo
- Publication number
- CN105869189B CN105869189B CN201610256893.5A CN201610256893A CN105869189B CN 105869189 B CN105869189 B CN 105869189B CN 201610256893 A CN201610256893 A CN 201610256893A CN 105869189 B CN105869189 B CN 105869189B
- Authority
- CN
- China
- Prior art keywords
- radar target
- matrix
- target matrix
- kth
- representing
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 70
- 238000000926 separation method Methods 0.000 title claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims abstract description 232
- 238000000034 method Methods 0.000 claims description 31
- 230000017105 transposition Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000002474 experimental method Methods 0.000 description 11
- 102100031786 Adiponectin Human genes 0.000 description 8
- 101000775469 Homo sapiens Adiponectin Proteins 0.000 description 8
- 230000002087 whitening effect Effects 0.000 description 8
- 238000004088 simulation Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 241000764238 Isis Species 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- 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
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/28—Details of pulse systems
- G01S7/2813—Means providing a modification of the radiation pattern for cancelling noise, clutter or interfering signals, e.g. side lobe suppression, side lobe blanking, null-steering arrays
-
- 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
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/28—Details of pulse systems
- G01S7/285—Receivers
- G01S7/292—Extracting wanted echo-signals
- G01S7/2923—Extracting wanted echo-signals based on data belonging to a number of consecutive radar periods
- G01S7/2928—Random or non-synchronous interference pulse cancellers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
- G06F17/156—Correlation function computation including computation of convolution operations using a domain transform, e.g. Fourier transform, polynomial transform, number theoretic transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/22—Source localisation; Inverse modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Radar, Positioning & Navigation (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于FFDIAG算法的雷达目标盲源分离方法,其主要思路为:依次计算基于F‑范数的目标矩阵代价函数L(V)和第k个雷达目标矩阵经过第n次迭代后得到的N×N维解混迭矩阵V(n+1),并将V(n+1)写成与W(n)有关的代价函数形式L(W(n)),进而计算第n次迭代后包含的代价函数的绝对值;若所述绝对值小于等于ε,依次计算第n次迭代后第k个雷达目标矩阵中主对角线元素被限制为零的N×N维矩阵W(n)、第k个雷达目标矩阵经过第n次迭代后得到的N×N维解混迭矩阵V(n+1)和第k个雷达目标矩阵经过第n次迭代后的雷达目标矩阵对角化结构并将作为第k个雷达目标矩阵的联合对角化结构,进而得到K个雷达目标矩阵各自对应的联合对角化结构并解决K个雷达目标矩阵中的盲源分离。
Description
技术领域
本发明属于基于联合对角化解盲源分离领域,涉及一种基于FFDIAG算法的雷达目标盲源分离方法,即基于快速Frobenius联合近似对角化算法的快速复数域联合对角化方法,适用于求解复数域的盲源分离问题。
背景技术
现有的联合对角化算法大多都是规定雷达目标矩阵组中必需含有一个正定矩阵,这样就可以使用正定矩阵对雷达目标信号进行预白化处理,从而将待求的联合对角化器转换成正交(酉)矩阵并进行求解,如JADE算法和JMMD算法;但是由于实际情况中的雷达目标矩阵通常都是由统计方式获得,因而具有不同程度的误差,并且正定性不能得以保证,进而造成白化处理的不准确,另外在预白化处理过程中带入的误差也很难在后续算法中加以校正,使得总体算法性能随之大打折扣。于是,许多学者提出了非正交联合对角化算法,该非正交联合对角化算法避免了白化预操作,如基于Log-Likelihood的近似联合对角化算法和SVDJD算法等,但该非正交联合对角化算法对雷达目标矩阵仍有约束,且规定雷达目标矩阵均为正定俄米特矩阵,而在盲源分离的情况中,该约束也很难满足,从而限定了非正交联合对角化算法的适用领域。
近几年来,又有研究者提出了非正交联合对角化的改进方法,不仅避免了预白化处理,而且不再要求雷达目标矩阵的正定性,从而拓展了非正交联合对角化算法的应用范围,其中相对有名的算法包括子空间拟合算法、ACDC算法、FFDIAG算法、QRJ2D算法、LSA(B)算法、J-Di算法以及DNJD算法;然而,在此类算法中,大多数都是假定雷达目标矩阵组或者(解)混迭矩阵为实值,而在实际应用中数据形式往往是复值数据的,如雷达信号处理或生物医学信号;另外,在一些具体问题如频率估计或盲波束形成中,不可避免地需要对复值数据进行处理。
此外,在众多联合对角化方法中,并不是每一个方法都能够从实数域延伸到复数域,因为联合对角化方法的核心步骤是假设基于实数,若此假设不存在,会使得对应算法的后续步骤无法展开;例如,Ziehe等研究人员提出的FFDIAG算法为基于实数假设的算法,该算法不仅避免了预白化处理步骤,也不要求雷达目标矩阵组以及(解)混迭矩阵的正定性,是一个简单高效的算法;但是该算法并不能够在复数域的盲源分离情况中直接使用,并且关键步骤的成立是以实数假设为前提,因此极大的限制了该算法的应用价值。
发明内容
针对以上现有技术存在的不足,本发明的目的在于提出一种基于FFDIAG算法的雷达目标盲源分离方法,该种基于FFDIAG算法的雷达目标盲源分离方法是一种适用于复数域的联合对角化方法,计算复杂度低,不仅能够避免预白化处理和正定性限制,而且将适用范围从实数域扩展到复数域,是对FFDIAG算法的一种传承,因而命名为CVFFDIAG(Complex-Valued FFDIAG)算法。
为达到上述技术目的,本发明采用如下技术方案予以实现。
一种基于FFDIAG算法的雷达目标盲源分离方法,包括以下步骤:
步骤1,分别设定雷达目标矩阵总个数K以及N×N维复矩阵集合CN×N,并计算得到基于F-范数的雷达目标矩阵代价函数L(V);其中,V表示设定的解混迭矩阵,K和N分别为自然数;
步骤2,初始化:令n为迭代次数,且初始值为1;k表示第k个雷达目标矩阵,且k的初始值为1,V(1)表示N×N维单位阵,W(0)表示N×N维零矩阵;
步骤3,计算得到第k个雷达目标矩阵经过第n次迭代后得到的N×N维解混迭矩阵V(n+1),并将V(n+1)写成与W(n)有关的代价函数形式L(W(n));其中,W(n)表示第n次迭代后第k个雷达目标矩阵中主对角线元素被限制为零的N×N维矩阵,N为自然数;
步骤4,根据与W(n)有关的代价函数形式L(W(n)),计算得到关于的代价函数其中,令 表示wij的实部,表示wji的实部,表示wij的虚部,表示wji的虚部,wij表示W(n)的第i行、第j列元素,wji表示W(n)的第j行、第i列元素,W(n)表示第n次迭代后第k个雷达目标矩阵中主对角线元素被限制为零的N×N维矩阵,上标T表示转置;
步骤5,将关于的代价函数对求导,并令导数等于零,得到的表达式然后令i的初值为1,j∈{i+1,…,N},得到的N-1个对应值;再令i加1,j∈{i+1,…,N},得到的N-2个对应值;直到i=N-1,j∈{i+1,…,N},得到的1个对应值;
利用i∈{1,…,N-1}、j∈{i+1,…,N}时对应的所有值,计算得到第n次迭代后包含的代价函数的绝对值并设定收敛条件:
其中,ε表示设定的趋于无穷小的极小数;将所述第n次迭代后包含的代价函数的绝对值与ε进行比较;若所述第n次迭代后包含的代价函数的绝对值大于ε,则令n加1,返回步骤3;
若所述第n次迭代后包含的代价函数的绝对值小于等于ε,则依次计算得到第n次迭代后第k个雷达目标矩阵中主对角线元素被限制为零的N×N维矩阵W(n)、第k个雷达目标矩阵经过第n次迭代后得到的N×N维解混迭矩阵V(n+1)和第k个雷达目标矩阵经过第n次迭代后的雷达目标矩阵对角化结构并将所述第k个雷达目标矩阵经过第n次迭代后的雷达目标矩阵对角化结构作为第k个雷达目标矩阵的联合对角化结构;然后令k加1,同时初始化n为1,返回步骤3;直到k=K,进而得到K个雷达目标矩阵各自对应的联合对角化结构,用于解决K个雷达目标矩阵中的盲源分离问题。
本发明方法相对于现有算法的优点在于:
第一,本发明的创新点在于将一种联合对角化算法从实数域延伸到了复数域;
第二,本发明方法能够避免对雷达雷达目标矩阵及(解)混迭矩阵的约束,产生了更广泛的适用范围和更大的实用价值。
第三,本发明方法免除了预白化处理和正定性约束,减小了运算量,节省了时间。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细说明。
图1是本发明的一种基于FFDIAG算法的雷达目标盲源分离方法流程图;
图2A是未加入噪声的全局拒绝水平随迭代次数变化的曲线示意图,
图2B是未加入噪声的对角化误差随迭代次数变化的曲线示意图;
图3A是加入噪声的全局拒绝水平随迭代次数变化的曲线示意图,
图3B是加入噪声的平均全局拒绝水平随迭代次数变化的曲线示意图;
图4是分别使用DC算法、FAJD算法和本发明方法得到的全局拒绝水平随迭代次数变化的曲线示意图。
具体实施方式
参照图1,为本发明的一种基于FFDIAG算法的雷达目标盲源分离方法示意图,该种基于FFDIAG算法的雷达目标盲源分离方法,包括以下步骤:
步骤1,分别设定雷达雷达目标矩阵总个数K以及N×N维复矩阵集合CN×N,并计算得到基于F-范数的雷达目标矩阵代价函数L(V);其中,V表示设定的解混迭矩阵,K和N分别为自然数。
具体地,分别设定雷达目标矩阵总个数K以及N×N维复矩阵集合CN×N,并计算得到基于F-范数的雷达目标矩阵代价函数L(V),其表达式为:
其中,min表示求取最小值操作,CN×N表示N×N维复矩阵集合,k∈{1,…,K},K表示雷达目标矩阵总个数,V表示设定的解混迭矩阵,off(·)表示矩阵中所有非对角线元素的F-范数之和,Ck表示第k个雷达目标矩阵,上标H表示共轭转置,K和N分别为自然数。
步骤2,初始化:令n为迭代次数,且初始值为1;k表示第k个雷达目标矩阵,且k的初始值为1,V(1)表示N×N维单位阵,W(0)表示N×N维零矩阵。
步骤3,计算得到第k个雷达目标矩阵经过第n次迭代后得到的N×N维解混迭矩阵V(n+1),并将V(n+1)写成与W(n)有关的代价函数形式L(W(n));其中,W(n)表示第n次迭代后第k个雷达目标矩阵中主对角线元素被限制为零的N×N维矩阵,N为自然数。
具体地,本发明方法通过衡量雷达目标矩阵与对角矩阵的偏离程度求解最优解,即采用非对角线元素的平方和表征联合对角化的近似程度,所述基于F-范数的雷达目标矩阵代价函数L(V)用以求解设定的解混迭矩阵V,并通过乘性迭代机制对设定的解混迭矩阵V进行更新,计算得到第k个雷达目标矩阵经过第n次迭代后得到的N×N维解混迭矩阵V(n+1),其表达式为:
V(n+1)=(I+W(n))V(n)(2)
其中,I表示N×N维单位阵,下标n为迭代次数,且n的初值为1,V(n)表示第k个雷达目标矩阵经过第n-1次迭代后得到的N×N维解混迭矩阵,V(1)表示N×N维单位阵,W(0)表示N×N维零矩阵;W(n)表示第n次迭代后第k个雷达目标矩阵中主对角线元素被限制为零的N×N维矩阵,V(n+1)表示第k个雷达目标矩阵经过第n次迭代后得到的N×N维解混迭矩阵。
定义k∈{1,2,…,K},表示第k个雷达目标矩阵经过第n次迭代后的雷达目标矩阵,Ck表示第k个雷达目标矩阵,V(n+1)表示第k个雷达目标矩阵经过第n次迭代后得到的N×N维解混迭矩阵,上标H表示共轭转置;其中,第k个雷达目标矩阵的初值
对进行进一步代换近似,进而将所述基于F-范数的雷达目标矩阵代价函数L(V)变换为与W(n)有关的代价函数形式L(W(n)),W(n)表示第n次迭代后第k个雷达目标矩阵中主对角线元素被限制为零的N×N维矩阵。
在迭代过程中,通过对V(n)可逆性的保证避免式(1)收敛到平凡解,即V=0,必须保证V(n)的可逆性,V(n)表示第k个雷达目标矩阵经过第n-1次迭代后得到的N×N维解混迭矩阵,下面根据定义1和定理1确保I+W(n)的可逆性。
定义1:一个N×N维矩阵F,若F所有对角线元素满足条件则F是严格对角占优的。
定理1(Levi-Desplanques理论):如果一个N×N维矩阵F是严格对角占优的,则F是可逆矩阵。
根据定理1,如果I+W(n)是对角占优的,则I+W(n)是可逆的,又因为I+W(n)所有对角线元素为1,那么只要满足则I+W(n)满足对角占优,其中表示第n次迭代后雷达目标矩阵中主对角线元素被限制为零的N×N维矩阵W(n)中第i行、第j列元素;如果设定一个常数θ,0<θ<1,并令或者直接令使得I+W(n)对角占优;此处设定θ=0.9,||·||F表示F范数,表示逼近。
其中,第k个雷达目标矩阵的初值在不失一般性的前提下,以第n步迭代为例进行阐述;在第n步迭代中,通过使用W(n)来表示V(n+1),从而将第k个雷达目标矩阵经过第n-1次迭代后的雷达目标矩阵变换为更具对角化结构的表示第k个雷达目标矩阵经过第n次迭代后的雷达目标矩阵,表示用W(n)替换V(n+1)的第k个雷达目标矩阵经过n次迭代后的雷达目标矩阵,其表达式为:
令的对角部分为非对角部分为得到用和替换的第k个雷达目标矩阵经过n次迭代后的雷达目标矩阵其表达式为:
其中,表示第k个雷达目标矩阵经过第n-1次迭代后的雷达目标矩阵;此处,假设W(n)和分别具有很小的模值,因而忽略上式中含二次W(n)和的项,得到分别忽略含W(n)和二次项的第k个雷达目标矩阵经过n次迭代后的雷达目标矩阵其表达式为:
由于式(5)中的为对角矩阵,因此只要项更加接近对角化结构,也就越接近对角化结构;即将第n次迭代后的N×N维解混迭矩阵V(n+1)写成与W(n)有关的代价函数形式L(W(n)),其表达式为:
其中,I表示N×N维单位阵,V(n)表示第k个雷达目标矩阵经过第n-1次迭代后得到的N×N维解混迭矩阵,off(·)表示矩阵中所有非对角线元素的F-范数之和,min表示求取最小值操作,CN×N表示N×N维复矩阵集合,W(n)表示第n次迭代后第k个雷达目标矩阵中主对角线元素被限制为零的N×N维矩阵,表示的对角部分,表示的非对角部分,表示第k个雷达目标矩阵经过第n-1次迭代后的雷达目标矩阵,上标H表示共轭转置。
步骤4,根据与W(n)有关的代价函数形式L(W(n)),计算得到关于的代价函数其中,令 表示wij的实部,表示wji的实部,表示wij的虚部,表示wji的虚部,wij表示W(n)的第i行、第j列元素,wji表示W(n)的第j行、第i列元素,W(n)表示第n次迭代后第k个雷达目标矩阵中主对角线元素被限制为零的N×N维矩阵,上标T表示转置。
具体地,根据与W(n)有关的代价函数形式L(W(n)),计算得到关于的代价函数其过程为:
首先,将式(6)用元素的形式表达出来,得到L(W(n))的元素表现形式
其中,wij表示W(n)的第i行、第j列元素,表示Ek的第i行、第j列元素,表示Dk对角线上的第i个元素,wji表示W(n)的第j行、第i列元素,表示Ek的第j行、第i列元素,表示Dk对角线上的第j个元素,W(n)表示第k个雷达目标矩阵中对角线元素分别为零的N×N维矩阵,Dk表示第k个雷达目标矩阵Ck的对角部分,Ek表示第k个雷达目标矩阵Ck的非对角部分,W(n)表示第n次迭代后第k个雷达目标矩阵中主对角线元素被限制为零的N×N维矩阵。
然后把式(7)分解成只包含wij、wji的代价函数L(wij,wji),并将wij、wji各自的实虚部分离,进而计算得到关于的代价函数其中,表示wij和wji各自对应的实部和虚部组成的向量,wij表示W(n)的第i行、第j列元素,wji表示W(n)的第j行、第i列元素,W(n)表示第n次迭代后第k个雷达目标矩阵中对角线元素分别为零的N×N维矩阵。
进而将式(7)分解成N(N-1)/2个子代价函数,得到L(Wn)的子代价函数形式L(wij,wji):
i∈{1,…,N-1},j∈{i+1,…,N} (8)
显然,式(8)中只包含wij、wji两个复数未知数,wij表示W(n)的第i行、第j列元素,wji表示W(n)的第j行、第i列元素,W(n)表示第n次迭代后第k个雷达目标矩阵中主对角线元素被限制为零的N×N维矩阵。
分别将wij、和各自对应的实虚部分离,即将wij、和各自对应的实部分别用 和表示,将wij、和各自对应的虚部分别用 和表示,得到L(wij,wji)的另一种表现形式
其中,i∈{1,…,N-1},j∈{i+1,…,N}。
对式(9)使用向量形式进行简化,首先分别令:
其中,上标T表示转置,表示wij的实部,表示wji的实部,表示wij的虚部,表示wji的虚部,wij表示W(n)的第i行、第j列元素,wji表示W(n)的第j行、第i列元素,W(n)表示第n次迭代后第k个雷达目标矩阵中主对角线元素被限制为零的N×N维矩阵;表示的实部,表示的实部,表示的虚部,表示的虚部,表示Dk对角线上的第i个元素,表示Dk对角线上的第j个元素,Dk表示第k个雷达目标矩阵Ck的对角部分。
进而将式(9)转化为关于的代价函数
其中,令 表示wij的实部,表示wji的实部,表示wij的虚部,表示wji的虚部,wij表示W(n)的第i行、第j列元素,wji表示W(n)的第j行、第i列元素,W(n)表示第n次迭代后第k个雷达目标矩阵中主对角线元素被限制为零的N×N维矩阵,上标T表示转置。
步骤5,将关于的代价函数对求导,并令导数等于零,得到的表达式令i的初值为1,j∈{i+1,…,N},得到的N-1个对应值;再令i加1,j∈{i+1,…,N},得到的N-2个对应值;直到i=N-1,j∈{i+1,…,N},得到的的1个对应值。
利用i∈{1,...,N-1}、j∈{i+1,...,N}时对应的所有值,计算得到第n次迭代后包含的代价函数的绝对值并设定收敛条件:
其中,ε表示设定的趋于无穷小的极小数,本发明设定ε等于10-6;将所述第n次迭代后包含的代价函数的绝对值与极小数ε进行比较;若所述第n次迭代后包含的代价函数的绝对值大于ε,算法未收敛,则令n加1,返回步骤3。
若所述第n次迭代后包含的代价函数的绝对值小于等于ε,则算法收敛,此时依次计算得到第n次迭代后第k个雷达目标矩阵中主对角线元素被限制为零的N×N维矩阵W(n)、第k个雷达目标矩阵经过第n次迭代后得到的N×N维解混迭矩阵V(n+1)和第k个雷达目标矩阵经过第n次迭代后的雷达目标矩阵对角化结构并将所述第k个雷达目标矩阵经过第n次迭代后的雷达目标矩阵对角化结构作为第k个雷达目标矩阵的联合对角化结构;然后令k加1,同时初始化n为1,返回步骤3;直到k=K,进而得到K个雷达目标矩阵各自对应的联合对角化结构,用于解决K个雷达目标矩阵中的盲源分离问题。
具体地,将关于的代价函数对进行求导,并令其导数等于零,得到:
其中, 上标T表示转置,表示wij的实部,表示wji的实部,表示wij的虚部,表示wji的虚部,wij表示W(n)的第i行、第j列元素,wji表示W(n)的第j行、第i列元素;表示的实部,W(n)表示第n次迭代后第k个雷达目标矩阵中主对角线元素被限制为零的N×N维矩阵;表示的实部,表示的虚部,表示的虚部,表示Dk对角线上的第i个元素,表示Dk对角线上的第j个元素,Dk表示第k个雷达目标矩阵Ck的对角部分。
为了简化形式令
其中,K表示设定的雷达目标矩阵总个数,上标T表示转置;进而将式(10)转化为:
因此得到的表达式
在计算的表达式时利用dp(k),p∈{1,…,4},k∈{1,…,K}的内部特点以及B的块对角结构,即为了易于表示,令那么:
再令
其中,p∈{1,…,4},xp(k)对应表示为x1(k)、x2(k)、x3(k)或x4(k),q∈{1,…,4};xq(k)对应表示为x1(k)、x2(k)、x3(k)或x4(k),αpq表示xp(k)和xq(k)相乘,αqp表示xq(k)和xp(k)相乘;进而得到B的矩阵表达式
进一步简化式(18),得到的优化表达式
由式(19)看出,只需要求出α11、α22、α33、α44、α12和α34,即得到
同样,得到式(14)的向量表达式
令其中,c1、c2、c3、c4分别表示各个维度的值,那么由式(12)得到令其中,w1表示wij的实部,w2表示元素wji的实部,w3表示wij的虚部,w4表示wji的虚部,得到:
然后利用i∈{1,…,N-1}、j∈{i+1,…,N}时对应的所有值,计算得到第n次迭代后包含的代价函数的绝对值;设定收敛条件为:
其中,ε表示设定的趋于无穷小的极小数,本发明设定ε等于10-6;将所述第n次迭代后包含的代价函数的绝对值与ε进行比较;若所述第n次迭代后包含的代价函数的绝对值大于ε,则算法未收敛,令n加1,返回步骤3;
若所述第n次迭代后包含的代价函数的绝对值小于等于ε,则算法达到收敛,此时依次计算得到第n次迭代后第k个雷达目标矩阵中主对角线元素被限制为零的N×N维矩阵W(n)、第k个雷达目标矩阵经过第n次迭代后得到的N×N维解混迭矩阵V(n+1)和第k个雷达目标矩阵经过第n次迭代后的雷达目标矩阵对角化结构具体为:
利用i∈{1,…,N-1}、j∈{i+1,…,N}时对应的所有值,并根据wij=w1+j*w3、wji=w2+j*w4计算得到wij和wji各自对应的所有值,进而得到第n次迭代后第k个雷达目标矩阵中主对角线元素被限制为零的N×N维矩阵W(n)。
根据V(n+1)=(I+W(n))V(n)计算得到第k个雷达目标矩阵经过第n次迭代后得到的N×N维解混迭矩阵V(n+1);根据计算得到第k个雷达目标矩阵经过第n次迭代后的雷达目标矩阵对角化结构并将所述第k个雷达目标矩阵经过第n次迭代后的雷达目标矩阵对角化结构作为第k个雷达目标矩阵的联合对角化结构;然后令k加1,同时初始化n为1,返回步骤3;直到k=K,进而得到K个雷达目标矩阵各自对应的联合对角化结构,用于解决K个雷达目标矩阵中的盲源分离问题。
其中,表示wij的实部,表示wji的实部,表示wij的虚部,表示wji的虚部,wij表示W(n)的第i行、第j列元素,wji表示W(n)的第j行、第i列元素,W(n)表示第n次迭代后第k个雷达目标矩阵中主对角线元素被限制为零的N×N维矩阵,上标T表示转置。
下面通过仿真实验对本发明效果做进一步验证。
首先给出两个性能指标,其一为矩阵VCkVH中所有非对角线元素的平方和,k∈{1,…,K},并命名对角化误差(Diagonalization Error,DE)为:
用于反映CVFFDIAG算法所得代价函数的变化趋势;其二为全局拒绝水平(GRL)参数;在盲源分离领域中,该全局拒绝水平(GRL)参数被公认为一个科学且重要的性能参数,用来表达通过估计得到的解混迭矩阵与混迭矩阵之间的差别。
(一)实验条件
实验一:构造无噪声雷达目标矩阵组来验证本发明方法的收敛性能;
实验二:在雷达目标矩阵组存在噪声的条件下验证本发明方法的收敛性能;
实验三:合成带噪雷达目标矩阵组,对比本发明方法和ACDC算法、FAJD算法的性能差异。
(二)实验内容
实验一:给出N×N维目标方阵组Ck=AΛkAH,其中K=15,N=5,随机产生复值矩阵分别为混迭矩阵A和第k个雷达目标矩阵的对角阵Λk,k∈{1,…,K};给定N×N维解混迭矩阵V的初值:V(1)=I。运行20次后,仿真结果如图2A和图2B所示;图2A是未加入噪声的全局拒绝水平随迭代次数变化的曲线示意图,图2B是未加入噪声的对角化误差随迭代次数变化的曲线示意图。
实验二:给出含噪声的第k个N×N维雷达目标矩阵Ck=AΛkAH+ΔCk,k∈{1,…,K};其中K=15,N=5;第k个N×N维雷达目标矩阵的误差矩阵ΔCk为复值矩阵,为了表征噪声矩阵的强度,将含噪声的第k个N×N维雷达目标矩阵Ck中不含噪声矩阵AΛkAH和噪声矩阵ΔCk的比表示为NER:
并产生分别满足NER=10dB、15dB、20dB的噪声矩阵ΔCk,将本发明方法分别在三种不同的NER条件下独立实验20次后,仿真结果如图3A和图3B所示,图3A是加入噪声的全局拒绝水平随迭代次数变化的曲线示意图,图3B是加入噪声的平均全局拒绝水平随迭代次数变化的曲线示意图;其中,图3A和图3B中的点线:NER=10dB,虚线:NER=15dB,实线:NER=20dB。
实验三:给出第k个N×N维雷达目标矩阵Ck=AΛkAH+ΔCk,其中K=15,N=5;本实验中,由于ACDC算法中要求雷达目标矩阵组必须满足Hermitian的要求,所以对角阵Λk(k=1,…,K)均为实值矩阵,且第k个N×N维雷达目标矩阵中的噪声矩阵ΔCk同样也满足Hermitian要求,产生分别满足NER=10dB、15dB、20dB噪声矩阵ΔCk;将本发明方法分别在三种不同的NER条件下独立实验20次后,仿真结果如图4所示,图4是分别使用DC算法、FAJD算法和本发明方法得到的全局拒绝水平随迭代次数变化的曲线示意图;其中,点线:ACDC算法,虚线:FAJD算法,实线:本发明方法。
(三)结果分析
实验一:图2A和图2B表明,在无噪声的条件下,本发明方法能够迅速收敛,而且其收敛值与实际值的差别很小。
实验二:图3A和3B表明,在带噪的条件下,本发明方法在10次迭代内便收敛到一个很小的值,说明本发明方法即使在带噪的条件下,也同样能够迅速收敛且具有很好地收敛性能。
实验三:图4的比较结果显示,本发明方法的收敛速度最快,FAJD算法次之,ACDC算法的收敛速度最慢;而从收敛后的趋势来看,本发明方法要略差于ACDC算法、然而优于FAJD算法,纵然在噪声较大的情况下,如NER=10dB,本发明方法的收敛误差也低于-27dB,而且ACDC算法要求雷达目标矩阵组必须满足Hermitian要求,所以总的来说,本发明方法优于ACDC算法和FAJD算法,且具有快速地收敛速度和很好地收敛特性。
综上所述,仿真实验验证了本发明算法的正确性,有效性和可靠性。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围;这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种基于FFDIAG算法的雷达目标盲源分离方法,其特征在于,包括以下步骤:
步骤1,分别设定雷达目标矩阵总个数K以及N×N维复矩阵集合CN×N,并计算得到基于F-范数的雷达目标矩阵代价函数L(V);其中,V表示设定的解混迭矩阵,K和N分别为自然数;
步骤2,初始化:令n为迭代次数,且初始值为1;k表示第k个雷达目标矩阵,且k的初始值为1,V(1)表示N×N维单位阵,W(0)表示N×N维零矩阵;
步骤3,计算得到第k个雷达目标矩阵经过第n次迭代后得到的N×N维解混迭矩阵V(n+1),并将V(n+1)写成与W(n)有关的代价函数形式L(W(n));其中,W(n)表示第n次迭代后第k个雷达目标矩阵中主对角线元素被限制为零的N×N维矩阵;
步骤4,根据与W(n)有关的代价函数形式L(W(n)),计算得到关于的代价函数其中,令 表示wij的实部,表示wji的实部,表示wij的虚部,表示wji的虚部,wij表示W(n)的第i行、第j列元素,wji表示W(n)的第j行、第i列元素,上标T表示转置;
步骤5,将关于的代价函数对求导,并令导数等于零,得到的表达式然后令i的初值为1,j∈{i+1,...,N},得到的N-1个对应值;再令i加1,j∈{i+1,...,N},得到的N-2个对应值;直到i=N-1,得到的1个对应值;
利用i∈{1,...,N-1}、j∈{i+1,...,N}时对应的所有值,计算得到第n次迭代后包含的代价函数的绝对值并设定收敛条件:
其中,ε表示设定的趋于无穷小的极小数;将所述第n次迭代后包含的代价函数的绝对值与ε进行比较;若所述第n次迭代后包含的代价函数的绝对值大于ε,则令n加1,返回步骤3;
若所述第n次迭代后包含的代价函数的绝对值小于等于ε,则依次计算得到第n次迭代后第k个雷达目标矩阵中主对角线元素被限制为零的N×N维矩阵W(n)、第k个雷达目标矩阵经过第n次迭代后得到的N×N维解混迭矩阵V(n+1)和第k个雷达目标矩阵经过第n次迭代后的雷达目标矩阵对角化结构并将所述第k个雷达目标矩阵经过第n次迭代后的雷达目标矩阵对角化结构作为第k个雷达目标矩阵的联合对角化结构;然后令k加1,同时初始化n为1,返回步骤3;直到k=K,进而得到K个雷达目标矩阵各自对应的联合对角化结构。
2.如权利要求1所述的一种基于FFDIAG算法的雷达目标盲源分离方法,其特征在于,在步骤1中,所述基于F-范数的雷达目标矩阵代价函数L(V),其表达式为:
其中,min表示求取最小值操作,off(·)表示矩阵中所有非对角线元素的F-范数之和,Ck表示第k个雷达目标矩阵,上标H表示共轭转置。
3.如权利要求1所述的一种基于FFDIAG算法的雷达目标盲源分离方法,其特征在于,在步骤3中,所述第k个雷达目标矩阵经过第n次迭代后得到的N×N维解混迭矩阵V(n+1)和所述与W(n)有关的代价函数形式L(W(n)),其表达式为:
V(n+1)=(I+W(n))V(n)
其中,I表示N×N维单位阵,V(n)表示第k个雷达目标矩阵经过第n-1次迭代后得到的N×N维解混迭矩阵,min表示求取最小值操作,CN×N表示N×N维复矩阵集合,表示的对角部分,表示的非对角部分,表示第k个雷达目标矩阵经过第n-1次迭代后的雷达目标矩阵,上标H表示共轭转置。
4.如权利要求1所述的一种基于FFDIAG算法的雷达目标盲源分离方法,其特征在于,在步骤4中,所述关于的代价函数其表达式为:
其中,CN×N表示N×N维复矩阵集合,Dk表示第k个雷达目标矩阵Ck的对角部分,Ek表示第k个雷达目标矩阵Ck的非对角部分;表示Ek的第j行、第i列元素,表示Dk对角线上的第j个元素,表示Dk对角线上的第i个元素, 表示的实部,表示的实部,表示的虚部,表示的虚部。
5.如权利要求1所述的一种基于FFDIAG算法的雷达目标盲源分离方法,其特征在于,在步骤5中,所述将关于的代价函数对求导,并令导数等于零,还包括:
将关于的代价函数对进行求导,并令其导数等于零,得到:
其中, 表示的实部,表示的实部,表示的虚部,表示的虚部,表示Dk对角线上的第i个元素,表示Dk对角线上的第j个元素,Dk表示第k个雷达目标矩阵Ck的对角部分。
6.如权利要求1所述的一种基于FFDIAG算法的雷达目标盲源分离方法,其特征在于,在步骤5中,所述的表达式为:
其中, 表示的实部,表示的实部,表示的虚部,表示的虚部,表示Dk对角线上的第i个元素,表示Dk对角线上的第j个元素,Dk表示第k个雷达目标矩阵Ck的对角部分,表示的实部,表示的虚部,表示Ek的第j行、第i列元素,Ek表示第k个雷达目标矩阵Ck的非对角部分。
7.如权利要求1所述的一种基于FFDIAG算法的雷达目标盲源分离方法,其特征在于,在步骤5中,所述依次计算得到第n次迭代后第k个雷达目标矩阵中主对角线元素被限制为零的N×N维矩阵W(n)、第k个雷达目标矩阵经过第n次迭代后得到的N×N维解混迭矩阵V(n+1)和第k个雷达目标矩阵经过第n次迭代后的雷达目标矩阵对角化结构其过程为:
利用i∈{1,...,N-1}、j∈{i+1,...,N}时对应的所有值,并根据wij=w1+j*w3、wji=w2+j*w4计算得到wij和wji各自对应的所有值,进而得到第n次迭代后第k个雷达目标矩阵中主对角线元素被限制为零的N×N维矩阵W(n);根据V(n+1)=(I+W(n))V(n)计算得到第k个雷达目标矩阵经过第n次迭代后得到的N×N维解混迭矩阵V(n+1);根据计算得到第k个雷达目标矩阵经过第n次迭代后的雷达目标矩阵对角化结构
其中,w1表示wij的实部,w2表示元素wji的实部,w3表示wij的虚部,w4表示wji的虚部,,上标H表示共轭转置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610256893.5A CN105869189B (zh) | 2016-04-22 | 2016-04-22 | 基于ffdiag算法的雷达目标盲源分离方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610256893.5A CN105869189B (zh) | 2016-04-22 | 2016-04-22 | 基于ffdiag算法的雷达目标盲源分离方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105869189A CN105869189A (zh) | 2016-08-17 |
CN105869189B true CN105869189B (zh) | 2019-07-09 |
Family
ID=56632935
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610256893.5A Active CN105869189B (zh) | 2016-04-22 | 2016-04-22 | 基于ffdiag算法的雷达目标盲源分离方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105869189B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106294681B (zh) | 2016-08-05 | 2019-11-05 | 腾讯科技(深圳)有限公司 | 多重曝光的方法、装置和系统 |
CN109270499A (zh) * | 2018-08-28 | 2019-01-25 | 电子科技大学 | 一种基于特征矩阵联合对角化的多目标主瓣抗干扰方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101441456A (zh) * | 2008-12-22 | 2009-05-27 | 东北大学 | 双核嵌入式网络化数据采集装置及其盲源分离滤波方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8958750B1 (en) * | 2013-09-12 | 2015-02-17 | King Fahd University Of Petroleum And Minerals | Peak detection method using blind source separation |
-
2016
- 2016-04-22 CN CN201610256893.5A patent/CN105869189B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101441456A (zh) * | 2008-12-22 | 2009-05-27 | 东北大学 | 双核嵌入式网络化数据采集装置及其盲源分离滤波方法 |
Non-Patent Citations (2)
Title |
---|
一种快速的解盲源分离新算法;徐先峰 等;《电子学报》;20101231;第38卷(第12期);第2780-2787页 |
基于FFDiag算法的变步长盲信号分离;沈堤 等;《上海航天》;20110331;第28卷(第3期);第42-46页 |
Also Published As
Publication number | Publication date |
---|---|
CN105869189A (zh) | 2016-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Vasil’ev et al. | Doubly stochastic models of images | |
CN109444810B (zh) | 一种非负稀疏贝叶斯学习框架下的互质阵列非网格doa估计方法 | |
Jiang et al. | Deep learning denoising based line spectral estimation | |
CN108680891A (zh) | 非均匀噪声条件下考虑互耦效应的doa估计方法 | |
CN111415676A (zh) | 一种基于分离矩阵初始化频点选择的盲源分离方法及系统 | |
CN107544051A (zh) | 嵌套阵列基于k‑r子空间的波达方向估计方法 | |
Karhunen et al. | Nonlinear PCA type approaches for source separation and independent component analysis | |
He et al. | Sparse representation and blind source separation of ill-posed mixtures | |
CN103885050A (zh) | 基于缩放字典的回波信号参数估计方法 | |
CN105869189B (zh) | 基于ffdiag算法的雷达目标盲源分离方法 | |
CN109298382A (zh) | 一种基于期望极大算法的非均匀直线阵波达方向角估计方法 | |
Wen et al. | Sparse signal reconstruction via recurrent neural networks with hyperbolic tangent function | |
Tan et al. | Covariance matrix reconstruction for direction finding with nested arrays using iterative reweighted nuclear norm minimization | |
CN106483193B (zh) | 一种基于高阶累计量的波达快速估计方法 | |
CN106067165A (zh) | 基于聚类化稀疏随机场的高光谱图像去噪方法 | |
Krummenauer et al. | Improving the threshold performance of maximum likelihood estimation of direction of arrival | |
CN113504505B (zh) | 一种适用于低信噪比环境下的一维doa估计方法 | |
CN110174657B (zh) | 基于秩一降维模型和块矩阵恢复的波达方向估计方法 | |
CN115455670B (zh) | 一种基于高斯混合模型的非高斯噪声模型建立方法 | |
Sardarabadi et al. | Complex factor analysis and extensions | |
CN115014313B (zh) | 一种基于并行多尺度的偏振光罗盘航向误差处理方法 | |
CN107135026B (zh) | 未知互耦存在时基于矩阵重构的稳健波束形成方法 | |
CN114184999B (zh) | 一种互耦小孔径阵列的生成式模型处理方法 | |
CN109474258B (zh) | 基于核极化策略的随机傅立叶特征核lms的核参数优化方法 | |
CN113962265A (zh) | 基于结构化稀疏子空间聚类的欠定盲源分离方法和设备 |
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 |