CN110716171A - 一种基于遗传算法的极化doa联合估计方法 - Google Patents

Abstract

本发明提供一种基于遗传算法的极化DOA联合估计方法，对遗传算法与极化敏感阵列MUSIC谱峰搜索进行有机结合，可以利用极化敏感阵列对目标源进行高精度测向，有效估计极化参数，与极化MUSIC多参量估计算法需要在二维极化域和二维DOA域构成的四维空间内寻优相比，在几乎不损失精度的情况下，计算复杂度大大降低。

Description

一种基于遗传算法的极化DOA联合估计方法

技术领域

本发明属于电子侦察技术领域，具体涉及一种平面极化天线阵列的波达 方向(direction of arrival，DOA)及极化参数估计方法，该方法可用于被动宽带 接收机测向系统的窄带目标精确测频和测向。

背景技术

随着近些年电子技术的不断发展，导致电磁环境日益复杂。电磁波的极 化特性是除信号幅度、相位、频率等信息外另一个可以利用的重要信息特征， 在实际测向系统中，待测信号往往具有某种极化特性，而对于作为接收方的 被动测向系统而言，其接收天线阵列也往往具有极化特性，可以利用天线阵 列的极化敏感特性对待测信号进行极化信息的估计。相较于传统的标量天线 阵列模型，极化敏感阵列有以下优势：能以矢量方式感知入射电磁波在不同 方向上的投影分量，可以提取更多的有用信息；空域信息联合极化域信息，使得空间源信号多维参数估计性能得到进一步改善，因此使用极化敏感阵列 对实际被动测向系统进行建模更为合理。近年来，基于矢量传感器的极化敏 感阵列得到了广泛的研究，出现了很多针对敏感阵列的DOA和极化参数联 合估计方法，主要有极化MUSIC和极化旋转不变量信号参数估计(ESPRIT) 算法。由于引入了极化信息使得基于极化阵列的参数估计不仅包含传统的方 位角和俯仰角，还包括两个极化参数，计算复杂度随着搜索维度升高极具增 加，从而制约了极化MUSIC算法在实时性需求较高的场合落地应用。

为解决传统MUSIC遍历寻优计算复杂度高的问题，曾浩在文献中提出 了一种基于快速谱峰搜索的MUSIC谱峰搜索技术，利用噪声子空间与信号 子空间的正交特性，那么相对于不存在信号的位置MUSIC谱峰值应该大得 多，而空间谱在搜索范围内其他没有信号存在的部分是较为平坦的。利用这 两个特点，新算法的大致原理是：首先设置一个门限，然后利用大步进搜索， 依据高于门限这一条件，粗略的找到谱峰所在的邻域，再利用小步进在该邻 域内进行搜索，最后搜索出准确的谱峰。相较于传统谱峰搜索方法，这种算 法在不改变分辨率的性能条件下，可以较少一半的运算量。

董照飞提出一种技术，在360°范围内，以0.5°为步长进行方位角搜索， 计算出每一个方位的阵列流形，再利用类似于梯度法的“爬山”法计算出极值 点的大小，进而确定极值点的位置；因为临近两点的值应小于极值点的值， 所以可根据“爬山”法来确定极值点的大小，因此先比较相邻点的大小，然后 极值点的位置就确定了，然后再通过“冒泡法”对极值按由大到小的顺序进行 排列，所要选取的空间谱估计信息由信号源数决定。

上述针对传统方法优化MUSIC谱峰搜索方法的现有技术，虽然可以在 一定程度上减少算法的谱峰搜索计算量，但效果并不明显。而且利用粗搜索 步长和精搜索步长进行分级搜索时，如何选取粗搜步进，依然是一个难以解 决的问题。假如粗搜步进选取过高，则可能由于步进过大而漏掉谱峰；粗搜 步进选取过小，那么对算法的实时性改善不大。由于智能优化算法对寻优问 题的良好特性，人们已经将其与MUSIC算法结合起来并取得良好的效果， 并且随着MUSIC算法搜索规模的增加，效果也更明显。

例如，一种基于小生境遗传算法的MUSIC谱峰搜索技术，由邹燕明在 《遗传算法多级值函数优化及其在MUSIC算法中的应用》一文中提出，将 这种基于小生境遗传算法与MUSIC谱峰搜索相结合，可以使计算量在不改 变精确度的情况下将为传统谱峰搜索方法的1/10。并且在一次搜索中可以寻 得多个极值点信息。Yang Yiping等采用蚁群优化算法联合估计MUSIC算法 中的方位角与俯仰角，随后利用蚁群算法进行谱峰搜索，降低了算法的计算 复杂度。

在MUSIC谱峰搜索过程中采用智能优化方法，在不影响MUSIC算法的 优点的同时可以极大地降低MUSIC算法中谱峰搜索的计算量。遗传算法作 为一种仿生优化算法，在上个世纪被提出并且已经获得了迅速的发展。

王利伟在文章《基于极化敏感阵列的高效DOA与极化参数联合估计算 法》(航天电子对抗，第3期，2017)中提出一种基于极化敏感阵列的二维波 达方向和极化参数联合估计算法，采用粗估计和精估计相结合的方式进行二 维DOA估计，避免了运算量繁杂的多维谱峰搜索操作，与经典MUSIC优化 算法一样，粗搜索的步进大小选取仍然是难以解决的问题，且极化辅助角和 极化相位差精度偏低。

刘帅在文章《基于四元数MUSIC的锥面共形阵列极化-DOA联合估计》(系统工程与电子技术，第38卷第1期，2016)中，建立了四元数表示的锥 面共形阵列模型并提出了四元数多重信号分类算法，通过对导向矢量的四元 数表示，将极化参数与DOA参数“去耦合”然后通过两次二维谱峰搜索得到 极化-DOA估计结果，大大减少了计算复杂度。在信噪比较高的情况下与联 合谱估计算法精度相近。

王霖郁在文章《基于种群优化的遗传算法的MUSIC谱峰搜索技术》(计 算机应用研究，第31卷第12期，2014)中，提出一种基于种群优化的遗传 算法(IPGA)，与MUSIC算法相结合，具有很好的全局搜索能力，极大的降 低了计算量而获得了较好的实时性。

专利申请CN 105651457A《基于遗传算法的多维力传感器标定实验数据 拟合方法》中，利用遗传算法对于多维力矩传感器输出权值进行智能寻优， 利用遗传算法的随即全局搜索和优化能力，完成了多元线性函数的自适应搜 索过程。

专利申请CN 107656239A《一种基于极化敏感阵列的相干信源测向方法》 中，提出了一种极化敏感阵列下的相干信源测向方法，对线性极化敏感阵列 进行建模，利用量子差分演进机制迭代输出全局最优量子花粉的极大似然估 计值，解决了相干信源的高精度测向问题。

专利申请CN 101349742A《用于宽带相控阵阵元间距优化和频域多目标 测频测向方法》中，利用遗传算法进行阵元间距的优化，在满足测向分辨率 和空间无模糊的同时进行了稀疏布阵，并基于优化所得的阵列利用MUSIC 算法实现频域多目标测频测向。

上述现有技术仍存在亟需解决的问题。

发明内容

本发明的目的在于克服上述现有技术的不足，提出一种基于遗传算法搜 索机制的极化-DOA联合估计方法，解决极化敏感阵列参数估计算法计算复 杂度太大的问题。

本发明提供一种基于遗传算法的极化-DOA联合估计方法，包含：

步骤S1、被动测向系统极化敏感阵列系统指标：由测向分辨率确定天线 尺寸，由系统要求确定阵元个数，建立极化敏感均匀圆阵阵列。

步骤S2、建立极化敏感阵列接收模型，获取阵列流形。

步骤S3、测频过程：先对各阵元通道接收数据进行短时傅里叶变换 (STFT)；然后对频谱搜索谱峰，并根据给定的门限值对谱峰进行门限检测， 记录过门限谱峰对应的幅相数据和相应的频点坐标f_k。

步骤S4、获取相应频点坐标的快拍矢量x(n_k)，构造空间谱函数。

步骤S5、极化-DOA联合参数估计：构造适应度函数，随机产生满足二 进制编码规则的初始种群；对极化信息和空域信息进行解码(将二进制编码 转换为十进制)，并计算种群中各个体的适应度值；依据个体适应度函数值对 种群反复进行基于遗传学的操作；以并行方式搜索群体中谱峰最大的个体， 从而获得目标的极化信息和空域信息。

本发明基于遗传算法与极化敏感阵列MUSIC谱峰搜索进行有机结合， 设计了一种基于遗传算法的极化-DOA参数估计方法，该方法可以利用极化 敏感阵列对目标源进行高精度测向，有效估计极化参数，与极化MUSIC多 参量估计算法需要在二维极化域和二维DOA域构成的四维空间内寻优相比， 在几乎不损失精度的情况下，计算复杂度大大降低。

与现有技术相比，本发明具有以下优点：

本发明搜索效率高、便于并行处理，易于工程实现。

本发明在降低计算复杂度的同时，在信噪比较低的情况有更高的精度。

本发明考虑了空域信息和极化域信息的联合估计，建模更接近于实际被 动测向系统，具有更高的实用价值。

本发明将适应度函数应用于MUSIC谱峰搜索算法，完成了自适应谱峰 搜索过程。

本发明对共形极化敏感圆阵进行MUSIC建模，利用遗传算法进行空域 信息和极化域的智能参数估计，计算复杂度低，易于工程实现。

本发明针对MUSIC算法的复杂度进行算法优化，解决了工程实时性实 现问题。

附图说明

图1：极化敏感阵列接收模型；

图2：单偶极子极化敏感均匀圆阵示意图；

图3：STFT流程示意图；

图4：进化适应度曲线。

具体实施方式

本发明所述基于遗传算法的极化-DOA联合估计方法，包含以下过程：

S1：确定被动测向系统极化敏感阵列系统指标：由测向分辨率确定天线 尺寸，由系统要求确定阵元个数，建立极化敏感均匀圆阵阵列(参见图2)。

在本发明的一个实施例中，十二个单偶极子极化敏感圆阵均匀分布于 xoy面(M＝12)，阵元之间弧间距为λ/2，以圆心为原点，第m个阵元的位 置坐标矢量为l_m＝[x_m,y_m,0]^T，1≤m≤M。

S2：根据远场窄带极化电磁波第k个入射信号s_k(t)的角度信息

和 极化信息(γ_k,η_k)，建立极化敏感阵列接收模型(以单个入射信号s(t)为例，参 见图1)，获取导向矢量a_k。图1中的x轴、y轴、z轴构成空间直角坐标系， 极化敏感阵元位于直角坐标系的坐标原点，θ∈[0,2π]为入射信号方向在xoy 平面的投影与x轴的夹角，称为入射信号的方位角；

为入射信号与 xoy平面的夹角，称为入射信号的仰角。

为电磁波入射方向在直角坐标系 下的单位矢量，即

单位矢量

与

位于垂直于

的平面内，是一组标准正交基，与

构成右手坐标系，在直角坐标系中对应 的单位矢量为：

根据阵元位置坐标矢量l_m和入射信号s_k(t)的角度信息

获取信号 入射到阵列的空域相位因子：

其中，

是信号入射到天线阵所在空间直角坐 标系上的方向单位矢量。则该接收信号的导向矢量为：

式(7)中，

为由入射信号在阵列各阵元处的空域相 位因子构成的对角阵，φ为入射信号波达方向角的函数；

为极 化敏感矩阵，为一常数矩阵，仅与天线阵列阵元摆放位置有关， b_m＝[sinv_m cosα_m,sinv_m sinα_m,cosv_m]。

其中，(α_m,v_m)分别为第m个偶极子天线在xoy平面上的投影与x轴的夹 角和偶极子天线与z轴的夹角，定义为该天线的天线指向角。(γ_k,η_k)用于表 示第k个入射信号的极化状态，分别为极化辅助角和极化相位差。

S3：先对各阵元通道接收数据进行短时傅里叶变换(STFT)；然后对频 谱搜索谱峰，并根据给定的门限值对谱峰进行门限检测，记录过门限谱峰对 应的幅相数据和相应的频点坐标f_k。

相应的步骤如图3所示，利用短时傅里叶变换和门限检测滤除噪声信息， 获取每个阵元的接收信号x_m(t)。

S4：获取相应频点坐标的快拍矢量x(n_k)，构造空间谱函数。根据L拍数 据x_k(t₀),x_k(t₁),…,x_k(t_L-1)得到x_k(t)的协方差矩阵

利用协方 差矩阵进行特征值分解，构造噪声子空间U_N和空间谱函数

S5：极化-DOA联合参数估计：构造适应度函数，随机产生满足二进制 编码规则的初始种群；对极化信息和空域信息进行解码(将二进制编码转换 为十进制)，并计算种群中各个体的适应度值；依据个体适应度函数值对种 群反复进行基于遗传学的操作；以并行方式搜索群体中谱峰最大的个体，从 而获得目标的极化信息和空域信息。

S5.1利用空间谱函数构造适应度函数，

本发明中所要求谱峰的极大值，因此使用空间谱函数作为适应度函数。

S5.2进行编码操作。在遗传算法中把一个优化问题的可行解从其解空间 转换到遗传算法所能处理的搜索空间的转换方法称为编码。本发明采用二进 制编码的方法，将四维参数按照搜索精度转换为遗传算法所能处理的0，1 编码串。将每组四维参数的二进制编码按先后顺序串接起来形成一个个体， 多个个体组合到一起，形成一个种群。其中种群中个体的数目，成为种群规 模Np。

在本发明的一个实施例中，信号源空域信息为θ＝60°，极化信息 为极化辅助角γ＝10°，极化相位差η＝80°，Np取500，迭代次数G取1000，θ 搜索范围为0°到90°，

搜索范围为45°到90°，γ搜索范围为0°到45°，η搜 索范围为45°到90°，搜索精度均为0.1°，因此编码数(个体长度)为L＝37， 其中L_θ＝10,

L_γ＝9,L_η＝9。Np个这样的个体就形成了一个种群。

S5.3对种群中的个体进行遗传操作。首先进行选择操作，采用J.Holland 教授提出的轮盘赌方式选择复制个体，每个个体进入下一代的概率等于它的 适应度值与整个种群中个体适应度值和的比，适应度值越高，被选中的可能 性越大。然后采用概率性的交叉操作，交叉操作是遗传算法中产生新个体的 主要手段，它是将两个个体的部门基因相互交换，形成新的表现型个体。轮 盘赌选择完成之后，对新的种群按照交叉概率Pc进行相邻个体之间的交叉操 作。然后进行变异操作。变异是产生新个体的另一种方法，即将某一个体的 某一个基因进行翻转，类似于交叉操作，变异操作也采用随即的方法产生， 变异概率设定为Pm。

S5.4经过一轮遗传操作之后，就得到了新的种群，为了实现寻优目的， 将新种群中最优的个体与上一代中最优的个体进行适应度函数值的比较，若 新个体的适应度函数值更高，说明新一代群体更适应生存环境，也就是谱峰 函数值更大，它们就将被保留下来；反之，则用上一代种群中的最优个体替 代新种群中的最差个体，使适应度值高的个体保留下来，便于搜索到最优的 解。

S5.5设置终止代数，依次完成循环迭代，不断产生适应度更好的子代， 直到满足终止条件，得到最优个体，即输出谱峰最大值。最后对最优个体按 照编码规则进行解码，即完成单目标源均匀圆阵的极化-DOA联合参数估计。

S5.6移除谱峰最优值附近的一小段邻域空间，然后重复S5.2到S5.6的 过程进行下一个目标源的极化-DOA联合参数估计，直到K个信号源完成参 数估计。

本发明的示例进行了200次独立蒙特卡洛试验得到的适应度进化收敛曲 线，如图4所示，并分析了统计数据，可以看出很快收敛到最优值(信号源 空域和极化域参数)。

本发明提出一种基于遗传算法的极化-DOA参数估计方法，利用遗传算 法智能寻优寻找4维空间谱的最大值。与传统极化MUSIC相比，大大提高 了寻优效率，减少了计算复杂度，增强了系统的实时性，易于工程实现。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识 到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述 内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的 保护范围应由所附的权利要求来限定。

Claims (5)

1.一种基于遗传算法的极化DOA联合估计方法，其特征在于，包含：

步骤S1、确定被动测向系统极化敏感阵列系统指标：由测向分辨率确定天线尺寸，由系统要求确定阵元个数，建立极化敏感均匀圆阵阵列；

步骤S2、建立极化敏感阵列接收模型，获取阵列流形；

步骤S3、测频过程：对各阵元通道接收数据进行短时傅里叶变换；对频谱搜索谱峰，并根据给定的门限值对谱峰进行门限检测，记录过门限谱峰对应的幅相数据和相应的频点坐标；

步骤S4、获取相应频点坐标的快拍矢量，构造空间谱函数；

步骤S5、极化-DOA联合参数估计：构造适应度函数，随机产生满足二进制编码规则的初始种群；对极化信息和空域信息进行解码，将二进制编码转换为十进制，并计算种群中各个体的适应度值；依据个体适应度函数值对种群反复进行基于遗传学的操作；以并行方式搜索群体中谱峰最大的个体，获得目标的极化信息和空域信息。

2.如权利要求1所述基于遗传算法的极化DOA联合估计方法，其特征在于，

步骤S1中，M个单偶极子极化敏感圆阵均匀分布于xoy面，阵元之间弧间距为λ/2，以圆心为原点，第m个阵元的位置坐标矢量为l_m＝[x_m,y_m,0]^T，1≤m≤M。

3.如权利要求2所述基于遗传算法的极化DOA联合估计方法，其特征在于，步骤S2中，根据远场窄带极化电磁波第k个入射信号s_k(t)的角度信息和极化信息(γ_k,η_k)，θ_k,

分别为方位角、仰角，γ_k,η_k分别为极化辅助角和极化相位差，建立极化敏感阵列接收模型，获取导向矢量a_m；

信号入射到阵列的空域相位因子：

其中，

是信号入射到天线阵所在空间直角坐标系上的方向单位矢量，则接收信号的导向矢量为：

其中，

为由入射信号在阵列各阵元处的空域相位因子构成的对角阵，φ为入射信号波达方向角的函数；

为极化敏感矩阵，为一常数矩阵，对应于天线阵列阵元摆放位置，b_m＝[sinv_m cosα_m,sinv_m sinα_m,cosv_m]；

其中，(α_m,v_m)分别为第m个偶极子天线的天线指向角，α_m,v_m分别为第m个偶极子天线在xoy平面上的投影与x轴的夹角和与z轴的夹角。

4.如权利要求3所述基于遗传算法的极化DOA联合估计方法，其特征在于，

步骤S3中，利用短时傅里叶变换和门限检测滤除噪声信息，获取每个阵元的接收信号x_m(t)；

步骤S4中，获取相应频点坐标的快拍矢量x(n_k)，构造空间谱函数：

根据L拍数据x_k(t₀),x_k(t₁),…,x_k(t_L-1)得到x_k(t)的协方差矩阵

利用协方差矩阵进行特征值分解，构造噪声子空间U_N和空间谱函数

5.如权利要求4所述基于遗传算法的极化DOA联合估计方法，其特征在于，步骤S5进一步包含以下步骤：

S5.1利用空间谱函数构造适应度函数

S5.2采用二进制编码方法，将四维参数按照搜索精度转换为遗传算法所能处理的0，1编码串；将每组四维参数的二进制编码按先后顺序串接起来形成一个个体，多个个体组合到一起，形成一个种群；其中种群中个体的数目，成为种群规模Np；

S5.3对种群中的个体进行遗传操作，包含选择操作、交叉操作和变异操作：

S5.4经过一轮遗传操作之后，将新种群中最优的个体与上一代中最优的个体进行适应度函数值的比较，若新个体的适应度函数值更高，将新一代群体保留；反之，用上一代种群中的最优个体替代新种群中的最差个体，使适应度值高的个体保留下来，便于搜索到最优的解；

S5.5设置终止代数，依次完成循环迭代，产生适应度更好的子代，直到满足终止条件，得到最优个体，输出谱峰最大值；对最优个体按照编码规则进行解码，完成单目标源均匀圆阵的极化-DOA联合参数估计；

S5.6移除谱峰最优值附近设定的一段邻域空间，重复S5.2到S5.6的过程进行下一个目标源的极化-DOA联合参数估计，直到K个信号源完成参数估计。

Images