CN110764047B - 一种稀疏表示模型下优化正则参数的目标角度估计方法 - Google Patents
一种稀疏表示模型下优化正则参数的目标角度估计方法 Download PDFInfo
- Publication number
- CN110764047B CN110764047B CN201911020830.XA CN201911020830A CN110764047B CN 110764047 B CN110764047 B CN 110764047B CN 201911020830 A CN201911020830 A CN 201911020830A CN 110764047 B CN110764047 B CN 110764047B
- Authority
- CN
- China
- Prior art keywords
- target
- angle
- sparse representation
- parameter
- sparse
- 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
Images
Classifications
-
- 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
- G01S3/00—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received
- G01S3/02—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received using radio waves
- G01S3/14—Systems for determining direction or deviation from predetermined direction
Abstract
Description
技术领域
本发明属于信号处理领域,尤其涉及一种稀疏表示模型下优化正则参数的目标角度估计方法。
背景技术
目标角度/波达方向估计direction of arrival,DOA是阵列信号处理中的一项重要研究内容,典型的DOA估计算法有Capon提出的最小方差谱估计法minimum variancedistortionless response,MVDR和以Schimidt提出的多重信号分类multiple signalclassification,MUSIC为代表的子空间算法,然而这些算法在低信噪比、低快拍的情况下,性能会下降很多,特别是在信号源相关的情况下,算法的估计精度会变得更差。
近年来由Candes和Donoho等人建立起来的压缩感知Compressive Sensing,CS理论引起了研究者们的极大的兴趣,稀疏表示问题成为研究的热点。在波达方向估计方面,目标信源在空域具有天然的稀疏性,可以通过稀疏表示对目标角度进行估计,不需要大量的时间采样,并且对信源的相关性也没有特别的限定,可以获得高分辨率。基于稀疏表示的目标角度估计,首先建立稀疏表示模型下的目标函数,对目标函数求解,得到与过完备角度字典一一对应的稀疏向量,通过此稀疏向量的峰值,可实现对目标角度的估计。但在对稀疏表示模型下的目标函数进行求解的过程中,涉及到正则参数的选取问题,参数选取合适与否,对稀疏表示算法的性能至关重要。
文献“Malioutov D,Cetin M,Willsky A S.A sparse signal reconstructionperspective for source localization with sensor arrays[J].IEEE Transactionson Signal Processing,2005,53(8):3010-3022”通过偏差原理Discrepancy principle对目标函数中的正则参数进行选取,偏差原理要求噪声的统计特性先验已知,这限制了基于稀疏表示的目标角度估计方法的实际应用。
申请号为CN201310331365.8的专利公开了一种基于软稀疏表示的DOA估计方法,基于稀疏性的前提下,应用迭代加权最小方差法求解软稀疏解,来估计目标源方位。首先选取好初始值和正则化参数,确定迭代结束条件;然后将选择好的初始值和参数代入到软稀疏表示迭代公式中进行迭代;最后满足迭代结束条件,退出迭代,得到软稀疏解,确定来波方向,也即实现了信号的DOA估计。但该方法在正则化参数的选取中,依赖于噪声功率,若未知噪声功率,则该方法不能施行。
发明内容
本发明的目的在于公开准确度高、不需要实际噪声统计特性的一种稀疏表示模型下优化正则参数的目标角度估计方法。
实现本发明的技术思路是:首先构造一个稀疏表示模型下的目标函数;然后给定一个初始正则参数ui;对稀疏表示下的目标函数求解,得到稀疏向量计算得到的集中度EFi;若1-EFi>ε(ε为一个很小的正实数),更新正则参数ui,进行下一次迭代;若1-EFi≤ε,迭代终止,ui即为优化的正则参数uopt;根据uopt对目标函数求解,得到目标角度估计。
一种稀疏表示模型下优化正则参数的目标角度估计方法,包含如下步骤:
步骤(1):从M个传感器阵列获取T次采样数据,第t次采样得到一个M×1维的信号向量x(t),T次采样得到一个M×T维的信号矩阵X,X=[x(t1),x(t2),…,x(tT)];
步骤(2.2):将目标所在角度空域范围[θd,θu]等间隔划分为N个角度后,得到过完备的角度字典:
步骤(3):构造目标函数:
步骤(4):根据集中度对目标函数中的正则参数μ进行选取,得到优化的正则参数μopt:
步骤(4.4):定义集中度EFi为:
步骤(5):根据优化的正则参数μopt,对目标角度进行估计,得到目标角度的估计值。
根据优化的正则参数μopt,通过凸优化工具箱求解目标函数:
本发明的有益效果为:
本发明提出稀疏表示向量的集中度概念,利用稀疏表示向量的集中度优化正则参数,保证目标角度估计的正确性;本发明不需要已知噪声的统计特性,在实际噪声统计特性未知的情况下,仍能实现正确的目标测向。
附图说明
图1是一种稀疏表示模型下优化正则参数的目标角度估计方法流程图;
图2是本发明方法选取的优化的正则参数与随机选取的正则参数下得到的空间谱的对比;
图3是信噪比为-5dB时本发明方法和偏差原理方法在噪声方差等于1和噪声方差等于0.77时得到的空间谱;
图4是信噪比为5dB时本发明方法和偏差原理方法在噪声方差等于1和噪声方差等于0.77时得到的空间谱;
图5是本发明方法和偏差原理方法在噪声方差等于1和噪声方差等于0.77时得到的信源角度估计的均方根误差曲线。
具体实施方式
下面结合附图来进一步描述本发明:
实现本发明的技术思路是:首先构造一个稀疏表示模型下的目标函数;然后给定一个初始正则参数ui;对稀疏表示下的目标函数求解,得到稀疏向量计算得到的集中度EFi;若1-EFi>ε(ε为一个很小的正实数),更新正则参数ui,进行下一次迭代;若1-EFi≤ε,迭代终止,ui即为优化的正则参数uopt;根据uopt对目标函数求解,得到目标角度估计。
如图1,一种稀疏表示模型下优化正则参数的目标角度估计方法,包含如下步骤:
步骤(1)M个传感器阵列获取T次采样数据,其中第t次采样得到一个M×1维的信号向量x(t);T次采样得到一个M×T维的信号矩阵为X,X=[x(t1),x(t2),…,x(tT)];
对角度空域范围[θd,θu]等间隔划分为N个角度后,得到过完备的角度字典:
步骤(3)构造目标函数其中||·||F表示Frobenius范数,表示二范数的平方,||·||1表示一范数,为N×T维稀疏表示矩阵,对稀疏表示矩阵的每一行进行二范数运算得到稀疏向量可以表示为其中表示将矩阵按列向量化,为残差项,保证稀疏表示矩阵的空域稀疏性,μ为平衡残差项和稀疏性的正则参数;
步骤(4)根据集中度对目标函数中的正则参数μ进行选取,得到优化的正则参数μopt,具体步骤为:
步骤(5)根据优化的正则参数μopt,对目标角度进行估计。
具体为:通过凸优化工具箱求解目标函数:
实施例1:
以下结合仿真实验,对本发明作进一步详细说明:
(一)仿真条件
本发明仿真实验中软件仿真平台为MATLAB R2016a,在仿真实验中阵列是均匀直线阵,阵元间距为半波长;信源是非相关信源;噪声是独立同分布的高斯白噪声,信号与噪声不相关;在空间区域的[-90°,90°]范围等间隔进行网格划分,角度间隔为1°,建立过完备角度字典。在仿真实验中设定小的正实数ε=10-3。
(二)仿真内容及结果
仿真1,本实验用于比较本方明方法选取的正则参数和随机选取的正则参数下得到空间谱。假设空间远场有三个窄带信号源入射到阵列,入射角度分别为10°、30°和50°,三个信号源信噪比都为10dB,阵元数为8,采样数是50。本发明发方选取的正则参数μ=26.8,随机选取的正则参数μ=60,这两个正则参数下的空间谱图如图2所示。
参照图2,本发明方法选取的正则参数得到的空间谱与随机选取的正则参数得到的空间谱相比较,其主瓣更加尖锐,旁瓣更低,且能够对目标信源精确定向;而随机选取的参数得到的空间谱,主瓣较宽,旁瓣很高;可以看出,本发明方法对正则参数的选取是可行的。
仿真2,本实验用于观察噪声方差的改变对本方明方法和偏差原理方法的空间谱的影响。假设空间远场有两个窄带信号源入射到阵列中,入射的角度分别为-25°和65°,阵元数为8,采样数是50,两个信号具有相同的信噪比;定义噪声方差为当和时,得到本发明方法和偏差原理方法的空间谱图,如图3、4所示。
参照图3和图4,当时,信噪比为5dB时,本发明方法和偏差原理方法都在目标角度处存在尖锐的谱峰;而当时,信噪比为-5dB时,偏差原理方法得到的空间谱,在-25°处的的峰值为-70dB,无法实现对此处的目标正确测向,说明低信噪比下,噪声的方差存在误差时,使用偏差原则对信源角度估计会有很大的影响。
仿真3,我们把利用偏差原理进行正则参数选取的稀疏表示方法简称为偏差原理方法;本实验用于观察噪声的方差变化对本发明方法和偏差原理方法的目标角度估计精度的影响。偏差原理中的正则参数β按照求解得到,其中,P(·)表示满足条件时的累计概率,是自由度为NM的卡方分布。假设空间远场有两个窄带信号源入射到阵列中,入射的角度分别为-25°和65°,阵元数为8,采样数是50,两个信号具有相同的信噪比;定义噪声方差为当和时,在每个信噪比下进行100次蒙特卡罗实验,得到目标角度估计的均方根误差随信噪比的变化,如图5所示。
参照图5,当时,在信噪比为-10dB时,本发明方法的估计精度明显高于偏差原则;而信噪比高于-5dB时,两者的估计精度相差不大。当时,信噪比为-10dB和-5dB时,偏差原理方法的估计精度会变差,由此可以看出,噪声的方差影响偏差原理方法的估计精度;而本发明方法的正则参数选取方法与噪声的统计特性无关,因此本发明方法的估计精度不受噪声方差的影响。
从图2~图5,可以看出,本发明对正则参数的选取是可行的,且角度估计精度较高,能够在噪声的统计特性未知情况下对正则参数进行合适选取,从而实现目标角度的正确估计。
以上具体实施例子,是为了说明本发明在均匀直线阵是能够实现的,并不是仅仅局限在这种仿真条件下;对上述具体实施方式进行修改或者对技术特征进行替换,其技术方案的本质仍然没能够脱离本发明技术方案的所属范围。
以上所述并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种稀疏表示模型下优化正则参数的目标角度估计方法,其特征在于:包含如下步骤:
步骤(1):从M个传感器阵列获取T次采样数据,第t次采样得到一个M×1维的信号向量x(t),T次采样得到一个M×T维的信号矩阵X,X=[x(t1),x(t2),…,x(tT)];
步骤(3):构造目标函数:
步骤(4):根据集中度对目标函数中的正则参数μ进行选取,得到优化的正则参数μopt;
步骤(4.4):定义集中度EFi为:
步骤(5):根据优化的正则参数μopt,对目标角度进行估计,得到目标角度的估计值;
根据优化的正则参数μopt,通过凸优化工具箱求解目标函数:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911020830.XA CN110764047B (zh) | 2019-10-25 | 2019-10-25 | 一种稀疏表示模型下优化正则参数的目标角度估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911020830.XA CN110764047B (zh) | 2019-10-25 | 2019-10-25 | 一种稀疏表示模型下优化正则参数的目标角度估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110764047A CN110764047A (zh) | 2020-02-07 |
CN110764047B true CN110764047B (zh) | 2022-08-02 |
Family
ID=69333786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911020830.XA Active CN110764047B (zh) | 2019-10-25 | 2019-10-25 | 一种稀疏表示模型下优化正则参数的目标角度估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110764047B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116879835A (zh) * | 2023-07-25 | 2023-10-13 | 安徽大学 | 一种投影最小最大凹函数波达方向估计方法和装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102081928A (zh) * | 2010-11-24 | 2011-06-01 | 南京邮电大学 | 基于压缩感知和k-svd的单通道混合语音分离方法 |
CN104751420A (zh) * | 2015-03-06 | 2015-07-01 | 湖南大学 | 一种基于稀疏表示和多目标优化的盲复原方法 |
CN106324558A (zh) * | 2016-08-30 | 2017-01-11 | 东北大学秦皇岛分校 | 基于互质阵列的宽带信号doa估计方法 |
CN106772225A (zh) * | 2017-01-20 | 2017-05-31 | 大连大学 | 基于压缩感知的波束域doa估计 |
CN108614252A (zh) * | 2018-07-02 | 2018-10-02 | 南京理工大学 | 基于参数化稀疏表示的单比特压缩感知雷达目标时延估计方法 |
CN108919199A (zh) * | 2018-07-12 | 2018-11-30 | 南京航空航天大学 | 多波束成像声纳稀疏阵列的旁瓣抑制方法、阵列稀疏方法 |
CN109061554A (zh) * | 2018-06-26 | 2018-12-21 | 哈尔滨工程大学 | 一种基于空间离散网格动态更新的目标到达角度估计方法 |
CN109581277A (zh) * | 2018-11-29 | 2019-04-05 | 电子科技大学 | 一种基于压缩感知理论的四维天线阵doa估计方法 |
CN109631756A (zh) * | 2018-12-06 | 2019-04-16 | 重庆大学 | 一种基于混合时频域的旋转声源识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9148649B2 (en) * | 2011-10-07 | 2015-09-29 | Massachusetts Institute Of Technology | Methods and apparatus for imaging of occluded objects from scattered light |
US9562968B2 (en) * | 2012-10-22 | 2017-02-07 | Saab-Sensis Corporation | Sensor system and method for determining target location using sparsity-based processing |
-
2019
- 2019-10-25 CN CN201911020830.XA patent/CN110764047B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102081928A (zh) * | 2010-11-24 | 2011-06-01 | 南京邮电大学 | 基于压缩感知和k-svd的单通道混合语音分离方法 |
CN104751420A (zh) * | 2015-03-06 | 2015-07-01 | 湖南大学 | 一种基于稀疏表示和多目标优化的盲复原方法 |
CN106324558A (zh) * | 2016-08-30 | 2017-01-11 | 东北大学秦皇岛分校 | 基于互质阵列的宽带信号doa估计方法 |
CN106772225A (zh) * | 2017-01-20 | 2017-05-31 | 大连大学 | 基于压缩感知的波束域doa估计 |
CN109061554A (zh) * | 2018-06-26 | 2018-12-21 | 哈尔滨工程大学 | 一种基于空间离散网格动态更新的目标到达角度估计方法 |
CN108614252A (zh) * | 2018-07-02 | 2018-10-02 | 南京理工大学 | 基于参数化稀疏表示的单比特压缩感知雷达目标时延估计方法 |
CN108919199A (zh) * | 2018-07-12 | 2018-11-30 | 南京航空航天大学 | 多波束成像声纳稀疏阵列的旁瓣抑制方法、阵列稀疏方法 |
CN109581277A (zh) * | 2018-11-29 | 2019-04-05 | 电子科技大学 | 一种基于压缩感知理论的四维天线阵doa估计方法 |
CN109631756A (zh) * | 2018-12-06 | 2019-04-16 | 重庆大学 | 一种基于混合时频域的旋转声源识别方法 |
Non-Patent Citations (7)
Title |
---|
"A simultaneous sparse approximation approach for DOA estimation";Seyyed Moosa Hosseini 等;《2015 IEEE International Conference on Signal Processing, Informatics, Communication and Energy Systems (SPICES)》;20151231;第1-5页 * |
"Direction-of-arrival estimation in the presence of nonuniform noise using acoustic vector sensor";Yong Jin 等;《2013 IEEE International Conference on Signal Processing, Communication and Computing (ICSPCC 2013)》;20131231;第1-5页 * |
"Efficient Computation for Sparse Load Shifting in Demand Side Management";Chaojie Li 等;《IEEE Transactions on Smart Grid》;20171231;第250-261页 * |
"Sparse signal reconstruction from limited data using FOCUSS";Gorodnitsky I F 等;《IEEE Transactions on Signal Processing》;19971231;第600-616页 * |
"Sub clustering K-SVD: Size variable dictionary learning for sparse representations";JianZhou Feng 等;《2009 16th IEEE International Conference on Image Processing (ICIP) 》;20091231;第2149-2152页 * |
"基于稀疏信号表示的DOA估计算法研究";宫建斌;《中国优秀硕士论文全文数据库》;20180715;全文 * |
"基于稀疏分解的空间目标双基地ISAR自聚焦算法";韩宁 等;《航空学报》;20180502;第1-10页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110764047A (zh) | 2020-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110109050B (zh) | 嵌套阵列下基于稀疏贝叶斯的未知互耦的doa估计方法 | |
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 | |
CN109597046B (zh) | 基于一维卷积神经网络的米波雷达doa估计方法 | |
CN111707985A (zh) | 基于协方差矩阵重构的off-grid DOA估计方法 | |
CN111337893A (zh) | 一种基于实值稀疏贝叶斯学习的离格doa估计方法 | |
CN109239646B (zh) | 一种冲击噪声环境下连续量子水蒸发的二维动态测向方法 | |
Bhuiya et al. | Analysis of direction of arrival techniques using uniform linear array | |
CN112379327A (zh) | 一种基于秩损估计的二维doa估计与互耦校正方法 | |
US11681006B2 (en) | Method for jointly estimating gain-phase error and direction of arrival (DOA) based on unmanned aerial vehicle (UAV) array | |
CN110764047B (zh) | 一种稀疏表示模型下优化正则参数的目标角度估计方法 | |
CN109212466B (zh) | 一种基于量子蜻蜓演化机制的宽带测向方法 | |
CN113759303A (zh) | 一种基于粒子群算法的无网格波达角估计方法 | |
CN113466782A (zh) | 一种基于深度学习(dl)的互耦校正d o a估计方法 | |
Yang et al. | A correlation-aware sparse Bayesian perspective for DOA estimation with off-grid sources | |
CN108594165B (zh) | 一种基于期望最大化算法的窄带信号波达方向估计方法 | |
CN114996653A (zh) | 一种基于原子范数最小化的二维鲁棒自适应波束形成方法 | |
Rajani et al. | Direction of arrival estimation by using artificial neural networks | |
CN113378103B (zh) | 一种强冲击噪声下相干分布源动态跟踪方法 | |
CN113111304B (zh) | 强冲击噪声下基于量子射线机理的相干分布源测向方法 | |
CN113935224B (zh) | 冲击噪声下的宽带压缩感知侧向方法及系统 | |
CN111077493B (zh) | 一种基于实值离格变分贝叶斯推理的nested阵列波达方向估计方法 | |
CN117092585B (zh) | 单比特量化DoA估计方法、系统和智能终端 | |
CN116054909B (zh) | 一种基于改进型传播算子的卫星通信抗干扰方法 | |
CN115639518A (zh) | 一种冲击噪声环境下小快拍相干源波达方向估计方法 | |
Fu et al. | Off-Grid Error Calibration for Single Snapshot DOA Estimation Based on Sparse Bayesian Learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |