CN112698264B

CN112698264B - 增广互质阵列脉冲噪声环境下相干信源的doa估计方法

Info

Publication number: CN112698264B
Application number: CN202011454062.1A
Authority: CN
Inventors: 董续东; 张小飞; 孙萌; 赵君; 汪云飞; 钱洋
Original assignee: Nanjing University of Aeronautics and Astronautics
Current assignee: Nanjing University of Aeronautics and Astronautics
Priority date: 2020-12-10
Filing date: 2020-12-10
Publication date: 2023-12-05
Anticipated expiration: 2040-12-10
Also published as: CN112698264A

Abstract

本发明公开了一种增广互质阵列高脉冲环境下相干信源的波达方向估计方法，使用增广互质阵列天线接收信号，得到量测信息；根据量测信息，计算相应的分数低阶矩估计矩阵和相位分数低阶矩估计协方差矩阵；对所得到的估计协方差矩阵进行向量化处理，删除冗余行并截取连续阵元部分，得到阵元间距为λ/2的虚拟均匀线阵接收信号信息；对虚拟接收信号信息进行Toeplitz矩阵重构，得到了重构后的协方差矩阵；用SIC DOA估计算法计算重后的协方差矩阵DOA的精确估计。本发明将FLOM，PFLOM估计矩阵与脉冲噪声环境下的互质阵列相干信源DOA估计问题相结合，脉冲噪声低信噪比环境下，本发明能够获得更好的DOA估计性能。

Description

增广互质阵列脉冲噪声环境下相干信源的DOA估计方法

技术领域

本发明属于波达方向(direction of arrival,DOA)估计，空中监视，雷达声呐定位等技术领域。

背景技术

传统的DOA估计方法，如MUSIC和ESPRIT，使用N个阵元估计最多N-1个信源，空间自由度较小。同时，为了避免角度模糊问题，传统阵列间距通常需要小于接收信号波长的一半，即d＜λ/2。但阵元距离过近会带来很强的互耦合效应，从而降低估计精度。因此，此类阵列的优化设计和性能分析一般都不容易。

为了解决上述问题，最近，利用两个平行均匀线阵，且阵元数互质，第一阵元重叠的平行均匀线阵组合得到的增广互质阵列得到了关注，如果两个均匀线阵的阵元个数分别为2M和N，其中M和N互质，则2M+N-1阵元的增广互质阵列可以获得2M(N+1)-1的虚拟线阵连续自由度(degree of freedom,DOF)，而阵元个数相同的均匀线阵(uniform lineararray,ULA)只能获得2M+N的DOF。因此，增广互质阵列结构大大提高了阵列可探测源的数量。该阵列结构突破了传统天线阵阵元间距半波长的限制，使得天线孔径得到极大的扩展，能够获得角度估计性能的提升。同时，子阵单元间的间距为Mλ/2和Nλ/2，远大于半波长，有效地减弱了单元间的相互耦合效应。

此外，互质阵列中的大多数DOA估计方法均假设环境噪声为高斯分布。然而，实际中的噪声往往表现出非高斯特性，有时还伴有较强的脉冲。例如，汽车点火装置、微波炉和其他类型的自然或人为信号源可能会表现出高脉冲特性。近来，研究表明α稳定分布是一个合适的噪声模型来描述这种类型的噪声，它可以用S(α,β,γ,θ)表示，包括一系列分布，如高斯分布，柯西分布，莱维分布。参数的定义如下：α∈(0,2]是决定分布形状的特征指数；β∈[-1,1]是对称参数，指定分布是否为右偏β＞0或左偏β＜0；γ∈(0,+∞)是分散参数，类似于正态分布中的方差；δ∈R是位置参数作为正态分布的均值。通常选择β＝δ＝0来生成对称α稳定(SαS)过程。如果特征指数α＝2，稳定过程S(α,β,γ,θ)将是一个高斯过程，如果α＝1则是一个柯西过程。当选择不同的特征指数参数时，可以认为它是代表各种脉冲噪声的最大电位分布。

另外，由于传播环境的复杂性，入射到阵列的信号中是有相干信号源存在的。由于信号阵列会接收到不同方向上的相干信号，而相干信号会导致信源协方差矩阵的秩亏缺，从而使得信号特征向量发散到噪声子空间去。

发明内容

发明目的：为了解决现有技术存在的问题，本发明提供了一种增广互质阵列脉冲噪声环境下相干信源的DOA估计方法。

技术方案：本发明提供了一种增广互质阵列脉冲噪声环境下相干信源的DOA估计方法，包括如下步骤：

S1：使用增广互质阵列结构的阵列天线接收信号，得到量测信息Z；

S2：根据所述量测信息，计算分数低阶矩估计协方差矩阵R_FLOM和相位分数低阶矩估计协方差矩阵R_PFLOM；

S3：将R_FLOM和R_PFLOM分别进行向量化处理，并去掉获得的向量中的冗余行，得到虚拟阵列接收信号和/>

S4：对对应的虚拟阵列中连续的均匀的线阵部分进行截取，从而得到阵元间距为半波长的虚拟均匀线阵的接收信号信息/>对/>对应的虚拟阵列中连续的均匀的线阵部分进行截取，从而得到阵元间距为半波长的虚拟均匀线阵的接收信号信息

S5：对进行T矩阵重构，得到重构后的协方差矩阵/>对/>进行T矩阵重构，得到重构后的协方差矩阵/>

S6：采用MUSIC DOA估计算法计算和/>的DOA的精确估计：对/>和分别进行特征分解，通过MUSIC谱峰搜索分别找出/>和/>峰值，从而得到和/>的DOA的精确估计。

进一步的：所述S1中增广互质阵列结构的阵列天线包括阵元数为2M的子阵1和阵元数为N的子阵2；子阵1的阵元间距为Nλ/2，子阵2的阵元间距为Mλ/2；M和N为互质数，且M＜N，λ为载波波长；所述子阵1和子阵2只在原点处有一个阵元重合。

进一步的：所述S5中基于如下公式进行T矩阵重构：

或/>

其中，S＝M(N+1)-1，z_w(S-1)表示矩阵z_w中阵元位置为S-1的阵元对应的元素。

进一步的：虚拟阵列接收信号为：

其中其中，/>表示Kronecker积，*表示共轭，θ_k为第k个窄带信号的DOA，k＝1，2，…K,其中K为窄带信号的总个数，a(θ_k)为θ_k方向上的方向向量，b_FLOM表示R_FLOM的信号能量，Υ_FLOM表示R_FLOM的脉冲噪声项拉伸后的向量；

所述虚拟阵列接收信号为：

其中b_PFLOM为相位分数低阶矩估计协方差矩阵R_PFLOM的信号能量，Υ_PFLOM表示R_PFLOM的脉冲噪声项拉伸后的向量。

进一步的：所述S4中和/>分别为：

其中为连续虚拟阵列的方向矩阵，Υ_FLOM-new为/>对应的虚拟阵列中被截取的阵元对应的元素组成的脉冲噪声向量，Υ_FLOM-new为/>对应的虚拟阵列中被截取的阵元对应的元素组成的脉冲噪声向量。

有益效果：互质阵列的虚拟化方法得到的是单快拍量测信息，这就相当于混合了信号的信息，需要解相干过程。然后信号本身又是相干信源，现有技术是先对信号协方差矩阵解相干之后再进行虚拟化方法，得到阵元间距为半波长的虚拟均匀线阵的接收信号信息后又需要解相干。而本发明方法只需进行一次Toeplitz矩阵重构即可。而且在高脉冲环境(如α＝0.6)下，与现有技术相比，本发明方法在低信噪比下具有更好的DOA估计性能。

附图说明

图1是本发明的增广互质阵列结构示意图；

图2是本发明增广互质线阵虚拟阵列结构示意图；

图3是当快拍数为600时，采用本发明方法与其他算法在不用阵元数目条件的计算复杂度示意图；

图4是当9个信源(2个相干信源)入射到增广互质阵列，采用本发明方法在脉冲噪声环境下特征指数α＝1.2时的单次MC实验DOA估计谱峰搜索示意图，其中(a)为采用MUSIC方法和Toeplitz-FLOM-MUSIC方法的谱峰搜索示意图，(b)为采用Toeplitz-SCM-MUSIC方法和Toeplitz-PFLOM-MUSIC方法的谱峰搜索示意图；

图5是当9个信源(2个相干信源)入射到增广互质阵列，采用本发明方法在脉冲噪声环境下特征指数α＝0.6时的单次MC实验DOA估计谱峰搜索示意图；

图6是当5个信源(2个相干信源)入射到增广互质阵列，运行1000次MC实验采用本发明方法与其他算法在不同广义信噪比和不同脉冲噪声条件下的RMSE性能示意图；其中(a)是在α＝1.2的情况下不同GSNR下的RMSE对比图，(b)是在α＝0.6的情况下不同GSNR下的RMSE对比图；

图7是当5个信源(2个相干信源)入射到增广互质阵列，运行1000次MC实验采用本发明方法与其他算法在不同快拍数和不同脉冲噪声条件下的RMSE性能示意图，其中(a)是在α＝1.2的情况下不同快拍数的RMSE对比图，(b)是在α＝0.6的情况下不同快拍数的RMSE对比图。

具体实施方式

构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

本实施例基于如下原理提供一种增广互质阵列脉冲噪声环境下相干信源的DOA估计方法：

1、建立了一个增广互质阵列来接收信号。此外，提供了两种解决脉冲噪声环境下的相干信源DOA估计方法，即Toeplitz-FLOM-MUSIC算法和Toeplitz-PFLOM-MUSIC算法。

2、对于Toeplitz-FLOM-MUSIC算法，使用FLOM矩阵来估计信号数据协方差矩阵，然后利用向量化操作并截取得到连续虚拟阵元信号，再进行Toeplitz矩阵重构，通过MUSIC算法得到最终的DOA估计，但其性能低于Toeplitz-PFLOM-MUSIC算法。因为Toeplitz-FLOM-MUSIC算法只适用于特征指数1＜α≤2的脉冲环境，不适用于高脉冲环境(如α＝0.6)，而Toeplitz-PFLOM-MUSIC算法在0＜α≤2均能使用，前提是矩的阶数满足0＜b＜α/2。

本实施例的具体方法为：

S2：根据所述量测信息，计算FLOM估计协方差矩阵R_FLOM和PFLOM估计协方差矩阵R_PFLOM；

S3：将所述估计协方差矩阵R_FLOM和R_PFLOM分别进行向量化处理，将获得的向量按照相位排序去掉冗余行，得到虚拟阵列接收信号和/>

S4：截取所述虚拟阵列接收信号和/>的连续虚拟均匀线阵对应的元素，分别得到阵元间距为半波长的虚拟均匀线阵的接收信号信息/>和/>

S5：对所述接收信号信息和/>分别进行Toeplitz矩阵重构，得到了重构后的协方差矩阵/>和/>

S6：对所述重构后的协方差矩阵和/>分别进行特征分解，通过MUSIC谱峰搜索分别找出峰值即可得到协方差矩阵/>和/>的DOA的精确估计。

如图1所示，所述步骤1中的阵列天线结构由两个阵元数分别为2M和N的子阵组成，阵元数为2M的均匀线阵阵元间距是Nλ/2，阵元数为N的阵元间距是Mλ/2，其中M和N为互质数且M＜N，λ为载波波长，两个子阵只在原点处有一个阵元重合。

一、增广互质阵列噪声模型和数据模型

噪声模型：

对DOA估计的传统研究方法大多采用高斯噪声模型的二阶统计量。但在如雷达回波、低频大气噪声和水声信号研究中，噪声往往由持续时间短和幅度大的不规则脉冲或噪声尖峰组成，即脉冲噪声。若在脉冲噪声环境下仍然使用高斯噪声模型，算法性能将显著下降。近来，SαS能够很好地描述这类具有显著尖峰脉冲的随机信源。因此，SαS噪声模型有更好的适用性，可以用特征函数φ(t)表示为：

其中，t是特征函数的变量，α是特征指数，它的大小能够影响此分布的脉冲程度，范围在0＜α≤2。当α＝2时的分布是高斯分布；j为虚数，γ是分散参数，其含义与高斯分布的方差一致；β是偏度参数，δ是位置参数，当β＝δ＝0时的分布为对称α稳定(SαS)分布；SαS在参数选取不同时代表不同的概率密度函数。当α＝2时，为高斯分布模型。当α＝1,β＝0时，为柯西(Cauchy)分布模型。当α＝1/2,β＝-1时，为皮尔逊分布模型。SαS分布中α越小，脉冲越明显；反之α越大，噪声越接近高斯噪声。高斯分布和SαS分布中重要的不同点是高斯分布具有二阶统计量，而SαS分布在0＜α＜2时二阶统计量不存在，则协方差就不准确。

数据模型：

如图1所示的是一个可使用本发明的增广互质线阵例子，其中，M＝4，N＝5。

假设K个DOA分别为θ_k,k＝1,2,…,K的窄带信号入射到如图1所示的增广互质线阵上，则阵列接收信号Z可表示为：

Z＝AS+N

其中S＝[s₁,…s_p,s_p+1,…s_K]^T为信号矩阵，s_p＝[s_p(1),s_p(2),…,s_p(L)]，L为快拍数，s_p(l)，为对第p个信号的第l次采样结果，l＝1,…,L，本实施例假设只有前p个信号是相干的，而其他的是不相关的，N为脉冲噪声。A＝[a(θ₁),…,a(θ_k),…a(θ_K)]为阵列的方向矩阵，a(θ_k)为θ_k方向上的方向向量，并可以表示为：

其中表示阵列传感器位置集合，Mnd和Mnd均表示位置集合，按图1中阵元位置从左到右排列组合，sort(·)是从小到大按照第一个阵元作为参考系的阵列间距排序操作，τ_i是阵元位置从小到大排序后的第i个阵元位置。

二、角度估计方法

本实施例中将上述噪声模型和数据模型应用于本发明的DOA估计算法中，也就是Toeplitz-FLOM-MUSIC(托普利兹分数低阶矩多重信号分类)DOA估计方法和Toeplitz-PFLOM-MUSIC(托普利兹相位分数低阶矩多重信号分类)DOA估计方法，其具体包括如下步骤：

步骤1，计算FLOM估计协方差矩阵R_FLOM和PFLOM估计协方差矩阵R_PFLOM。

根据数据模型可以得到接收信号量测信息Z，现在分别计算FLOM估计协方差矩阵R_FLOM和PFLOM估计协方差矩阵R_PFLOM：

FLOM估计协方差矩阵：

其中i，j表示行；Z_j(l)表示矩阵Z中第j行的第l个快拍，Z_i(l)表示矩阵Z中第i行的第l个快拍，*为共轭操作。

PFLOM估计协方差矩阵：

其中I,s表示行，b表示矩的结束。

步骤2，虚拟化。

首先，将步骤一得到的协方差矩阵R_FLOM和R_PFLOM其分别进行向量化和去冗余处理，得到：

其中，可看作一个长虚拟阵列的方向矩阵，b_FLOM表示协方差矩阵R_FLOM的信号能量，Υ_FLOM表示R_FLOM的脉冲噪声项拉伸后的向量，b_PFLOM为相位分数低阶矩估计协方差矩阵R_PFLOM的信号能量，Υ_PFLOM表示R_PFLOM的脉冲噪声项拉伸后的向量，vec(·)表示向量化操作，/>表示Kronecker积，[]^*代表矩阵或向量的共轭操作。

由于互质阵列的虚拟阵列由一段连续的均匀线阵和一些不连续的阵元组成，可以证明，均匀线阵的范围为[-[M(N+1)-1]d,[M(N+1)-1]d]，即虚拟阵列的中间2M(N+1)-1个阵元是连续分布的。如图2所示是M＝4,N＝5时的虚拟阵列。由于Toeplitz矩阵重构算法通常要求阵列为均匀线阵，所以本实施例中矩阵中是已经删除重复行的矩阵；截取连续阵元部分，分别得到虚拟阵列接收信号/>和/>中连续虚拟阵元部分接收到的信号：

步骤3，Toeplitz矩阵重构。

由上述步骤2最后得到了连续虚拟阵列的接收信号z_w,或/>

其中，S＝M(N+1)-1，T是个满秩矩阵，z_w(S-1)表示矩阵z_w中阵元位置为S-1的阵元对应的元素。因此所述上式可以看作是一个由S个元素的均匀线阵的协方差矩阵，就能直接用到MUSIC DOA估计算法当中，且能估计出S-1个信源。

三、性能分析和实验分析

1、空间自由度分析(Degree of freedom,DOF)

由上述分析可知，Toeplitz-FLOM-MUSIC DOA估计方法和Toeplitz-PFLOM-MUSICDOA估计方法都只利用了增广互质阵列的中间连续虚拟阵元，得到的空间自由度为DOF_FLOM＝DOF_PFLOM＝MN+M-1。

2、计算复杂度分析

以复乘次数作为计算复杂度评判标准，则Toeplitz-FLOM-MUSIC方法的计算复杂度主要包括：FLOM估计协方差矩阵的计算复杂度为O{(2M+N-1)L+(2M+N-1)²L+(2M+N-1)³}，向量化后截取去冗余向量中虚拟阵列的连续均匀线阵对应的元素，得到由连续虚拟阵列接收到的信号的计算复杂度为O{2M(N+1)-1}，Toeplitz矩阵重构计算复杂度为O{(M(N+1)-1)²}，设MUSIC算法获得精确DOA估计需要的总复杂度为O{G}，其中G包括特征分解以及谱峰搜索的复杂度总和。因此Toeplitz-FLOM-MUSIC方法的总复杂度为：

O{(2M+N-1)(2M+N)L+(2M+N-1)³+2M(N+1)-1+(M(N+1)-1)²+G}

Toeplitz-PFLOM-MUSIC方法的计算复杂度主要包括：PFLOM估计协方差矩阵的计算复杂度为O{L(2M+N-1)²}，其余步骤计算复杂度同Toeplitz-FLOM-MUSIC方法，因此Toeplitz-PFLOM-MUSIC方法的总复杂度为：

O{2L(2M+N-1)²+2M(N+1)-1+(M(N+1)-1)²+G}

对比算法Toeplitz-SCM-MUSIC方法的计算复杂度主要包括：SCM协方差矩阵计算复杂度为O{(2M+N-1)L+L+(2M+N-1)²L}＝O{((2M+N)²-(2M+N-1))L}，其余步骤计算复杂度同Toeplitz-FLOM-MUSIC方法，因此Toeplitz-SCM-MUSIC方法的总复杂度为：

O{((2M+N)²-(2M+N-1))L+2M(N+1)-1+(M(N+1)-1)²+G}

一般情况下，快拍的选取远大于阵元个数，因此相比较Toeplitz-SCM-MUSIC方法和Toeplitz-FLOM-MUSIC方法，Toeplitz-PFLOM-MUSIC方法的计算复杂度更低，图3是当快拍数为600时，本发明方法与其他算法在不用阵元数目条件下的计算复杂度示意图。可以看出三种方法计算复杂度随着阵元数的增加而增大，相比之下，Toeplitz-PFLOM-MUSIC方法的计算复杂度最低。

3、实验分析

为了验证上述方法的效果，本实施例中进行了多次仿真实验，并且对实验性能进行了分析，具体如下：

1、实验性能评价指标

在脉冲噪声环境下，广义信噪比定义为：

性能估计标准为联合均方根误差(root mean square error,RMSE)定义为：

其中，为第j次蒙特卡罗过程DOA的精确估计值，K表示信源个数，MC表示蒙特卡罗试验次数。

2、实验效果图

图4是当9个信源(2个相干信源)入射到互质阵列时，DOA分别为-40°～40°，间隔10°利用本发明方法得到的谱峰搜索图，不失一般性，本实施例仅仅运行了一次MC实验。对比方法为现有技术MUSIC方法和Toeplitz-SCM-MUSIC方法，此时互质线阵的阵元数为M＝4,N＝5，L＝600，GSNR＝-5dB。脉冲噪声特征指数α＝1.2，可以看出，本发明中Toeplitz-PFLOM-MUSIC和Toeplitz-SCM-MUSIC方法都能够有效估计出波达方向，而由于脉冲环境和低信噪比的原因，Toeplitz-FLOM-MUSIC和MUSIC方法显然是有很大误差的。

图5是当脉冲噪声特征指数α＝0.6，GSNR＝-5dB对于上述9个信源，利用本发明方法得到的谱峰搜索图，不失一般性，我们仅仅运行了一次MC实验。在0＜α＜1时，Toeplitz-FLOM-MUSIC方法和MUSIC方法不能估计DOA，故图中未展示，可以看出，本发明中Toeplitz-PFLOM-MUSIC方法在高脉冲环境下的DOA估计性能是优于Toeplitz-SCM-MUSIC方法的。

图6是在α＝0.6和α＝1.2的情况下，不同广义信噪比下的算法性能比较，为了更好的比较本发明方法与现有技术性能，我们运行了1000次MC实验。此时互质线阵的阵元数为M＝4,N＝5，5个信源(2个相干信源)的方位角为[10,20,40,50,60]°，L＝400。图6(a)是在α＝1.2的情况下不同GSNR下的RMSE对比图，可以看出，在GSNR<0dB时本发明方法具有更好的DOA估计性能。同理图6(b)是在α＝0.6的情况下不同GSNR下的RMSE对比图，可以看出，本发明中Toeplitz-PFLOM-MUSIC方法性能明显优于Toeplitz-SCM-MUSIC方法，这也说了在高脉冲噪声环境下，GSNR较低时本发明方法具有更好的DOA估计性能。

图7是在α＝0.6和α＝1.2的情况下，不同快拍数下的算法性能比较，为了更好的比较本发明方法与现有技术性能，我们运行了1000次MC实验。此时互质线阵的阵元数为M＝4,N＝5，5个信源(2个相干信源)的方位角为[10,20,40,50,60]°，GSNR＝-5dB。图7(a)是在α＝1.2的情况下不同快拍数的RMSE对比图，图7(b)是在α＝0.6的情况下不同快拍数的RMSE对比图，可以看出，当低广义信噪比的情况下，本发明方法性能随着快拍数的增加而提升，相同快拍条件下，本发明方法估计性能最好。

综上所述，从仿真效果图的分析可知，本发明提出的一种使增广互质阵列脉冲噪声环境下相干信源的DOA估计方法，实现了增广互质阵列脉冲噪声环境下的相干信源的DOA精确估计。估计性能良好，在低广义信噪比情况下，其性能优于MUSIC方法和Toeplitz-SCM-MUSIC方法。

上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims

1.增广互质阵列脉冲噪声环境下相干信源的DOA估计方法，其特征在于，包括如下步骤：

S6：采用MUSIC DOA估计算法计算和/>的DOA的精确估计：对/>和/>分别进行特征分解，通过MUSIC谱峰搜索分别找出/>和/>峰值，从而得到/>和的DOA的精确估计。

2.根据权利要求1所述的增广互质阵列脉冲噪声环境下相干信源的DOA估计方法，其特征在于：所述S1中增广互质阵列结构的阵列天线包括阵元数为2M的子阵1和阵元数为N的子阵2；子阵1的阵元间距为Nλ/2，子阵2的阵元间距为Mλ/2；M和N为互质数，且M＜N，λ为载波波长；所述子阵1和子阵2只在原点处有一个阵元重合。

3.根据权利要求2所述的增广互质阵列脉冲噪声环境下相干信源的DOA估计方法，其特征在于：所述S5中基于如下公式进行T矩阵重构：

4.根据权利要求1所述的增广互质阵列脉冲噪声环境下相干信源的DOA估计方法，其特征在于：虚拟阵列接收信号为：

其中其中，/>表示Kronecker积，*表示共轭操作，θ_k为第k个窄带信号的DOA，k＝1,2,…K,其中K为窄带信号的总个数，a(θ_k)为θ_k方向上的方向向量，b_FLOM表示协方差矩阵R_FLOM的信号能量，γ_FLOM表示R_FLOM的脉冲噪声项拉伸后的向量；

所述虚拟阵列接收信号为：

其中b_PFLOM为相位分数低阶矩估计协方差矩阵R_PFLOM的信号能量，γ_PFLOM表示R_PFLOM的脉冲噪声项拉伸后的向量。

5.根据权利要求4所述的增广互质阵列脉冲噪声环境下相干信源的DOA估计方法，其特征在于：所述S4中和/>分别为：

其中为连续虚拟均匀阵列的方向矩阵，γ_FLOM-new为/>对应的虚拟阵列中被截取的连续均匀阵元对应的元素组成的脉冲噪声向量，γ_PFLOM-new为/>对应的虚拟阵列中被截取的连续均匀阵元对应的元素组成的脉冲噪声向量。