CN113935224B - 冲击噪声下的宽带压缩感知侧向方法及系统 - Google Patents
冲击噪声下的宽带压缩感知侧向方法及系统 Download PDFInfo
- Publication number
- CN113935224B CN113935224B CN202111296873.8A CN202111296873A CN113935224B CN 113935224 B CN113935224 B CN 113935224B CN 202111296873 A CN202111296873 A CN 202111296873A CN 113935224 B CN113935224 B CN 113935224B
- Authority
- CN
- China
- Prior art keywords
- quantum
- ith
- broadband
- achilles
- frequency point
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 241000722941 Achillea Species 0.000 claims abstract description 38
- 238000013507 mapping Methods 0.000 claims abstract description 18
- 238000011161 development Methods 0.000 claims abstract description 12
- 238000013178 mathematical model Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 24
- 241000272184 Falconiformes Species 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000005452 bending Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 description 5
- 239000002245 particle Substances 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000007476 Maximum Likelihood Methods 0.000 description 3
- 241000272478 Aquila Species 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- 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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/10—Noise analysis or noise optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开一种冲击噪声下的宽带压缩感知侧向方法及系统,步骤为建立冲击噪声下的宽带信号数学模型;对宽带信号进行聚焦操作,得到聚焦分数低阶矩;对参考频点对应的聚焦分数低阶矩进行矢量化,建立稀疏角度模型;计算所有阿奎拉鹰所在位置的适应度值,确定局部和全局最优量子位置;在探索和开发阶段,阿奎拉鹰均通过两种不同飞行方式更新量子旋转角和量子位置;计算所有阿奎拉鹰所在新位置的适应度值,更新局部和全局最优量子位置;将阿奎拉鹰群体全局最优量子位置根据映射规则映射成全局最优位置,得到宽带测向的角度。本发明使用量子阿奎拉鹰搜索机制求解基于聚焦分数低阶矩的宽带压缩感知测向方程,在冲击噪声环境下能有效测向,测向精度高。
Description
技术领域
本发明涉及阵列信号处理技术领域,具体来说是一种冲击噪声下的宽带压缩感知侧向方法及系统。
背景技术
与窄带信号相比宽带信号的信号带宽更大,信号携带的信息量增多,这使得在阵列信号处理领域中对信号的采样速度、处理速度以及稳定性的要求越来越高。若要完成宽带信号采样,需要采取大量的数据,尤其是在带宽比较大的情况下,如果还要以高于两倍的最高频率去进行信号采样,必将对信号的存储、处理产生巨大的压力,这对采样技术以及硬件设备都提出了比较高的要求,以至于在实际生活中难以获得实现。
压缩感知理论的采样频率不再受原始信号频率的限制,而只需要原始信号满足稀疏性即可。而对于宽带信号测向,由于信号的来波方向相对于整个测向空间来说是符合空域稀疏的,因此可以利用该特性对宽带信号进行网格划分,从而实现基于压缩感知的宽带测向。因此研究基于压缩感知的宽带测向是十分必要的。
根据已有文献发现,蒋莹等在《电子与信息学报》(2019,vol.41,No.5,pp:1690-1697)上发表的“基于分布式压缩感知的宽带欠定信号DOA估计”,通过截断l1函数设定权值,构建出了接近l0范数的重构算法,使得宽带DOA估计具有更高的分辨率和收敛特性,但是此宽带测向方法的测向精度不高,且无法在冲击噪声环境下有效测向。Yang J等在《Signal Processing》(2016,pp:110-122)上发表的“An efficient off-grid DOAestimation approach for nested array signal processing by using sparseBayesian learning strategies”,利用块稀疏理论,充分挖掘空时联合的入射信号之间的块间相关性,并依次对信号进行稀疏分解和稀疏重构,提高了算法的适用性以及估计性能,但是此方法无法在冲击噪声背景下有效测向。
发明内容
本发明所要解决的技术问题在于传统的宽带测向方法在在冲击噪声等恶劣噪声环境下进行测向时,测向的鲁棒性很难保证,同时测向的难度也会增加。
本发明通过以下技术手段实现解决上述技术问题的:
冲击噪声下的宽带压缩感知侧向方法,包括以下步骤:
步骤1、建立冲击噪声下的宽带信号数学模型得到宽带信号模型;
步骤2、对宽带信号进行聚焦操作,得到聚焦分数低阶矩;
步骤3、对所述聚焦分数低阶矩进行矢量化,并建立稀疏角度模型;
步骤4、量子阿奎拉鹰搜索机制初始化;
步骤5、针对所述稀疏角度模型,计算所有量子阿奎拉鹰所在位置的适应度值,确定局部最优量子位置和全局最优量子位置;
步骤51、在探索阶段,量子阿奎拉鹰使用两种不同的策略来更新量子旋转角和量子位置;
对于第i只阿奎拉鹰,产生一个[0,1]之间的均匀随机数如果ρ1为[0,1]之间的常数,阿奎拉鹰采用高空飞行搜索并垂直俯身方式攻击猎物,在t+1次迭代第i只阿奎拉鹰第p维量子旋转角为其中λt=(1-t/tmax),为第t代所有阿奎拉鹰平均位置的第p维,和均为[0,1]之间的均匀随机数;则第i只阿奎拉鹰量子位置的第p维更新方式为abs()为取绝对值函数;
若第i只阿奎拉鹰采用环绕猎物飞行与短距离滑翔方式攻击猎物,在t+1次迭代第i只阿奎拉鹰第p维量子旋转角表示为其中为[0,1]之间的均匀随机数,为莱维飞行函数,和均为[0,1]之间的均匀随机数,Γ(1+β0)=β0!,β0为常数,L0=c0+0.00565P,w0为[0,1]之间的常数,c0为搜索空间系数;则第i只阿奎拉鹰量子位置的第p维更新方式为
步骤52、在开发阶段,阿奎拉鹰使用两种不同的策略来更新量子旋转角和量子位置:
对于第i只阿奎拉鹰,产生一个[0,1]之间的均匀随机数如果ρ2为[0,1]之间的常数,第i只阿奎拉鹰采用低空飞行兵缓慢下降的方式攻击猎物,在t+1次迭代第i只阿奎拉鹰第p维量子旋转角表示为其中c1、c2和c3均为[0,1]之间的常数,和均为[0,1]之间的均匀随机数;则第i只阿奎拉鹰量子位置的第p维更新方式为
当时,第i只阿奎拉鹰采用地面近距离方式攻击猎物,在t+1次迭代第i只阿奎拉鹰第p维量子旋转角表示为其中c4和c5为[0,1]之间的常数,和为[0,1]之间的均匀随机数,和均为[0,1]之间的均匀随机数,则第i只阿奎拉鹰量子位置的第p维更新方式为
步骤6、计算所有阿奎拉鹰所在新位置的适应度值,更新局部最优量子位置和全局最优量子位置,直至达到最大迭代次数;
步骤7、将阿奎拉鹰群体全局最优量子位置根据映射规则映射成全局最优位置,得到宽带测向的角度。
本发明使用量子阿奎拉鹰搜索机制求解基于聚焦分数低阶矩的宽带压缩感知测向方程,在冲击噪声环境下能有效测向,测向精度高,应用范围广泛。
进一步的,所述步骤1具体为:在冲击噪声情况下,有P个宽带远场信号以方向角θ1,θ2,…,θP入射到空间某阵列上,该天线阵列由M个阵元组成,阵元间距为d,信号带宽为B;以第一个天线阵元为参考阵元,则第m个阵元所接收到的信号表示为其中,am,p为第m个阵元对第p个信号的增益,为在时刻第p个入射信号,为在时刻第m个阵元上的冲击噪声噪声,τm,p为第p个入射信号到达第m个阵元上的时间延迟;
将观察时间长度为的时域采样数据划分为K个子段,每段时间为然后对每段采样数据进行G点的离散傅里叶变换,得到宽带信号模型为Ck(fg)=Aθ(fg)Sk(fg)+Nk(fg),k=1,2,…,K,g=1,2,…,G,θ=[θ1,θ2,…,θP]。其中,Ck(fg)=[C1k(fg),C2k(fg),…,CMk(fg)]T,Sk(fg)=[S1k(fg),S2k(fg),…,SPk(fg)]T,Nk(fg)=[N1k(fg),N2k(fg),…,NMk(fg)]T分别为cm(t)、sp(t)、nm(t)在第k个子段,对应频率点为fg的傅里叶系数,g=1,2,…,G。为频率点为fg的空间阵列的流型矩阵;当P个方向各不相同时,矩阵是满秩的,为频率点为fg的第p个导向矢量,p=1,2,…,P。
进一步的,所述步骤2具体为:选择参考频率点f0,计算出参考频率点f0对应的流型矩阵 计算出阵列接收数据对应频率点为fg的聚焦矩阵T(fg)=V(fg)U(fg)H,其中U(fg)和V(fg)分别为Aθ(fg)Aθ(f0)的左奇异矢量和右奇异矢量;
利用接收数据计算出对应频率点为fg时的分数低阶矩R(fg)中的元素Rab(fg)可以表示为其中,a=1,2,...,M,b=1,2,...,M,p1为分数低阶矩特征指数,为冲击噪声的特征指数,E()表示数学期望;求得每个频率点fg对应的接收数据聚焦分数低阶矩为Rc(fg)=T(fg)R(fg)T(fg)H,最后求出参考频率点f0对应的接收数据聚焦分数低阶矩为
进一步的,所述步骤3具体为:将角度区间[θmin,θmax]划分为N个网格,θmin和θmax分别代表角度区间的下界和上界,可以表示为α=[α1,α2,…,αN],在参考频点f0处构建过完备字典集 其中第n个字典的原子为然后可以得到稀疏角度模型为其中表示N个网格对应的来波信号的功率,I(f0)=[σ1(f0)e1,σ2(f0)e2,…,σP(f0)eP],σ(f0)=[σ1(f0),σ2(f0),…,σM(f0)]表示噪声在频率为f0处的功率,ep表示噪声系数;构建测向方程,估计角度为其中
进一步的,所述步骤6具体为:计算所有阿奎拉鹰所在新位置的适应度值,更新第i只阿奎拉鹰的局部最优量子位置为和整个阿奎拉鹰群体的全局最优量子位置 若第i只阿奎拉鹰在第t+1次迭代的量子位置的适应度值优于的适应度,则否则使用具有最小适应度的局部最优量子位置来更新直至第t+1次迭代为止全局最优量子位置
与上述方法对应的,本发明还提供一种冲击噪声下的宽带压缩感知侧向系统,包括:
宽带信号模型构建模块,用以建立冲击噪声下的宽带信号数学模型得到宽带信号模型;
聚焦分数低阶矩构建模块,用以对宽带信号进行聚焦操作,得到聚焦分数低阶矩;
稀疏角度模型构建模块,用以对所述聚焦分数低阶矩进行矢量化,并建立稀疏角度模型;
量子阿奎拉鹰搜索机制初始化模块,用以量子阿奎拉鹰搜索机制初始化;
适应度值计算模块,用以针对所述稀疏角度模型,计算所有量子阿奎拉鹰所在位置的适应度值,确定局部最优量子位置和全局最优量子位置;
步骤51、在探索阶段,量子阿奎拉鹰使用两种不同的策略来更新量子旋转角和量子位置;
对于第i只阿奎拉鹰,产生一个[0,1]之间的均匀随机数如果ρ1为[0,1]之间的常数,阿奎拉鹰采用高空飞行搜索并垂直俯身方式攻击猎物,在t+1次迭代第i只阿奎拉鹰第p维量子旋转角为其中λt=(1-t/tmax),为第t代所有阿奎拉鹰平均位置的第p维,和均为[0,1]之间的均匀随机数;则第i只阿奎拉鹰量子位置的第p维更新方式为abs()为取绝对值函数;
若第i只阿奎拉鹰采用环绕猎物飞行与短距离滑翔方式攻击猎物,在t+1次迭代第i只阿奎拉鹰第p维量子旋转角表示为其中为[0,1]之间的均匀随机数,为莱维飞行函数,和均为[0,1]之间的均匀随机数,Γ(1+β0)=β0!,β0为常数,L0=c0+0.00565P,w0为[0,1]之间的常数,c0为搜索空间系数;则第i只阿奎拉鹰量子位置的第p维更新方式为
步骤52、在开发阶段,阿奎拉鹰使用两种不同的策略来更新量子旋转角和量子位置:
对于第i只阿奎拉鹰,产生一个[0,1]之间的均匀随机数如果ρ2为[0,1]之间的常数,第i只阿奎拉鹰采用低空飞行兵缓慢下降的方式攻击猎物,在t+1次迭代第i只阿奎拉鹰第p维量子旋转角表示为其中c1、c2和c3均为[0,1]之间的常数,和均为[0,1]之间的均匀随机数;则第i只阿奎拉鹰量子位置的第p维更新方式为
当时,第i只阿奎拉鹰采用地面近距离方式攻击猎物,在t+1次迭代第i只阿奎拉鹰第p维量子旋转角表示为其中c4和c5为[0,1]之间的常数,和为[0,1]之间的均匀随机数,和均为[0,1]之间的均匀随机数,则第i只阿奎拉鹰量子位置的第p维更新方式为
更新模块,用以计算所有阿奎拉鹰所在新位置的适应度值,更新局部最优量子位置和全局最优量子位置,直至达到最大迭代次数;
宽带测向角度计算模块,用以将阿奎拉鹰群体全局最优量子位置根据映射规则映射成全局最优位置,得到宽带测向的角度。
进一步的,所述宽带信号模型构建模块具体执行过程为:在冲击噪声情况下,有P个宽带远场信号以方向角θ1,θ2,…,θP入射到空间某阵列上,该天线阵列由M个阵元组成,阵元间距为d,信号带宽为B;以第一个天线阵元为参考阵元,则第m个阵元所接收到的信号表示为其中,am,p为第m个阵元对第p个信号的增益,为在时刻第p个入射信号,为在时刻第m个阵元上的冲击噪声噪声,τm,p为第p个入射信号到达第m个阵元上的时间延迟;
将观察时间长度为的时域采样数据划分为K个子段,每段时间为然后对每段采样数据进行G点的离散傅里叶变换,得到宽带信号模型为Ck(fg)=Aθ(fg)Sk(fg)+Nk(fg),k=1,2,…,K,g=1,2,…,G,θ=[θ1,θ2,…,θP]。其中,Ck(fg)=[C1k(fg),C2k(fg),…,CMk(fg)]T,Sk(fg)=[S1k(fg),S2k(fg),…,SPk(fg)]T,Nk(fg)=[N1k(fg),N2k(fg),…,NMk(fg)]T分别为cm(t)、sp(t)、nm(t)在第k个子段,对应频率点为fg的傅里叶系数,g=1,2,…,G。为频率点为fg的空间阵列的流型矩阵;当P个方向各不相同时,矩阵是满秩的,为频率点为fg的第p个导向矢量,p=1,2,…,P。
进一步的,所述聚焦分数低阶矩构建模块具体执行过程为:选择参考频率点f0,计算出参考频率点f0对应的流型矩阵 计算出阵列接收数据对应频率点为fg的聚焦矩阵T(fg)=V(fg)U(fg)H,其中U(fg)和V(fg)分别为Aθ(fg)Aθ(f0)的左奇异矢量和右奇异矢量;
利用接收数据计算出对应频率点为fg时的分数低阶矩R(fg)中的元素Rab(fg)可以表示为其中,a=1,2,...,M,b=1,2,...,M,p1为分数低阶矩特征指数,为冲击噪声的特征指数,E()表示数学期望;求得每个频率点fg对应的接收数据聚焦分数低阶矩为Rc(fg)=T(fg)R(fg)T(fg)H,最后求出参考频率点f0对应的接收数据聚焦分数低阶矩为
进一步的,所述稀疏角度模型构建模块具体执行过程为为:将角度区间[θmin,θmax]划分为N个网格,θmin和θmax分别代表角度区间的下界和上界,可以表示为α=[α1,α2,…,αN],在参考频点f0处构建过完备字典集其中第n个字典的原子为然后可以得到稀疏角度模型为其中表示N个网格对应的来波信号的功率,I(f0)=[σ1(f0)e1,σ2(f0)e2,…,σP(f0)eP],σ(f0)=[σ1(f0),σ2(f0),…,σM(f0)]表示噪声在频率为f0处的功率,ep表示噪声系数;构建测向方程,估计角度为其中
进一步的,所述更新模块具体执行过程为:计算所有阿奎拉鹰所在新位置的适应度值,更新第i只阿奎拉鹰的局部最优量子位置为和整个阿奎拉鹰群体的全局最优量子位置若第i只阿奎拉鹰在第t+1次迭代的量子位置的适应度值优于的适应度,则否则使用具有最小适应度的局部最优量子位置来更新直至第t+1次迭代为止全局最优量子位置
本发明的优点在于:
本发明针对上述难题在冲击噪声环境下进行宽带压缩感知测向技术研究,构建基于聚焦分数低阶矩的宽带压缩感知测向方程,并设计量子阿奎拉鹰搜索机制求解测向方程,获得更精确的测向结果。所设计的基于阿奎拉鹰搜索机制的压缩感知宽带测向方法在冲击噪声环境下能有效测向,能够摆脱传统宽带测向方法收敛精度差和和在冲击噪声环境下测向失效的不足,具有广泛的应用范围。
附图说明
图1为本发明实施例中宽带测向方法的流程框图。
图2为冲击噪声特征指数为1.5时,应用本发明实施例中宽带测向方法的两独立源宽带测向结果;
图3为冲击噪声特征指数为1.6时,应用本发明实施例中宽带测向方法的两独立源宽带测向结果;
图2、图3中,将本发明所设计的基于量子阿奎拉鹰搜索机制的聚焦分数低阶矩的宽带压缩感知测向方法简记为“QAO-FFLOM-CS”,将基于粒子群算法的极大似然宽带测向方法简记为“PSO-ML”。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明具体涉及一种冲击噪声环境下基于聚焦分数低阶矩的宽带压缩感知测向方法,并通过量子阿奎拉鹰搜索机制对测向方程进行求解,该宽带信号测向方法在冲击噪声下能有效测向。
图1介绍了本发明的宽带测向系统框图,详细流程如下:
步骤一:获取宽带信号建立冲击噪声下的宽带信号数学模型。在冲击噪声情况下,有P个宽带远场信号以方向角θ1,θ2,…,θP入射到空间某阵列上,该天线阵列由M个阵元组成,阵元间距为d,信号带宽为B。以第一个天线阵元为参考阵元,则第m个阵元所接收到的信号可以表示为其中,am,p为第m个阵元对第p个信号的增益,为在时刻第p个入射信号,为在时刻第m个阵元上的冲击噪声噪声,τm,p为第p个入射信号到达第m个阵元上的时间延迟。
将观察时间长度为的时域采样数据划分为K个子段,每段时间为然后对每段采样数据进行G点的离散傅里叶变换,得到宽带信号模型为Ck(fg)=Aθ(fg)Sk(fg)+Nk(fg),k=1,2,…,K,g=1,2,…,G,θ=[θ1,θ2,…,θP]。其中,Ck(fg)=[C1k(fg),C2k(fg),…,CMk(fg)]T,Sk(fg)=[S1k(fg),S2k(fg),…,SPk(fg)]T,Nk(fg)=[N1k(fg),N2k(fg),…,NMk(fg)]T分别为cm(t)、sp(t)、nm(t)在第k个子段,对应频率点为fg的傅里叶系数,g=1,2,…,G。为频率点为fg的空间阵列的流型矩阵。当P个方向各不相同时,矩阵是满秩的,为频率点为fg的第p个导向矢量,p=1,2,…,P。
步骤二:对宽带信号进行聚焦操作,得到聚焦分数低阶矩。选择参考频率点f0,计算出参考频率点f0对应的流型矩阵 计算出阵列接收数据对应频率点为fg的聚焦矩阵T(fg)=V(fg)U(fg)H,其中U(fg)和V(fg)分别为Aθ(fg)Aθ(f0)的左奇异矢量和右奇异矢量。
其中,a=1,2,...,M,b=1,2,...,M,p1为分数低阶矩特征指数,为冲击噪声的特征指数,E()表示数学期望。求得每个频率点fg对应的接收数据聚焦分数低阶矩为Rc(fg)=T(fg)R(fg)T(fg)H,最后求出参考频率点f0对应的接收数据聚焦分数低阶矩为
步骤三:对参考频点f0对应的聚焦分数低阶矩进行矢量化,并建立稀疏角度模型。
将角度区间[θmin,θmax]划分为N个网格,θmin和θmax分别代表角度区间的下界和上界,可以表示为α=[α1,α2,…,αN],在参考频点f0处构建过完备字典集其中第n个字典的原子为然后可以得到稀疏角度模型为其中表示N个网格对应的来波信号的功率,I(f0)=[σ1(f0)e1,σ2(f0)e2,…,σP(f0)eP],σ(f0)=[σ1(f0),σ2(f0),…,σM(f0)]表示噪声在频率为f0处的功率,ep表示噪声系数。构建测向方程,估计角度为其中
步骤四:量子阿奎拉鹰搜索机制初始化。阿奎拉鹰种群规模为最大迭代次数为tmax,搜索空间维度为P,在第t次迭代,第i只阿奎拉鹰的量子位置为第i只阿奎拉鹰的量子旋转角矢量为其中vmax和vmin分别为阿奎拉鹰量子旋转角的上界和下界,p=1,2,…,P,t为迭代次数,初始时令t=1。
步骤五:计算所有阿奎拉鹰所在位置的适应度值。将第t次迭代,第i只阿奎拉鹰的量子位置映射为位置具体的映射规则为其中θmin和θmax分别为角度搜索空间的下界和上界。计算第t次迭代第i只阿奎拉鹰所在位置的适应度值确定第i只阿奎拉鹰到第t次迭代为止所搜索到的局部最优量子位置为以及所有阿奎拉鹰至第t次迭代为止所搜索到的第全局最优量子位置为
步骤六:阿奎拉鹰搜索机制攻击猎物的过程分为探索阶段和开发阶段。当迭代次数时,所有阿奎拉鹰攻击猎物的阶段为探索阶段,否则为开发阶段。在探索阶段,阿奎拉鹰通过两种特殊的飞行方式搜索猎物并根据猎物的位置采用不同的捕食方式。
对于第i只阿奎拉鹰,产生一个[0,1]之间的均匀随机数如果ρ1为[0,1]之间的常数,阿奎拉鹰采用高空飞行搜索并垂直俯身方式攻击猎物,在t+1次迭代第i只阿奎拉鹰第p维量子旋转角为其中λt=(1-t/tmax),为第t代所有阿奎拉鹰平均位置的第p维,和均为[0,1]之间的均匀随机数。则第i只阿奎拉鹰量子位置的第p维更新方式为abs()为取绝对值函数。
若第i只阿奎拉鹰采用环绕猎物飞行与短距离滑翔方式攻击猎物,在t+1次迭代第i只阿奎拉鹰第p维量子旋转角表示为其中为[0,1]之间的均匀随机数,为莱维飞行函数,和均为[0,1]之间的均匀随机数,Γ(1+β0)=β0!,β0为常数,L0=c0+0.00565P,w0为[0,1]之间的常数,c0为搜索空间系数。则第i只阿奎拉鹰量子位置的第p维更新方式为
步骤七:在开发阶段即时,阿奎拉鹰使用两种不同的策略来捕获猎物。对于第i只阿奎拉鹰,产生一个[0,1]之间的均匀随机数如果ρ2为[0,1]之间的常数,第i只阿奎拉鹰采用低空飞行兵缓慢下降的方式攻击猎物,在t+1次迭代第i只阿奎拉鹰第p维量子旋转角表示为其中c1、c2和c3均为[0,1]之间的常数,和均为[0,1]之间的均匀随机数。则第i只阿奎拉鹰量子位置的第p维更新方式为
当时,第i只阿奎拉鹰采用地面近距离方式攻击猎物,在t+1次迭代第i只阿奎拉鹰第p维量子旋转角表示为其中c4和c5为[0,1]之间的常数,和为[0,1]之间的均匀随机数,和均为[0,1]之间的均匀随机数,则第i只阿奎拉鹰量子位置的第p维更新方式为
步骤八:计算所有阿奎拉鹰所在新位置的适应度值,更新第i只阿奎拉鹰的局部最优量子位置为和整个阿奎拉鹰群体的全局最优量子位置若第i只阿奎拉鹰在第t+1次迭代的量子位置的适应度值优于的适应度,则否则使用具有最小适应度的局部最优量子位置来更新直至第t+1次迭代为止全局最优量子位置
步骤九:判断是否达到最大迭代次数,若没有达到,令t=t+1,返回步骤六继续进行;若已经达到,则阿奎拉鹰群体全局最优量子位置根据映射规则映射成全局最优位置,就得到宽带测向的角度。
模型具体参数设置如下:
宽带远场信号,最低频率为80MHz,最高频率为120MHz,天线阵列为均匀线阵,天线数为8,快拍数为1024,信源数为2,信号入射角度分别为40°、10°,入射信号采用线性调频信号,分数低阶矩特征指数p1=1.2,K=40,G=32,蒙特卡洛实验次数为500。
基于量子阿奎拉鹰搜索机制的参数设置如下:阿奎拉鹰种群规模最大迭代次数tmax=100,ρ1=ρ2=0.5,β0=1.5,w0=0.005,c0=0.5,c1=c2=0.2,c3=c4=0.1,c5=0.5,vmax=0.15,vmin=-0.15。
粒子群算法的参数设置参考Kennedy J和Eberhart R在《Icnn95-internationalConference on Neural Networks》上发表的“Particle Swarm Optimization”,2002.
图2给出了冲击噪声特征指数为1.5,关于两个独立源,本发明所设计宽带信号测向方法和基于粒子群算法的极大似然宽带信号测向方法在不同广义信噪比下的均方根误差的仿真对比曲线,从图2中可以看出本发明所设计宽带信号测向方法的测向性能优秀。
图3给出了冲击噪声特征指数为1.6,关于两独立源,本发明所设计宽带信号测向方法和基于粒子群算法的极大似然宽带信号测向方法在不同广义信噪比下的均方根误差的仿真对比曲线,从图3中可以看出本发明所设计宽带信号测向方法在冲击噪声下具有优秀的测向性能。
本发明在冲击噪声背景下利用量子阿奎拉鹰搜索机制对宽带信号进行测向,解决了传统宽带测向方法在冲击噪声背景下测向失效,测向精度不高等缺点。该方法的步骤为建立冲击噪声下的宽带信号数学模型;对宽带信号进行聚焦操作,得到聚焦分数低阶协矩;对参考频点f0处对应的聚焦分数低阶矩进行矢量化,并建立稀疏角度模型;量子阿奎拉鹰搜索机制初始化;计算所有阿奎拉鹰所在位置的适应度值,确定局部最优量子位置和全局最优量子位置;在探索阶段,阿奎拉鹰通过两种不同飞行方式更新量子旋转角和量子位置;在开发阶段,阿奎拉鹰使用两种不同的策略来更新量子旋转角和量子位置;计算所有阿奎拉鹰所在新位置的适应度值,更新局部最优量子位置和全局最优量子位置;判断是否到达最大次数;将阿奎拉鹰群体全局最优量子位置根据映射规则映射成全局最优位置,得到宽带测向的角度。本发明使用量子阿奎拉鹰搜索机制求解基于聚焦分数低阶矩的宽带压缩感知测向方程,在冲击噪声环境下能有效测向,测向精度高,应用范围广泛。
与上述方法对应的,本发明还提供一种冲击噪声下的宽带压缩感知侧向系统,包括
宽带信号模型构建模块,用以获取宽带信号建立冲击噪声下的宽带信号数学模型。在冲击噪声情况下,有P个宽带远场信号以方向角θ1,θ2,…,θP入射到空间某阵列上,该天线阵列由M个阵元组成,阵元间距为d,信号带宽为B。以第一个天线阵元为参考阵元,则第m个阵元所接收到的信号可以表示为 其中,am,p为第m个阵元对第p个信号的增益,为在时刻第p个入射信号,为在时刻第m个阵元上的冲击噪声噪声,τm,p为第p个入射信号到达第m个阵元上的时间延迟。
将观察时间长度为的时域采样数据划分为K个子段,每段时间为然后对每段采样数据进行G点的离散傅里叶变换,得到宽带信号模型为Ck(fg)=Aθ(fg)Sk(fg)+Nk(fg),k=1,2,…,K,g=1,2,…,G,θ=[θ1,θ2,…,θP]。其中,Ck(fg)=[C1k(fg),C2k(fg),…,CMk(fg)]T,Sk(fg)=[S1k(fg),S2k(fg),…,SPk(fg)]T,Nk(fg)=[N1k(fg),N2k(fg),…,NMk(fg)]T分别为cm(t)、sp(t)、nm(t)在第k个子段,对应频率点为fg的傅里叶系数,g=1,2,…,G。为频率点为fg的空间阵列的流型矩阵。当P个方向各不相同时,矩阵是满秩的,为频率点为fg的第p个导向矢量,p=1,2,…,P。
聚焦分数低阶矩构建模块,用以对宽带信号进行聚焦操作,得到聚焦分数低阶矩。选择参考频率点f0,计算出参考频率点f0对应的流型矩阵 计算出阵列接收数据对应频率点为fg的聚焦矩阵T(fg)=V(fg)U(fg)H,其中U(fg)和V(fg)分别为Aθ(fg)Aθ(f0)的左奇异矢量和右奇异矢量。
其中,a=1,2,...,M,b=1,2,...,M,p1为分数低阶矩特征指数,为冲击噪声的特征指数,E()表示数学期望。求得每个频率点fg对应的接收数据聚焦分数低阶矩为Rc(fg)=T(fg)R(fg)T(fg)H,最后求出参考频率点f0对应的接收数据聚焦分数低阶矩为
稀疏角度模型构建模块,对参考频点f0对应的聚焦分数低阶矩进行矢量化,并建立稀疏角度模型。
将角度区间[θmin,θmax]划分为N个网格,θmin和θmax分别代表角度区间的下界和上界,可以表示为α=[α1,α2,…,αN],在参考频点f0处构建过完备字典集其中第n个字典的原子为然后可以得到稀疏角度模型为其中表示N个网格对应的来波信号的功率,I(f0)=[σ1(f0)e1,σ2(f0)e2,…,σP(f0)eP],σ(f0)=[σ1(f0),σ2(f0),…,σM(f0)]表示噪声在频率为f0处的功率,ep表示噪声系数。构建测向方程,估计角度为其中
量子阿奎拉鹰搜索机制初始化模块,量子阿奎拉鹰搜索机制初始化。阿奎拉鹰种群规模为最大迭代次数为tmax,搜索空间维度为P,在第t次迭代,第i只阿奎拉鹰的量子位置为第i只阿奎拉鹰的量子旋转角矢量为其中vmax和vmin分别为阿奎拉鹰量子旋转角的上界和下界,p=1,2,…,P,t为迭代次数,初始时令t=1。
适应度值计算模块,用以计算所有阿奎拉鹰所在位置的适应度值。将第t次迭代,第i只阿奎拉鹰的量子位置映射为位置具体的映射规则为其中θmin和θmax分别为角度搜索空间的下界和上界。计算第t次迭代第i只阿奎拉鹰所在位置的适应度值确定第i只阿奎拉鹰到第t次迭代为止所搜索到的局部最优量子位置为以及所有阿奎拉鹰至第t次迭代为止所搜索到的第全局最优量子位置为
阿奎拉鹰搜索机制攻击猎物的过程分为探索阶段和开发阶段。当迭代次数时,所有阿奎拉鹰攻击猎物的阶段为探索阶段,否则为开发阶段。在探索阶段,阿奎拉鹰通过两种特殊的飞行方式搜索猎物并根据猎物的位置采用不同的捕食方式。
对于第i只阿奎拉鹰,产生一个[0,1]之间的均匀随机数如果ρ1为[0,1]之间的常数,阿奎拉鹰采用高空飞行搜索并垂直俯身方式攻击猎物,在t+1次迭代第i只阿奎拉鹰第p维量子旋转角为其中λt=(1-t/tmax),为第t代所有阿奎拉鹰平均位置的第p维,和均为[0,1]之间的均匀随机数。则第i只阿奎拉鹰量子位置的第p维更新方式为abs()为取绝对值函数。
若第i只阿奎拉鹰采用环绕猎物飞行与短距离滑翔方式攻击猎物,在t+1次迭代第i只阿奎拉鹰第p维量子旋转角表示为其中为[0,1]之间的均匀随机数,为莱维飞行函数,和均为[0,1]之间的均匀随机数,Γ(1+β0)=β0!,β0为常数,L0=c0+0.00565P,w0为[0,1]之间的常数,c0为搜索空间系数。则第i只阿奎拉鹰量子位置的第p维更新方式为
在开发阶段即时,阿奎拉鹰使用两种不同的策略来捕获猎物。对于第i只阿奎拉鹰,产生一个[0,1]之间的均匀随机数如果ρ2为[0,1]之间的常数,第i只阿奎拉鹰采用低空飞行兵缓慢下降的方式攻击猎物,在t+1次迭代第i只阿奎拉鹰第p维量子旋转角表示为其中c1、c2和c3均为[0,1]之间的常数,和均为[0,1]之间的均匀随机数。则第i只阿奎拉鹰量子位置的第p维更新方式为
当时,第i只阿奎拉鹰采用地面近距离方式攻击猎物,在t+1次迭代第i只阿奎拉鹰第p维量子旋转角表示为其中c4和c5为[0,1]之间的常数,和为[0,1]之间的均匀随机数,和均为[0,1]之间的均匀随机数,则第i只阿奎拉鹰量子位置的第p维更新方式为
更新模块,用以计算所有阿奎拉鹰所在新位置的适应度值,更新第i只阿奎拉鹰的局部最优量子位置为和整个阿奎拉鹰群体的全局最优量子位置若第i只阿奎拉鹰在第t+1次迭代的量子位置的适应度值优于的适应度,则否则使用具有最小适应度的局部最优量子位置来更新直至第t+1次迭代为止全局最优量子位置
宽带测向角度计算模块,用以判断是否达到最大迭代次数,若没有达到,令t=t+1,返回步骤六继续进行;若已经达到,则阿奎拉鹰群体全局最优量子位置根据映射规则映射成全局最优位置,就得到宽带测向的角度。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.冲击噪声下的宽带压缩感知侧向方法,其特征在于,包括以下步骤:
步骤1、建立冲击噪声下的宽带信号数学模型得到宽带信号模型;
步骤2、对宽带信号进行聚焦操作,得到聚焦分数低阶矩;
步骤3、对所述聚焦分数低阶矩进行矢量化,并建立稀疏角度模型;
步骤4、量子阿奎拉鹰搜索机制初始化;
步骤5、针对所述稀疏角度模型,计算所有量子阿奎拉鹰所在位置的适应度值,确定局部最优量子位置和全局最优量子位置;
步骤51、在探索阶段,量子阿奎拉鹰使用两种不同的策略来更新量子旋转角和量子位置;
对于第i只阿奎拉鹰,产生一个[0,1]之间的均匀随机数如果ρ1为[0,1]之间的常数,阿奎拉鹰采用高空飞行搜索并垂直俯身方式攻击猎物,在t+1次迭代第i只阿奎拉鹰第p维量子旋转角为其中λt=(1-t/tmax),为第t代所有阿奎拉鹰平均位置的第p维,和均为[0,1]之间的均匀随机数;则第i只阿奎拉鹰量子位置的第p维更新方式为abs()为取绝对值函数;
若第i只阿奎拉鹰采用环绕猎物飞行与短距离滑翔方式攻击猎物,在t+1次迭代第i只阿奎拉鹰第p维量子旋转角表示为其中为[0,1]之间的均匀随机数,为莱维飞行函数, 和均为[0,1]之间的均匀随机数,β0为常数,L0=c0+0.00565P,w0为[0,1]之间的常数,c0为搜索空间系数;则第i只阿奎拉鹰量子位置的第p维更新方式为
步骤52、在开发阶段,阿奎拉鹰使用两种不同的策略来更新量子旋转角和量子位置:
对于第i只阿奎拉鹰,产生一个[0,1]之间的均匀随机数如果ρ2为[0,1]之间的常数,第i只阿奎拉鹰采用低空飞行兵缓慢下降的方式攻击猎物,在t+1次迭代第i只阿奎拉鹰第p维量子旋转角表示为其中c1、c2和c3均为[0,1]之间的常数,和均为[0,1]之间的均匀随机数;则第i只阿奎拉鹰量子位置的第p维更新方式为
当时,第i只阿奎拉鹰采用地面近距离方式攻击猎物,在t+1次迭代第i只阿奎拉鹰第p维量子旋转角表示为其中c4和c5为[0,1]之间的常数,和为[0,1]之间的均匀随机数, 和均为[0,1]之间的均匀随机数,则第i只阿奎拉鹰量子位置的第p维更新方式为
步骤6、计算所有阿奎拉鹰所在新位置的适应度值,更新局部最优量子位置和全局最优量子位置,直至达到最大迭代次数;
步骤7、将阿奎拉鹰群体全局最优量子位置根据映射规则映射成全局最优位置,得到宽带测向的角度。
2.根据权利要求1所述的冲击噪声下的宽带压缩感知侧向方法,其特征在于,所述步骤1具体为:在冲击噪声情况下,有P个宽带远场信号以方向角θ1,θ2,…,θP入射到空间某阵列上,该天线阵列由M个阵元组成,阵元间距为d,信号带宽为B;以第一个天线阵元为参考阵元,则第m个阵元所接收到的信号表示为其中,am,p为第m个阵元对第p个信号的增益,为在时刻第p个入射信号,为在时刻第m个阵元上的冲击噪声噪声,τm,p为第p个入射信号到达第m个阵元上的时间延迟;
将观察时间长度为的时域采样数据划分为K个子段,每段时间为然后对每段采样数据进行G点的离散傅里叶变换,得到宽带信号模型为Ck(fg)=Aθ(fg)Sk(fg)+Nk(fg),k=1,2,…,K,g=1,2,…,G,θ=[θ1,θ2,…,θP]。其中,Ck(fg)=[C1k(fg),C2k(fg),…,CMk(fg)]T,Sk(fg)=[S1k(fg),S2k(fg),…,SPk(fg)]T,Nk(fg)=[N1k(fg),N2k(fg),…,NMk(fg)]T分别为cm(t)、sp(t)、nm(t)在第k个子段,对应频率点为fg的傅里叶系数,g=1,2,…,G。为频率点为fg的空间阵列的流型矩阵;当P个方向各不相同时,矩阵是满秩的, 为频率点为fg的第p个导向矢量,p=1,2,…,P。
3.根据权利要求2所述的冲击噪声下的宽带压缩感知侧向方法,其特征在于,所述步骤2具体为:选择参考频率点f0,计算出参考频率点f0对应的流型矩阵p=1,2,…,P;计算出阵列接收数据对应频率点为fg的聚焦矩阵T(fg)=V(fg)U(fg)H,其中U(fg)和V(fg)分别为Aθ(fg)Aθ(f0)的左奇异矢量和右奇异矢量;
6.冲击噪声下的宽带压缩感知侧向系统,其特征在于,包括:
宽带信号模型构建模块,用以建立冲击噪声下的宽带信号数学模型得到宽带信号模型;
聚焦分数低阶矩构建模块,用以对宽带信号进行聚焦操作,得到聚焦分数低阶矩;
稀疏角度模型构建模块,用以对所述聚焦分数低阶矩进行矢量化,并建立稀疏角度模型;
量子阿奎拉鹰搜索机制初始化模块,用以量子阿奎拉鹰搜索机制初始化;
适应度值计算模块,用以针对所述稀疏角度模型,计算所有量子阿奎拉鹰所在位置的适应度值,确定局部最优量子位置和全局最优量子位置;
步骤51、在探索阶段,量子阿奎拉鹰使用两种不同的策略来更新量子旋转角和量子位置;
对于第i只阿奎拉鹰,产生一个[0,1]之间的均匀随机数如果ρ1为[0,1]之间的常数,阿奎拉鹰采用高空飞行搜索并垂直俯身方式攻击猎物,在t+1次迭代第i只阿奎拉鹰第p维量子旋转角为其中λt=(1-t/tmax),为第t代所有阿奎拉鹰平均位置的第p维,和均为[0,1]之间的均匀随机数;则第i只阿奎拉鹰量子位置的第p维更新方式为abs()为取绝对值函数;
若第i只阿奎拉鹰采用环绕猎物飞行与短距离滑翔方式攻击猎物,在t+1次迭代第i只阿奎拉鹰第p维量子旋转角表示为其中为[0,1]之间的均匀随机数,为莱维飞行函数, 和均为[0,1]之间的均匀随机数,β0为常数,L0=c0+0.00565P,w0为[0,1]之间的常数,c0为搜索空间系数;则第i只阿奎拉鹰量子位置的第p维更新方式为
步骤52、在开发阶段,阿奎拉鹰使用两种不同的策略来更新量子旋转角和量子位置:
对于第i只阿奎拉鹰,产生一个[0,1]之间的均匀随机数如果ρ2为[0,1]之间的常数,第i只阿奎拉鹰采用低空飞行兵缓慢下降的方式攻击猎物,在t+1次迭代第i只阿奎拉鹰第p维量子旋转角表示为其中c1、c2和c3均为[0,1]之间的常数,和均为[0,1]之间的均匀随机数;则第i只阿奎拉鹰量子位置的第p维更新方式为
当时,第i只阿奎拉鹰采用地面近距离方式攻击猎物,在t+1次迭代第i只阿奎拉鹰第p维量子旋转角表示为其中c4和c5为[0,1]之间的常数,和为[0,1]之间的均匀随机数, 和均为[0,1]之间的均匀随机数,则第i只阿奎拉鹰量子位置的第p维更新方式为
更新模块,用以计算所有阿奎拉鹰所在新位置的适应度值,更新局部最优量子位置和全局最优量子位置,直至达到最大迭代次数;
宽带测向角度计算模块,用以将阿奎拉鹰群体全局最优量子位置根据映射规则映射成全局最优位置,得到宽带测向的角度。
7.根据权利要求6 所述的冲击噪声下的宽带压缩感知侧向系统,其特征在于,所述宽带信号模型构建模块具体执行过程为:在冲击噪声情况下,有P个宽带远场信号以方向角θ1,θ2,…,θP入射到空间某阵列上,该天线阵列由M个阵元组成,阵元间距为d,信号带宽为B;以第一个天线阵元为参考阵元,则第m个阵元所接收到的信号表示为其中,am,p为第m个阵元对第p个信号的增益,为在时刻第p个入射信号,为在时刻第m个阵元上的冲击噪声噪声,τm,p为第p个入射信号到达第m个阵元上的时间延迟;
将观察时间长度为的时域采样数据划分为K个子段,每段时间为然后对每段采样数据进行G点的离散傅里叶变换,得到宽带信号模型为Ck(fg)=Aθ(fg)Sk(fg)+Nk(fg),k=1,2,…,K,g=1,2,…,G,θ=[θ1,θ2,…,θP]。其中,Ck(fg)=[C1k(fg),C2k(fg),…,CMk(fg)]T,Sk(fg)=[S1k(fg),S2k(fg),…,SPk(fg)]T,Nk(fg)=[N1k(fg),N2k(fg),…,NMk(fg)]T分别为cm(t)、sp(t)、nm(t)在第k个子段,对应频率点为fg的傅里叶系数,g=1,2,…,G。为频率点为fg的空间阵列的流型矩阵;当P个方向各不相同时,矩阵是满秩的, 为频率点为fg的第p个导向矢量,p=1,2,…,P。
8.根据权利要求7所述的冲击噪声下的宽带压缩感知侧向系统,其特征在于,所述聚焦分数低阶矩构建模块具体执行过程为:选择参考频率点f0,计算出参考频率点f0对应的流型矩阵 计算出阵列接收数据对应频率点为fg的聚焦矩阵T(fg)=V(fg)U(fg)H,其中U(fg)和V(fg)分别为Aθ(fg)Aθ(f0)的左奇异矢量和右奇异矢量;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111296873.8A CN113935224B (zh) | 2021-11-02 | 2021-11-02 | 冲击噪声下的宽带压缩感知侧向方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111296873.8A CN113935224B (zh) | 2021-11-02 | 2021-11-02 | 冲击噪声下的宽带压缩感知侧向方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113935224A CN113935224A (zh) | 2022-01-14 |
CN113935224B true CN113935224B (zh) | 2022-12-09 |
Family
ID=79285621
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111296873.8A Active CN113935224B (zh) | 2021-11-02 | 2021-11-02 | 冲击噪声下的宽带压缩感知侧向方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113935224B (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109358313B (zh) * | 2018-11-06 | 2023-02-10 | 哈尔滨工程大学 | 一种基于量子带电系统搜索演化机制的宽带测向方法 |
CN110940949B (zh) * | 2019-12-11 | 2023-04-28 | 哈尔滨工程大学 | 强冲击噪声环境下基于量子企鹅搜索机制的互质阵列doa估计方法 |
CN112929303A (zh) * | 2021-01-21 | 2021-06-08 | 哈尔滨工程大学 | 双链量子带电系统搜索机制的宽带压缩感知测向方法 |
-
2021
- 2021-11-02 CN CN202111296873.8A patent/CN113935224B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113935224A (zh) | 2022-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104977558B (zh) | 一种基于贝叶斯压缩感知的分布源中心波达方向估计方法 | |
CN109655799B (zh) | 基于iaa的协方差矩阵向量化的非均匀稀疏阵列测向方法 | |
CN109490819B (zh) | 一种基于稀疏贝叶斯学习的离格波达方向估计方法 | |
CN103902826B (zh) | 一种冲击噪声环境下的多移动目标跟踪方法 | |
CN109061554A (zh) | 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 | |
CN111337893A (zh) | 一种基于实值稀疏贝叶斯学习的离格doa估计方法 | |
CN112130111B (zh) | 一种大规模均匀十字阵列中单快拍二维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 | |
CN109212466B (zh) | 一种基于量子蜻蜓演化机制的宽带测向方法 | |
CN109298383A (zh) | 一种基于变分贝叶斯推断的互质阵波达方向角估计方法 | |
CN112379327A (zh) | 一种基于秩损估计的二维doa估计与互耦校正方法 | |
CN113567913B (zh) | 基于迭代重加权可降维的二维平面doa估计方法 | |
CN113835063B (zh) | 一种无人机阵列幅相误差与信号doa联合估计方法 | |
CN107290732A (zh) | 一种量子大爆炸的单基地mimo雷达测向方法 | |
CN111257845A (zh) | 一种基于近似消息传递的不在网格目标角度估计方法 | |
CN115236584A (zh) | 基于深度学习的米波雷达低仰角估计方法 | |
CN110895325A (zh) | 基于增强四元数多重信号分类的到达角估计方法 | |
CN112800596B (zh) | 强冲击噪声下基于嵌套阵列的鲁棒动态测向方法 | |
CN113935224B (zh) | 冲击噪声下的宽带压缩感知侧向方法及系统 | |
CN109683125B (zh) | 一种免疫飞蛾扑火机制的特殊阵列测向方法 | |
Wu et al. | Compressed sensing techniques for altitude estimation in multipath conditions | |
CN113552530B (zh) | 一种基于量子鼠群的近场和远场源混合测向方法 | |
Lan et al. | Underwater Acoustic DOA Estimation of incoherent signal based on improved GA-MUSIC | |
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 | |
CN112929303A (zh) | 双链量子带电系统搜索机制的宽带压缩感知测向方法 |
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 |