CN114966640B - 基于阵列背景噪声统计协方差估计的方位估计方法及系统 - Google Patents

基于阵列背景噪声统计协方差估计的方位估计方法及系统 Download PDF

Info

Publication number
CN114966640B
CN114966640B CN202210904445.7A CN202210904445A CN114966640B CN 114966640 B CN114966640 B CN 114966640B CN 202210904445 A CN202210904445 A CN 202210904445A CN 114966640 B CN114966640 B CN 114966640B
Authority
CN
China
Prior art keywords
array
background noise
matrix
covariance matrix
estimation
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
Application number
CN202210904445.7A
Other languages
English (en)
Other versions
CN114966640A (zh
Inventor
郭拓
丁少春
黄勇
张翔
安楠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Bohai Shenheng Technology Co ltd
Ningbo Bohai Shenheng Technology Co ltd
Original Assignee
Wuhan Bohai Shenheng Technology Co ltd
Ningbo Bohai Shenheng Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Bohai Shenheng Technology Co ltd, Ningbo Bohai Shenheng Technology Co ltd filed Critical Wuhan Bohai Shenheng Technology Co ltd
Priority to CN202210904445.7A priority Critical patent/CN114966640B/zh
Publication of CN114966640A publication Critical patent/CN114966640A/zh
Application granted granted Critical
Publication of CN114966640B publication Critical patent/CN114966640B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
    • G01S7/539—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Remote Sensing (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于阵列背景噪声统计协方差估计的方位估计方法及系统，该方法包括以下步骤：获取实时的阵列接收数据；估计阵列的统计样本协方差矩阵；基于统计样本协方差矩阵，估计非均匀的阵列背景噪声；构造稀疏约束优化算法，求解目标方位。本发明通过对实时采集的阵列数据，动态实时估计出阵列的背景噪声，然后在声纳进行方位估计前，减去所估计的各个传感器非均匀噪声，以提高声纳方位估计精度，获取的目标方位误差小、精度高，更贴近于真实值，大大增加了声呐探测的准确性，并且本发明的方法可用于多种不同的阵列，适用性更强。

Description

基于阵列背景噪声统计协方差估计的方位估计方法及系统
技术领域
本发明属于方位探测技术领域，更具体地，涉及一种基于阵列背景噪声统计协方差估计的方位估计方法及系统。
背景技术
声纳是通过被动接收目标噪声或主动发射信号，然后根据反射波信息以确定被测物的方位与距离，目前已经广泛应用于水下搜救、水底地形测量、水下沉船打捞、水下建筑状况监测、鱼群探测，还有诸多的军事用途。现代声纳系统为了提高对目标信号检测的信噪比，都是通过多水听器构成阵列接收微弱目标信号，利用阵列的阵增益实现微弱目标探测。
声纳系统的阵列是由多个水听器按一定要求布放组成，理想情况下需要各个水听器之间具有完全一致的幅度相位响应，但是在实际生产过程中往往由于生产工艺、材料等的微小差异，会导致各个水听器不可能达到完全一样的幅相一致性，这将严重影响声纳测向性能。实际生产中有两种做法：一、就认为阵列背景噪声是一致的；二，认为阵列噪声不一致，通过实验计算补偿。对于补偿方法，一般会在声纳硬件定型后，传感器装配好后，通过水池实验360度旋转阵列，进行幅相补偿。但是对于拥有几百个甚至上千个的大型阵元，通过此方法进行阵列校正会变的异常困难。
为解决上述问题，专利CN 111239690 A公开了一种用于球面传声器阵列的噪声源识别方法及相关装置，求解所述压缩感知模型中向量x的最优解，得到所述噪声源信号的源强，以进行噪声源识别，解决了现有用球面传声器阵列进行噪声源识别时，识别准确率低的技术问题。但是它是专门针对球面传声器阵列设计的，适用范围受限，在其他阵列的并不完全使用。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供一种基于阵列背景噪声统计协方差估计的方位估计方法及系统，通过一种对实时采集的阵列数据，动态实时估计出阵列的背景噪声，然后在声纳进行方位估计前，减去所估计的各个传感器非均匀噪声，以提高声纳方位估计精度，获取的目标方位误差小、精度高，更贴近于真实值，大大增加了声呐探测的准确性。
为实现上述目的，按照本发明的一方面，提供一种基于阵列背景噪声统计协方差估计的方位估计方法，包括以下步骤：
S100获取实时的阵列接收数据；
S200估计阵列的统计样本协方差矩阵；
S300基于统计样本协方差矩阵，估计非均匀的阵列背景噪声；
S400构造稀疏约束优化算法，求解目标方位。
进一步地，其特征在于，所述S300中基于统计样本协方差矩阵，估计非均匀的阵列背景噪声包括：
S301通过统计样本协方差矩阵，估计非均匀的阵列背景噪声对角矩阵：
Figure 553232DEST_PATH_IMAGE001
其中
Figure 432326DEST_PATH_IMAGE002
为对角矩阵，即需要优化求解的非均匀背景噪 声对角阵，
Figure 342513DEST_PATH_IMAGE003
；
Figure 665480DEST_PATH_IMAGE004
是阵元个数;
Figure 624208DEST_PATH_IMAGE005
为不同阵元的背景噪声功率；
Figure 482443DEST_PATH_IMAGE006
为单位矩阵；
Figure 173319DEST_PATH_IMAGE007
为统计样本协方差矩阵；
Figure 320266DEST_PATH_IMAGE008
为权值系数；
S302通过凸优化求解算法求解得出
Figure 145003DEST_PATH_IMAGE009
，获得各通道背景噪声相同的阵列协方差 矩阵：
Figure 733110DEST_PATH_IMAGE010
其中，
Figure 657204DEST_PATH_IMAGE011
为统计样本协方差矩阵；
Figure 353764DEST_PATH_IMAGE009
为凸优化求解算法得到的非均匀背景噪声 对角阵；
S303对
Figure 326399DEST_PATH_IMAGE012
以及阵列流形矩阵
Figure 362488DEST_PATH_IMAGE013
向量化。
进一步地，所述S303中向量化具体为：把矩阵的所有列拉直，依次排列构成列向量。
进一步地，所述S400中构造稀疏约束优化算法，求解目标方位具体为：
估计所得目标方位在向量
Figure 519800DEST_PATH_IMAGE014
中：
Figure 313444DEST_PATH_IMAGE015
其中，
Figure 417666DEST_PATH_IMAGE016
为阵列流形所包含的角度向量；
Figure 104999DEST_PATH_IMAGE017
表示阵列流行的向量化；
Figure 308579DEST_PATH_IMAGE018
为统计样 本协方差矩阵；
Figure 651836DEST_PATH_IMAGE019
为对角矩阵，即需要优化求解的非均匀背景噪声对角阵；
Figure 622066DEST_PATH_IMAGE020
为向量化 的阵列流形矩阵；
Figure 39272DEST_PATH_IMAGE021
为要估计的空间谱；
Figure 741648DEST_PATH_IMAGE022
为加权系数；
将目标方位显示即得目标方位估计图。
进一步地，所述S100中获取实时的阵列接收数据包括：
对于直线阵假设有
Figure 368939DEST_PATH_IMAGE023
个信源从远场入射，其实时接收到的时域信号为：
Figure 752647DEST_PATH_IMAGE024
，
Figure 352255DEST_PATH_IMAGE025
其中，
Figure 287850DEST_PATH_IMAGE016
为阵列流形所包含的角度向量；
Figure 274873DEST_PATH_IMAGE026
是阵列流形矩 阵，
Figure 259010DEST_PATH_IMAGE027
是阵列流形，
Figure 775442DEST_PATH_IMAGE028
为相位差，j为虚数单位，
Figure 757304DEST_PATH_IMAGE029
表示向 量转置，
Figure 562449DEST_PATH_IMAGE004
是阵元个数，在
Figure 147014DEST_PATH_IMAGE030
中
Figure 658898DEST_PATH_IMAGE031
；
Figure 873979DEST_PATH_IMAGE032
是
Figure 697578DEST_PATH_IMAGE033
个源信号；
Figure 226780DEST_PATH_IMAGE034
是阵列接收到的噪声信号；
Figure 452225DEST_PATH_IMAGE035
为时间点数。
进一步地，所述S100中获取实时的阵列接收数据还包括：
对于圆环阵、十字阵、球阵与面阵，分别按照圆环阵、十字阵、球阵与面阵阵元间的相对位置及几何关系得出阵列流行中的相位差，即可得到圆环阵、十字阵、球阵与面阵的实时的阵列接收数据。
进一步地，所述S200中估计阵列的统计样本协方差矩阵包括：
获取统计样本协方差矩阵：
Figure 838207DEST_PATH_IMAGE036
其中
Figure 555627DEST_PATH_IMAGE037
为阵列接收到的时域信号；
Figure 481995DEST_PATH_IMAGE038
为
Figure 765209DEST_PATH_IMAGE037
的转置，
Figure 525354DEST_PATH_IMAGE039
表示为向量的共轭 转置；
Figure 323546DEST_PATH_IMAGE035
为时域点数。
按照本发明的第二方面，提供一种基于阵列背景噪声统计协方差估计的方位估计系统，包括：
数据采集模块，用于获取实时的阵列接收数据；
统计样本协方差矩阵确定模块，用于估计阵列的统计样本协方差矩阵；
背景噪声确定模块，用于基于统计样本协方差矩阵，估计非均匀的阵列背景噪声；
方位求解模块，用于构造稀疏约束优化算法，求解目标方位。
按照本发明的第三方面，提供一种电子设备，包括：
至少一个处理器、至少一个存储器和通信接口；其中，
所述处理器、存储器和通信接口相互间进行通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以执行所述的方法。
按照本发明的第四方面，提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行所述的方法。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
1.本发明的方位估计方法，通过一种对实时采集的阵列数据，动态实时估计出阵列的背景噪声，然后在声纳进行方位估计前，减去所估计的各个传感器非均匀噪声，以提高声纳方位估计精度，获取的目标方位误差小、精度高，更贴近于真实值，大大增加了声呐探测的准确性。
2.本发明的方位估计方法，校正方便快捷，并且可用于圆环阵、十字阵、球阵、面阵多种不同的阵列，适用性更强。
附图说明
图1为本发明基于阵列背景噪声统计协方差估计的方位估计方法流程图；
图2为本发明的方位估计算法与经典算法SpSF的对比图
图3为本发明的RMSE随信噪比变化图；
图4为本发明的方位估计成功率随信噪比变化图；
图5为本发明的算法估计值与真实值之间的对比图；
图6为本发明的真实阵列的背景噪声估计图；
图7为本发明的水池实验所提算法真实目标方位估计与经典方法对比。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示，本发明提供一种基于阵列背景噪声统计协方差估计的方位估计方法，包括以下步骤：
S100获取实时的阵列接收数据；
S200估计阵列的统计样本协方差矩阵；
S300基于统计样本协方差矩阵，估计非均匀的阵列背景噪声；
S400构造稀疏约束优化算法，求解目标方位。
具体而言，所述S100中获取实时的阵列接收数据包括：
对于直线阵假设有
Figure 256867DEST_PATH_IMAGE023
个信源从远场入射，其实时接收到的时域信号为：
Figure 66691DEST_PATH_IMAGE024
，
Figure 122372DEST_PATH_IMAGE025
（1）
其中，
Figure 611122DEST_PATH_IMAGE016
为阵列流形所包含的角度向量；
Figure 695271DEST_PATH_IMAGE040
是阵列流形矩 阵，
Figure 15394DEST_PATH_IMAGE027
是阵列流形，
Figure 851763DEST_PATH_IMAGE028
为相位差，j为虚数单位，
Figure 562230DEST_PATH_IMAGE029
表示向 量转置，
Figure 899671DEST_PATH_IMAGE004
是阵元个数，在
Figure 277562DEST_PATH_IMAGE030
中
Figure 19253DEST_PATH_IMAGE031
；
Figure 544913DEST_PATH_IMAGE032
是
Figure 30252DEST_PATH_IMAGE033
个源信号；
Figure 262650DEST_PATH_IMAGE034
是阵列接收到的噪声信号；
Figure 565455DEST_PATH_IMAGE035
为时间点数。
具体而言，所述S200中估计阵列的统计样本协方差矩阵包括：
获取统计样本协方差矩阵：
Figure 188198DEST_PATH_IMAGE036
（2）
其中
Figure 805124DEST_PATH_IMAGE037
为阵列接收到的时域信号；
Figure 954345DEST_PATH_IMAGE038
为
Figure 303418DEST_PATH_IMAGE037
的转置；
Figure 475774DEST_PATH_IMAGE039
表示为向量的共轭 转置；
Figure 693128DEST_PATH_IMAGE035
为时域点数；
对于经典的方位估计算法都需要首先估计阵列的协方差矩阵，但在实际应用的过程中，都采用统计样本协方差矩阵来代替样本协方差矩阵。
具体而言，所述S300中基于统计样本协方差矩阵，估计非均匀的阵列背景噪声包括：
S301通过统计样本协方差矩阵，估计非均匀的阵列背景噪声对角矩阵：
Figure 572223DEST_PATH_IMAGE001
其中
Figure 154514DEST_PATH_IMAGE002
为对角矩阵，即需要优化求解的非均匀背景噪 声对角阵，
Figure 610903DEST_PATH_IMAGE003
；
Figure 507315DEST_PATH_IMAGE004
是阵元个数;
Figure 568812DEST_PATH_IMAGE005
为不同阵元的背景噪声功率；
Figure 384321DEST_PATH_IMAGE006
为单位矩阵；
Figure 466022DEST_PATH_IMAGE007
为统计样本协方差矩阵；
Figure 962862DEST_PATH_IMAGE008
为权值系数；
S302通过凸优化求解算法求解得出
Figure 675603DEST_PATH_IMAGE009
，获得各通道背景噪声相同的阵列协方差 矩阵：
Figure 802959DEST_PATH_IMAGE010
其中，
Figure 233941DEST_PATH_IMAGE041
为统计样本协方差矩阵；
Figure 534472DEST_PATH_IMAGE009
为凸优化求解算法得到的非均匀背景噪声 对角阵；
S303对
Figure 242665DEST_PATH_IMAGE012
以及阵列流形矩阵
Figure 399977DEST_PATH_IMAGE013
向量化。
具体而言，所述向量化为把矩阵的所有列拉直，依次排列构成列向量。
具体而言，所述构造稀疏约束优化算法，求解目标方位包括：
估计所得目标方位在向量
Figure 521517DEST_PATH_IMAGE014
中：
Figure 297843DEST_PATH_IMAGE015
其中，
Figure 985176DEST_PATH_IMAGE016
为阵列流形所包含的角度向量；
Figure 516652DEST_PATH_IMAGE017
表示阵列流行的向量化；
Figure 797591DEST_PATH_IMAGE018
为统计样 本协方差矩阵；
Figure 502242DEST_PATH_IMAGE019
为对角矩阵，即需要优化求解的非均匀背景噪声对角阵；
Figure 247344DEST_PATH_IMAGE020
为向量化 的阵列流形矩阵；
Figure 887404DEST_PATH_IMAGE021
为要估计的空间谱；
Figure 514695DEST_PATH_IMAGE022
为加权系数；
将目标方位显示即得目标方位估计图。
文中采用直线阵进行算法的说明，本发明的方法也适用于圆环阵、十字阵、球阵、 面阵等其它阵型，此处以直线阵为例进行介绍，对于圆环阵、十字阵、球阵与面阵只需要将 阵列流行
Figure 695140DEST_PATH_IMAGE027
中的相位差
Figure 232432DEST_PATH_IMAGE042
分别按照圆环阵、十 字阵、球阵与面阵阵元间的相对位置及几何关系得出即可，其它计算公式不需要更改。
本发明通过一种对实时采集的阵列数据，动态实时估计出阵列的背景噪声，然后在声纳进行方位估计前，减去所估计的各个传感器非均匀噪声，以提高声纳方位估计精度，获取的目标方位误差小、精度高，更贴近于真实值，大大增加了声呐探测的准确性；本发明的方法校正方便快捷，并且可用于圆环阵、十字阵、球阵、面阵多种不同的阵列，适用性更强。
为评估本发明算法的性能，本申请进行仿真模拟对本发明的算法与经典算法进行比较。
实施例1：
仿真验证：在仿真中，假设直线阵有12个水听器组成，以半间距布阵，三个目标的 方位分别为：-8°,0°和 8°，阵列多个水听器的非均匀噪声假设为：
Figure 168027DEST_PATH_IMAGE043
。仿真信噪比设为0dB。并将算法与国内外公认的经 典稀疏重构方位估计算法SpSF（Sparse spectrum fitting）进行对比。仿真中进行了200次 蒙特卡洛实验，方位估计性能通过方位角均方根误差（RMSE）与估计成功概率进行评价。
Figure 485876DEST_PATH_IMAGE044
（5）
其中
Figure 142116DEST_PATH_IMAGE045
为信源个数，
Figure 924127DEST_PATH_IMAGE046
为蒙特卡洛实验次数，
Figure 655059DEST_PATH_IMAGE047
为蒙特卡洛实验变量，
Figure 460204DEST_PATH_IMAGE048
为信号 计算变量，
Figure 185714DEST_PATH_IMAGE049
为本发明算法所估计的方位，
Figure 759915DEST_PATH_IMAGE050
为真实方位角。
如图2 所示，本发明所提出算法所估计的方位主瓣窄且旁瓣低于经典算法SpSF。
如图3和图4所示，本发明的仿真中还将信噪比从-12dB到12dB,以2dB为步长，将本发明所提算法在性能上与经典方法SpSF进行了对比，得到结果。由图3及图4可知，本发明所提算法在方位估计的误差及成功率上优于经典算法，且远高于克拉美罗下限（CRB）。
在信噪比为-8dB情况下，通过500次蒙特卡洛实验平均估计所得非均匀背景噪声本发明算法估计值与真实值之间的对比如图5所示，由图5可看出本申请的真实值与估值误差很小。
实施例2：
水池实验验证：在国内某水池长20米，宽8米，深7米，采用10个阵元构成的垂直阵来验证所提算法。第一个阵元距离水池水面0.7米，垂直阵最下端挂足够重重物，保证线阵在水里垂直，在计算远场条件向发射3kHz的CW脉冲信号，1s的脉宽里，脉冲宽度为400ms。
所估计的阵列多个水听器的背景噪声如图6所示，去掉背景噪声根据所提算法的方位估计与SpSF算法对比的结果如图7所示。
通过对比可以发现，所提算法确实可以估计出阵列多传感器的背景噪声，且通过本发明所提算法可以显著降低方位估计旁瓣，提高方位估计精度。
本发明各个实施例的实现基础是通过具有中央处理器功能的设备进行程序化的处理实现的。因此在工程实际中，可以将本发明各个实施例的技术方案及其功能封装成各种模块。基于这种现实情况，在上述各实施例的基础上，本发明的实施例提供了一种基于阵列背景噪声统计协方差估计的方位估计系统，用于执行上述方法中的基于阵列背景噪声统计协方差估计的方位估计方法。包括：
数据采集模块，用于获取实时的阵列接收数据；
统计样本协方差矩阵确定模块，用于估计阵列的统计样本协方差矩阵；
背景噪声确定模块，用于基于统计样本协方差矩阵，估计非均匀的阵列背景噪声；
方位求解模块，用于构造稀疏约束优化算法，求解目标方位。
需要说明的是，本发明提供的装置实施例中的装置，除了可以用于实现上述方法实施例中的方法外，还可以用于实现本发明提供的其他方法实施例中的方法，区别仅仅在于设置相应的功能模块，其原理与本发明提供的上述装置实施例的原理基本相同，只要本领域技术人员在上述装置实施例的基础上，参考其他方法实施例中的具体技术方案，通过组合技术特征获得相应的技术手段，以及由这些技术手段构成的技术方案，在保证技术方案具备实用性的前提下，就可以对上述装置实施例中的装置进行改进，从而得到相应的装置类实施例，用于实现其他方法类实施例中的方法。
本发明实施例的方法是依托电子设备实现的，因此对相关的电子设备有必要做一下介绍。基于此目的，本发明的实施例提供了一种电子设备，如图3所示，该电子设备包括：至少一个中央处理器(Central processor)、通信接口(Communications Interface)、至少一个存储器(Memory)和通信总线，其中，至少一个中央处理器，通信接口，至少一个存储器通过通信总线完成相互间的通信。至少一个中央处理器可以调用至少一个存储器中的逻辑指令，以执行前述各个方法实施例提供的方法的全部或部分步骤。
此外，上述的至少一个存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个方法实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件实现。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。基于这种认识，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
在本申请中，术语“包括”、“包含”或者其任何其它变体意在涵盖非排它性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于阵列背景噪声统计协方差估计的方位估计方法，其特征在于，包括以下步骤：
S100获取实时的阵列接收数据：基于阵列类型、阵列流形所包含的角度向量和时间，得到实时接收到的时域信号，所述阵列类型包括：直线阵、圆环阵、十字阵、球阵和面阵；
S200估计阵列的统计样本协方差矩阵：基于实时接收到的时域信号、实时接收到的时域信号的共轭转置和时域点数，获得阵列的统计样本协方差矩阵；
S300基于统计样本协方差矩阵，估计非均匀的阵列背景噪声；
S400构造稀疏约束优化算法，求解目标方位；
所述S300中基于统计样本协方差矩阵，估计非均匀的阵列背景噪声包括：
S301通过统计样本协方差矩阵，估计非均匀的阵列背景噪声对角矩阵：
Figure 910146DEST_PATH_IMAGE001
其中
Figure 609112DEST_PATH_IMAGE002
为对角矩阵，即需要优化求解的非均匀背景噪声对 角阵，
Figure 200630DEST_PATH_IMAGE003
；
Figure 426075DEST_PATH_IMAGE004
是阵元个数;
Figure 749740DEST_PATH_IMAGE005
为不同阵元的背景噪声功率；
Figure 529477DEST_PATH_IMAGE006
为单 位矩阵；
Figure 455845DEST_PATH_IMAGE007
为统计样本协方差矩阵；
Figure 676742DEST_PATH_IMAGE008
为权值系数；
S302通过凸优化求解算法求解得出
Figure 295942DEST_PATH_IMAGE009
，获得各通道背景噪声相同的阵列协方差矩阵：
Figure 297396DEST_PATH_IMAGE010
其中，
Figure 902821DEST_PATH_IMAGE011
为统计样本协方差矩阵；
Figure 306121DEST_PATH_IMAGE009
为凸优化求解算法得到的非均匀背景噪声对角 阵；
S303对
Figure 96222DEST_PATH_IMAGE012
以及阵列流形矩阵
Figure 982708DEST_PATH_IMAGE013
向量化，向量化具体为：把矩阵的所有列拉直，依次 排列构成列向量；
所述S400中构造稀疏约束优化算法，求解目标方位具体为：
估计所得目标方位在向量
Figure 782037DEST_PATH_IMAGE014
中：
Figure 39843DEST_PATH_IMAGE015
其中，
Figure 610632DEST_PATH_IMAGE016
为阵列流形所包含的角度向量；
Figure 648995DEST_PATH_IMAGE017
表示阵列流行的向量化；
Figure 924119DEST_PATH_IMAGE018
为统计样本协 方差矩阵；
Figure 708535DEST_PATH_IMAGE019
为对角矩阵，即需要优化求解的非均匀背景噪声对角阵；
Figure 106019DEST_PATH_IMAGE020
为向量化的阵 列流形矩阵；
Figure 975886DEST_PATH_IMAGE021
为要估计的空间谱；
Figure 54700DEST_PATH_IMAGE022
为加权系数；
将目标方位显示即得目标方位估计图。
2.根据权利要求1所述的一种基于阵列背景噪声统计协方差估计的方位估计方法，其特征在于，所述S100中获取实时的阵列接收数据包括：
对于直线阵假设有
Figure 349415DEST_PATH_IMAGE023
个信源从远场入射，其实时接收到的时域信号为：
Figure 262008DEST_PATH_IMAGE024
，
Figure 212646DEST_PATH_IMAGE025
其中，
Figure 626310DEST_PATH_IMAGE016
为阵列流形所包含的角度向量；
Figure 650898DEST_PATH_IMAGE026
是阵列流形矩阵，
Figure 62287DEST_PATH_IMAGE027
是阵列流形，
Figure 31380DEST_PATH_IMAGE028
为相位差，j为虚数单位，
Figure 389681DEST_PATH_IMAGE029
表示向量转 置，
Figure 331092DEST_PATH_IMAGE004
是阵元个数，在
Figure 975700DEST_PATH_IMAGE030
中
Figure 573034DEST_PATH_IMAGE031
；
Figure 531763DEST_PATH_IMAGE032
是
Figure 389998DEST_PATH_IMAGE033
个源信号；
Figure 343523DEST_PATH_IMAGE034
是 阵列接收到的噪声信号；
Figure 21629DEST_PATH_IMAGE035
为时间点数。
3.根据权利要求2所述的一种基于阵列背景噪声统计协方差估计的方位估计方法，其特征在于，所述S100中获取实时的阵列接收数据还包括：
对于圆环阵、十字阵、球阵与面阵，分别按照圆环阵、十字阵、球阵与面阵阵元间的相对位置及几何关系得出阵列流行中的相位差，即可得到圆环阵、十字阵、球阵与面阵的实时的阵列接收数据。
4.根据权利要求1所述的一种基于阵列背景噪声统计协方差估计的方位估计方法，其特征在于，所述S200中估计阵列的统计样本协方差矩阵包括：
获取统计样本协方差矩阵：
Figure 784048DEST_PATH_IMAGE036
其中
Figure 637735DEST_PATH_IMAGE037
为阵列接收到的时域信号；
Figure 624145DEST_PATH_IMAGE038
为
Figure 258389DEST_PATH_IMAGE037
的转置，
Figure 496603DEST_PATH_IMAGE039
表示为向量的共轭转置；
Figure 267113DEST_PATH_IMAGE035
为时域点数。
5.一种基于阵列背景噪声统计协方差估计的方位估计系统，其特征在于，包括：
数据采集模块，用于获取实时的阵列接收数据基于阵列类型、阵列流形所包含的角度向量和时间，得到实时接收到的时域信号；
统计样本协方差矩阵确定模块，用于估计阵列的统计样本协方差矩阵：基于实时接收到的时域信号、实时接收到的时域信号的共轭转置和时域点数，获得阵列的统计样本协方差矩阵；
背景噪声确定模块，用于基于统计样本协方差矩阵，估计非均匀的阵列背景噪声；所述基于统计样本协方差矩阵，估计非均匀的阵列背景噪声包括：
S301通过统计样本协方差矩阵，估计非均匀的阵列背景噪声对角矩阵：
Figure 424425DEST_PATH_IMAGE001
其中
Figure 218069DEST_PATH_IMAGE002
为对角矩阵，即需要优化求解的非均匀背景噪声对 角阵，
Figure 119029DEST_PATH_IMAGE003
；
Figure 9624DEST_PATH_IMAGE004
是阵元个数;
Figure 213204DEST_PATH_IMAGE005
为不同阵元的背景噪声功率；
Figure 618777DEST_PATH_IMAGE006
为单 位矩阵；
Figure 261111DEST_PATH_IMAGE007
为统计样本协方差矩阵；
Figure 678317DEST_PATH_IMAGE008
为权值系数；
S302通过凸优化求解算法求解得出
Figure 443011DEST_PATH_IMAGE009
，获得各通道背景噪声相同的阵列协方差矩阵：
Figure 273564DEST_PATH_IMAGE010
其中，
Figure 391692DEST_PATH_IMAGE011
为统计样本协方差矩阵；
Figure 319197DEST_PATH_IMAGE009
为凸优化求解算法得到的非均匀背景噪声对角 阵；
S303对
Figure 864579DEST_PATH_IMAGE012
以及阵列流形矩阵
Figure 916849DEST_PATH_IMAGE013
向量化，向量化具体为：把矩阵的所有列拉直，依次 排列构成列向量；
方位求解模块，用于构造稀疏约束优化算法，求解目标方位；所述构造稀疏约束优化算法，求解目标方位具体为：
估计所得目标方位在向量
Figure 228881DEST_PATH_IMAGE014
中：
Figure 623609DEST_PATH_IMAGE015
其中，
Figure 667789DEST_PATH_IMAGE016
为阵列流形所包含的角度向量；
Figure 4092DEST_PATH_IMAGE017
表示阵列流行的向量化；
Figure 729603DEST_PATH_IMAGE018
为统计样本协 方差矩阵；
Figure 303803DEST_PATH_IMAGE019
为对角矩阵，即需要优化求解的非均匀背景噪声对角阵；
Figure 315622DEST_PATH_IMAGE020
为向量化的阵 列流形矩阵；
Figure 545746DEST_PATH_IMAGE021
为要估计的空间谱；
Figure 871685DEST_PATH_IMAGE022
为加权系数；
将目标方位显示即得目标方位估计图。
6.一种电子设备，其特征在于，包括：
至少一个处理器、至少一个存储器和通信接口；其中，
所述处理器、存储器和通信接口相互间进行通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以执行权利要求1至4任一项权利要求所述的方法。
7.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行权利要求1至4中任一项权利要求所述的方法。
CN202210904445.7A 2022-07-29 2022-07-29 基于阵列背景噪声统计协方差估计的方位估计方法及系统 Active CN114966640B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210904445.7A CN114966640B (zh) 2022-07-29 2022-07-29 基于阵列背景噪声统计协方差估计的方位估计方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210904445.7A CN114966640B (zh) 2022-07-29 2022-07-29 基于阵列背景噪声统计协方差估计的方位估计方法及系统

Publications (2)

Publication Number Publication Date
CN114966640A CN114966640A (zh) 2022-08-30
CN114966640B true CN114966640B (zh) 2022-12-09

Family

ID=82968807

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210904445.7A Active CN114966640B (zh) 2022-07-29 2022-07-29 基于阵列背景噪声统计协方差估计的方位估计方法及系统

Country Status (1)

Country Link
CN (1) CN114966640B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103954950A (zh) * 2014-04-25 2014-07-30 西安电子科技大学 一种基于样本协方差矩阵稀疏性的波达方向估计方法
CN107544052A (zh) * 2017-08-07 2018-01-05 大连大学 一种基于矩阵补全的二阶统计量重构doa估计方法
CN108680891A (zh) * 2018-01-05 2018-10-19 大连大学 非均匀噪声条件下考虑互耦效应的doa估计方法
CN111273237A (zh) * 2019-05-29 2020-06-12 哈尔滨工程大学 基于空域矩阵滤波和干扰对消的强干扰抑制方法
CN114047499A (zh) * 2022-01-12 2022-02-15 宁波博海深衡科技有限公司武汉分公司 传感器阵列信号幅度不一致时的信号归一化方法及设备
CN114755628A (zh) * 2022-04-06 2022-07-15 河南理工大学 非均匀噪声下声矢量传感器阵列波达方向估计方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102568493B (zh) * 2012-02-24 2013-09-04 大连理工大学 一种基于最大矩阵对角率的欠定盲分离方法
WO2014066360A1 (en) * 2012-10-22 2014-05-01 Saab-Sensis Corporation Sensor system and method for determining target location using sparsity-based processing
CN104950305B (zh) * 2015-06-17 2017-07-14 电子科技大学 一种基于稀疏约束的实波束扫描雷达角超分辨成像方法
CN106324569B (zh) * 2016-09-09 2019-01-01 深圳大学 一种阵列误差下的稀疏恢复stap方法及其系统
CN108872946B (zh) * 2018-04-20 2021-12-17 西安电子科技大学 导向矢量和协方差矩阵联合迭代的稳健波束形成方法
EP3958476A3 (en) * 2020-08-21 2022-03-02 Nokia Technologies Oy Regularization of covariance matrix and eigenvalue decomposition in a mimo system

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103954950A (zh) * 2014-04-25 2014-07-30 西安电子科技大学 一种基于样本协方差矩阵稀疏性的波达方向估计方法
CN107544052A (zh) * 2017-08-07 2018-01-05 大连大学 一种基于矩阵补全的二阶统计量重构doa估计方法
CN108680891A (zh) * 2018-01-05 2018-10-19 大连大学 非均匀噪声条件下考虑互耦效应的doa估计方法
CN111273237A (zh) * 2019-05-29 2020-06-12 哈尔滨工程大学 基于空域矩阵滤波和干扰对消的强干扰抑制方法
CN114047499A (zh) * 2022-01-12 2022-02-15 宁波博海深衡科技有限公司武汉分公司 传感器阵列信号幅度不一致时的信号归一化方法及设备
CN114755628A (zh) * 2022-04-06 2022-07-15 河南理工大学 非均匀噪声下声矢量传感器阵列波达方向估计方法

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
New Approaches to Direction-of-Arrival Estimation;Bin Liao et al.;《IEEE SENSORS JOURNAL》;20161025;第16卷(第24期);全文 *
Robust Adaptive Beamforming Using Support Vector Machines;Tuo Guo;《IEEE Access 》;20200717;第8卷;全文 *
Underdetermined DOA estimation for moving array with reduced mutual coupling in unknown nonuniform noise environment;Yunlong Yang;《International Journal of Electronics and Communications》;20220123;全文 *
Underdetermined DOA Estimation via Covariance;Guojun Jiang et al.;《IEEE SIGNAL PROCESSING LETTERS》;20201002;第27卷;正文第I-V小节，附图1-3 *
利用阵列协方差矩阵稀疏性的到达角估计方法;邱伟;《国防科技大学学报》;20201031;第42卷(第5期);全文 *
基于样本协方差矩阵谱分离特性的波达方向估计方法;郭拓等;《振动与冲击》;20181231;第37卷(第12期);全文 *
空间非平稳噪声环境下的DOA估计新算法;吴云韬等;《西安电子科技大学学报（自然科学版）》;20030228;第30卷(第1期);正文第1-5小节，附图1-3 *
阵元非均匀高斯白噪声背景下的近场声源定位研究;刘先省等;《河南大学学报(自然科学版)》;20120930(第05期);全文 *
非均匀噪声背景下信源数估计算法;陈明建等;《信号处理》;20180228(第02期);全文 *

Also Published As

Publication number Publication date
CN114966640A (zh) 2022-08-30

Similar Documents

Publication Publication Date Title
CN109283536B (zh) 一种多波束测深声呐水体成像波束形成方法
CN104569948B (zh) 海杂波背景下子带自适应glrt‑ltd检测方法
Fawcett Effect of course maneuvers on bearings-only range estimation
CN111965632B (zh) 一种基于黎曼流形降维的雷达目标检测方法
CN106872958B (zh) 基于线性融合的雷达目标自适应检测方法
CN113050075B (zh) 一种基于扩散映射的水下声源匹配场定位方法
CN107390194B (zh) 一种基于全布雷格曼散度的雷达目标检测方法
CN106338713B (zh) 一种基于波束零陷权的矢量阵目标左右舷分辨方法
CN112612006B (zh) 基于深度学习的机载雷达非均匀杂波抑制方法
CN113064147B (zh) 一种低信噪比下新型匹配场被动定位方法
CN111025273B (zh) 一种畸变拖曳阵线谱特征增强方法及系统
CN110687528B (zh) 自适应波束形成器生成方法及系统
CN103487811A (zh) 不确定海洋环境中的模态子空间重构稳健目标定位方法
CN112285647B (zh) 一种基于稀疏表示与重构的信号方位高分辨估计方法
CN110888105A (zh) 一种基于卷积神经网络和接收信号强度的doa估计方法
CN113671473B (zh) 基于环境约束和黎曼距离的联合匹配场定位方法及系统
CN114966640B (zh) 基于阵列背景噪声统计协方差估计的方位估计方法及系统
CN117010132B (zh) 一种水下多基地声纳系统的空间阵位优化方法及系统
CN113534077A (zh) 一种雷达辐射源威力反演方法、装置及电子设备
CN117233737A (zh) 主动目标深度估计方法、装置、计算机设备和存储介质
CN109061594B (zh) 一种强杂波环境下基于子阵空时自适应处理的测角方法
CN116203522A (zh) 一种复杂电磁环境下四通道雷达单脉冲测角方法与系统
CN113687321B (zh) 雷达目标探测距离评估方法和装置
CN111722178B (zh) 一种基于指向性模型数值求解的远场窄带信号来波方向估计方法
CN114564816A (zh) 目标空间位置参数估计方法及装置

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