CN115792795B - 基于稀疏贝叶斯学习和频带聚类的宽带信号doa估计方法 - Google Patents

基于稀疏贝叶斯学习和频带聚类的宽带信号doa估计方法 Download PDF

Info

Publication number
CN115792795B
CN115792795B CN202310103564.7A CN202310103564A CN115792795B CN 115792795 B CN115792795 B CN 115792795B CN 202310103564 A CN202310103564 A CN 202310103564A CN 115792795 B CN115792795 B CN 115792795B
Authority
CN
China
Prior art keywords
sub
precision
bands
signal
vector
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
CN202310103564.7A
Other languages
English (en)
Other versions
CN115792795A (zh
Inventor
徐立军
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202310103564.7A priority Critical patent/CN115792795B/zh
Publication of CN115792795A publication Critical patent/CN115792795A/zh
Application granted granted Critical
Publication of CN115792795B publication Critical patent/CN115792795B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明提出一种基于稀疏贝叶斯学习和频带聚类的宽带信号DOA估计方法，包括，将阵列接收信号位于的频带分割为多个子带，使用稀疏贝叶斯学习SBL方法得到每一个子带上的精度向量估计值；对精度向量估计值进行预处理，得到所有子带的精度向量，使用聚类算法对精度向量进行处理，将相似精度向量的子带聚集成多个簇；使用SBL框架联合分析每个簇中的所有子带，得到每一个簇中包含信号的波达方向角DOA估计值。通过本发明提出的方法，利用信号在空域中的稀疏性进行稀疏重构，恢复出真实信号在空域中的分布，进而得到宽带信号的DOA。

Description

基于稀疏贝叶斯学习和频带聚类的宽带信号DOA估计方法
技术领域
本发明属于信号处理领域。
背景技术
我国的领海广阔、海洋资源丰富，但是辽阔的领海带来了诸多军事上的威胁，其中非合作水下目标的入侵是最主要的威胁。因此，设计应用于水下场景的新型目标探测技术，是我国亟需的高新技术之一。
波达方向角（Direction ofArrival, DOA）估计是目标探测领域的一个关键技术，其估计精确度直接决定了后续算法的性能。传统的DOA估计方法是针对窄带信号。随着信号处理技术的快速发展，宽带信号因为具备较高的距离分辨率和抗干扰性能，被广泛应用于雷达、声纳以及通信等领域。目前针对宽带信号的波达方向角估计主要有基于子空间的DOA估计方法和基于稀疏表示的DOA估计方法。
子空间类方法中具有代表性的算法是相干信号子空间方法（Coherent SignalSubspace Method, CSM），它通过将频带内不同频点处信号空间聚焦到参考频率点，聚焦后得到单一频率点的数据协方差矩阵，再使用窄带子空间类DOA估计方法，比如多信号分类（Multiple SignalClassification, Music）算法，进行处理。该方法的算法复杂度较低、易于实现并且能够对相干信号进行DOA估计任务，但是在应用中具有以下的缺点：
1）CSM类算法的DOA估计精度取决于聚焦过程的性能；
2）CSM类算法需要大量的快拍数才能进行精准的DOA估计，这种理想条件在实际应用场景中较难满足；
3）CSM类算法需要目标个数的先验信息。
稀疏表示类方法缓解了上述问题，其利用信号的空间稀疏特性来实现DOA估计任务，其中具有代表性的一类算法是基于稀疏贝叶斯框架的DOA估计方法。稀疏贝叶斯框架从贝叶斯理论的角度对宽带信号进行建模，利用信号在空域中的稀疏性进行稀疏重构，恢复出真实信号在空域中的分布，进而得到宽带信号的DOA。在宽带信号DOA估计问题中，大多数已发表的成果假设所有的宽带信号共享同一个频带。
然而在实际应用中，宽带信号在频带上的占用情况是非常复杂的，入射信号的频带占用情况共有三种：无共享频带、部分共享频带以及完全共享频带。因此当入射信号为无共享频带或者部分共享频带的时候，对每一个单独的宽带信号，在其入射角度的方向上一定存在一段频带仅存在噪声。倘若忽略这种现象，将这一段频带纳入算法的处理中，通常会得到一个较差的DOA估计结果。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的目的在于提出一种基于稀疏贝叶斯学习和频带聚类的宽带信号DOA估计方法，用于估计宽带信号位于的真实频带以及波达方向角。
为达上述目的，本发明第一方面实施例提出了一种基于稀疏贝叶斯学习和频带聚类的宽带信号DOA估计方法，包括：
将阵列接收信号位于的频带分割为多个子带，使用稀疏贝叶斯学习SBL方法得到每一个子带上的精度向量估计值；
对所述精度向量估计值进行预处理，得到所有子带的精度向量，使用聚类算法对所述精度向量进行处理，将相似精度向量的子带聚集成多个簇；
使用SBL框架联合分析每个簇中的所有子带，得到每一个簇中包含信号的波达方向角DOA估计值。
另外，根据本发明上述实施例的一种基于稀疏贝叶斯学习和频带聚类的宽带信号DOA估计方法还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，所述使用稀疏贝叶斯学习SBL方法得到每一个子带上的精度向量估计值，包括：
定义第
Figure SMS_1
个子带包含/>
Figure SMS_2
个频率点，每一个频率点有/>
Figure SMS_3
个快拍的数据，一维均匀线阵包含/>
Figure SMS_4
个阵元，在一次迭代中，首先计算分别计算后验概率的协方差矩阵和均值：
Figure SMS_5
，
Figure SMS_6
，
其中，
Figure SMS_9
，/>
Figure SMS_10
，/>
Figure SMS_13
为离格阵列接收信号模型的等效阵列流型矩阵，/>
Figure SMS_8
为离格偏差向量/>
Figure SMS_11
的对角化矩阵形式，子带/>
Figure SMS_12
的精度向量
Figure SMS_14
中的第/>
Figure SMS_7
个元素的估计更新值如下：
Figure SMS_15
，
Figure SMS_16
，
其中，
Figure SMS_17
为矩阵/>
Figure SMS_18
的第/>
Figure SMS_19
行向量；
通过对每个子带执行步骤1）-5），得到每一个子带的精度向量估计值：
1）对于子带
Figure SMS_20
，初始化/>
Figure SMS_21
，/>
Figure SMS_22
，/>
Figure SMS_23
，/>
Figure SMS_24
和/>
Figure SMS_25
；
2）使用公式(1)、公式(2)更新
Figure SMS_26
和/>
Figure SMS_27
；
3）使用公式(3)逐个元素更新
Figure SMS_28
；
4）使用公式(4)更新
Figure SMS_29
；
5）当
Figure SMS_30
或者迭代次数大于预设的最大迭代次数/>
Figure SMS_31
时，退出循环，否则循环执行步骤 2) -4)，/>
Figure SMS_32
为上一轮迭代的精度向量的估计值。
进一步地，在本发明的一个实施例中，所述对所述精度向量估计值进行预处理，得到所有子带的精度向量，包括：
通过检测模型滤除在整个空域均不存在信号的频带；所述检测模型如下：
Figure SMS_33
，
其中，
Figure SMS_34
和/>
Figure SMS_35
分别代表子带/>
Figure SMS_36
中不存在信号和存在信号的情况，
Figure SMS_37
为检测阈值，/>
Figure SMS_38
；
使用softmax函数将
Figure SMS_39
转换为概率分布：
Figure SMS_40
其中，
Figure SMS_41
为概率分布向量/>
Figure SMS_42
的第/>
Figure SMS_43
个元素。
进一步地，在本发明的一个实施例中，在使用softmax函数将
Figure SMS_44
转换为概率分布之前，还包括：
对精度向量估计值
Figure SMS_45
进行归一化处理。
进一步地，在本发明的一个实施例中，所述使用聚类算法对所述精度向量进行处理，将相似精度向量的子带聚集在一起，形成多个簇，包括：
通过聚类将所有子带的精度向量集合
Figure SMS_46
分为多个具有相似信号分布的簇。
进一步地，在本发明的一个实施例中，所述使用SBL框架联合分析每个簇中的所有子带，得到每一个簇中包含信号的波达方向角DOA估计值，包括：
定义子集
Figure SMS_47
对应于第/>
Figure SMS_48
个簇，集合/>
Figure SMS_49
用于表示第/>
Figure SMS_50
个簇中包含的数据，其中/>
Figure SMS_51
；
集合
Figure SMS_52
拥有/>
Figure SMS_53
个频率点，则每一次迭代中的参数更新如下：
Figure SMS_54
，
Figure SMS_55
Figure SMS_56
Figure SMS_57
Figure SMS_58
Figure SMS_59
Figure SMS_60
/>
其中，
Figure SMS_61
，/>
Figure SMS_62
；
执行以下步骤：
1）对于集合
Figure SMS_63
，初始化/>
Figure SMS_64
，/>
Figure SMS_65
，/>
Figure SMS_66
，/>
Figure SMS_67
和/>
Figure SMS_68
；
2）使用公式(8)-(9)更新
Figure SMS_69
和/>
Figure SMS_70
；
3）使用公式(10)逐个元素更新
Figure SMS_71
；
4）使用公式(11)更新
Figure SMS_72
；
5）使用公式(12)-(14)更新
Figure SMS_73
；
6）当
Figure SMS_74
或者迭代次数大于预设的最大迭代次数/>
Figure SMS_75
时，退出循环，否则循环执行步骤 2) -5)；/>
Figure SMS_76
为上一轮迭代的精度向量的估计值；
最后在每一个子集中检测
Figure SMS_77
的峰值，每一个峰值均代表一个入射信号；定义与之关联的网格点的编号为/>
Figure SMS_78
、该网格点代表的角度为/>
Figure SMS_79
，则第/>
Figure SMS_80
个信号的DOA估计值为
Figure SMS_81
。
为达上述目的，本发明第二方面实施例提出了一种基于稀疏贝叶斯学习和频带聚类的宽带信号DOA估计装置，包括以下模块：
第一估计模块，用于将阵列接收信号位于的频带分割为多个子带，使用稀疏贝叶斯学习SBL方法得到每一个子带上的精度向量估计值；
聚类模块，用于对所述精度向量估计值进行预处理，得到所有子带的精度向量，使用聚类算法对所述精度向量进行处理，将相似精度向量的子带聚集成多个簇；
第二估计模块，用于使用SBL框架联合分析每个簇中的所有子带，得到每一个簇中包含信号的波达方向角DOA估计值。
为达上述目的，本发明第三方面实施例提出了一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上所述的一种基于稀疏贝叶斯学习和频带聚类的宽带信号DOA估计方法。
为达上述目的，本发明第四方面实施例提出了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述的一种基于稀疏贝叶斯学习和频带聚类的宽带信号DOA估计方法。
本发明实施例提出的基于稀疏贝叶斯学习和频带聚类的宽带信号DOA估计方法，首先将阵列接收信号位于的频带分割为多个子带，使用稀疏贝叶斯学习（Sparse BayesianLearning, SBL）方法来估计每一个子带上的精度向量，精度向量可以粗略的指示信号在每一个子带上的DOA估计值；频带聚类方法将具有相似精度向量的子带聚集在一起，每一个类别对应一种信号频带占用模式；最后，使用SBL框架联合分析每一个类别中的所有子带，得到入射信号的精确DOA估计值。
与传统的基于稀疏贝叶斯学习的DOA估计方法相比，本发明充分考虑了宽带信号在整个频带上的占用模式，可以联合估计宽带信号位于的真实频带以及波达方向角，具有较好的自适应能力，具有较强的应用价值。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明实施例所提供的一种基于稀疏贝叶斯学习和频带聚类的宽带信号DOA估计方法的流程示意图。
图2为本发明实施例所提供的一种基于稀疏贝叶斯学习和频带聚类的宽带信号DOA估计装置的流程示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的基于稀疏贝叶斯学习和频带聚类的宽带信号DOA估计方法。
图1为本发明实施例所提供的一种基于稀疏贝叶斯学习和频带聚类的宽带信号DOA估计方法的流程示意图。
如图1所示，该基于稀疏贝叶斯学习和频带聚类的宽带信号DOA估计方法包括以下步骤：
S101：将阵列接收信号位于的频带分割为多个子带，使用稀疏贝叶斯学习SBL方法得到每一个子带上的精度向量估计值；
S102：对精度向量估计值进行预处理，得到所有子带的精度向量，使用聚类算法对精度向量进行处理，将相似精度向量的子带聚集成多个簇；
S103：使用SBL框架联合分析每个簇中的所有子带，得到每一个簇中包含信号的波达方向角DOA估计值。
进一步地，在本发明的一个实施例中，使用稀疏贝叶斯学习SBL方法得到每一个子带上的精度向量估计值，包括：
定义第
Figure SMS_82
个子带包含/>
Figure SMS_83
个频率点，每一个频率点有/>
Figure SMS_84
个快拍的数据，一维均匀线阵包含/>
Figure SMS_85
个阵元，在一次迭代中，首先计算分别计算后验概率的协方差矩阵和均值：
Figure SMS_86
，
Figure SMS_87
，
其中，
Figure SMS_90
，/>
Figure SMS_91
，/>
Figure SMS_93
为离格阵列接收信号模型的等效阵列流型矩阵，/>
Figure SMS_89
为离格偏差向量/>
Figure SMS_92
的对角化矩阵形式，子带/>
Figure SMS_94
的精度向量
Figure SMS_95
中的第/>
Figure SMS_88
个元素的估计更新值如下：/>
Figure SMS_96
，
Figure SMS_97
，
其中，
Figure SMS_98
为矩阵/>
Figure SMS_99
的第/>
Figure SMS_100
行向量；
通过对每个子带执行步骤1）-5），得到每一个子带的精度向量估计值：
1）对于子带
Figure SMS_101
，初始化/>
Figure SMS_102
，/>
Figure SMS_103
，/>
Figure SMS_104
，/>
Figure SMS_105
和/>
Figure SMS_106
；
2）使用公式(1)、公式(2)更新
Figure SMS_107
和/>
Figure SMS_108
；
3）使用公式(3)逐个元素更新
Figure SMS_109
；
4）使用公式(4)更新
Figure SMS_110
；
5）当
Figure SMS_111
或者迭代次数大于预设的最大迭代次数/>
Figure SMS_112
时，退出循环，否则循环执行步骤 2) -4)，/>
Figure SMS_113
为上一轮迭代的精度向量的估计值。
进一步地，在本发明的一个实施例中，对精度向量估计值进行预处理，得到所有子带的精度向量，包括：
通过检测模型滤除在整个空域均不存在信号的频带；检测模型如下：
Figure SMS_114
，
其中，
Figure SMS_115
和/>
Figure SMS_116
分别代表子带/>
Figure SMS_117
中不存在信号和存在信号的情况，
Figure SMS_118
为检测阈值，/>
Figure SMS_119
；
使用softmax函数将
Figure SMS_120
转换为概率分布：
Figure SMS_121
其中，
Figure SMS_122
为概率分布向量/>
Figure SMS_123
的第/>
Figure SMS_124
个元素。
进一步地，在本发明的一个实施例中，在使用softmax函数将
Figure SMS_125
转换为概率分布之前，还包括：
对精度向量估计值
Figure SMS_126
进行归一化处理。
进一步地，在本发明的一个实施例中，使用聚类算法对精度向量进行处理，将相似精度向量的子带聚集在一起，形成多个簇，包括：
通过聚类将所有子带的精度向量集合
Figure SMS_127
分为多个具有相似信号分布的簇。
进一步地，在本发明的一个实施例中，使用SBL框架联合分析每个簇中的所有子带，得到每一个簇中包含信号的波达方向角DOA估计值，包括：
定义子集
Figure SMS_128
对应于第/>
Figure SMS_129
个簇，集合/>
Figure SMS_130
用于表示第/>
Figure SMS_131
个簇中包含的数据，其中/>
Figure SMS_132
；
集合
Figure SMS_133
拥有/>
Figure SMS_134
个频率点，则每一次迭代中的参数更新如下：
Figure SMS_135
，
Figure SMS_136
Figure SMS_137
Figure SMS_138
Figure SMS_139
Figure SMS_140
Figure SMS_141
其中，
Figure SMS_142
，/>
Figure SMS_143
；
执行以下步骤：
1）对于集合
Figure SMS_144
，初始化/>
Figure SMS_145
，/>
Figure SMS_146
，/>
Figure SMS_147
，/>
Figure SMS_148
和/>
Figure SMS_149
；
2）使用公式(8)-(9)更新
Figure SMS_150
和/>
Figure SMS_151
；
3）使用公式(10)逐个元素更新
Figure SMS_152
；
4）使用公式(11)更新
Figure SMS_153
；
5）使用公式(12)-(14)更新
Figure SMS_154
；
6）当
Figure SMS_155
或者迭代次数大于预设的最大迭代次数/>
Figure SMS_156
时，退出循环，否则循环执行步骤 2) -5)；/>
Figure SMS_157
为上一轮迭代的精度向量的估计值；
最后在每一个子集中检测
Figure SMS_158
的峰值，每一个峰值均代表一个入射信号；定义与之关联的网格点的编号为/>
Figure SMS_159
、该网格点代表的角度为/>
Figure SMS_160
，则第/>
Figure SMS_161
个信号的DOA估计值为
Figure SMS_162
。
本发明实施例提出的基于稀疏贝叶斯学习和频带聚类的宽带信号DOA估计方法，首先将阵列接收信号位于的频带分割为多个子带，使用稀疏贝叶斯学习（Sparse BayesianLearning, SBL）方法来估计每一个子带上的精度向量，精度向量可以粗略的指示信号在每一个子带上的DOA估计值；频带聚类方法将具有相似精度向量的子带聚集在一起，每一个类别对应一种信号频带占用模式；最后，使用SBL框架联合分析每一个类别中的所有子带，得到入射信号的精确DOA估计值。
本发明的性能在宽带信号的复杂频带占用情况下优于对比算法，并且在宽带信号完全共享频带的理想条件下，性能逼近于对比算法OW-SBLRVM。与传统的基于稀疏贝叶斯学习的DOA估计方法相比，本发明充分考虑了宽带信号在整个频带上的占用模式，可以联合估计宽带信号位于的真实频带以及波达方向角，具有较好的自适应能力，具有较强的应用价值。
为了实现上述实施例，本发明还提出基于稀疏贝叶斯学习和频带聚类的宽带信号DOA估计装置。
图2为本发明实施例提供的一种基于稀疏贝叶斯学习和频带聚类的宽带信号DOA估计装置的结构示意图。
如图2所示，该基于稀疏贝叶斯学习和频带聚类的宽带信号DOA估计装置包括：第一估计模块100，聚类模块200，第二估计模块300，其中，
第一估计模块，用于将阵列接收信号位于的频带分割为多个子带，使用稀疏贝叶斯学习SBL方法得到每一个子带上的精度向量估计值；
聚类模块，用于对精度向量估计值进行预处理，得到所有子带的精度向量，使用聚类算法对所述精度向量进行处理，将相似精度向量的子带聚集成多个簇；
第二估计模块，用于使用SBL框架联合分析每个簇中的所有子带，得到每一个簇中包含信号的波达方向角DOA估计值。
为达上述目的，本发明第三方面实施例提出了一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上所述的XXXX方法。
为达上述目的，本发明第四方面实施例提出了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述的XXXX方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
尽管上面已经示出和描述了本发明的实施例，可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (9)

1.一种基于稀疏贝叶斯学习和频带聚类的宽带信号DOA估计方法，其特征在于，包括以下步骤：
将阵列接收信号位于的频带分割为多个子带，使用稀疏贝叶斯学习SBL方法得到每一个子带上的精度向量估计值；
对所述精度向量估计值进行预处理，得到所有子带的精度向量，使用聚类算法对所述精度向量进行处理，将相似精度向量的子带聚集成多个簇；
使用SBL框架联合分析每个簇中的所有子带，得到每一个簇中包含信号的波达方向角DOA估计值。
2.根据权利要求1所述的方法，其特征在于，所述使用稀疏贝叶斯学习SBL方法得到每一个子带上的精度向量估计值，包括：
定义第
Figure QLYQS_1
个子带包含/>
Figure QLYQS_2
个频率点，每一个频率点有/>
Figure QLYQS_3
个快拍的数据，一维均匀线阵包含
Figure QLYQS_4
个阵元，在一次迭代中，首先分别计算后验概率的协方差矩阵和均值：
Figure QLYQS_5
，（1）
Figure QLYQS_6
，（2）
其中，
Figure QLYQS_9
，/>
Figure QLYQS_11
，/>
Figure QLYQS_12
为离格阵列接收信号模型的等效阵列流型矩阵，/>
Figure QLYQS_8
为离格偏差向量/>
Figure QLYQS_10
的对角化矩阵形式，子带/>
Figure QLYQS_13
的精度向量/>
Figure QLYQS_14
中的第/>
Figure QLYQS_7
个元素的估计更新值如下：
Figure QLYQS_15
，（3）
Figure QLYQS_16
，（4）
其中，
Figure QLYQS_17
为矩阵/>
Figure QLYQS_18
的第/>
Figure QLYQS_19
行向量；
通过对每个子带执行步骤1）-5），得到每一个子带的精度向量估计值：
1）对于子带
Figure QLYQS_20
，初始化/>
Figure QLYQS_21
，/>
Figure QLYQS_22
，/>
Figure QLYQS_23
，/>
Figure QLYQS_24
和/>
Figure QLYQS_25
；
2）使用公式(1)、公式(2)更新
Figure QLYQS_26
和/>
Figure QLYQS_27
；
3）使用公式(3)逐个元素更新
Figure QLYQS_28
；
4）使用公式(4)更新
Figure QLYQS_29
；
5）当
Figure QLYQS_30
或者迭代次数大于预设的最大迭代次数/>
Figure QLYQS_31
时，退出循环，否则循环执行步骤 2) - 4)，/>
Figure QLYQS_32
为上一轮迭代的精度向量的估计值。/>
3.根据权利要求1所述的方法，其特征在于，所述对所述精度向量估计值进行预处理，得到所有子带的精度向量，包括：
通过检测模型滤除在整个空域均不存在信号的频带；所述检测模型如下：
Figure QLYQS_33
，（5）
其中，
Figure QLYQS_34
和/>
Figure QLYQS_35
分别代表子带/>
Figure QLYQS_36
中不存在信号和存在信号的情况，
Figure QLYQS_37
为检测阈值，/>
Figure QLYQS_38
；
使用softmax函数将
Figure QLYQS_39
转换为概率分布：
Figure QLYQS_40
，（6）
其中，
Figure QLYQS_42
为概率分布向量/>
Figure QLYQS_46
的第/>
Figure QLYQS_48
个元素，/>
Figure QLYQS_43
为子带/>
Figure QLYQS_45
的精度向量/>
Figure QLYQS_47
中的第/>
Figure QLYQS_49
个元素的估计值，/>
Figure QLYQS_41
为子带/>
Figure QLYQS_44
的精度向量/>
Figure QLYQS_50
的估计值。
4.根据权利要求3所述的方法，其特征在于，在使用softmax函数将
Figure QLYQS_51
转换为概率分布之前，还包括：
对精度向量估计值
Figure QLYQS_52
进行归一化处理。
5.根据权利要求1所述的方法，其特征在于，所述使用聚类算法对所述精度向量进行处理，将相似精度向量的子带聚集在一起，形成多个簇，包括：
通过聚类将所有子带的精度向量集合
Figure QLYQS_53
分为多个具有相似信号分布的簇，/>
Figure QLYQS_54
为第i个子带精度向量转化为的概率分布向量。
6.根据权利要求2所述的方法，其特征在于，所述使用SBL框架联合分析每个簇中的所有子带，得到每一个簇中包含信号的波达方向角DOA估计值，还包括：
定义子集
Figure QLYQS_55
对应于第/>
Figure QLYQS_56
个簇，集合/>
Figure QLYQS_57
用于表示第/>
Figure QLYQS_58
个簇中包含的数据，其中/>
Figure QLYQS_59
；
集合
Figure QLYQS_60
拥有/>
Figure QLYQS_61
个频率点，则每一次迭代中的参数更新如下：
Figure QLYQS_62
，（8）
Figure QLYQS_63
，（9）
Figure QLYQS_64
，（10）/>
Figure QLYQS_65
，（11）
Figure QLYQS_66
，（12）
Figure QLYQS_67
，（13）
Figure QLYQS_68
，（14）
其中，
Figure QLYQS_69
，/>
Figure QLYQS_70
；
执行以下步骤：
1）对于集合
Figure QLYQS_71
，初始化/>
Figure QLYQS_72
，/>
Figure QLYQS_73
，/>
Figure QLYQS_74
，/>
Figure QLYQS_75
和/>
Figure QLYQS_76
；
2）使用公式(8)-(9)更新
Figure QLYQS_77
和/>
Figure QLYQS_78
；
3）使用公式(10)逐个元素更新
Figure QLYQS_79
；
4）使用公式(11)更新
Figure QLYQS_80
；
5）使用公式(12)-(14)更新
Figure QLYQS_81
；
6）当
Figure QLYQS_82
或者迭代次数大于预设的最大迭代次数/>
Figure QLYQS_83
时，退出循环，否则循环执行步骤 2) - 5)；/>
Figure QLYQS_84
为上一轮迭代的精度向量的估计值；
最后在每一个子集中检测
Figure QLYQS_85
的峰值，每一个峰值均代表一个入射信号；定义与之关联的网格点的编号为/>
Figure QLYQS_86
、该网格点代表的角度为/>
Figure QLYQS_87
，则第/>
Figure QLYQS_88
个信号的DOA估计值为
Figure QLYQS_89
，/>
Figure QLYQS_90
为第i个子带精度向量转化为的概率分布向量。
7.一种基于稀疏贝叶斯学习和频带聚类的宽带信号DOA估计装置，其特征在于，包括以下模块：
第一估计模块，用于将阵列接收信号位于的频带分割为多个子带，使用稀疏贝叶斯学习SBL方法得到每一个子带上的精度向量估计值；
聚类模块，用于对所述精度向量估计值进行预处理，得到所有子带的精度向量，使用聚类算法对所述精度向量进行处理，将相似精度向量的子带聚集成多个簇；
第二估计模块，用于使用SBL框架联合分析每个簇中的所有子带，得到每一个簇中包含信号的波达方向角DOA估计值。
8.一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1-6中任一所述的基于稀疏贝叶斯学习和频带聚类的宽带信号DOA估计方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6任意一项所述的基于稀疏贝叶斯学习和频带聚类的宽带信号DOA估计方法。
CN202310103564.7A 2023-02-13 2023-02-13 基于稀疏贝叶斯学习和频带聚类的宽带信号doa估计方法 Active CN115792795B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310103564.7A CN115792795B (zh) 2023-02-13 2023-02-13 基于稀疏贝叶斯学习和频带聚类的宽带信号doa估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310103564.7A CN115792795B (zh) 2023-02-13 2023-02-13 基于稀疏贝叶斯学习和频带聚类的宽带信号doa估计方法

Publications (2)

Publication Number Publication Date
CN115792795A CN115792795A (zh) 2023-03-14
CN115792795B true CN115792795B (zh) 2023-05-26

Family

ID=85430962

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310103564.7A Active CN115792795B (zh) 2023-02-13 2023-02-13 基于稀疏贝叶斯学习和频带聚类的宽带信号doa估计方法

Country Status (1)

Country Link
CN (1) CN115792795B (zh)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9927543B2 (en) * 2013-08-05 2018-03-27 Schlumberger Technology Corporation Apparatus for mode extraction using multiple frequencies
CN113589255B (zh) * 2021-08-23 2023-08-01 武汉大学 一种基于多频联合稀疏贝叶斯学习的到达角估计方法
CN114660535A (zh) * 2022-03-15 2022-06-24 中国人民解放军火箭军工程大学 一种基于离格的稀疏阵列宽带信号欠定doa估计算法
CN115061087B (zh) * 2022-05-27 2024-05-14 上海事凡物联网科技有限公司 信号处理方法、doa估计方法及电子设备

Also Published As

Publication number Publication date
CN115792795A (zh) 2023-03-14

Similar Documents

Publication Publication Date Title
CN109188344B (zh) 脉冲噪声环境下基于互循环相关music算法信源个数与来波方向角估计方法
CN109490819B (zh) 一种基于稀疏贝叶斯学习的离格波达方向估计方法
CN107729916B (zh) 一种基于isodata的干扰源分类识别算法
CN110412499B (zh) 基于压缩感知理论下的rss算法的宽带doa估计算法
US20210018593A1 (en) Methods and systems for processing radar reflections
CN111507047B (zh) 一种基于SP-CUnet的逆散射成像方法
CN116047427B (zh) 一种小样本雷达有源干扰识别方法
CN111062321B (zh) 一种基于深度卷积网络的sar检测方法及系统
CN112487703B (zh) 基于稀疏贝叶斯在未知噪声场的欠定宽带信号doa估计方法
CN110954860B (zh) 一种doa和极化参数估计方法
CN111880143B (zh) 改进稀疏贝叶斯学习的高精度定位方法、存储介质及设备
CN113759303A (zh) 一种基于粒子群算法的无网格波达角估计方法
CN115792795B (zh) 基于稀疏贝叶斯学习和频带聚类的宽带信号doa估计方法
Abdelbari et al. PESO: Probabilistic evaluation of subspaces orthogonality for wideband DOA estimation
CN113034471A (zh) 一种基于finch聚类的sar图像变化检测方法
CN109507634B (zh) 一种任意传感器阵列下的基于传播算子的盲远场信号波达方向估计方法
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
CN113093098B (zh) 基于lp范数补偿的轴向不一致矢量水听器阵列测向方法
Wang et al. Automatic jamming modulation classification exploiting convolutional neural network for cognitive radar
CN113205564A (zh) 一种sar智能目标边缘重构方法
Liu et al. Application of the fruit fly optimization algorithm to an optimized neural network model in radar target recognition
CN113671477B (zh) 一种基于图信号处理的雷达目标距离估计方法
CN113093097B (zh) 一种使用互质阵列的概率假设密度doa跟踪的方法
Nie et al. Multi-ping Reverberation Suppression Combined with Spatial Continuity of Target Motion
CN113514808B (zh) 一种用于判定小型无人机目标个数的智能辨识方法

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