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 PDFInfo
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 239000013598 vector Substances 0.000 claims abstract description 80
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000004590 computer program Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 8
- 230000004931 aggregating effect Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000001427 coherent effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
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:
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:
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:
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:
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:
执行以下步骤:
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:
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:
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:
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:
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:
执行以下步骤:
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:
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:
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:
执行以下步骤:
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。
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)
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 |
-
2023
- 2023-02-13 CN CN202310103564.7A patent/CN115792795B/zh active Active
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 |