密布式多输入多输出声呐阵列目标波达方向估计

针对低信噪比条件下多输入多输出声呐受对称噪声分量影响导致测向性能降低的情况,提出了一种基于协方差矩阵重构方法的波达方向估计算法。首先,将噪声场分为对称噪声和非对称噪声两部分,利用协方差矩阵虚部与对称信号无关的性质,去掉协方差矩阵的实部来降低对称噪声对目标波达方向估计精度的影响,采用降维转换方法和矩阵虚部置换原理重构协方差矩阵的实部,避免了双频谱的干扰。然后利用Toeplitz方法对重构的协方差矩阵进行解相干修正,通过奇异值分解获得噪声子空间,最后对目标的波达方向进行估计,可实现微弱信号的准确测向。理论分析和实验结果表明,该方法明显抑制了对称噪声,提高了目标的波达方向估计性能,具有运算速度快、自由度高和目标分辨力强的特点。      

一种宽带源高分辨测向的降维处理方法

提出一种宽带源测向的降维处理方法．通过空间内插函数在宽带波束形成中的应用,求得一转换矩阵,该矩阵将M×1维阵元空间变换到K×1维的波束空间,并且在带宽范围内形成不同频率的正交等波束空间,利用降维的波束空间数据求出空间互谱密度矩阵（CSDM：CrossSpectralDensityMatrix）,最后由MUSIC方法测向．降维处理具有简化运算,提高分辨性能的优点。     

一种高效的自适应波束域变换方法及应用研究

波束域变换将阵元域数据投影到一个低维的波束域空间, 不仅能够减小信号处理算法的运算时间, 提高算法性能, 还能够抑制干扰. 本文针对常规自适应波束域变换方法需要在线调整波束变换矩阵、更新波束域导向矢量由此导致实时实现困难的问题, 提出一种高效的自适应波束域变换方法. 该方法将波束域协方差矩阵与导向矢量均表示成不依赖自适应波束变换矩阵的闭合形式, 省去在线调整与更新过程, 使运算效率得到了显著提高. 最后将该方法应用到波达方向(DOA)的估计之中, 仿真研究表明, 本文方法获得了比常规自适应方法更好的DOA估计性能. 此外, 本文方法还具有另一个非常突出的优点, 即它可以有效抑制运动强干扰. 这是因为本文方法无需训练波束变换矩阵, 其当前运算结果与历史快拍数据无关, 这样可以有效避免常规自适应方法中因目标运动所导致的训练数据与应用数据失配的问题.     

复杂噪声场下对角减载技术的原理及应用

实际水下噪声场是非常复杂的,它具有一定的相关性,且各阵元接收到的噪声的功率不相等,因此归一化的噪声协方差矩阵不是单位矩阵,会使得一些阵列信号处理算法的性能下降.针对这个问题,本文充分分析了复杂噪声场的物理特性,建立了噪声协方差矩阵的物理模型,提出了一种复杂噪声场下的协方差矩阵对角减载技术.首先将数据协方差矩阵减去一个减载系数矩阵,在使得波束输出信噪比达到最大的约束条件下,获得了减载系数矩阵的理论表达式和近似表达式.然后利用最小二乘方法,估计减载系数矩阵,并且理论分析了噪声场的相关性及输入信噪比对估计误差的影响.仿真实验和湖试数据处理结果表明,在复杂噪声场条件下,该算法提高了输出信噪比,改善了阵列信号处理算法的性能,并且该算法计算复杂度低,可以实时处理.     

海面弱小目标高光谱融合技术研究

海面目标受海水扰动影响,难以被宽波段光电传感器探测识别。高光谱传感器可以获取海面目标和水体的光谱数据,利用目标和海水的光谱特性差异可以有效抑制海面扰动影响,提高探测识别能力。针对高光谱数据降维融合容易丢失海面弱小目标问题,研究了弱小目标光谱数据融合方法。通过相似性分类产生类矩阵,由类矩阵主成分变换的降维投影矩阵来投影变换原有光谱数据,获得降维数据矩阵。降维矩阵通过空间变换转换到RGB彩色空间,生成伪彩色融合图像。通过远距离弱小目标和水中鱼群高光谱数据,验证了改进方法的融合性能。实验结果表明:相似性分类融合方法不仅能将高维光谱数据融合成一幅伪彩色图像,还能有效避免弱小目标融合丢失问题,提高了目标探测识别能力。     

未知相关噪声环境下宽带源波达方向估计的快速算法

提出一种未知相关噪声环境下带源波达方向估计的快速算法。该算法只对信号子空间进行变换,直接由传播算子构造聚焦矩阵,得到一种快速TCT聚焦矩阵。利用阵列相关矩阵的酉相似变换特性估计噪声相关矩阵,提高了未知相关噪声情况下宽带DOA估计的性能。该算法由线性运算求解聚焦矩阵和噪声相关矩阵,无需特征分解,运算量低,而且适用于未知相关噪声情况,具有重要的工程实用价值。     

一种协方差矩阵实部消除的目标方位估计方法

针对实际复杂海洋环境条件下的目标方位估计性能变差的问题,提出了一种基于实部消除技术的目标方位估计方法。首先将噪声场分解为对称噪声部分和非对称噪声部分。然后利用协方差矩阵虚部,采用延迟求和波束形成方法获得目标方位估计,但是同时产生了对称的虚假目标。最后基于功率估计重构协方差矩阵实部,并与虚部组成新的协方差矩阵,利用新的协方差矩阵做目标方位估计,消除了虚假目标的影响。理论分析与湖试数据处理结果表明:该方法明显抑制了噪声,提高了目标方位估计的性能。实部消除技术易于实现,有较强的工程应用价值。      

基于FastICA的高光谱图像目标分割

针对高光谱图像目标识别与分类的应用背景,提出了一种基于快速独立成分分析的高光谱图像目标分割算法.通过引入虚拟维数对图像中的目标端元数量进行估计,利用基于非监督正交子空间投影的异常端元提取算法自动获取目标端元光谱,并将其作为快速独立成分分析的初始混合矩阵.采用最小噪声分量变换对原始数据进行降维,利用快速独立成分分析从降维后的主成分中依次提取出图像中的独立分量.最后,对各独立分量进行恒虚警率检测与形态学滤波,从而得到最终的目标分割结果.对AVIRIS型高光谱图像的实验结果表明,该方法可有效探测出图像中的目标,并可获得较好的分割结果.     

基于FastICA的高光谱图像目标分割

针对高光谱图像目标识别与分类的应用背景,提出了一种基于快速独立成分分析的高光谱图像目标分割算法.通过引入虚拟维数对图像中的目标端元数量进行估计,利用基于非监督正交子空间投影的异常端元提取算法自动获取目标端元光谱,并将其作为快速独立成分分析的初始混合矩阵.采用最小噪声分量变换对原始数据进行降维,利用快速独立成分分析从降维后的主成分中依次提取出图像中的独立分量.最后,对各独立分量进行恒虚警率检测与形态学滤波,从而得到最终的目标分割结果.对AVIRIS型高光谱图像的实验结果表明,该方法可有效探测出图像中的目标,并可获得较好的分割结果.     

扩散噪声下协方差矩阵重构的语音分离与降噪

针对传统多通道语音分离算法在扩散噪声下性能下降的问题,提出了一种用于语音分离及降噪的空间协方差模型及参数估计方法。该方法将扩散噪声视为独立声源,利用由导向矢量重构的空间协方差矩阵建模目标声源的空间特性,并通过空间协方差分析方法估计用于语音分离的多通道维纳滤波器。同时,还提出了一种联合该方法的后置滤波器参数框架,为输出信号降噪和失真的折中提供了更多选择。在扩散噪声下的单目标和多目标实验中,所提方法的语音提取和分离性能都优于对比算法,联合参数的后置滤波器可提供更为符合人们要求的降噪语音,验证了所提模型与参数估计方法的有效性。      

Weak signal direction of arrival estimation for colocated multiple-input multiple-output sonar array

In order to suppress the influence of symmetrical noise component on multiple-input multiple-output(MIMO)sonar's direction of arrival(DOA)estimation under the condition of low signal-to-noise ratio,we propose a DOA estimation algorithm based on covariance matrix reconstruction method.Firstly,the noise field can be decomposed into symmetrical noise field and asymmetrical noise field.We utilize symmetry property of colored noise matrix and the feature that the imaginary part of covariance matrix has no relation with the symmetry noise to remove the real part of covariance matrix.This operation helps to suppress the influence of colored noise on DOA estimation accuracy.Based on the principle of the imaginary matrix part displacement and the dimension reduction transformation method,the real part of covariance matrix is reconstructed,which helps to suppress the bilateral spectrum interference.Thereafter,Toeplitz method is applied for the covariance matrix decorrelation amendment,and a noise subspace is formed by singular value decomposition(SVD).Finally,we can estimate the DOA of target signals.Both theoretical analysis results and numerical simulation results verify the symmetrical noise suppression performance of this algorithm,and the estimation performance of target azimuth is improved obviously.This method has the characteristics of lower operational complexity,higher degrees of freedom and stronger target resolution.     

Interference suppression algorithm based R-TDD for multi-user MIMO heterogeneous network

Aiming at the problem of uplink co-channel interference in multi-user multi-input multi-output (MIMO) heterogeneous network, a reversed time division duplex (R-TDD)-based method is used to improve the performance of interference rejection combining (IRC) algorithm. This method overcomes the difficulty of IRC algorithm in obtaining the interference noise covariance matrix by utilizing the R-TDD transmission scheme. On the premise that the spectrum efficiency is guaranteed, through combining R-TDD with spatial modulation, the transmission complexity is significantly reduced and the uplink co-channel interference is effectively controlled, so as to improve the system performance. Simulation results demonstrate that the R-TDD-based scheme can improve the performance of IRC algorithm in terms of spectrum efficiency.     

利用导向向量旋转和联合迭代优化的自适应波束形成算法研究

针对大型阵列中自适应波束形成技术的实时性和鲁棒性问题,基于最小方差无失真响应(Minimum Variance Distortionless Response,MVDR)波束形成的信号模型框架,提出一种通过对导向矢量进行处理以降低干扰的自适应波束形成算法——稳健联合迭代优化-导向自适应(Robust Joint Iterative Optimization-Direction Adaptive,RJIO-DA)算法。在联合迭代优化的基础上,将降维变换矩阵的每一个列向量看作独立的方向向量,引导子空间内每一个维度上的权值迭代,同时旋转导向向量,减小了由于导向误差的不确定性而导致的性能下降。仿真实验结果表明,与现有的降维算法相比,RJIO-DA算法计算复杂度低、收敛率高、鲁棒性好,可在期望方向上稳健地聚集波束,更好地形成干扰方向的自适应零陷。      

基于数据协方差矩阵重构的MIMO声纳DOA估计

实际多输入多输出(MIMO)声纳系统由于环境或人为因素,可能出现部分阵元失效,从而导致阵列自由度减少、方位估计精度下降。本文提出了一种数据协方差矩阵重构方法,该方法基于差分阵列性质,利用正常工作阵元的协方差矩阵元素来恢复失效阵元的矩阵元素,获得满秩的数据协方差矩阵,从而恢复到全阵元MIMO声纳的阵列自由度。与已有方法相比,降低了计算复杂度。仿真及海试实验数据处理结果表明,本文所提的数据协方差矩阵重构方法能够恢复因部分阵元失效而丢失的阵列自由度,应用于方位估计中,所能分辨的最大目标数与全阵元相同。     

Fast implementation of sparse iterative covariance-based estimation for source localization

Fast implementations of the sparse iterative covariance-based estimation (SPICE) algorithm are presented for source localization with a uniform linear array (ULA). SPICE is a robust, user parameter-free, high-resolution, iterative, and globally convergent estimation algorithm for array processing. SPICE offers superior resolution and lower sidelobe levels for source localization compared to the conventional delay-and-sum beamforming method; however, a traditional SPICE implementation has a higher computational complexity (which is exacerbated in higher dimensional data). It is shown that the computational complexity of the SPICE algorithm can be mitigated by exploiting the Toeplitz structure of the array output covariance matrix using Gohberg-Semencul factorization. The SPICE algorithm is also extended to the acoustic vector-sensor ULA scenario with a specific nonuniform white noise assumption, and the fast implementation is developed based on the block Toeplitz properties of the array output covariance matrix. Finally, numerical simulations illustrate the computational gains of the proposed methods.     

基于矢量水听器阵列空域预滤波处理的多重信号分类算法研究

矢量水听器能同时拾取声压和振速信息,在相同的信噪比、阵元数及阵列孔径下,矢量阵定向性能优于声压阵列。目前,以多重信号分类算法(Multiple signal classification,MUSIC)为代表的高分辨定向算法已经广泛应用于矢量水听器阵列中。但是随着信噪比降低、信号源方位间隔减小,传统MUSIC算法定向精度及分辨概率显著下降。本文采用最小二乘法设计适用于矢量水听器水平阵列的矩阵空域滤波器,用于阵列数据的空间滤波预处理,可以对阻带扇面噪声进行有效抑制。由滤波后的数据协方差矩阵可以得到新的噪声子空间,在传统MUSIC算法基础上修正通带扇面内阵列流型的畸变后即可得到滤波后MUSIC算法的方位谱。仿真结果表明,当信噪比较低时,改进算法有效提高了通带扇面内目标方位分辨性能。最后本文对四基元矢量水平阵列海试数据进行了处理,改进算法对窄带信号定向较常规算法-3 dB束宽减小了13°,旁瓣级降低约8 dB。对有一定带宽的行船辐射噪声定向处理得到了更加精确的航迹图,海试数据处理结果证明了该算法的可行性和有效性。     

一种基于选择性测量的自适应压缩感知方法

针对低信噪比条件下现有压缩感知系统重构性能严重恶化的问题,提出了一种基于选择性测量的自适应压缩感知结构.首先推导并分析了经过压缩测量的噪声的统计特性及其对重构性能的影响;然后基于输出能量最小化准则,设计了一种压缩域投影滤波联合噪声检测的自适应感知器,感知获得噪声子空间的位置信息;进一步利用该信息构造选择性压缩测量矩阵,智能选择测量信号,同时"屏蔽"噪声分量,极大提高了压缩测量值的信噪比.仿真结果表明,相对于现有压缩感知结构,选择性测量的压缩感知结构明显改善了含噪稀疏信号的重构性能,可更好地应用于吸波材料的前端特性分析、认知无线电的频谱感知等领域.     

一种自适应最小范数算法

运用特征子空间方法的关键在于信号子空间或噪声子空间的估计,实际上有些信号的统计特性随时间变化,于是要求得到参数的实时估计值,为此,需要随时根据新的阵列接收数据对信号或噪声子空间进行更新。本文首先分析了一种自适应子空间估计算法,即MALASE(MaximumLikelihoodAdaptiveSubspaceEstimation)算法。然后,把MALASE算法与传统的最小范数(Mini-Norm)高分辨算法相结合,并应用零点跟踪技术,提出了一种自适应Mini-Norm高分辨算法,可用于对时变的信号波达方向(DOA)进行跟踪估计。计算机仿真结果验证了该算法的有效性。