水声信号稀疏重构的高阶累积量波达方向估计

高阶累积量具有高斯噪声抑制和阵元扩展特性,将高阶累积量引入水声信号的方位估计中,提出了离格稀疏贝叶斯学习重构的高阶累积量测向算法。该方法利用高阶累积量对高斯噪声的自然盲性,计算阵列信号四阶累积量来滤除高斯噪声,使阵元在原来的结构上扩展了一倍;并构造出选择矩阵剔除了四阶累积量中的冗余项,能再一次的扩展阵元,得到的新观测模型具有更好的统计性能;最后利用空域稀疏性,推导出四阶累积量下的离格稀疏表示模型,采用贝叶斯学习解算出源信号的最大后验概率,实现了目标方位估计。数值仿真和海试实验数据表明,该方法在相邻声源方位间隔为4°的情况下分辨概率可达到95%以上,在信噪比大于-5 dB时目标方位估计的均方根误差在1°以内,可显著抑制背景噪声干扰,在多声源密集分布条件下也能准确、稳健的对水声目标方位进行估计。      

一种声发射信号方位角自适应监测算法*

四阶累积量可用于声发射信号处理,结合盲波束形成算法可对声发射信号的方位角进行估计。由于四阶累积量的计算量较大,采用迭代计算的思想,提出一种基于四阶累积量的自适应声发射信号方位角监测算法。与改进前的算法相比,自适应算法的计算复杂度和所需存贮空间均显著降低,可用于声发射信号的方位估计和监测。计算机仿真及实测数据分析均验证了算法的有效性。     

遗传优化神经网络的水声信道盲均衡

不需要训练序列的盲均衡技术可以有效地节省水声通信带宽，消除码间干扰，提高水声通信效率和质量。以前馈神经网络（FNN）作为盲均衡器，既适用于最小相位信道，也适用于非最小相位信道，包括非线性信道，但是前馈神经网络在实际的应用中其网络拓扑结构的选取和初始权重的确定缺乏理论依据，且其训练主要依靠BP算法，存在收敛速度慢、容易陷入局部极值及“过学习”的问题。为此，本文提出了一种遗传优化神经网络的水声信道盲均衡算法（GA—BP），对前馈神经网络拓扑结构和网络权重同时优化，有效地克服了传统前馈神经网络盲均衡的缺陷，提高了前馈神经网络盲均衡的泛化性能并加强了跟踪时变信道的能力和对信道突变的适应能力。水池试验结果证明了文中提出的遗传优化神经网络水声信道盲均衡算法的有效性，与直接前馈神经网络盲均衡相比较，均衡性能明显得到了提高。     

基于量子粒子群优化的正交小波加权多模盲均衡算法

针对常数模盲均衡算法(CMA)均衡高阶正交振幅调制信号(QAM)存在收敛速度慢、稳态误差大的缺点, 提出了基于量子粒子群优化的正交小波加权多模盲均衡算法(QPSO-WTWMMA). 该算法根据高阶QAM信号星座图分布特点, 将量子粒子群优化算法(QPSO) 和正交小波变换融入于加权多模盲均衡算法(WMMA)中. 因而, 利用QPSO对均衡器权向量进行了优化, 利用正交小波变换降低了输入信号的自相关性, 利用WMMA选择了合适的误差模型匹配QAM星座图. 理论分析及水声信道仿真结果表明, QPSO-WTWMMA算法可以获得更快的收敛速度和更低的稳态误差, 在水声通信中具有重要的参考价值.     

基于时频分析的多目标盲波束形成算法

针对现有盲波束形成算法适用范围较窄, 多目标信号分离级联模式结构复杂、并联模式稳定性较差等问题, 提出一种基于时频分析的多目标盲波束形成算法. 该算法首先利用时频分析技术给出信号导向矢量的不确定集, 然后优化求解导向矢量的最优估计, 最后利用Capon方法实现多目标信号的并行输出. 理论分析及仿真结果表明, 该算法对信号特性没有特殊要求, 适用性较广, 性能稳定, 且输出信干噪比高于其他盲波束形成算法, 接近于最优Capon波束形成器.     

一种混合常数模水声信道盲均衡新算法的研究

针对常数模算法(CMA)与符号误差常数模算法(SECMA)的不足,本文提出了一种新的混合常数模算法(CCMA),并将该算法应用于水声信道的盲均衡。通过判决条件对输出信号作判决,使得该算法的迭代过程在CMA和SECMA之间自动切换,其性能较SECMA稳健,运算量小于CMA,特别有利于水声信息的实时恢复。通过多种水声信道盲均衡算法的仿真实验,进一步验证了该算法的有效性。     

瞬时混合盲源分离和最优波束形成的关系研究

最优波束形成和盲源分离是近几十年迅速发展起来的两种重要阵列信号处理方法,在瞬时混合情况下它们具有相似的信号模型,所以本文研究了二者之间的关系。指出,当不存在噪声时,多数盲源分离算法构造的是最优波束形成;当存在噪声时,可以利用盲源分离算法估计的信号导向向量设计最优波束形成。计算机仿真实验验证了这一结论。     

一种确定性盲波束形成的迭代算法

提出了一种基于信道的信号处理模型的在线迭代盲波束形成算法。该方法利用Givens变换,分步迭代地求出期望得到的信息矩阵,忽略无关的运算结果,达到减小运算量,减少内存占有空间的目的。同时,因为没有关于信源个数的先验假设,该方法可以在未知具体信源个数的情况下进行盲波束形成。在线迭代的算法结构也为DSP并行实现提供了可能。仿真试验验证了本方法的有效性和正确性。     

典型概率密度背景下四阶累积量波束形成的阵增益

在理论上零均值高斯分布噪声的四阶累积量恒等于零,而实际噪声和混响的概率密度是影响四阶累积量波束形成技术性能的关键问题。本文针对海洋环境噪声与海底混响的瞬时幅度分布,分别推导了四阶累积量波束形成阵增益函数;建立了阵增益与阵元数、海洋环境噪声和海底混响统计特性的四阶矩和二阶矩及输入信噪比的关系;确定了与常规波束形成阵增益之间存在临界信噪比,高于临界信干比时四阶累积量波束形成可以获得比常规波束形成更高的阵增益与分辨率。实验数据处理结果验证了四阶累积量波束形成阵增益和分辨率理论结果的一致性。      

基于高阶统计的水声信道盲辨识

本文给出了基于ARMA模型的水下通信系统模型,将一种基于三阶统计的算法应用到水声信道盲辨识领域,在不需要训练序列的条件下估计得到信道传输函数。与基于二阶统计特性方法相比,该算法具有较强的抗噪性,更适合信噪比低于12dB条件下水声信道的辨识。通过对水声信道盲辨识的计算机仿真,验证了该算法具有较高的辨识精度。     

波束域加权子空间拟合算法

将阵元域高分辨加权子空间拟合算法（ＷＳＦ算法）推广到了波束域中,利用声系统接收基阵波束输出信息估计目标方位．由于波束输出可以看作是,一个阵元数为波束个数的虚拟阵的阵元输出,而在大多数的水声系统中,参与确定某个来向的信号方位的波束数通常远小于阵元数,从而算法的运算量得以大大降低。针对某水声系统接收基阵波束输出所作的计算机仿真结果表明,波束域ＷＳＦ算法应用到实际的水声系统时,可以保持其在阵元域中估计目标方位的优越性能。     

浅海水声信道响应的盲估计

在难以得到发射源信号的水下声场环境中,利用单水听器或单个波束的接收数据可以进行浅海信道响应的盲估计。首先运用径向高斯核时频分析方法进行源信号重构,再利用接收数据和所重构的源信号,通过高精度时延估计的WRELAX算法,估计出水声信道响应。所提出的盲估计方法经过海洋实验数据验证,估计结果准确,表明这种方法在水声领域具有广泛的应用前景。     

滑动窗累积量的递推估计算法及其在语音端点检测中的应用

提出了一种滑动窗累积量的递推估计算法并应用于语音端点检测中,用以解决传统端点检测方法在噪声环境下检测性能变差的问题。在对含噪语音信号进行加窗之后,利用滑动窗累积量的递推估计算法估计含噪语音信号的高阶累积量值,并在此基础上结合能量特征进行语音端点检测。实验结果表明,所提滑动窗累积量递推估计算法相比较传统高阶累积量计算方法运算效率明显提高;所提端点检测算法在不同噪声和信噪比环境下相比较G.729b算法点正确率Pc-point值平均提升了6.07%。基于滑动窗高阶累积量的语音端点检测算法具有较高的运算效率及良好的鲁棒性。     

滑动窗累积量的递推估计算法及其在语音端点检测中的应用

提出了一种滑动窗累积量的递推估计算法并应用于语音端点检测中,用以解决传统端点检测方法在噪声环境下检测性能变差的问题。在对含噪语音信号进行加窗之后,利用滑动窗累积量的递推估计算法估计含噪语音信号的高阶累积量值,并在此基础上结合能量特征进行语音端点检测。实验结果表明,所提滑动窗累积量递推估计算法相比较传统高阶累积量计算方法运算效率明显提高;所提端点检测算法在不同噪声和信噪比环境下相比较G.729b算法点正确率Pc-point值平均提升了6.07%。基于滑动窗高阶累积量的语音端点检测算法具有较高的运算效率及良好的鲁棒性。      

一种面向声纳群目标检测应用的盲波束形成改进算法

随着水下自主航行器（UUV）及其声纳检测系统的智能化水平的提高，多UUV协同工作成为重要的研究方向，阵列信号处理中的盲波束形成理论可用于处理该类问题。Coviello提出了一种便于实时应用的盲波束形成算法，但其算法适用面窄，本文通过阵元对理论对其算法加以改进，以适应UUV间的位置误差，从而改善UUV群对目标方位的被动估计能力。仿真实验显示，改进算法在保持Coviello算法良好性能的前提下具有更广阔的适用性。     

一种深度学习的立体阵波达方向估计方法

针对常规波束形成主瓣宽且目标分辨能力低的问题,提出一种基于深度卷积神经网络的波达方向估计方法。算法使用常规波束形成计算二维空间功率谱,将预处理后的空间功率谱图输入深度卷积神经网络。该文利用神经网络学习解卷积映射关系,输出主瓣宽度更窄的空间功率谱图,从而实现高分辨率二维波达方向估计。该算法对阵列结构没有限制,适用于立体阵。仿真结果表明该文方法在不同目标个数、快拍数及信噪比参数下均能准确估计目标方向。该文方法目标分辨能力优于常规波束形成方法。在低快拍情况下,目标方向估计误差低于自适应波束形成方法。     

Pi－Sigma网络在水声目标分类中的应用

长期以来，由于受许多因素的影响，使得水声目标的分类已成为一个十分困难的问题。现在，随着人工神经网络技术的发展，众多的研究人员已经致力于基于人工神经网络的水声目标分类的研究．本文介绍了一种高阶神经网络即Pi-Sigma网络，研究了它的两种学习算法（基于梯度下降法和共轭梯度法的学习算法），并将Pi－Sigma网络用于水声目标辐射噪声的分类。和多层感知器（MLP）网相比，Pi-Sigma网络具有结构简单、收敛速度快及存储量少等优点。Pi－Sigma网络分类器的输入为一个常Q带通滤波器组作特征提取形成的特征向量。对不同类别的实际水声数据的分类结果表明取得了令人满意的分类正确率（达到或超过了95％）。     

改进支持向量机和常数模算法水声信道盲均衡

针对盲均衡算法收敛速度较慢的问题,提出一种结合改进支持向量机和常数模算法的水声信道盲均衡算法。该算法首先利用具有优异小样本学习能力的支持向量机进行盲均衡器权系数初始化,在完成初始化后切换至运算量较小的常数模算法。考虑到支持向量机本身非自适应运算的限制,在时变水声信道条件下利用经典支持向量机获得的均衡器初始权向量与切换后的信道仍然存在失配。因此,本文导出时变条件下的改进支持向量机用于盲均衡器初始化,改善算法切换时的权系数失配,并结合分数间隔结构和内嵌数字锁相环进一步提高盲均衡算法性能。仿真和湖试实验结果表明:在时变水声信道条件下,本文算法的收敛性能优于经典支持向量机盲均衡算法。      

一种快速收敛的符号回归常数模盲均衡算法

为了加快符号回归常数模算法(SRCMA)的收敛速度,本文提出了一种适合于BPSK信号 的快速算法。该算法用新的误差函数替代SRCMA中的误差函数,新误差函数针对BPSK信号而 设计。新算法采用分数间隔均衡模型,有效地加快了SRCMA算法的收敛速度。水声信道仿真实验 表明,该算法性能稳定,收敛速度快,适用于快速变化信道的盲均衡和水声通信数据的实时恢复。     

采用分级聚焦波束形成的快速声成像算法

为了减小常规波束形成所需的庞大计算量以实现快速成像,本文提出了一种新的波束形成算法——分级聚焦波束形成。将基阵划分成各级子阵分级进行处理,对较短的子阵进行远场近似处理,逐级合并子阵进行子阵间的近场聚焦波束形成,并逐级进行波束插值。MAT- LAB仿真计算结果表明,分级聚焦法与常规波束形成相比,计算量和数据存储量大幅下降。该方法尤其适用于多焦点近场聚焦的场合。