采用四阶累积量多重矩阵重构的低信噪比相干声源波达方向估计

针对相干声源子空间能量扩散且协方差矩阵欠秩难以有效估计波达方向(DOA)的问题,提出了一种采用高阶矩阵变换的估计方法-四阶累积量多重矩阵重构(FOC-MMR)。该方法首先对阵列声压数据分帧进行短时傅里叶变换,然后对四阶累积量扩展的高阶协方差矩阵进行奇异值分解(SVD)得到高阶噪声特征向量,保证该噪声特征向量与扩展后的高阶阵列流形矢量正交匹配,最终实现相干信号的DOA估计。相干单频矩形脉冲信号仿真结果表明,将FOC-MMR方法应用于均匀线阵(ULA, M=4),在信噪比SNR≥-15 dB时,相干信号(θ₁=-20°和θ₂=20°)的均方根误差保持在1.5°以内;在SNR=10 dB时,可正确分辨的两相干信号方位间隔Δθ可以低至5°。在相干脉冲声源实验中,通过混入SNR=5 dB高斯白噪声,验证了FOC-MMR算法在应用于由多个ULA组成的矩形面阵时,其分辨邻近声源和抑制高斯噪声的能力较高。FOC-MMR算法通过对声压阵列数据扩展得到满秩的高阶协方差矩阵,不仅解决了由信号相干造成的噪声和信号特征向量之间能量扩散的问题,还实现了以较高的测向精度和...     

冰下非高斯噪声下的范数约束波束形成方法

为解决冰下环境中噪声模型失配导致方位估计误差较大的问题,提出了一种基于范数约束的波束形成方法。该方法通过对接收信号进行范数约束来优化数据协方差矩阵,克服非高斯噪声带来的模型失配问题,提升方位估计的准确率。信号范数约束的性能分析表明,范数约束可有效抑制非高斯噪声。仿真及试验结果表明,在冰下环境中对接收信号进行范数约束后再实施波束形成可有效提高方位估计结果的准确度和稳定性。     

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。      

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.     

近似窄带假设下的最小方差无失真响应波束形成

最小方差无失真响应波束形成算法在应用于语音等宽带信号时,依赖窄带假设可以在频域各个子带分别进行滤波。窄带假设下语音信号协方差矩阵是秩-1矩阵,而实际中窄带信号模型只是实际信号模型的一种近似,同时由于存在统计量估计误差,估计的语音信号协方差矩阵的秩一般大于1。提出利用语音协方差矩阵和噪声协方差矩阵的广义主特征向量来估计相对传递函数,用于重构语音信号协方差矩阵为秩-1矩阵。在REVERB数据集以及CHiME-4数据集上进行实验验证,最小方差无失真响应波束形成算法经过语音协方差矩阵低秩近似后,对估计误差的鲁棒性提高,输出信噪比分别提升平均0.8 dB和1.4 dB,同时提升了语音识别准确率。      

非线性混合模式的语音盲分离算法

本文针对FIR非线性混合模型，基于最大熵算法，提出了一种以高斯混合模式概率密度函数估计替代传统对数化概率密度估计的盲分离算法，以偶函数为非线性激活函数，采用最大期望（EM）迭代算法推导了分离算法的权向量迭代公式，通过模拟仿真实验结果与传统的最大熵和高阶累积量方法比较，新算法提高了收敛速度，并有效地完成了非线性语音分离任务，抑制了干扰语音信号的影响，提高了输出信噪比。     

一种混沌信号的盲分离方法

多个混合混沌信号的分离，在混沌及其应用中是一个重要的问题.提出了一种线性混合的混沌信号的瞬时盲分离方法，它利用了各个混沌信号源之间的互不相关性，在未知混合矩阵和混沌方程的情况下，通过求解特征向量的方法从观测量中直接估计出解混合矩阵，以重构出源混沌信号.仿真结果表明，即使在低信噪比情况下，该方法仍可以有效地从噪声背景中分离出多个混合的混沌信号. 关键词： 混沌 盲分离 信噪比 特征向量     

相干激光雷达中最大似然离散谱峰值估计及Monte Carlo仿真

相干测风激光雷达中一个核心的问题是从微弱的气溶胶后向散射信号中估计出风速。基于零均值复高斯随机过程协方差矩阵统计模型的后向散射信号,首先讨论了最大似然(ML)离散谱峰值(DSP)风速估计算法的克拉美-罗下界(CRLB)与由Fisher信息矩阵论得到的精确CRLB之间的关系。其次,对于ML DSP估计应用于相干测风激光雷达中协方差矩阵统计模型的后向散射信号时,使用计算机Monte Carlo仿真的方法研究了风速估计的概率密度函数。分别讨论了信噪比、激光脉冲累积发数和发射激光脉冲宽度对ML DSP风速估计性能的影响。计算仿真结果表明:ML DSP风速估计的CRLB低于精确的CRLB;在信噪比为-20dB,100发激光脉冲累积和信噪比为-30dB,10 000发激光脉冲累积条件下,ML DSP风速估计中"坏"的估计值所占的比例都为0,"好"的估计值的标准差分别为0.62m/s和0.50m/s。     

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。     

基于混合映射模型的语音转换算法研究

分析了语音转换研究中使用高斯混合模型映射算法时转换特征出现过平滑的问题,认为协方差矩阵估计不准确导致的转换特征细节信息的丢失是产生过平滑问题的主要原因,提出了使用码本映射和高斯混合模型共同转换声学特征细节的混合映射算法。此外提出了利用音素信息进行快速高斯混合模型训练的训练方法。客观评价表明使用音素信息的训练方法比常规方法性能指标平均提高了12．87％,而混合映射算法在使用音素信息的训练方法基础上比传统高斯混合模型转换算法性能指标提高了27．13％     

协方差矩阵重构的稳健自适应波束形成算法

针对协方差矩阵含有期望信号成分以及波束指向角失配时,传统自适应波束形成器性能严重下降的问题,提出了协方差矩阵重构的稳健自适应波束形成算法。该算法将全空域划分成若干互不重叠的区域,分别对应干扰区域与信号区域,先利用Capon波束形成器对干扰区域积分,由此构造出干扰协方差矩阵。然后,利用标准Capon波束形成器的波束域MUSIC谱估计法对信号区域积分,重构出信号协方差矩阵,以其主特征向量作为期望信号导引向量估计。由于算法重构了干扰加噪声协方差矩阵并对导引向量进行了修正,保证了自适应波束形成器的性能。理论分析和仿真实验结果表明,算法在训练数据含有期望信号成分和波束指向角度失配情况下具有良好的性能。      

高斯噪声背景下稳健型Durbin检测器设计

考虑了一种水下高斯噪声环境中的多通道点目标自适应检测问题,且高斯噪声的协方差矩阵未知。通常,描述这类问题的假设检验中包含多重未知变量,所以不存在一致最优检验,为此,我们采用Durbin检验准则的一阶近似寻求其次优解。在设计阶段,推导出Durbin检验所对应的检验统计量,以及虚警概率的闭式解,并由此证明Durbin检验具有对噪声协方差矩阵的恒虚警特性。在仿真阶段,分析了新检测器的性能,并与传统的广义似然比检验(GLRT)、自适应匹配滤波(AMF)检测器进行比较。仿真和实验结果表明在目标导向向量失配情况下,Durbin检验的检测性能优于传统检测器,但是在信号匹配情况下Durbin检验的检测性能略有损失。      

海洋环境噪声场对称性分析及噪声消除方法

实际的海洋环境是非常复杂的,存在着海洋自噪声、舰船噪声、生物发声等,阵元接收到的噪声信号存在一定的相关性,此时基于传统阵列信号处理的目标方位估计方法的性能将变差,针对这一问题,提出了一种实部消除方法.首先从阵元接收环境噪声的物理机理出发,将圆环阵接收的噪声场分解为对称噪声场和非对称噪声场,并且研究发现对称噪声场只影响数据协方差矩阵的实部.然后通过消除协方差矩阵实部,达到消除对称噪声场的目的,提高信噪比,但是同时产生了虚假声源.针对虚假声源的问题,提出了基于优化算法重构协方差矩阵实部的方法,消除了虚假声源的影响.仿真分析与海试数据处理结果表明:该方法明显消除了对称噪声,提高了信噪比,改善了阵列信号处理算法的性能.实部消除方法易于实现,有一定的工程应用价值.     

噪声方差未知时的分布式量化估计融合方法

为了解决观观测噪声和信道噪声概率分布不完全已知时的多传感器分布式量化估计融合问题,提出了一种期望极大化算法(EM算法)的分布式量化估计融合方法。该方法将未知的噪声参数以及局部量化器量化概率建模为EM算法中二元高斯混合模型参数,利用极大似然估计方法的估计不变性得到目标参数的估计融合结果。仿真实验结果表明:该方法在局部传感器观测样本数目大于6000和信噪比大于6 dB时与已有理想信道条件下的估计方法性能相当。本文方法对水下分布式协同探测问题提供了一种简化的估计融合实现途径。      

原子钟噪声变化时改进的Kalman滤波时间尺度算法

Kalman滤波时间尺度算法是一种实时的原子钟状态估计方法,在时间保持工作中具有重要的实用价值.本文引入自适应因子改进Kalman滤波时间尺度算法,对Kalman滤波时间尺度算法中状态预测协方差矩阵引入自适应因子,利用统计量实时计算自适应因子的量值,控制状态预测协方差矩阵的增长,降低原子钟状态估计的扰动,从而提高时间尺度的准确度和稳定度.模拟数据和实测数据表明,原子钟噪声强度变化时或噪声强度估计存在误差时改进的Kalman滤波时间尺度算法有效地提高了时间尺度的准确度和长期稳定度.     

基于EMD的单通道信源数估计方法

为了获取单通道接收信号的信源数目,针对普通信源数估计方法不能直接用于单通道接收信号的问题,提出了基于经验模态分解(empirical mode decomposition, EMD)的信源数估计方法。将单通道信号通过EMD处理,得到多个固有模态函数(intrinsic-mode function, IMF),据此构造数据协方差矩阵。对所构造的协方差矩阵进行特征值分解,采用基于信息论的AIC和MDL准则估计信源数。为进一步提高算法估计性能,引入对角加载技术对矩阵特征值进行平滑处理。仿真实验结果表面,本文提出的方法能够适用于单通道信源数估计,对角加载技术能够显著提高算法检测性能。     

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。      

低复杂度的MIMO声呐协方差矩阵重构方法*

多输入多输出声纳在对目标进行测向时会产生复杂的运算量,从而降低算法的测向效率。针对这一问题,提出了一种基于降维变换方法的低复杂度协方差矩阵重构方法。该方法能够抑制噪声,提高目标侧向性能。首先利用降维变换方法对接收信号进行波束形成,获得低维度的协方差矩阵,再对矩阵进行Toeplitz处理,抑制矩阵的相干性。所得到的新的协方差矩阵,通过特征分解获得噪声子空间和信号子空间,利用MUSIC方法进行测向。为了进一步降低运算复杂度,利用阵型所满足的旋转不变性,可以采用ESPRIT算法对目标进行波达方向估计。理论分析和实验结果表明,该方法有效降低了运算复杂度,提高了算法的测向性能。在有限快拍数的情况下,与传统测向方法相比,具有运算速度快,目标分辨力强的特点。     

一种水声环境下易于硬件实现的盲波束形成方法研究

针对水声环境和水声信号的特点,提出了一种基于高阶累积量的神经网络盲波束形成算法。该方法把高阶累积量可消除高斯噪声干扰这一特性和神经网络可并行计算的结构优势有机地结合起来,不但有效地避免了矩阵求逆运算,而且易于用硬件实时实现盲最优波束形成。仿真实验验证了该算法的有效性和正确性。     

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。