频域盲源分离与波束形成结合抑制方向性强干扰方法

针对方向性强干扰严重影响无源声呐弱目标检测的问题,提出了频域盲源分离与波束形成结合的干扰抑制方法:以子带分解的方法实现宽带干扰抑制。对每个子带进行频域盲源分离,并估计出各分离信号的方位,将与给定强干扰方位匹配的分离信号置零,利用估计的解混矩阵和处理后的分离信号重构回阵元域信号并进行波束形成实现目标方位估计。声呐模拟器数据与海试数据验证结果表明,相对于传统零陷常规波束形成与零陷最小方差无失真响应波束形成方法有2 dB以上的增益,约6 dB的背景级降低,证明该方法在抑制方向性强干扰方面是有效的。      

频域单快拍压缩感知目标方位估计和信号恢复方法

方位估计和信号恢复分别是水下目标定位、跟踪和目标识别的前提。提出了一种阵列频域单快拍压缩感知的水下目标方位估计和信号恢复方法。首先将阵列接收数据变换到频域,取频域单快拍数据作为压缩感知的测量值,然后根据频域快拍对应的频率、搜索方位和阵列流形构造过完备的阵列流形矩阵作为压缩感知的感知矩阵,最后通过基追踪算法估计搜索方位上目标信号和功率,实现DOA估计与信号恢复。宽带仿真实验数据验证结果表明,同等条件下完成同样的目标方位分辨,提出的方法比最小方差无失真响应方法要求的阵元数和快拍数较少,要求的信噪比更低,恢复的目标信号更加准确,波形相关系数达到89%以上。海上实验数据处理结果表明,目标检测能力优于最小方差无失真响应方法,证明该方法可以适用于实际声呐系统。      

一种频域-波数域峰值筛选的无源声呐宽带检测方法

在水声信号处理中,传统的无源声呐宽带目标检测在多目标、强干扰的复杂环境中输出信噪比低,使得检测性能急剧下降。针对此问题,提出一种基于均匀线列阵在频域-波数域上宽带信号能量分布特性进行目标检测的方法。该方法首先将阵列信号转换到频域-波数域,利用不同频率下波数主瓣、旁瓣宽度特征以及空间分布特征,设计针对主瓣的判别与分配方法,实现对同一目标不同频率下波数谱主瓣判别,使用主瓣能量累积、主瓣数目累积的方式来形成方位谱,从而进行目标检测。理论分析和仿真结果表明,所提方法只利用对目标检测有突出贡献的波数主瓣,降低了旁瓣的影响,有效提高了无源宽带水声目标的检测能力。海上试验数据处理结果表明,目标输出信噪比相比子带峰值能量检测算法可提高5.58 dB,较传统能量检测可提高8.73 dB,计算时间相比传统能量检测降低46%,验证了所提方法的有效性与实时性。     

结合盲源分离的非直单线阵多目标左右舷分辨

针对单线阵左右舷模糊问题,提出了结合盲源分离的非直单线阵多目标左右舷分辨算法。该算法首先通过离散傅里叶变换将阵列接收信号离散化为若干个窄带频谱分量,之后对每个频点的窄带数据讲行盲源分离,得到每个频点上各个来波信号的导向向量;然后通过常规波束形成对各个导向向量进行方位谱估计,并根据左右舷抑制比进行单目标左右舷分辨,确定各个频点上的来波方向;最后对所有频点上的来波方向进行聚类,得到各个真实目标的方位,从而实现多目标左右舷分辨。仿真实验中,相比常规波束形成方法(CBF)和最小方差无畸变响应算法(MVDR),该算法更准确地估计出了目标数目,且保持了较快的计算速度;海试数据处理中,该算法排除了目标镜像的干扰,准确估计出了船只目标的轨迹。仿真及海试数据处理均表明,该算法可以分辨真实目标与目标镜像,具有比CBF和MVDR算法更好的左右舷分辨能力。      

快速收敛最小方差无畸变响应算法研究及应用

常规最小方差无畸变响应(MVDR)自适应波束形成是一种高分辨窄带波束形成器,它是利用实际声场的窄带互谱密度矩阵(CSDM)估计出自适应波束形成权向量。在实际应用中,MVDR算法需要较长的观测时间估计协方差矩阵,不利于对高速运动目标进行定位;对于宽带目标信号,MVDR算法需要对每一个CSDM进行求逆运算,计算量较大;在相干源条件下,目标信号之间会发生"对消"现象,MVDR算法性能急剧恶化。本文提出了基于子带子阵处理的快速收敛MVDR自适应波束形成方法。首先将全频带划分成一组子带,将接收线阵划分成一组子阵,然后对每一子带计算降维的驾驶协方差矩阵(STCM),从而得到快速收敛MVDR自适应波束形成的权值和空间谱估计结果。同时采用双向空间平滑方法对相干源进行MVDR空间谱估计。仿真和海试数据处理结果表明该算法在保证高分辨力的同时,具有瞬时收敛的性能,双向空间平滑技术具有良好的解相干性能。      

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。     

改进的贝叶斯压缩感知目标方位估计

针对基于高斯先验模型的贝叶斯压缩感知在目标方位(Direction Of Arrival,DOA)估计中可能出现明显随机伪峰的问题,改进了高斯先验模型,并在此基础上提出了一种贝叶斯压缩感知目标方位估计方法。通过波束输出噪声背景预估与二值指示变量标记,并引入基于信号先验方差的噪声方差估计方法,与变分贝叶斯推断相结合改进目标方位估计性能和优化迭代收敛过程。利用32元线阵对改进算法进行数值仿真处理和分析结果表明,该改进方法不仅可以准确估计目标信号的方位,而且可以显著地减少空间谱中伪峰的数量。实际海上实验数据处理结果表明,使用改进后的贝叶斯压缩感知方法进行DOA估计,可以显著地抑制空间谱中随机的伪峰,提高波束输出峰值背景比,具有更强的目标检测能力。      

基于深度神经网络的水声信号恢复方法研究*

针对干扰或噪声环境下水声目标信号难以获取的问题,该文提出研究基于深度神经网络的自适应水声被动信号波形恢复方法。在单阵元情况下,该方法提取对数功率谱特征作为输入,采用深度神经网络回归模型自适应学习目标信号的自身特征,输出降噪后的对数功率谱特征并还原时域波形。在多阵元情况下,提出阵列深度神经网络降噪方法,将部分或全部阵元特征拼接为长向量作为输入,从而利用空域信息。为全面利用阵列丰富的时频域信息,该文提出一种两阶段特征融合深度神经网络,在第一阶段将阵列分为若干个子阵,将每个子阵分别用阵列深度神经网络进行处理,在第二阶段将第一阶段的各子阵处理结果与阵列接收信号同时输入一个深度神经网络进行融合学习。实验表明,所提出的单阵元和两阶段融合深度神经网络取得了显著优于常规波束形成的恢复结果,能够准确估计目标信号波形和功率并显著提高输出信噪比。     

应用半正定规划的目标方位超分辨方法

针对水下目标方位超分辨估计问题,提出了一种基于半正定规划(Sdp)的常规波束(CBF)方位超分辨算法(SdpCBF).Sdp-CBF算法基于常规波束形成获得多目标方位谱数据,利用阵列响应矩阵和半正定规划技术,精确估计目标数量和波达角方向.该算法的本质是利用阵列特性和信号能量信息获得超分辨方位估计,不用进行子空间分解,通过卷积反演的方式将阵列孔径的有限效应消除,在L₂范数约束条件下重构空间谱.仿真表明,Sdp-CBF算法具有较强的噪声抑制能力,对非相干和相干信号均具有目标方位超分辨能力,在低信噪比环境下的方位分辨性能超过多重信号分类(MUSIC)等经典高分辨算法。对消声水池以及湖上实验数据的处理结果显示,Sdp-CBF算法在复杂环境中对相干信号及微弱信号具有较强的分辨能力。      

多级恒模阵对目标方位估计性能的实验研究

实验分析了一种重要的盲波束形成算法——多级恒模阵对多个统计独立目标的方位估计性能,并与一些“盲”的和非“盲”的方位估计算法进行了比较。首先考虑了理想的阵列模型。然后在阵元响应中加入阵元幅相误差,通过改变误差的大小,进一步分析了算法对阵列模型误差的稳健性。最后针对不同尺寸接收阵和目标间不同角度间距分别进行了水池实验。计算机仿真实验和水池实验数据处理结果表明:当目标源间统计独立时,多级恒模阵对目标信号的捕获、分离不依赖于阵列流形,可以在盲分离信号的基础上估计出目标方位,角度分辨率不受瑞利限的限制,而且对阵列模型误差具有较好的稳健性。该结果验证了多级恒模阵可以对统计独立的多目标方位进行稳健盲估计。     

Direction of arrival estimation for underwater acoustic target based on compressed sensing after blind reconstruction of array signal in frequency domain

The performance of direction of arrival(DOA) estimation based on compressed sensing(CS) decreases in the complex ocean marine environment.In order to tackle this problem,a method of DOA estimation for underwater acoustic target based on CS after blind reconstruction of array signal in frequency domain is proposed.Firstly,the received array data are transformed to frequency domain by Fourier transform and frequency domain wideband signal are divided into part overlapping multiple sub-band array signal.Secondly,each subband array signal are separated using plural blind source separation(BSS) method,the sub-band separated matrix and target signal can be estimated.Thirdly,the array signal in frequency domain are reconstructed according to the separated matrix and separated signals which were not noises.Fourthly,the sub-band spatial spectrum corresponding to the reconstructed array signal is obtained by CS beamforming method.Finally,the total spatial spectrum is achieved by summing the all sub-band spatial spectrum.And the target direction can be estimated by searching the peak value of the total spatial spectrum.The verification results of simulator data and sea measured data show that,under the same conditions,the target detection ability and direction precision of the proposed method is superior to the classical minimum variance distortionless response(MVDR) method,frequency domain CS method,BSS combined with MVDR method.The spatial spectrum energy of faint target signal is improved obviously,and the ability of the sonar to detect faint target is enhanced.     

Direction of arrival estimation and signal recovery based on single snapshot compressed sensing in frequency domain

Direction of arrival(DOA) estimation and signal recovery is the base of the underwater target localization,tracking and recognition.Based on the compressed sensing theory,a method for DOA estimation and source signal recovery is proposed using the single snapshot processing of the received array signal in frequency domain.The received array signal are transformed to frequency domain,and the single snapshot data in frequency domain are regarded as the measured data of the compressed sensing.According to the frequency,searching orientation and array manifold,the overcomplete array manifold is constructed as the sensing matrix of the compressed sensing.Both the target signal and power of the searching orientation are estimated by the basis pursuit method to complete DOA estimation and signal recovery.Simulation results show that the proposed method has a number of advantages over the minimum variance distortionless response(MVDR) method,including improved robustness to noise,fewer requirement in number of sensors and snapshots.And the correlation coefficient of the signal reaches up to 0.89.Experiment results in real environments verify that the proposed method performs more effectively in the detection of weak targets than the MVDR method and can be applied to real sonar system.     

基于哈达玛积扩展子空间的到达时间和波达方向联合估计

在窄带阵列天线正交频分复用系统的到达时间和波达方向联合估计中, 针对阵元数目较少时波达方向估计精度不高, 特别是多径数目大于阵元数目导致的波达方向无法估计问题, 提出一种基于哈达玛积扩展子空间的到达时间和波达方向联合估计算法. 该算法首先利用各阵元上的频域信道估计构成扩展信道频域响应矢量, 然后计算扩展信道频域响应矢量自相关矩阵, 并进行特征值分解得到哈达玛积扩展噪声子空间, 最后构造伪谱函数并进行二维谱峰搜索, 从而实现到达时间和波达方向的联合估计. 仿真结果表明, 与现有算法相比, 在复杂度没有大幅提高的前提下, 该算法的估计结果均方根误差更加接近克拉美罗界, 且到达时间和波达方向估计能够自动配对, 在多径数目大于阵元数目时依然适用.     

矢量声纳高速运动目标稳健高分辨方位估计

针对水声矢量信号处理框架中的高速运动目标低信噪 比小快拍条件下的稳健高分辨方位估计问题, 将压缩感知技术应用于水声矢量信号空间谱估计模型中. 结合声矢量传感器结构特性, 探讨了基于声压振速联合处理的广义时域滤波方法; 结合矩阵空域预滤波理论, 设计了基于阻带约束通带均方误差最大值最小的空域滤波器, 研究了矢量声纳空域预滤波方法; 结合以上分析, 提出了基于压缩感知技术的时空联合滤波高分辨方位估计方法, 给出了方法的数学模型、物理解释及具体实施步骤.理论分析和计算机仿真试验表明, 新方法对于小快拍数 条件下的矢量声纳高速运动目标高分辨方位估计问题, 具有较低的双目标分辨门限和较高的估计精度, 有着良好的应用前景.湖上试验验证了方法的有效性. 关键词： 声矢量传感器 空间谱估计 时空滤波 压缩感知     

基于压缩感知估计的GIS击穿放电定位方法研究*

经典的空间谱估计方法,如多重信号分离(MUSIC)方法,对噪声敏感,难以在低信噪比环境中有效地进行波达方向估计。为提升在复杂电力环境中的气体绝缘金属封闭开关设备(GIS)击穿定位能力,该文提出了一种基于极化内插的压缩感知波达方向估计方法 CSP-DOA。该方法对传声器阵列接收到的数据进行建模,形成多测量矢量模型,结合压缩感知中稀疏重构技术进行波达方向估计;同时,该方法还采用极化内插技术解决了稀疏重构中的费网格问题,进一步提升了波达方向估计精度及计算效率。通过数值模拟对算法的定位效果进行了分析,仿真结果表明CSP-DOA方法对于击穿信号有更好的定位效果。结合可见光图像匹配实现了GIS击穿信源的二维可视化定位,在某高压大厅的GIS模型上进行耐压击穿定位试验研究,试验结果进一步验证了该文方法可较好的应用于GIS的击穿定位。     

应用经验模态分解的拖船噪声信号重构及抵消方法

针对拖船干扰的时空特点,提出了将EMD(Empirical Mode Decomposition)应用于拖船噪声信号重构及抵消的方法。为了解决以往需要人工干预挑选EMD输出的多路IMF分量的缺点,提出了将多路IMF(Intrinsic Mode Function)分量与基元域信号按照线谱与连续谱分别做功率谱相关并以谱相关系数最大为准则的挑选算法。基于逆波束形成的理论,利用挑选后的IMF分量重构基元域信号,并与原始基元域信号谱减后再进行方位估计。拖曳声呐模拟器数据与实际海试数据验证结果表明,本文算法能够提高弱目标空间增益,尤其是对于靠近干扰盲区的弱目标空间增益提高明显,并且对拖船多途角扩展干扰也具有较好的抵消能力。      

Direction-of-arrival estimation for co-located multiple-input multiple-output radar using structural sparsity Bayesian learning

This paper addresses the direction of arrival(DOA) estimation problem for the co-located multiple-input multipleoutput(MIMO) radar with random arrays. The spatially distributed sparsity of the targets in the background makes compressive sensing(CS) desirable for DOA estimation. A spatial CS framework is presented, which links the DOA estimation problem to support recovery from a known over-complete dictionary. A modified statistical model is developed to accurately represent the intra-block correlation of the received signal. A structural sparsity Bayesian learning algorithm is proposed for the sparse recovery problem. The proposed algorithm, which exploits intra-signal correlation, is capable being applied to limited data support and low signal-to-noise ratio(SNR) scene. Furthermore, the proposed algorithm has less computation load compared to the classical Bayesian algorithm. Simulation results show that the proposed algorithm has a more accurate DOA estimation than the traditional multiple signal classification(MUSIC) algorithm and other CS recovery algorithms.     

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。