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。     

宽带信号高分辨测向研究

本文针对用任意几何形状阵列对宽带信号进行高分辨抗多径测向的问题。简要评述了目前国内外的主要方法,指出它们的优缺点,并提出了宽带最佳加权子空间拟合算法。     

基于子带阵列盲处理的空时干扰抑制

在卫星智能天线终端,传统空时自适应滤波处理中自适应算法需要信号信息而缺乏实时性,阵列处理算法复杂而抗干扰能力不足,针对此问题,提出了一种子带盲自适应阵列处理算法,用于直扩系统空时干扰抑制技术。子带阵列处理相对纯空域处理提高了阵列自由度,相对传统空时的抽头延迟线阵列自适应结构又大大降低了算法复杂度。提出的子带指数型变步长线性约束恒模算法的自适应阵列处理算法能在低算法复杂度下提供较高的收敛速度和收敛精度,不需要发送训练序列,可实现盲自适应波束形成,易于实现实时跟踪信号变化。仿真结果表明新的空时干扰抑制方案具有更好的抗干扰性能。     

基于状态空间模型的多辐射源运动状态分析

利用无源传感器对辐射源进行无源定位是重要的研究课题,受到广泛重视。而利用运动的单一传感器对运动的多个辐射源同时进行运动状态分析则是无源定位问题中的难点。状态空间模型可将辐射源的参数估计和辐射源的运动状态分析有机地联系在一起。本文基于状态空间模型和运动的单一均匀线阵,用信息论准则和ESRPIT算法对辐射源的个数、辐射源的发射频率和空间频率、空间频率变化率进行联合估计,进而对各个辐射源进行运动状态分析(TMA目标运动分析)。     

单光纤分布式传感阵列接收响应特性分析

传统的单(光)纤分布式光纤传感处理方法是将其看作多个独立的“等效传感单元”,并对每个单元单独处理,未有效利用阵列增益扩大探测范围。针对此问题,对单纤分布式光纤水听器的接收响应进行建模仿真,结果表明当处理信号波长大于空间分辨率2倍时,在30°~150°开角范围内,各等效传感单元的频响起伏在3 dB内,且等效传感单元的输出强度与等效声中心处声场强度差异约在3 dB以内,相位响应基本与等效声中心处声场相位一致。此时,单纤分布式光纤水听器的接收响应可满足阵列处理要求,利用阵列增益可提高目标探测能力。