当前位置: 首页 > 专利查询>河海大学专利>正文

基于经验模态分解的智能天线波达方向估计系统及方法技术方案

技术编号:13989826 阅读:32 留言:0更新日期:2016-11-13 15:43
本发明专利技术公开了一种基于经验模态分解的智能天线波达方向估计系统及方法,系统包括天线阵模块,天线阵模块接收信号并传给经验模态分解模块,经验模态分解模块将信号分解成不同时间尺度的局部特征信号,并将局部特征信号中的高频信号传给高频方向估计模块,得到高频信号对应的阵列空间谱函数,将局部特征信号中的低频信号传给低频方向估计模块,得到低频信号对应的阵列空间谱函数,最后将高频信号对应的阵列空间谱函数和低频信号对应的阵列空间谱函数送至方向融合模块,由方向融合模块将两者对应累加,通过搜索累加后的阵列空间谱函数的峰值,确定信号的波达方向。本发明专利技术兼顾计算复杂度和分辨率,在复杂电磁环境下能够精确获取快信号目标。

基于经验模态分解的智能天线波达方向估计系统及方法

【技术实现步骤摘要】

本专利技术涉及智能天线,特别是涉及一种基于经验模态分解的智能天线波达方向估计系统及方法
技术介绍
近年来,智能天线在提高系统通信质量、缓解频谱资源不足与无线通信日益发展的矛盾、以及降低系统造价和提高系统管理水平等方面,都具有独特的优点。目前智能天线技术不仅用于声纳、雷达、军事抗干扰通信,完成空间定位和滤波,还结合现代数字信号处理技术在基带形成天线波束,用于具有复杂电波传播环境的移动通信。经研究发现,智能天线可产生空间定向波束,使天线主瓣对准期望信号到达方向,零陷对准干扰信号到达方向,达到高效接收期望信号并抑制干扰信号的目的。传统的智能天线波达方向估计方法有延迟-相加法(Bartlett)、多信号分类法(MUSIC)等。Bartlett法不需谱分解,计算简单,但分辨率较低。由于日益增长的使用需求和电磁环境的复杂性,现代电子测量装备需要比传统的探测设备具有更精准的信号目标侦测能力。因此分辨率较低的Bartlett法在实际应用中受到了限制。MUSIC法分辨率高、抗干扰效果好,但计算复杂度较高,实时效果差,不易捕获快信号目标。目前主要的研究思路有三种,第一种是寻找新的计算量小的波达方向估计方法,但这类方法的分辨率往往不及MUSIC算法;第二种是改进现有的波达方向估计方法,这类方法实际上是在计算量和精度之间进行了折中;第三种根据运算流程合理设计硬件,这类方法是以牺牲硬件成本为代价的,且效果有限。因此,需要一种计算复杂度和分辨率兼顾,满足复杂电磁环境下精确获取快信号目标的天线波达方向估计方法。
技术实现思路
专利技术目的:本专利技术的目的是提供一种兼顾计算复杂度和分辨率,在复杂电磁环境下能够精确获取快信号目标的基于经验模态分解的智能天线波达方向估计系统和方法。技术方案:为达到此目的,本专利技术采用以下技术方案:本专利技术所述的基于经验模态分解的智能天线波达方向估计系统,包括天线阵模块,天线阵模块接收信号并传给经验模态分解模块,经验模态分解模块将信号分解成不同时间尺度的局部特征信号,并将局部特征信号中的高频信号传给高频方向估计模块,得到高频信号对应的阵列空间谱函数,将局部特征信号中的低频信号传给低频方向估计模块,得到低频信号对应的阵列空间谱函数,最后将高频信号对应的阵列空间谱函数和低频信号对应的阵列空间谱函数送至方向融合模块,由方向融合模块将两者对应累加,通过搜索累加后的阵列空间谱函数的峰值,确定信号的波达方向。本专利技术所述的基于经验模态分解的智能天线波达方向估计方法,包括以下步骤:S1:天线阵模块接收信号并传给经验模态分解模块;S2:经验模态分解模块将信号分解成不同时间尺度的局部特征信号,然后将局部特征信号中的高频信号传给高频方向估计模块,将局部特征信号中的低频信号传给低频方向估计模块;S3:高频方向估计模块采用基于粒子群优化的多信号分类法得到高频信号对应的阵列空间谱函数;S4:低频方向估计模块采用基于切比雪夫约束的延迟—相加法得到低频信号对应的阵列空间谱函数;S5:将高频信号对应的阵列空间谱函数和低频信号对应的阵列空间谱函数送至方向融合模块,由方向融合模块将两者对应累加,通过搜索累加后的阵列空间谱函数的峰值,确定信号的波达方向。进一步,所述步骤S3包括以下步骤:S3.1:估计经验模态分解模块分解出的高频信号的协方差矩阵对协方差矩阵进行特征值分解,得到特征值和特征向量;S3.2:确定协方差矩阵的最小特征值,得出最小特征值对应的特征向量,利用特征向量构造噪声特征向量矩阵EN;S3.3:随机产生种族规模为L的初始粒子群,根据式(1)更新每个粒子的空间谱函数: P M U S I C ( θ i ) = 1 a H ( θ i ) E N E N H a ( θ i ) - - - ( 1 ) ]]>式(1)中,a(θi)为高频信号中第i个粒子对应的向量,PMUSIC(θi)为第i个粒子的阵列空间谱函数,i=1,2,...,L;S3.4:计算每个粒子的阵列空间谱函数和目标空间谱函数之间的误差,根据式(2)设置误差最大值的最小化为粒子群的适应度函数fitness(x):fitness(x)=min max(|PMUSIC(θi)-Pd(θi)|2) (2)式(2)中,Pd(θi)为第i个粒子的目标空间谱函数,当适应度函数fitness(x)达到最小值时的阵列空间谱函数记为PG-MUSIC(θ);S3.5:对于n维空间,由L个粒子组成的种群,第i个粒子的速度Vi为:Vi=(vi1,vi2,...,vin) (3)式(3)中,vid为第i个粒子速度在第d维空间的分量,i=1,2,...,L,d=1,2,...,n;第i个粒子的位置Xi为:Xi=(xi1,xi2,...,xin) (4)式(4)中,xid为第i个粒子位置在第d维空间的分量;第i个粒子的个体极值Pi为:Pi=(pi1,pi2,...,pin) (5)式(5)中,pid为第i个粒子个体极值在第d维空间的分量;所有粒子的全局极值Pq为:Pq=(pq1,pq2,...,pqn) (6)式(6)中,pqd为全局极值在第d维空间的分量;根据式(7)和(8)更新粒子的位置及速度: v i d ( t + 1 ) = wv i d ( t ) + c 1 r 1 ( p q d ( t ) 本文档来自技高网...

【技术保护点】
基于经验模态分解的智能天线波达方向估计系统,其特征在于:包括天线阵模块(1),天线阵模块(1)接收信号并传给经验模态分解模块(2),经验模态分解模块(2)将信号分解成不同时间尺度的局部特征信号,并将局部特征信号中的高频信号传给高频方向估计模块(3),得到高频信号对应的阵列空间谱函数,将局部特征信号中的低频信号传给低频方向估计模块(4),得到低频信号对应的阵列空间谱函数,最后将高频信号对应的阵列空间谱函数和低频信号对应的阵列空间谱函数送至方向融合模块(5),由方向融合模块(5)将两者对应累加,通过搜索累加后的阵列空间谱函数的峰值,确定信号的波达方向。

【技术特征摘要】
1.基于经验模态分解的智能天线波达方向估计系统,其特征在于:包括天线阵模块(1),天线阵模块(1)接收信号并传给经验模态分解模块(2),经验模态分解模块(2)将信号分解成不同时间尺度的局部特征信号,并将局部特征信号中的高频信号传给高频方向估计模块(3),得到高频信号对应的阵列空间谱函数,将局部特征信号中的低频信号传给低频方向估计模块(4),得到低频信号对应的阵列空间谱函数,最后将高频信号对应的阵列空间谱函数和低频信号对应的阵列空间谱函数送至方向融合模块(5),由方向融合模块(5)将两者对应累加,通过搜索累加后的阵列空间谱函数的峰值,确定信号的波达方向。2.基于经验模态分解的智能天线波达方向估计方法,其特征在于:包括以下步骤:S1:天线阵模块(1)接收信号并传给经验模态分解模块(2);S2:经验模态分解模块(2)将信号分解成不同时间尺度的局部特征信号,然后将局部特征信号中的高频信号传给高频方向估计模块(3),将局部特征信号中的低频信号传给低频方向估计模块(4);S3:高频方向估计模块(3)采用基于粒子群优化的多信号分类法得到高频信号对应的阵列空间谱函数;S4:低频方向估计模块(4)采用基于切比雪夫约束的延迟—相加法得到低频信号对应的阵列空间谱函数;S5:将高频信号对应的阵列空间谱函数和低频信号对应的阵列空间谱函数送至方向融合模块(5),由方向融合模块(5)将两者对应累加,通过搜索累加后的阵列空间谱函数的峰值,确定信号的波达方向。3.根据权利要求2所述的基于经验模态分解的智能天线波达方向估计方法,其特征在于:所述步骤S3包括以下步骤:S3.1:估计经验模态分解模块(2)分解出的高频信号的协方差矩阵对协方差矩阵进行特征值分解,得到特征值和特征向量;S3.2:确定协方差矩阵的最小特征值,得出最小特征值对应的特征向量,利用特征向量构造噪声特征向量矩阵EN;S3.3:随机产生种族规模为L的初始粒子群,根据式(1)更新每个粒子的空间谱函数: P M U S I C ( θ i ) = 1 a H ( θ i ) E N E N H a ( θ i ) - - - ( 1 ) ]]>式(1)中,a(θi)为高频信号中第i个粒子对应的向量,PMUSIC(θi)为第i个粒子的阵列空间谱函数,i=1,2,...,L;S3.4:计算每个粒子的阵列空间谱函数和目标空间谱函数之间的误差,根据式(2)设置误差最大值的最小化为粒子群的适应度函数fitness(x):fitness(x)=min max(|PMUSIC(θi)-Pd(θi)|2) (2)式(2)中,Pd(θi)为第i个粒子的目标空间谱函数,当适应度函数fitness(x)达到最小值时的阵列空间谱函数记为PG-MUSIC(θ);S3.5:对于n维空间,由L个粒子组成的种群,第i个粒子的速度Vi为:Vi=(vi1,vi2,...,vin) (3)式(3)中,vid为第i个粒子速度在第d维空间的分量,i=1,2,...,L,d=1,2,...,n;第i个粒子的位置Xi为:Xi=(xi1,xi2,...,xin) (4)式(4)中,xid为第i个粒子位置在第d维空间的分量;第i个粒子的个体极值Pi为:Pi=(pi1,pi2,...,pin) (5)式(5)中,pid为第i个粒子个体极值在第d维空间的分量;所有粒子的全局极值Pq为:Pq=(pq1,pq2,...,pqn) (6)式(6)中,pqd为全局极值在第d维空间的分量;根据式(7)和(8)更新粒子的位置及速度: v i d ...

【专利技术属性】
技术研发人员:李娜殷兴辉李海涛李萍刘杰
申请(专利权)人:河海大学
类型:发明
国别省市:江苏;32

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1