一种基于改进量子粒子群的波达方向估计技术制造技术

本发明专利技术公开了一种基于改进量子粒子群的波达方向估计技术，不依赖于具体的数学模型，估计精度高，对于解决波达方向估计问题取得了较好的效果。高分辨率的波达方向估计一直是提高通信系统性能的一个瓶颈，本发明专利技术技术为获得高分辨率的波达方向估计提供了一种新的解决思路。

【技术实现步骤摘要】

本专利技术涉及阵列信号处理和智能
，具体地说是一种基于改进量子粒子群的的波达方向估计技术。
技术介绍
对用户信号的入射角度进行估计，即对信号源进行定位(波达方向估计)，是阵列信号处理中的一个关键问题。目前，基于阵列的波达方向估计方法主要有传统方法、子空间法、最大似然法、MUSIC算法。传统方法需要较多的阵元才能保证高分辨率，从而限制了其应用；子空间方法充分利用了接收数据的空间结构，将数据分解为信号子空间和噪声子空间，其性能优于传统方法；最大似然法具有较好的鲁棒性，即使在信噪比较低时也能获得较好的性能，但其需要巨大的计算量，使得在工程上限制了其应用；MUSIC算法则存在多维谱峰搜索的困难。量子粒子群算法(QPSO)，是近年新兴起的一种群智能计算方法，其结合量子物理基本理论，将量子理论应用于标准的粒子群优化算法，从量子力学波函数的角度提出的一种新的粒子群优化算法模型，它是对标准PSO算法的全新改进，粒子的搜索性能远远优于基本PSO算法，已经在函数优化、神经网络训练等领域得到应用。本专利技术技术提供一种基于邻域信息的量子粒子群算法并应用于波达方向的估计中。
技术实现思路
本专利技术的目的在于克服MUSIC算法估计波达方向中非线性复杂优化问题，提出一种基于邻域信息的量子粒子群优化算法来估计波达方向，寻优过程中利用了粒子的量子行为，并且搜索粒子可在邻域极值和全局极值之间协同切换，充分发挥搜索粒子间的邻域搜索机制，具有高效搜索和全局搜索的能力，以达到实现最佳波达方向效果。考虑一个阵元的线性均匀阵列，空间有P个窄带平面波信号，第i个阵元的接收信号基带包络可表示为 x i ( t ) = Σ k = 1 P s k ( t ) exp [ j 2 π λ d ( i - 1 ) sin θ k ] + w i ( t ) - - - ( 1 ) ]]>其中，λ为信号中心波长，d为相邻阵元间距，θk为第k个信号源方向与阵列法向的夹角(即波达方向角)，sk为第k个信号源的基带包络，wi(t)为第i个阵元上的加性接收噪声。将式(1)表示为如下矢量形式：X(t)＝A(θ)s(t)+w(t) (2)其中， X ( t ) = [ x 1 ( t ) , . . . , x N ‾ ( t ) ] T , ]]>s(t)＝[s1(t)，…，sP(t)]T， w ( t ) = [ w 1 ( t ) , . . . , w N ‾ ( t ) ] T , ]]>T表示转置。A(θ)为阶矩阵，其列矢量为 a ( θ k ) = [ 1 , e jφ ( θ k ) , . . . , e j ( N ‾ - 1 ) φ ( θ k ) ] T , k = 1,2 , . . . , P , - - - ( 3 ) ]]>其中， φ ( θ k ) = 2 π λ d sin θ本文档来自技高网...

【技术保护点】
一种基于改进量子粒子群的波达方向估计技术，其特征是所述方法包括如下步骤：(1)确定阵元数平面波信号数P，信号中心波长λ，快拍数相邻阵元间距d，结合接收信号对数据协方差矩阵的最大似然估计进行特征分解获得信号子空间S、噪声子空间G。(2)初始化。确定粒子群的种群规模M，粒子的初始位置向量为zl，粒子对应的速度向量为vl，i＝1，2，…，M，最大速度Vmax，每个邻域粒子数N(使M modN＝0)，迭代次数k＝1，最大迭代次数Kmax，每个粒子的局部最优位置以及整个种群的全局最优位置(3)计算各粒子的适应度函数。将M个粒子位置zl(i=1，2，…，M)作为波达方向角θ的估计值，计算MUSIC算法的谱估计适应度函数：f(θ)=aH(θ)a(θ)aH(θ)(I-SSH)a(θ)---(6)]]>获得每个粒子个体适应度函数值，其中，I为单位矩阵，φ(θ)=2πλdsinθ.]]>(4)确定邻域方案。若k＜Kmax，采用构造q＝M/N个邻域；反之，采用构造q＝M/N个邻域，j＝1，2，…，q。每个邻域的第一个粒子可接受全局信息，其他粒子只接受邻域信息。(5)量子粒子群速度和位置更新。第k+1次迭代，粒子根据如下公式更新速度和位置：vlk+1=2r1p1k+2.1r2pgkYl+2.1r2pllk(1-Yl)2r1+2.1r2]]>其中：i＝1，2，…，M，M为群体规模，通常取20～40，α为收缩扩张系数；r1，r2，r3，r4取[0，1]之间均匀分布的随机数，为第i个粒子经历的最好位置(个体极值)，为所有粒子种群经历的最好位置(全局极值)，为第i个粒子对应邻域中所有粒子经历的最好位置(邻域极值)，Yl为邻域学习能力系数，取[0，1]之间的常数或随机数，以区别粒子获取全局或邻域知识的能力。(6)如果达到最大迭代次数(k＝Kmax)，则寻优结束，所得到的前P个全局最优位置向量即为最优波达方向角估计值，也就是输出信源入射角度矢量估计值，进而计算入射方向角的均方差；否则，k：＝k+1，转(3)。...

【技术特征摘要】
1.一种基于改进量子粒子群的波达方向估计技术，其特征是所述方法包括如下步骤：(1)确定阵元数平面波信号数P，信号中心波长λ，快拍数相邻阵元间距d，结合接收信号对数据协方差矩阵的最大似然估计进行特征分解获得信号子空间S、噪声子空间G。(2)初始化。确定粒子群的种群规模M，粒子的初始位置向量为zl，粒子对应的速度向量为vl，i＝1，2，…，M，最大速度Vmax，每个邻域粒子数N(使M modN＝0)，迭代次数k＝1，最大迭代次数Kmax，每个粒子的局部最优位置以及整个种群的全局最优位置(3)计算各粒子的适应度函数。将M个粒子位置zl(i=1，2，…，M)作为波达方向角θ的估计值，计算MUSIC算法的谱估计适应度函数： f ( θ ) = a H ( θ ) a ( θ ) a H ( θ ) ( I - SS H ) a ( θ ) - - - ( 6 ) ]]>获得每个粒子个体适应度函数值，其中，I为单位矩阵， φ ( θ ) = 2 π λ d sin θ . ]]>(4)确定邻域方案。若k＜Kmax，采用构造q＝M/N个邻域；反之，采用构造q＝M/N...

【专利技术属性】
技术研发人员：楼旭阳，崔宝同，
申请(专利权)人：江南大学，
类型：发明
国别省市：江苏;32