【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 ...
【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,…, ...
【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...
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。