一种基于高阶累计量的波达快速估计方法技术

本发明专利技术公开了一种基于高阶累计量的波达快速估计方法，属于信号处理技术领域。本发明专利技术针对现有基于高阶累积量的阵列信号处理方法所存在的计算复杂度过高的问题，利用线性时间的奇异值分解方法进行信号子空间的近似，从而大幅缩短算法的执行时间并大幅节约算法的占用内存。本发明专利技术还公开了一种基于声线传播时间层析的海洋声层析方法以及一种定位方法。本发明专利技术在保证较高分辨能力的同时，可大幅降低现有技术的时间复杂度与空间复杂度，减少硬件资源的消耗并提高信号处理的实时性。

【技术实现步骤摘要】

本专利技术涉及一种波达估计方法，尤其涉及一种基于高阶累计量的波达快速估计方法，属于信号处理

技术介绍
在浅水中，声波的传播过程总是伴随着在海洋表面或水中暗礁处的反射或折射现象。因此声波是在多路径模型中传播的。多路径传播特性在浅水中有广泛地应用，例如主动声纳，海洋声层析术与声源定位等。多路径传播可以覆盖更多的海洋环境，但同时产生的相干信号会对处理造成干扰。因此需要对接收信号进行分离处理。这个问题吸引了相关研究者极大的关注并提出了很多有价值的算法。在这些算法中，基于子空间类算法由于高分辨能力而受到研究者的重视。特别是由Schmidt[SchmidtRO.Multipleemitterlocationandsignalparameterestimation[J].AntennasandPropagation,IEEETransactionson,1986,34(3):276-280.]提出的多重信号分离算法(MultipleSignalClassification:MUSIC)，这是十分典型的基于子空间方法。该算法的基本思想是通过对接收数据的协方差矩阵进行特征分解，构成与代表信号部分的信号子空间正交的噪声子空间。该算法可以用来分离非相干的窄带信号线路径。但是在多路径传播模型中由于接收的线路径是发射信号的不同时延版本，因此它们是高度相关甚至相干的。为了可以有效地分离高度相关甚至相干的宽带信号，Jiang等人在“Raypathseparationwithhighresolutionprocessing”一文[JiangL,AulanierF,LeTouzéG,etal.Raypathseparationwithhighresolutionprocessing,2011]中提出一种高分辨率方法：平滑的主动宽带信号分离算法(smoothing-MUltipleSIgnalClassificationActiveLargeband：s-MUSICAL)。它结合了主动宽带算法与空域-频域平滑算法，并且可以同时在到达角-到达时间域内分离信号。实验表明s-MUSICAL算法极大地改善了信号分离表现，尤其是到达角度相差极小的两个线路径。s-MUSICAL算法建立在环境中仅存在高斯白噪声的假设之上，但在实际海洋环境中存在谱未知的高斯有色噪声。近期，Jiang提出了一种高阶主动宽带MUSIC算法(参见公开日为2016/6/8的中国专利CN105652264A)，可以分离受高斯色噪声污染的线路径。它利用四阶累积量，表达出非高斯过程的有价值信息。该方法主要步骤为：步骤A、对观测数据做傅里叶变换后进行空域-频域平滑处理，并构造出空域-频域平滑处理后信号的四阶累积量矩阵步骤B、根据所述四阶累积量矩阵利用奇异值分解的方法构建观测数据的信号子空间；步骤C、根据观测数据的信号子空间，估计出信号源的波达方向及波达时间。实验表明该算法可以更有效地抑制噪声进而获得更准确的结果。但是在处理过程中需要对四阶累积量矩阵进行奇异值分解。奇异值分解(SingularValueDecomposition:SVD)处理步骤需要大量的计算成本，包括运算时间与内存空间。对矩阵进行SVD处理过程需要的时间和空间与矩阵规模成超线性关系。这无法满足实际应用中的实时性要求。唐建红等人在“改进的基于四阶累积量的MUSIC算法”(唐建红、司锡才与初萍,改进的基于四阶累积量的MUSIC算法.系统工程与电子技术,2010.32(2):第256-259页)一文中提出一种改进方法，朱敏等人在“一种新的基于四阶累积量的DOA估计算法”(朱敏与何培宇,一种新的基于四阶累积量的DOA估计算法.四川大学学报(自然科学版),2011.48(2):第343-348页.)一文中也提出一种类似的改进方法，均利用四阶累积量矩阵自身的结构特性，根据接收端为均匀线阵的情况，通过观察矩阵内部的冗余进而缩小矩阵规模以降低运算量。但这样的方法与阵列情况等因素有关，不同阵列类型的情况下有失效的可能。因此需要一种适用性较强的改进策略，增强基于高阶累积量的信号分离算法的实时性。
技术实现思路
本专利技术所要解决的技术问题在于克服现有技术不足，提供一种基于高阶累计量的波达快速估计方法，在保证较高分辨能力的同时，可大幅降低现有技术的时间复杂度与空间复杂度，减少硬件资源的消耗并提高信号处理的实时性。本专利技术具体采用以下技术方案解决上述技术问题：一种基于高阶累计量的波达快速估计方法，利用等间距直线传感器阵列所接收到的观测数据，估计出信号源的波达方向及波达时间；该方法包括以下步骤：步骤A、对所述观测数据做傅里叶变换后进行空域-频域平滑处理，并构造出空域-频域平滑处理后信号的四阶累积量矩阵步骤B、根据所述四阶累积量矩阵构建观测数据的信号子空间；步骤C、根据观测数据的信号子空间，估计出信号源的波达方向及波达时间；所述步骤B具体如下：步骤B1、对矩阵的全部n个列向量分别按照概率进行随机抽样，得到c个列向量，其中表示矩阵的第i列，||||F表示Frobenius-范数，具体抽取过程：产生0～1的随机数，若该随机数小于前i列概率之和且大于前i-1列概率之和，则第i列被抽中，按此方法进行c次，抽取出c个列向量，1<c<n；之后对抽取出的c个列向量进行缩放调整，第t次抽样抽取出的列向量的缩放因子为：将调整后的列向量组成矩阵步骤B2、对矩阵进行特征值分解；步骤B3、利用矩阵较大的前k个特征值对应的特征向量y，计算得到矩阵的k个特征向量h；其中特征向量y与特征向量h之间的关系为：其中，ht表示第t个特征向量h，yt表示第t个特征向量y，表示矩阵的第t个特征值，k为传感器阵列所接收到的信号个数的平方；步骤B4、以这k个特征向量h张成的空间近似作为观测数据的信号子空间。上述波达快速估计方法可广泛用于雷达、声纳、地震监测等领域，以下为两个具体应用方案：一种基于声线传播时间层析的海洋声层析方法，利用声音在海洋中传播速度的变化来反演海洋环境参数，首先利用以上技术方案所述方法对从声传感器阵列所接收到的多路径传播声信号进行波达估计，从而分离出每一条声线路径；然后根据声线路径的到达时间反演出海洋环境参数。一种定位方法，首先利用以上技术方案所述方法进行波达方向估计，然后利用估计出的波达方向确定信号源的位置。相比现有技术，本专利技术具有以下有益效果：和基于二阶统计量的传统技术相比，本专利技术对实际应用场景中成分复杂的环境噪声有明显的抑制效果，同时可以在传感器阵列阵元数目小于入射线路径数目的情况下正确分离线路径。更重要的是，本专利技术与现有基于四阶累积量的方法相比，仅需占用极少的计算时间与内存空间，为基于高阶统计量原理的信号分离技术应用于实时系统提供了可行性。附图说明图1为本专利技术方法的流程示意图；图2a～图2c为本专利技术方法与现有方法的对比实验结果。具体实施方式下面结合附图对本专利技术的技术方案进行详细说明：本专利技术的专利技术思路是针对现有基于高阶累积量的阵列信号处理方法所存在的计算复杂度过高的问题，利用线性时间的奇异值分解方法进行信号子空间的近似，从而大幅缩短算法的执行时间并大幅节约算法的占用内存。本专利技术基于高阶累计量的波达快速估计方法的流程如图1所示，包括以下本文档来自技高网...

【技术保护点】
一种基于高阶累计量的波达快速估计方法，利用等间距直线传感器阵列所接收到的观测数据，估计出信号源的波达方向及波达时间；该方法包括以下步骤：步骤A、对所述观测数据做傅里叶变换后进行空域‑频域平滑处理，并构造出空域‑频域平滑处理后信号的四阶累积量矩阵步骤B、根据所述四阶累积量矩阵构建观测数据的信号子空间；步骤C、根据观测数据的信号子空间，估计出信号源的波达方向及波达时间；其特征在于，所述步骤B具体如下：步骤B1、对矩阵的全部n个列向量分别按照概率进行随机抽样，得到c个列向量，其中表示矩阵的第i列，||||F表示Frobenius‑范数，具体抽取过程：产生0～1的随机数，若该随机数小于前i列概率之和且大于前i‑1列概率之和，则第i列被抽中，按此方法进行c次，抽取出c个列向量，1<c<n；之后对抽取出的c个列向量进行缩放调整，第t次抽样抽取出的列向量的缩放因子为：将调整后的列向量组成矩阵步骤B2、对矩阵进行特征值分解；步骤B3、利用矩阵较大的前k个特征值对应的特征向量y，计算得到矩阵的k个特征向量h；其中特征向量y与特征向量h之间的关系为：其中，ht表示第t个特征向量h，yt表示第t个特征向量y，表示矩阵的第t个特征值，k为传感器阵列所接收到的信号个数的平方；步骤B4、以这k个特征向量h张成的空间近似作为观测数据的信号子空间。...

【技术特征摘要】
1.一种基于高阶累计量的波达快速估计方法，利用等间距直线传感器阵列所接收到的观测数据，估计出信号源的波达方向及波达时间；该方法包括以下步骤：步骤A、对所述观测数据做傅里叶变换后进行空域-频域平滑处理，并构造出空域-频域平滑处理后信号的四阶累积量矩阵步骤B、根据所述四阶累积量矩阵构建观测数据的信号子空间；步骤C、根据观测数据的信号子空间，估计出信号源的波达方向及波达时间；其特征在于，所述步骤B具体如下：步骤B1、对矩阵的全部n个列向量分别按照概率进行随机抽样，得到c个列向量，其中表示矩阵的第i列，||||F表示Frobenius-范数，具体抽取过程：产生0～1的随机数，若该随机数小于前i列概率之和且大于前i-1列概率之和，则第i列被抽中，按此方法进行c次，抽取出c个列向量，1<c<n；之后对抽取出的c个列向量进行缩放调整，第t次抽样抽取出的列向量的缩放因子为：将调整后的列向量组成矩阵步骤B2、对矩阵进行特征值分解；步骤B3、利用矩阵较大的前k个特征值对应的特征向量y，计算得到矩阵的k个特征向量h；其...

【专利技术属性】
技术研发人员：宋文博，姜龙玉，张喆，伍家松，舒华忠，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32