一种M‑UCA估计M‑1个信源的建模方法技术

本发明专利技术公开了一种M阵元均匀圆阵估计M‑1个信源的建模方法，将M‑UCA在色噪声环境的远场中任意放置，对获得的较低信噪比下任意入射角的阵列信号作希尔伯特黄变换得到瞬时相位，构造瞬时相位协方差矩阵求其特征值；然后，将这些特征值放入支持向量机中训练，获得数学模型。实验表明，利用该建模方法得到的数学模型能够改善空间色噪声背景下，M‑UCA估计M‑1个信源估计精度差问题，且估计精度受信源入射角度、信噪比、节拍数的影响较小，具有一定的普适性。本发明专利技术应用于阵列信号处理技术领域中信源数目估计技术。

A M UCA Estimation Modeling Method of M 1 source

The invention discloses a M uniform circular array Estimation Modeling Method of M 1 source, M UCA in colored noise environment in the far field any place, to get a low SNR signal array with arbitrary incident angle for the Hilbert Huang transform to get the instantaneous phase, instantaneous phase covariance structure its matrix eigenvalue; then, these feature values in support vector machine training, obtain the mathematical model. Experimental results show that the mathematical model obtained by this modeling method can improve the spatial color noise background, M UCA M estimated 1 source estimation accuracy, and the estimation accuracy is affected by the source of smaller incident angle, signal-to-noise ratio, the number of beats, has certain universality. The invention is applied to the number estimation of the source in the array signal processing technology.

【技术实现步骤摘要】
一种M-UCA估计M-1个信源的建模方法
本专利技术涉及应用于阵列信号处理
中的色噪声背景下信源个数估计技术。
技术介绍
信源数目精确已知一直是信号来波方向(Directionofarrival,DOA)得以准确估计的前提，如果估计的信源数与实际信源数不一致，测向性能会严重下降。目前常规信源数估计算法分别基于背景噪声为白噪声和背景噪声为色噪声下提出。基于白噪声背景下的方法一般是利用原始数据协方差矩阵的特征值和特征向量，然而这类算法不适用于背景噪声为色噪声的情况。对角加载法和盖尔圆盘法(GerschgorinDiskEstimation,GDE)及H.T.Wu等人的文章“ANewGerschgorinRadiibasedMethodforSourceNumberDetection[C]//Proc10thIEEEWorkShoponStatisticalSignalandArrayProcessing，2000:104-107”提出了一种改进盖尔圆盘法可以估计背景噪声为色噪声的信源数，但前者的合适加载量不易确定，后者当信源数接近阵元数时，盖尔圆盘构造中损失最后一行一列(损失一个自由度)，导致系统的自由度不够，估计性能下降。P.Pal等人的文章“Nestedarrays:Anovelapproachtoarrayprocessingwithenhanceddegreesoffreedom,[J].IEEETransonSignalProcessing，2010,58(8)：4167-4181.”提出理论上用M个阵元至多可以估计M-1个信源。然而据调研知现有大多数算法假设信源数至少少于阵元数一半，当信源数接近阵元数，尤其是信源个数仅比阵元数少1个时，性能将会受到很大影响。赵汇强等人的文章“基于虚拟阵列的信号源数估计算法[J].火力与指挥控制,2010,35(12)：156-158.”在Kullback准则基础上提出了一种虚拟阵列的盖尔圆改进方法,对信源数接近阵元数时的估计效果不理想有一定改善，只是在白噪声背景下得到验证，通过实验表明，在色噪声背景下估计效果不理想。韩克勇等人的文章“ImprovedSourceNumberDetectionandDirectionEstimationWithNestdArraysandULAsJackknifing[J].IEEETransonSignalProcessing，2013,61(23):6118-6128.”提出了一种内嵌阵列的思想，用于提高系统在自由度，解决了实际信源数接近或大于阵元数估计效果差的问题，但该方法是在白噪声背景下提出的。
技术实现思路
为了克服上述不足，本专利技术以“提升了在空间色噪声背景下，用含M个阵元的均匀圆阵(M-UniformCircularArray,M-UCA)估计M-1个信源的估计性能”为依据，提出了一种M-UCA估计M-1个信源的建模方法。一种M-UCA估计M-1个信源的建模方法，其特征在于，具体步骤如下：1、将M-UCA在色噪声环境的远场中任意放置，采集固定采样点数、较低信噪比下任意入射角的信号源数目为N(N＝1,2,…,M-1)的阵列信号X(t)；2、对阵列信号X(t)作希尔伯特黄变换(HilbertHuangTransform,HHT)分解，得到瞬时相位分量；3、对瞬时相位分量构造协方差矩阵,并求特征值，作归一化获得描述信源数目的特征值向量4、将特征值向量放入支持向量机(SupportVectorMachine,SVM)中训练，获得数学模型；5、利用上一步训练好的数学模型对不同条件下的阵列信号测试，得到信源个数；与现有技术相比，本专利技术的有效效果在于：将信号源个数估计转化为模式识别问题，建模方法简单，采集训练样本时，M-UCA在远场中随意摆放，对信号的入射角没有要求。通过本专利技术的建模方法所得到的数学模型，不仅较好改善了色噪声背景下M-UCA估计M-1个信号源精度低的问题，而且估计精度受信号源入射角度、信噪比、节拍数的影响较小，具有一定的普适性。利用较少的阵元就可以准确地估计出仅比阵元数少1个的信源数，为天线阵小型化提供了理论和工程依据。附图说明图1是本专利技术的建模流程图；图2是基于均匀圆阵的远场窄带信号接收阵列模型图；图3是仿真数据的SVM参数选择三维图；图4是六均匀圆阵下的五个信源数的正确检测概率与信噪比的关系图；图5是六均匀圆阵下的五个信源数的正确检测概率与采样点的关系图；图6是实际环境现场模拟图；图7是实际数据的SVM参数选择三维图；图8是四均匀圆阵下的三个信源数的正确检测概率与信噪比的关系图；图9是四均匀圆阵下的三个信源数的正确检测概率与采样点的关系图。具体实施方式为了使本专利技术的技术手段、创作特征、工作流程、使用方法达成目的与功效易于明白了解，下面结合附图和具体实施例，进一步阐述本专利技术具体实施方式。本专利技术针对M-UCA的阵元之间位置关系的特殊性导致的各阵元接收信号时相位上的差异，HHT适用于分析非平稳非线性信号，且可以对信号扩展维数和提取瞬时相位等特征，提出了一种M-UCA估计M-1个信源的建模方法，可以实现在色噪声背景下，利用M个阵元准确估计M-1个信号源。首先对获得较低信噪比下任意入射角的阵列信号作HHT得到瞬时相位，对瞬时相位构造协方差矩阵求其特征值；然后，将这些特征值放入SVM中训练，获得数学模型；最后，利用训练好的数学模型对不同条件下的阵列信号作信源数目估计。为实现上述的专利技术目的，本专利技术采用下述的方案技术，如图1所示：1、将M-UCA在色噪声环境的远场中任意放置，采集固定采样点数、较低信噪比下任意入射角的信号源数目为N(N＝1,2,…,M-1)的阵列信号X(t)；含M个阵元的均匀圆阵(M-UCA)如图2所示，各阵元均匀分布在半径为r的圆上，假设N(N＝1,2，...,M-1)个远场窄带信号入射到M-UCA上，则M-UCA接收信号的数学模型为：X(t)＝AS(t)+N(t)(1)式1中，X(t)＝[x1(t),...,xM(t)]T为UCA信号矢量；t＝1,2,...,L，L表示UCA阵列接收信号的采样点数；S(t)＝[s1(t),...,sN(t)]T为信号源矢量；N(t)＝[n1(t),...,nM(t)]T为加性噪声；A＝[a(Θ1),...,a(ΘN)]为UCA阵列流型矢量，Θi＝(φi,θi),i＝1,2,...N为第i个信号源的入射角，包括φi和θi，分别为第i个信号源的方位角和俯仰角，且φi∈(0,2π)，θi∈(0,π/2)。为第i个信号源的导向矢量，为逆时针第k个阵元与x轴的夹角,为载波波长。加性噪声N(t)本专利技术采用李京华等发表的文章“基于MDL比值的战场目标个数盲估计算法[J].西北工业大学学报,2008,26(6):712-717.”建立的适合均匀圆阵的色噪声模型，第k个阵元接收到的加性噪声如式(2)所示，其中，k＝1,2,...,M，a,b,c为抛物线系数，为色噪声幅度；2、对阵列信号X(t)作希尔伯特黄变换(HilbertHuangTransform,HHT)，得到瞬时相位分量；经验模态分解(EmpiricalModeDecomposition,EMD)是美裔华人科学家N.E.本文档来自技高网...

【技术保护点】
一种M‑UCA估计M‑1个信源的建模方法，其中M‑UCA指含M个阵元的均匀圆阵，其特征在于，包括以下几个步骤：步骤一：将M‑UCA在色噪声环境的远场中任意放置，采集固定采样点数、较低信噪比下任意入射角的信号源数目为1,2,…,M‑1的阵列信号X(t)；步骤二：对阵列信号X(t)作HHT分解，得到瞬时相位分量，其中HHT指希尔伯特黄变换；步骤三：对瞬时相位分量构造协方差矩阵,并求特征值，作归一化获得描述信源数目的特征值向量

【技术特征摘要】
1.一种M-UCA估计M-1个信源的建模方法，其中M-UCA指含M个阵元的均匀圆阵，其特征在于，包括以下几个步骤：步骤一：将M-UCA在色噪声环境的远场中任意放置，采集固定采样点数、较低信噪比下任意入射角的信号源数目为1,2,…,M-1的阵列信号X(t)；步骤二：对阵列信号X(t)作HHT分解，得到瞬时相位分量，其中HHT指希尔伯特黄变换；步骤三：对瞬时相位分量构造协方差矩阵,并求特征值，作归一化获得描述信源数目的特征值向量步骤四：将特征值向量放入SVM中训练，获得数学模型，其中SVM指支持向量机；步骤五：利用上一步训练好的数学模型对不同条件下的阵列信号测试，得到信源个数。2.根据权利要求1所述的一种M-UCA估计M-1个信源的建模方法，其特征在于，将M-UCA在色噪声环境的远场中任意放置，采集固定采样点数、较低信噪比下任意入射角的信号源数目为1,2,…,M-1的阵列信号X(t)：X(t)＝AS(t)+N(t)(1)其中X(t)＝[x1(t),...,xM(t)]T为UCA信号矢量；S(t)＝[s1(t),...,sN(t)]T为信号源矢量；N(t)＝[n1(t),...,nM(t)]T为加性噪声；A＝[a(Θ1),...,a(ΘN)]为UCA阵列流型矢量。Θi＝(φi,θi),i＝1,2,...N为第i个信号源的入射角，包括φi和θi，分别为第i个信号源的方位角和俯仰角，且φi∈(0,2π)，θi∈(0,π/2)；为第i个信号源的导向矢量，为逆时针第k个阵元与x轴的夹角,为载波波长。3.根据权利要求2所述的一种M-UCA估计M-1个信源的建模方法，其特征在于，对权利要求2中所获得的X(t)作HHT分解，得到瞬时相位：首先对X(t)中各信号作经验模态分解：ckl为第k个阵元的第l个IMF分量，对应的残余分量；对式(2)中的ckl(t)作Hilbert变换得：式(3)中，P为柯西主值，则ckl(t)的瞬时相位为：4.根据权利要求3所述的一种M-UCA估计M-1个信源的建模方法，其特征在于，对权利要求3中的瞬时相位分量构造协方差矩阵,并求特征值，作归一化获得描述信源数目的特征值向量构建阵元间协方差矩阵如式(5)所示：其中△l＝[φ1l,φ2l,...,φMl]T，φkl＝[φkl(1),φkl(2),...φkl(L)]，L为采样...

【专利技术属性】
技术研发人员：潘晴，梅超，王甲池，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44