一种频率和方位联合估计的阵列信号处理方法技术

本发明专利技术涉及一种频率和方位联合估计的阵列信号处理方法，首先在若干个假设频率的条件下，针对每一个假设的单频信号，建立了状态方程和观测方程。在此基础上，利用卡尔曼滤波器提高了信号的信噪比，进而再利用波束形成器获得目标方位。然后，建立与假设频率和目标方位有关的目标函数。最后，通过使得目标函数达到最大而获得最终的频率‑DOA联合估计。本发明专利技术使得频率估计和目标方位估计的均方根误差减小，实现低信噪比环境中频率‑DOA联合估计，提高了接收设备的作用距离，克服了现有方法在低信噪比下参数估计性能下降的问题。

An Array Signal Processing Method for Joint Frequency and Azimuth Estimation

The present invention relates to an array signal processing method for joint frequency and azimuth estimation. Firstly, state equation and observation equation are established for each hypothetical single frequency signal under several hypothetical frequencies. On this basis, Kalman filter is used to improve the signal-to-noise ratio of the signal, and then the beamformer is used to obtain the target azimuth. Then, the objective function related to the hypothetical frequency and the target azimuth is established. Finally, the final joint frequency-DOA estimation is obtained by maximizing the objective function. The invention reduces the root mean square error of frequency estimation and target azimuth estimation, realizes joint estimation of frequency and DOA in low signal-to-noise ratio environment, improves the operating distance of receiving equipment, and overcomes the problem of performance degradation of parameter estimation under low signal-to-noise ratio by existing methods.

【技术实现步骤摘要】
一种频率和方位联合估计的阵列信号处理方法
本专利技术属于阵列信号处理领域，涉及一种频率和方位联合估计的阵列信号处理方法。
技术介绍
参数估计是阵列信号处理中的主要任务之一，包括频率估计、目标方位估计(Directionofarrival，DOA)、频率-DOA联合估计等。比如在舰船和潜艇的辐射噪声中，存在单频线谱信号，因此它可以用于检测目标。但是在接收阵列工作环境中，当接收阵列与目标的距离较远时，则阵列接收的信噪比很低，工作距离有限。频率估计是参数估计中的一个重要任务。低信噪比将导致传统的一些频率估计的方法性能下降，包括傅里叶变换(参见：FrequencyestimationusingwrapeddiscreteFouriertransform.SignalProcessing,2003,83(8):1661-1671)、基于特征分析的频率估计方法(参见：AnalysisofMUSICandESPRITfrequencyestimatesforsinusoidalsignalswithlowpassenvelopes.IEEETransactionsonSignalProcessing,1996,44(9):2359-2364)以及时频分析方法(参见：UseoftheCrossWigner-VilleDistributionforEstimationofInstantaneousFrequency.IEEETransactionsonSignalProcessing,1993,41(3):1439-1445)等等。目标方位估计是阵列信号处理中的另一个主要任务。通常，利用子空间分解方法和波束形成方法来估计目标方位。基于子空间分解方法的算法最大的缺点是在低信噪比下，信号源数估计不正确，其性能可能会严重下降。波束形成方法包括延时求和波束形成方法(Delay-and-sumBeamforming，DAS)和最小方差无畸变响应波束形成方法(minimumvariancedistortionlessresponse,MVDR)等。当快拍数较少或者阵列存在位置误差和通道相幅误差时，MVDR波束形成方法的稳健性较差。相比之下，DAS波束形成方法具有较好的稳健性，得到了较为广泛的应用，但是该方法的噪声抑制能力受到了阵列孔径的限制。为了提高DAS波束形成方法的噪声抑制能力，进而提高目标方位估计的性能，国内外的学者研究了基于DAS波束形成方法的各种改进方法。有学者将协方差矩阵对角线置0，改善了DAS的性能(参见：BeamforminginAcousticTesting.Berlin:2002:83-86.)。有学者提出了复杂噪声场条件下的对角减载技术，大大提高了噪声抑制的效果(参见：复杂噪声场下对角减载技术的原理及应用.物理学报,2017；66(1):152-161)。上述这些基于DAS波束形成方法的各种改进方法均是对协方差矩阵进行处理，没有充分挖掘噪声抑制能力。在低信噪比下，基于上述这些方法的方位估计性能下降。在一些实际应用中，需要同时估计一些参数。ESPRIT方法(参见：Totalleastsquaresphasedaveragingand3-DESPRITforjointazimuth-elevation-carrierestimation.IEEETransactionsonSignalProcessing,2001,49(1):54–62)和最大似然方法(参见：Maximumlikelihoodangle-frequencyestimationinpartiallyknowncorrelatednoiseforlow-elevationtargets.IEEETransactionsonSignalProcessing,2005,53(8):3057–3064)是两种常见的频率-DOA联合估计方法。最大似然方法呈现出了较好的性能，但是其计算复杂度较高，需要进行多维搜索。相比之下，ESPRIT的计算复杂度较低，但是在低信噪比下，ESPRIT方法的性能下降。因此，在低信噪比环境中实现参数估计是一个极具挑战而又亟待解决的问题。
技术实现思路
要解决的技术问题为了避免现有技术的不足之处，本专利技术提出一种频率和方位联合估计的阵列信号处理方法，实现低信噪比下频率估计和方位估计。技术方案一种频率和方位联合估计的阵列信号处理方法，其特征在于步骤如下：步骤1：以M个水听器组成的接收阵列接收来自空间的信号和噪声数据，表示为x(k)＝s(k)+n(k)，其中s(k)＝[s1(k),s2(k),…,sM(k)]T为阵列接收到的信号，第m号阵元接收到信号表示为sm(k)＝Amsin[2πf(k-1)/fs+φm]+vm(k)，Am为幅度，φm为相位，fs为采样频率，vm(k)表示信号畸变，是具有独立样本的高斯随机过程。n(k)＝[n1(k),n2(k),…,nM(k)]T为阵列接收到的高斯白噪声，协方差矩阵为Qn；步骤2：构建状态方程所述B(f)为状态矩阵所述KTs(k)为状态向量其中式中，表示Hilbert变换；所述v(k)为信号畸变矢量，表示为其协方差矩阵为Q；所述为状态方程中的驱动噪声矢量，表示为v′(k+1)＝v(k+1)-B(f)v(k)，其协方差矩阵为Q′＝2Q；步骤3：构建观测方程，表示为：步骤4：将flow≤f≤fhigh频率范围按照等频率间隔，分成L个假设频率，记为fl,l＝1,2,…,L，在每一个假设频率下计算得到状态矩阵B(fl)；并根据步骤2和步骤3获得的状态方程和观测方程，利用Kalman滤波器获得每一个假设频率下的输出，具体递推式顺序计算如下：1.初始化和(-1|-1)2.预测：3.最小预测MSE(MeanSquaredError)矩阵：4.卡尔曼增益矩阵：K(k)＝M(k|k-1)DT[Qn+DM(k|k-1)DT]-15.修正：6.最小MSE矩阵：M(k|k)＝[I-K(k)D]M(k|k-1)，I为单位矩阵；重复2～6得到Kalman滤波器的输出将该输出乘以矩阵D，得到阵列的输出并利用Hilbert变换求取的解析信号形式，记为Z(k,fl)；步骤5：利用步骤4中的输出信号Z(k,fl)，计算得到方位谱Pl(θ)＝wH(fl,θ)R(fl)w(fl,θ)R(fl)为Z(k,fl)的协方差矩阵，w(fl,θ)为波束形成器的加权向量；上标H表示复共轭转置；计算目标方位估计：得到目标估计方位所在主瓣外的最大旁瓣为最大旁瓣级最大旁瓣级SLLl；步骤6：将阵列接收到的数据分成T段，对每一段数据，利用步骤4～步骤5计算得到最大旁瓣级SLLl,t，t＝1,2,…,T和目标方位估计t＝1,2,…,T；对每一个固定的l，计算得到的方差为同时计算得到平均最大旁瓣级为：建立目标函数为：通过使得目标函数最大化获得频率和方位的联合估计，表示为：其中lop是使得F(fl)达到最大的fl的下标，为频率估计，为方位估计。有益效果本专利技术提出的一种频率和方位联合估计的阵列信号处理方法，基于Kalman滤波器和波束形成器，提出了基于Kalman滤波器和波束形成器的频率-DOA联合估计方法，称为minimumvarianceandsidelo本文档来自技高网...

【技术保护点】
1.一种频率和方位联合估计的阵列信号处理方法，其特征在于步骤如下：步骤1：以M个水听器组成的接收阵列接收来自空间的信号和噪声数据，表示为x(k)＝s(k)+n(k)，其中s(k)＝[s1(k),s2(k),…,sM(k)]T为阵列接收到的信号，第m号阵元接收到信号表示为sm(k)＝Amsin[2πf(k‑1)/fs+φm]+vm(k)，Am为幅度，φm为相位，fs为采样频率，vm(k)表示信号畸变，是具有独立样本的高斯随机过程。n(k)＝[n1(k),n2(k),…,nM(k)]T为阵列接收到的高斯白噪声，协方差矩阵为Qn；步骤2：构建状态方程

【技术特征摘要】
1.一种频率和方位联合估计的阵列信号处理方法，其特征在于步骤如下：步骤1：以M个水听器组成的接收阵列接收来自空间的信号和噪声数据，表示为x(k)＝s(k)+n(k)，其中s(k)＝[s1(k),s2(k),…,sM(k)]T为阵列接收到的信号，第m号阵元接收到信号表示为sm(k)＝Amsin[2πf(k-1)/fs+φm]+vm(k)，Am为幅度，φm为相位，fs为采样频率，vm(k)表示信号畸变，是具有独立样本的高斯随机过程。n(k)＝[n1(k),n2(k),…,nM(k)]T为阵列接收到的高斯白噪声，协方差矩阵为Qn；步骤2：构建状态方程所述B(f)为状态矩阵所述KTs(k)为状态向量其中式中，表示Hilbert变换；所述v(k)为信号畸变矢量，表示为其协方差矩阵为Q；所述为状态方程中的驱动噪声矢量，表示为v′(k+1)＝v(k+1)-B(f)v(k)，其协方差矩阵为Q′＝2Q；步骤3：构建观测方程，表示为：步骤4：将flow≤f≤fhigh频率范围按照等频率间隔，分成L个假设频率，记为fl,l＝1,2,…,L，在每一个假设频率下计算得到状态矩阵B(fl)；并根据步骤2和步骤3获得的状态方程和观测方程，利用Kalman滤波器获得每一个假设频率下的输出，具体递推...

【专利技术属性】
技术研发人员：夏麾军，杨益新，马远良，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西,61