一种基于量子细胞膜优化机理的空时测向方法技术

本发明专利技术属于阵列信号处理领域，具体涉及一种基于量子细胞膜优化机理的空时测向方法，包括以下步骤：获取信号时域数据、信号快拍采样和对采样数据进行时域延迟；构造极大似然估计的极大似然估计方程，进行量子物质群的初始化，并且构造适应度函数；选取精英量子个体，对精英量子个体进行局部搜索；划分量子个体类型；高浓度脂溶性量子个体自由扩散；高浓度非脂溶性量子个体运动；低浓度量子个体运动；生成新一代的量子物质群；判断是否达到最大迭代次数。本发明专利技术设计的基于量子细胞膜优化机理的空时测向方法，解决了极大似然类估计方法计算量大的难题，可快速得到较为精确的信号角度和频率的联合估计结果，易于在工程应用中实时处理。

【技术实现步骤摘要】
一种基于量子细胞膜优化机理的空时测向方法
本专利技术属于阵列信号处理领域，具体涉及一种基于量子细胞膜优化机理的空时测向方法。
技术介绍
测向技术是阵列信号处理技术中的重要分支，大部分的测向技术是针对方位角的一维信号参数的估计，但是相对而言，多维参数的估计更贴近实际应用，其中一个重要的研究方向就是空时测向问题。在诸多测向方法中，使用极大似然估计原理的测向方法原理简单，能对相干源测向，鲁棒性和稳定性较强，但实际应用中由于实现过程复杂，二维搜索所需的计算量大，且若多维搜索方法效率低，测向的结果可能不收敛，也可能仅找到似然函数的一个近似极值，难以保证收敛到全局最优解，限制了这种方法的实际应用。而旋转不变子空间方法的优点在于计算量小，不需要进行谱峰搜索，但是需要进行高维奇异值分解，且需要进行额外的参数配对运算。通过对现有技术文献的检索发现，张志成等在《光学精密工程》上发表的“利用状态空间模型联合估计波达方向和频率”中，提出了一种通过构造状态空间模型，利用其包含信号的波达方向和频率信息的系统矩阵，对系统矩阵的估计值进行特征分解得到信号的波达方向和频率，但估计误差较大。胡学龙等在《扬州大学学报》上本文档来自技高网...

【技术保护点】
1.一种基于量子细胞膜优化机理的空时测向方法，其特征在于，包括以下步骤：(1)获取信号时域数据、信号快拍采样和对采样数据进行时域延迟；(2)构造极大似然估计的极大似然估计方程，进行量子物质群的初始化，并且构造适应度函数；(3)选取精英量子个体，对精英量子个体进行局部搜索；(4)划分量子个体类型；(5)高浓度脂溶性量子个体自由扩散；(6)高浓度非脂溶性量子个体运动；(7)低浓度量子个体运动；(8)生成新一代的量子物质群；(9)判断是否达到最大迭代次数。

【技术特征摘要】
1.一种基于量子细胞膜优化机理的空时测向方法，其特征在于，包括以下步骤：(1)获取信号时域数据、信号快拍采样和对采样数据进行时域延迟；(2)构造极大似然估计的极大似然估计方程，进行量子物质群的初始化，并且构造适应度函数；(3)选取精英量子个体，对精英量子个体进行局部搜索；(4)划分量子个体类型；(5)高浓度脂溶性量子个体自由扩散；(6)高浓度非脂溶性量子个体运动；(7)低浓度量子个体运动；(8)生成新一代的量子物质群；(9)判断是否达到最大迭代次数。2.根据权利要求1所述的方法，其特征在于，所述获取信号时域数据、信号快拍采样和对采样数据进行时域延迟，包括：有I个方位角为θ＝(θ1,θ2,…,θI)，频率为ω＝(ω1,ω2,…,ωI)的远场窄带信号，入射到含有M个间距为η的阵元的均匀线阵上，且每个阵元有K级时域延迟均为σ的延迟器，其中θi为第i个信号波达方向与线阵法线方向的夹角；t时刻的第i个信号用复包络表示为：其中，j为虚数单位，ui(t)为信号的幅度，为信号的相位；t时刻到达第m个阵元的第i个信号为：si(t-τmi)＝si(t)exp(-jωiτmi)其中，τmi为第i个信号到达第m个阵元所产生的相对于参考阵元的空间延迟；第m个阵元位置为δm，则有：其中，c为信号的传播速度；在理想状态下，阵列中的各阵元不存在通道不一致或互耦因素的影响，则t时刻第m个阵元接收到的数据为：其中nm(t)表示t时刻第m个阵元处的高斯白噪声；信号通过第m个阵元的第k级延迟器产生时域延迟后的输出的数据为：将上式写成矩阵形式，得到第m个阵元在t时刻接收到的数据矢量为：Ym(t)＝AmS(t)+Nm(t)其中，Am为阵列流型矩阵，S(t)为信号矢量，Nm(t)为噪声矢量，m＝1,2,…,M将Ym(t)排列为矩阵进而化简得到：Y(t)＝A(θ,ω)S(t)+N(t)其中，噪声矩阵M×K行I列的空时二维阵列流型矩阵第u次快拍采样的采样数据为Y(u)，u＝1,2,…,U，构造采样数据的协方差矩阵：其中，U为快拍总数，H代表共轭转置运算。3.根据权利要求1所述的方法，其特征在于，所述构造极大似然估计的极大似然估计方程，进行量子物质群的初始化，并且构造适应度函数，包括：采用空时二维的极大似然方法，构造正交投影矩阵：其中，为信号方位角的解空间中的一个解，为信号频率的解空间中的一个解；则极大似然估计的极大似然方程为：其中，tr代表矩阵求迹运算；设定量子物质群中的量子个体总数量H，最大迭代次数G，第g次迭代中的第h个量子个体表示为生成H个D＝2I维量子个体第h个量子个体的第d维为在初代取值为[0,1]内的均匀随机数，d＝1,2,…,D；将量子个体的奇数维映射到信号方位角解的范围内为将偶数维映射到信号频率解的范围内为得到映射态个体构造量子个体适应度函数：4.根据权利要求1所述的方法，其特征在于，所述选取精英量子个体，对精英量子个体进行局部搜索，包括：计算量子物质群中的第h个量子个体的适应度，h＝1,2,…,H，令适应度最大的量子个体为精英量子个体再使用模拟量子旋转门，通过让bg随机运动次进行局部搜索得到备选的新一代精英量子个体第次随机运动中，bg的第d维对应的量子旋转角为为[-1,1]内的均匀随机数，更新为的映射态中适应度最大的为其中为的映射态，若则保留的量子态作为新一代精英量子个体；否则令bg+1＝bg作为新一代精英量子个体。5.根据权利要求1所述的方法，其特征在于，所述划分量子个体类型，包括：令对于量子物质群中的第h个量子个体定义其在量子物质群中所处位置的浓度为其中αh为判别条件成立的次数，且d＝1,2,…,D将量子物质群中的每个量子个体按照浓度由大到小排序，浓度排名前一半的个量子个体划分为高浓度量子个体浓度排名后一半的个量子个体划分为低浓度量子个体将...

【专利技术属性】
技术研发人员：高洪元，孙贺麟，池鹏飞，刁鸣，张世铂，陈梦晗，侯阳阳，吕阔，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：黑龙江,23