一种基于稀疏贝叶斯学习的机动阵列方位估计方法技术

本发明专利技术是一种基于稀疏贝叶斯学习的机动阵列方位估计方法。本发明专利技术涉及声纳探测技术领域，本发明专利技术根据声纳阵形和平台导航系统提供的阵列指向角，构建机动阵列稀疏信号模型；基于接收噪声的高斯分布假设，建立机动阵列稀疏贝叶斯学习框架，确定阵列接收信号的后验分布形式；根据阵列接收信号的后验分布形式，进行对数最大化操作，得到远场目标方位。本发明专利技术利用稀疏贝叶斯学习的思想解决机动阵列方位估计问题，有效提升了方位估计精度和方位分辨能力，同时还能更有效地抑制左右舷模糊。

【技术实现步骤摘要】
一种基于稀疏贝叶斯学习的机动阵列方位估计方法
本专利技术涉及声纳探测
，是一种基于稀疏贝叶斯学习的机动阵列方位估计方法。
技术介绍
对远场目标进行方位估计是被动声纳系统的重要任务之一。近年来，声纳阵列被广泛安装于无人水下航行器等移动平台上。借助移动平台的机动性，直线声纳阵列方位估计中所固有的左右舷模糊问题可以得到有效解决。当平台发生机动时，声纳阵列的运动可以被分解为平移运动和阵列指向变化。与远场目标和平台之间的距离相比，阵列的平移运动距离可以被忽略。阵列指向变化会导致接收快拍中目标方位信息的时变，因而不能被忽略。对于许多传统的方位估计方法来说，如最小方差无失真响应波束形成(MinimumVarianceDistortionlessResponse，简写为MVDR)、多信号分类(MultipleSignalClassification，简写为MUSIC)等，为了获得更好的估计性能，通常需要恒定的目标方位信息以完成协方差矩阵的精确构建。因此，在阵列机动的条件下，这些方法会性能退化甚至完全失效。现有的机动阵列方位估计方法的基本思想是对阵列运动进行补偿。结合平台导航系统提供的阵列指向变化信息，采用一定的准则对接收信号导向矢量中阵列运动导致的目标方位信息变化进行补偿。然而，这类方法在低信噪比、小快拍数条件下的性能不甚理想。
技术实现思路
本专利技术为利用稀疏贝叶斯学习的思想解决机动阵列方位估计问题，本专利技术提供了一种基于稀疏贝叶斯学习的机动阵列方位估计方法，本专利技术提供了以下技术方案：r>一种基于稀疏贝叶斯学习的机动阵列方位估计方法，包括以下步骤：步骤1：根据声纳阵形和平台导航系统提供的阵列指向角，构建机动阵列稀疏信号模型；步骤2：基于接收噪声的高斯分布假设，建立机动阵列稀疏贝叶斯学习框架，确定阵列接收信号的后验分布形式；步骤3：根据阵列接收信号的后验分布形式，进行对数最大化操作，得到远场目标方位。优选地，所述步骤1具体为：步骤1.1：设定K个在大地坐标系下方向为θ＝{θ1,…,θK}的远场窄带信号，其中，θK为第K个远场窄带信号，入射到由M个阵元组成和阵元间距为半波长的均匀直线阵上，并且入射方向在观测时间内保持不变，当阵列发生机动时，阵列的指向会随时间发生改变，通过下式表示目标信号的导向矢量at(θk)：其中，λ为信号波长，为时变的阵列指向角，t表示时刻；通过下式表示阵列接收信号模型：x(t)＝At(θ)s(t)+n(t),t∈{1,2,…,T}x(t)＝[x1(t),x2(t),…,xM(t)]Ts(t)＝[s1(t),s2(t),…,sK(t)]Tn(t)＝[n1(t),n2(t),…,nM(t)]TAt(θ)＝[at(θ1),at(θ2),…,at(θK)]∈CM×K其中，T表示总快拍数，n(t)表示阵列接收噪声，At(θ)表示t时刻的阵列导向矩阵接收信号s(t)和接收噪声n(t)均为零均值的复高斯随机过程，并且相互独立；远场目标信号在实际观测空域内的分布是稀疏的，将水平面内的360°方向均匀离散成L个角度，即为了满足空域稀疏性，令K＜N＜＜L，将阵列流型矩阵At(θ)扩展成过完备字典并将信号s(t)以补零形式扩展成当时，对应元素才不为0，通过下式表示机动阵列稀疏信号模型优选地，所述步骤2具体为：步骤2.1：由于阵列接收噪声是服从零均值的复高斯分布的，概率密度表示为其中σ2为噪声功率,x(t)服从复高斯分布，对于每个接收快拍，通过下式表示似然函数：在稀疏贝叶斯学习框架下，设定信号幅度服从零均值的复高斯分布，通过下式表示先验分布：其中，为第l个元素，γl为的方差；超参数γ＝[γ1,γ2,…,γL]控制着信号模型的稀疏度，γl在经过计算后均为0，部分γl不为0，代表着在方向内存在目标信号；对于多快拍数据，噪声n(t)和信号是相互独立的，并且由于在不同的快拍下，具有相同的空间稀疏分布，通过下式表示扩展到多快拍情景X＝[x(1),x(2),…,x(T)]Λ＝diag(γ)其中，Λ为超参数γ中的元素构成的对角矩阵，为各个快拍下的补零信号向量构成的矩阵，X为各个接收快拍向量构成的矩阵，为多快拍下的信号先验分布；将似然函数与先验分布相乘，并对求积分，得到X的后验分布，通过下式表示阵列接收信号的后验分布形式：其中，Σt为时变的协方差矩阵。优选地，所述步骤3具体为：步骤3.1：将阵列接收信号的后验分布形式取对数，通过下式表示所述对数：其中，|·|表示矩阵的行列式，超参数通过对所述对数进行最大化得出，通过下式表示超参数：当对γ各元素的导数为0时，得到最小值，通过下式表示最小值：对最小值通过迭代方法进行求解，定义和分别为γl的新迭代值和旧迭代值，通过引入通过下式表示引入：当时停止迭代，其中ε是一个设置的迭代终止参数；在迭代中，通过最大似然方法对σ2进行更新，通过下式进行更新：Rt＝x(t)x(t)H/L其中，Pt为信号的投影矩阵，At,κ为At中的非零元素组成的新矩阵，Rt为协方差矩阵，L为空域离散角度数。本专利技术具有以下有益效果：相比于现有方法，本专利技术利用稀疏贝叶斯学习的思想解决机动阵列方位估计问题，有效提升了方位估计精度和方位分辨能力，同时还能更有效地抑制左右舷模糊。采用本专利技术所设计的稀疏贝叶斯学习方法，可以在声纳阵列机动条件下，实现对远场目标信号的高精度、高分辨方位估计，同时能够解决左右舷模糊问题。附图说明图1为机动阵列远场目标方位估计示意图；图2为空间谱对比示意图；图3为均方根误差随信噪比的变化情况示意图；图4为均方根误差随快拍数的变化情况示意图；图5为成功分辨概率随信噪比的变化情况示意图；图6为成功分辨概率随目标角度间隔的变化情况示意图。具体实施方式以下结合具体实施例，对本专利技术进行了详细说明。具体实施例一：根据图1-图6所示，本专利技术提供一种基于稀疏贝叶斯学习的机动阵列方位估计方法，包括以下步骤：一种基于稀疏贝叶斯学习的机动阵列方位估计方法，包括以下步骤：步骤1：根据声纳阵形和平台导航系统提供的阵列指向角，构建机动阵列稀疏信号模型；所述步骤1具体为：步骤1.1：设定K个在大地坐标系下方向为θ＝{θ1,…,θK}的远场窄带信号，其中，θK为第K个远场窄带信号，入射到由M个阵元组成和阵元间距为半波长的均匀直线阵上，并且入射方向在观测时间内保持不变，当阵列发生机动时，阵列的指向会随时间发生改变，通过下式表示目标信号的导向矢量at(θk)：其中，λ为信号波长，本文档来自技高网...

【技术保护点】
1.一种基于稀疏贝叶斯学习的机动阵列方位估计方法，其特征是：包括以下步骤：/n步骤1：根据声纳阵形和平台导航系统提供的阵列指向角，构建机动阵列稀疏信号模型；/n步骤2：基于接收噪声的高斯分布假设，建立机动阵列稀疏贝叶斯学习框架，确定阵列接收信号的后验分布形式；/n步骤3：根据阵列接收信号的后验分布形式，进行对数最大化操作，得到远场目标方位。/n

【技术特征摘要】
1.一种基于稀疏贝叶斯学习的机动阵列方位估计方法，其特征是：包括以下步骤：
步骤1：根据声纳阵形和平台导航系统提供的阵列指向角，构建机动阵列稀疏信号模型；
步骤2：基于接收噪声的高斯分布假设，建立机动阵列稀疏贝叶斯学习框架，确定阵列接收信号的后验分布形式；
步骤3：根据阵列接收信号的后验分布形式，进行对数最大化操作，得到远场目标方位。


2.根据权利要求1所述的一种基于稀疏贝叶斯学习的机动阵列方位估计方法，其特征是：所述步骤1具体为：
步骤1.1：设定K个在大地坐标系下方向为θ＝{θ1,…,θK}的远场窄带信号，其中，θK为第K个远场窄带信号，入射到由M个阵元组成和阵元间距为半波长的均匀直线阵上，并且入射方向在观测时间内保持不变，当阵列发生机动时，阵列的指向会随时间发生改变，通过下式表示目标信号的导向矢量at(θk)：






其中，λ为信号波长，为时变的阵列指向角，t表示时刻；
通过下式表示阵列接收信号模型：
x(t)＝At(θ)s(t)+n(t),t∈{1,2,…,T}
x(t)＝[x1(t),x2(t),…,xM(t)]T
s(t)＝[s1(t),s2(t),…,sK(t)]T
n(t)＝[n1(t),n2(t),…,nM(t)]T
At(θ)＝[at(θ1),at(θ2),…,at(θK)]∈CM×K
其中，T表示总快拍数，n(t)表示阵列接收噪声，At(θ)表示t时刻的阵列导向矩阵接收信号s(t)和接收噪声n(t)均为零均值的复高斯随机过程，并且相互独立；
远场目标信号在实际观测空域内的分布是稀疏的，将水平面内的360°方向均匀离散成L个角度，即为了满足空域稀疏性，令K＜N＜＜L，将阵列流型矩阵At(θ)扩展成过完备字典并将信号s(t)以补零形式扩展成当时，对应元素才不为0，通过下式表示机动阵列稀疏信号模型





3.根据权利要求1所述的一种基于稀疏贝叶斯学习的机动阵列方位估计方法，其特征是：所述步骤2具体为：
步骤2.1：由于阵列接收噪声是服从零均值的复高斯分布的，概...

【专利技术属性】
技术研发人员：郝宇，邱龙皓，王燕，赵磊，付进，邹男，齐滨，王晋晋，王逸林，张光普，梁国龙，
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