基于声矢量均匀线阵的高亚音速飞行目标声信号估计方法技术

本发明专利技术涉及声学测量领域，尤其涉及一种基于声矢量均匀线阵的高亚音速飞行目标声信号估计方法。本发明专利技术通过构建均匀线性空间声十字声矢量阵列的时域宽带信号表达式，并采用基于PCA

【技术实现步骤摘要】
基于声矢量均匀线阵的高亚音速飞行目标声信号估计方法


[0001]本专利技术涉及声学测量领域，尤其涉及一种基于声矢量均匀线阵的高亚音速飞行目标声信号估计方法。

技术介绍

[0002]目前，受到海面平台高度的制约，对海面低空飞行目标的超视距探测是常规雷达探测技术的难点。同时，海面平台附近电磁环境复杂会导致电磁背景噪声提高，海面平台雷达对海探测时处于低仰角模式，会存在海杂波严重、多径效应影响等不利因素。以上不利因素导致对海面近程低空飞行目标的雷达探测存在一定难度。
[0003]近年来，基于目标声信号的探测和定位技术作为雷达探测技术的补充方案，得到了广泛关注。声探测技术通过被动接收目标发出的声波以确定目标位置，具有隐蔽性强、不易受电磁干扰和可探测低空目标等优点，尤其是应用于海面平台时，其背景和环境噪声较为单一，杂波干扰较少，因此该方法在对海面低空飞行目标的探测方面具有独特优势。
[0004]以声速为界限，低空飞行目标可分为超声速目标和高亚声速目标两大类。超声速目标飞行时会对周边空气产生扰动而形成马赫波，马赫波的波前又叫激波，激波呈锥面传播且时域特征明显，因此对超声速目标的声学跟踪已经有相对成熟的理论和技术。对于高亚音速飞行目标的声信号，其呈现宽带、瞬态和非平稳特性，对该类目标的声学跟踪方法研究相对较少。

技术实现思路

[0005]针对高亚音速飞行目标声信号呈现出宽带、瞬态和非平稳特性而导致其难以进行声学跟踪的问题，本专利技术公开了一种基于声矢量均匀线阵的高亚音速飞行目标声信号估计方法,其采用在空间均匀分布的多个声矢量传感器构成的声矢量传感器阵列来实现。
[0006]本专利技术的技术方案：
[0007]基于声矢量均匀线阵的高亚音速飞行目标声信号估计方法，具体步骤如下：
[0008]S1：对声矢量传感器阵列的接收信号进行离散傅里叶变换(FFT)，将频域信号进行分段，得到多段频域信号，并计算每段频域信号的协方差矩阵，得到多个协方差矩阵；
[0009]S2：将步骤S1得到的每个协方差矩阵分别输入主成分分析神经网络，即PCA神经网络，PCA神经网络对其输入矩阵进行特征值分解，分别得到每个协方差矩阵的特征向量A(f
j
)，j＝0,1,2,
…
,J；
[0010]S3：利用每个协方差矩阵的特征向量，分别构建每段频域信号的聚焦矩阵，再利用每个聚焦矩阵分别对其对应的频域信号进行聚焦处理，计算得到所有频域信号的总协方差矩阵，对该总协方差矩阵，利用PCA神经网络进行矩阵特征值分解；
[0011]S4：利用PCA神经网络处理得到的矩阵特征值，构建训练数据集，对BP神经网络进行训练；
[0012]S5：若BP神经网络的训练误差小于设定的误差阈值，则认为训练完成，得到训练完
成的BP神经网络，否则进行下一轮训练，直到BP神经网络的训练误差小于设定的误差阈值；
[0013]S6：对于声矢量传感器采集的信号，计算其所有频域信号的总协方差矩阵，将该总协方差矩阵输入PCA神经网络，得到其特征值和特征向量，将该总协方差矩阵的大于阈值的特征值所对应的特征向量构成矩阵，将该矩阵输入训练完成的BP神经网络，此时BP神经网络的输出即为高亚音速飞行目标波达方向DOA的估计值。
[0014]所述的步骤S1，具体包括：采用空间均匀线性分布的位于空间十字阵上的声矢量传感器阵列来实现，以该空间十字阵的阵列基线建立三维直角坐标系，声矢量传感器阵列中的基准传感器位于该三维直角坐标系的坐标原点，声矢量传感器均匀分布于x轴、y轴和z轴的正负半轴上，相邻传感器之间的距离，即基线长度均为d。
[0015]对于K个远场声源，以的入射方向进入声矢量传感器阵列，k＝1,2,
…
,K，第m个声矢量传感器的位置坐标为(x
m
,y
m
,z
m
)，则t时刻K个声源入射到第m个声矢量传感器后，声矢量传感器的输出x
(m)
(t)表示为：
[0016][0017]式中，a
k
为第k个声源入射信号的方向向量，a
k
＝[u
k
,v
k
,w
k
]，q
m
(θ
k
)＝exp(
‑
j2πfτ
km
)，τ
km
表示第k个入射信号到第m个声矢量传感器与到基准传感器之间的时延，τ
km
＝(x
m
u
k
+y
m
v
k
+z
m
w
k
)/c，c为声速，s
k
(t)为第k个声源入射信号的声压信号，n
(m)
(t)为第m个声矢量传感器的量测噪声向量。
[0018]对于K个远场声源，声矢量传感器阵列的接收信号向量x(t)表示为：
[0019][0020]式中，为声矢量阵导向矢量，q(θ
k
)＝[q1(θ
k
),
…
,q
M
(θ
k
)]T
，符号表示克罗内克积运算，M为声矢量传感器的数目。将声矢量传感器采集的信号进行离散采样后，得到L个快拍的离散信号，则对应的声矢量传感器阵接收离散信号矩阵X为M
×
K维，n(t)为声矢量传感器阵列的量测噪声向量。
[0021]将声矢量传感器采集的信号进行FFT，将得到的频域信号划分为J段，对第j段频域信号X(f
j
)，其协方差矩阵R
X
(f
j
)的计算公式为：
[0022]R
X
(f
j
)＝E[X(f
j
)X
H
(f
j
)]，j＝0,1,2,
…
,J
[0023]所述的步骤S2中，利用PCA神经网络实现矩阵特征值分解，具体包括：PCA神经网络采用无监督学习的单层前向传播神经网络来实现，其网络权值向量W满足WW
H
＝I，将离散信号矩阵X输入该PCA神经网络，该PCA神经网络的输出为Y＝WX，第k次迭代后，该PCA神经网络的代价函数为：
[0024]L(W)＝(X
‑
W
H
(k)Y)
H
(X
‑
W
H
(k)Y)
[0025]其中，利用最速梯度下降算法，通过多次迭代求解该神经网络的最优权值向量W
opt
，当相邻次迭代的网络权值向量之差小于阈值ε时，即||W(k)
‑
W(k
‑
1)||2≤ε，判断该PCA神经网络收敛，从而得到最优权值向量W
opt
，即为输入矩阵X的特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于声矢量均匀线阵的高亚音速飞行目标声信号估计方法，其特征在于，具体步骤如下：S1：对声矢量传感器阵列的接收信号进行离散傅里叶变换FFT，将频域信号进行分段，得到多段频域信号，并计算每段频域信号的协方差矩阵，得到多个协方差矩阵；S2：将步骤S1得到的每个协方差矩阵分别输入主成分分析神经网络，即PCA神经网络，PCA神经网络对其输入矩阵进行特征值分解，分别得到每个协方差矩阵的特征向量A(f
j
)，j＝0,1,2,
…
,J；S3：利用每个协方差矩阵的特征向量，分别构建每段频域信号的聚焦矩阵，再利用每个聚焦矩阵分别对其对应的频域信号进行聚焦处理，计算得到所有频域信号的总协方差矩阵，对该总协方差矩阵，利用PCA神经网络进行矩阵特征值分解；S4：利用PCA神经网络处理得到的矩阵特征值，构建训练数据集，对BP神经网络进行训练；S5：若BP神经网络的训练误差小于设定的误差阈值，则认为训练完成，得到训练完成的BP神经网络，否则进行下一轮训练，直到BP神经网络的训练误差小于设定的误差阈值；S6：对于声矢量传感器采集的信号，计算其所有频域信号的总协方差矩阵，将该总协方差矩阵输入PCA神经网络，得到其特征值和特征向量，将该总协方差矩阵的大于阈值的特征值所对应的特征向量构成矩阵，将该矩阵输入训练完成的BP神经网络，此时BP神经网络的输出即为高亚音速飞行目标波达方向DOA的估计值。2.根据权利要求1所述的基于声矢量均匀线阵的高亚音速飞行目标声信号估计方法，其特征在于：所述的步骤S1，具体包括：采用空间均匀线性分布的位于空间十字阵上的声矢量传感器阵列来实现，以该空间十字阵的阵列基线建立三维直角坐标系，声矢量传感器阵列中的基准传感器位于该三维直角坐标系的坐标原点，声矢量传感器均匀分布于x轴、y轴和z轴的正负半轴上，相邻传感器之间的距离，即基线长度均为d；对于K个远场声源，以的入射方向进入声矢量传感器阵列，k＝1,2,
…
,K，第m个声矢量传感器的位置坐标为(x
m
,y
m
,z
m
)，则t时刻K个声源入射到第m个声矢量传感器后，声矢量传感器的输出x
(m)
(t)表示为：式中，a
k
为第k个声源入射信号的方向向量，a
k
＝[u
k
,v
k
,w
k
]，q
m
(θ
k
)＝exp(
‑
j2πfτ
km
)，τ
km
表示第k个入射信号到第m个声矢量传感器与到基准传感器之间的时延，τ
km
＝(x
m
u
k
+y
m
v
k
+z
m
w
k
)/c，c为声速，s
k
(t)为第k个声源入射信号的声压信号，n
(m)
(t)为第m个声矢量传感器的量测噪声向量；对于K个远场声源，声矢量传感器阵列的接收信号向量x(t)表示为：式中，为声矢量阵导向矢量，q(θ
k
)＝[q1(θ
k
),
…
,q
M
(θ
k
)]
T
，符号表示克罗内克积运算，M为声矢量传感器的数目；将声矢量传感器采集的信号进行离
散采样后，得到L个快拍的离散信号，则对应的声矢量传感器阵接收离散信号矩阵X为M
×
K维，n(t)为声矢量传感器阵列的量测噪声向量；将声矢量传感器采集的信号进行FFT，将得到的频域信号划分为J段，对第j段频域信号X(f
j
)，其协方差矩阵R
X
(f
j
)的计算公式为：R
X
(f
j
)＝E[X(f
j
)X
H
(f

【专利技术属性】
技术研发人员：陈昭男，阎肖鹏，孙贵新，邵翔宇，
申请(专利权)人：中国人民解放军九一五五零部队，
类型：发明
国别省市：