一种确定信号信源个数的估计方法技术

一种确定信号信源个数的估计方法，它属于阵列信号处理技术领域。本发明专利技术解决了采用现有方法对信源个数进行估计时，获得的信源个数估计结果的准确率低的问题。本发明专利技术根据观测数据的概率密度和观测数据的特征结构的概率密度，来构造广义贝叶斯信息量准则表达式，计算所有可能的信源个数值对应的信息量值，得到最大的信息量值所对应的信源个数值。与现有方法相比，本发明专利技术方法可以获得更高的信源个数估计的准确率，为基于子空间的算法提供先验知识。本发明专利技术方法可以应用于对确定信号进行信源个数的估计。的估计。的估计。

【技术实现步骤摘要】
一种确定信号信源个数的估计方法


[0001]本专利技术属于阵列信号处理
，具体涉及一种确定信号信源个数的估计方法。

技术介绍

[0002]子空间估计是阵列信号处理中的重要研究内容，信源个数估计算法是子空间类算法的重要组成。基于信息量准则的算法是目前最常用的信源个数估计算法，常用的估计方法包括赤池信息量准则、经典贝叶斯信息量准则等，这些方法将信源个数的估计问题转化为模型参数的选择问题，在参数估计问题中，通常会采用似然函数作为目标函数，通过增加观测数据量提高模型精度，同时加入惩罚项来避免过拟合问题。
[0003]但是现有方法在构造目标函数时，没有充分考虑观测数据的概率密度和观测数据的特征结构的概率密度，使采用现有方法进行信源个数估计时获得的信源个数估计结果的准确率较低。

技术实现思路

[0004]本专利技术的目的是为解决采用现有方法对信源个数进行估计时，获得的信源个数估计结果的准确率低的问题，而提出了一种确定信号信源个数的估计方法。
[0005]本专利技术为解决上述技术问题所采取的技术方案是：
[0006]一种确定信号信源个数的估计方法，所述方法具体包括以下步骤：
[0007]步骤一、采用传感器阵列获得观测数据；
[0008]步骤二、对观测数据的协方差矩阵进行特征值分解，获得观测数据的特征值；
[0009]步骤三、根据特征值计算观测数据的概率密度以及观测数据的特征结构的概率密度，再根据概率密度构造广义贝叶斯信息量准则表达式；
[0010]所述观测数据的概率密度f1为：
[0011][0012]其中，r表示信源个数，N表示传感器阵列中阵元的个数，L表示传感器阵列的每个阵元接收的数据的采样点数，λ
i
表示观测数据的协方差矩阵的第i个特征值；
[0013]观测数据的特征结构的概率密度f2为：
[0014][0015]其中，表示观测数据的协方差矩阵的第i个特征值的真值，λ
j
表示观测数据的协
方差矩阵的第j个特征值，σ2表示高斯白噪声的方差，Γ表示一种数学运算；
[0016]步骤四、将最大的广义贝叶斯信息量值所对应的r值作为信源个数的估计结果。
[0017]进一步地，所述观测数据中包含高斯白噪声和多个窄带信号，窄带信号的个数即信源个数。
[0018]进一步地，所述广义贝叶斯信息量准则表达式为：
[0019]B＝
‑
2lg(f1+f2)+Klg(L)
[0020]其中：B表示广义贝叶斯信息量值，K表示子空间的自由度。
[0021]进一步地，所述子空间的自由度K为：
[0022][0023]更进一步地，所述数学运算Γ的定义为：
[0024]对于任意正整数n，Γ(n)＝(n
‑
1)
·
(n
‑
2)
·2·
1。
[0025]本专利技术的有益效果是：
[0026]本专利技术根据观测数据的概率密度和观测数据的特征结构的概率密度，来构造广义贝叶斯信息量准则表达式，计算所有可能的信源个数值对应的信息量值，得到最大的信息量值所对应的信源个数值。与现有方法相比，本专利技术方法可以获得更高的信源个数估计的准确率，为基于子空间的算法提供先验知识。
附图说明
[0027]图1为本专利技术方法的一种确定信号信源个数的估计方法的流程图；
[0028]图2为信息量值随着信源个数取值的变化曲线图；
[0029]图3为估计成功率随着信噪比的变化曲线图；
[0030]图4为估计成功率随着观测数据的样本点数的变化曲线图。
具体实施方式
[0031]具体实施方式一、结合图1说明本实施方式。本实施方式所述的一种确定信号信源个数的估计方法，所述方法具体包括以下步骤：
[0032]步骤一、采用传感器阵列获得观测数据；
[0033]步骤二、对观测数据的协方差矩阵进行特征值分解，获得观测数据的特征值；
[0034]步骤三、根据特征值计算观测数据的概率密度以及观测数据的特征结构的概率密度，再根据概率密度构造广义贝叶斯信息量准则表达式；
[0035]所述观测数据的概率密度f1为：
[0036][0037]其中，r表示信源个数，N表示传感器阵列中阵元的个数(阵元的个数应大于信源个数)，L表示传感器阵列的每个阵元接收的数据的采样点数，λ
i
表示观测数据的协方差矩阵的第i个特征值；
[0038]观测数据的特征结构的概率密度f2为：
[0039][0040]其中，表示观测数据的协方差矩阵的第i个特征值的真值，λ
j
表示观测数据的协方差矩阵的第j个特征值，σ2表示高斯白噪声的方差，Γ表示一种数学运算；
[0041]本实施方式中的特征值是通过对观测数据的协方差矩阵进行特征值分解获得，R＝UWU
H
，R为协方差矩阵，U表示特征向量矩阵，W表示特征值矩阵，上角标H表示转置共轭运算，各特征值按照由大到小的顺序排列在对角线上，所述的第i个特征值即，将特征值由大到小排序后，序列中排在第i位的特征值。
[0042]步骤四、将最大的广义贝叶斯信息量值所对应的r值作为信源个数的估计结果。
[0043]观测数据的概率密度、观测数据的特征结构的概率密度、子空间的自由度都与信源个数有关，不同信源个数值对应不同的信息量值，计算所有可能的信源个数值所对应的信息量值，其中，最大的信息量值即为对应的信源个数值。
[0044]本专利技术的观测数据中包括传感器阵列接收到的水下目标信号和高斯白噪声信号，水下目标信号为未知的但方差为零的确定信号，确定信号可以用一个明确的数学关系进行描述，确定信号是一个确定的时间函数，对于某个确定时刻，对应一个确定的信号幅度。
[0045]具体实施方式二：本实施方式与具体实施方式一不同的是，所述观测数据中包含高斯白噪声和多个窄带信号，窄带信号的个数即信源个数。
[0046]其它步骤及参数与具体实施方式一相同。
[0047]具体实施方式三：本实施方式与具体实施方式一或二不同的是，所述广义贝叶斯信息量准则表达式为：
[0048]B＝
‑
2lg(f1+f2)+Klg(L)
[0049]其中：B表示广义贝叶斯信息量值，K表示子空间的自由度。
[0050]其它步骤及参数与具体实施方式一或二相同。
[0051]具体实施方式四：本实施方式与具体实施方式一至三之一不同的是，所述子空间的自由度K为：
[0052][0053]其它步骤及参数与具体实施方式一至三之一相同。
[0054]具体实施方式五：本实施方式与具体实施方式一至四之一不同的是，所述数学运算Γ的定义为：
[0055]对于任意正整数n，Γ(n)＝(n
‑
1)
·
(n
‑
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种确定信号信源个数的估计方法，其特征在于，所述方法具体包括以下步骤：步骤一、采用传感器阵列获得观测数据；步骤二、对观测数据的协方差矩阵进行特征值分解，获得观测数据的特征值；步骤三、根据特征值计算观测数据的概率密度以及观测数据的特征结构的概率密度，再根据概率密度构造广义贝叶斯信息量准则表达式；所述观测数据的概率密度f1为：其中，r表示信源个数，N表示传感器阵列中阵元的个数，L表示传感器阵列的每个阵元接收的数据的采样点数，λ
i
表示观测数据的协方差矩阵的第i个特征值；观测数据的特征结构的概率密度f2为：其中，表示观测数据的协方差矩阵的第i个特征值的真值，λ
j
表示观测数据的协方差矩阵的第j个特征值，σ2表示高斯白噪声的方差，Γ表示一种数学运算；步骤四、将最大的广义贝叶斯信息量值所对应的r值作...

【专利技术属性】
技术研发人员：李海鹏，张居成，韩云峰，郑翠娥，
申请(专利权)人：哈尔滨工程大学青岛船舶科技有限公司，
类型：发明
国别省市：