基于贝叶斯压缩感知的反卷积复值波束图的构建方法和装置制造方法及图纸

本发明专利技术公开了一种基于贝叶斯压缩感知的反卷积复值波束图的构建方法和装置，(1)获取声纳系统接收的反射信号，采用波束形成算法根据反射信号构建复值波束图；(2)基于复值波束图构建复值反卷积问题，并在赋予先验概率条件下，采用扩展复值贝叶斯压缩感知算法搜索复值波束图中的候选目标点；(3)对候选目标点对应的索引编号向量和控制参数向量进行检查和重新构建，得到候选目标点的筛选结果；(4)以重新构建的索引编号向量和控制参数向量为基础，利用复值贝叶斯压缩感知算法对候选目标点的筛选结果进行再次搜索，以得到复值波束图中的目标点；(5)基于复值波束图中的目标点构建反卷积复值波束图。该方法能够获得高质量反卷积复值波束图。值波束图。值波束图。

【技术实现步骤摘要】
基于贝叶斯压缩感知的反卷积复值波束图的构建方法和装置


[0001]本专利技术涉及相控阵声纳系统
，具体涉及一种基于贝叶斯压缩感知的反卷积复值波束图的构建方法和装置。

技术介绍

[0002]波束形成广泛应用于声纳、雷达等领域，计算复杂度低且鲁棒性好。波束形成对采样阵列的数据进行处理，并输出可视范围内的波束图。波束图中存在多个峰值，其中对应目标方向的峰值波束被称为主瓣，其余方向的峰值波束被称为旁瓣。主瓣具有一定的宽度，在此范围内的多个目标是难以从波束图上区分的，而较强的旁瓣容易混淆弱目标。
[0003]波束图的主瓣宽度和旁瓣峰值是衡量波束形成性能的重要指标。对波束形成而言，主瓣宽度取决于阵列尺寸和信号频率，想要减小主瓣宽度就需要提高信号频率或者阵列尺寸。同时，为了避免栅瓣的出现，阵元的布阵间距随着信号频率的提高而减小。因此降低主瓣宽度需要较高的硬件成本和计算负担。旁瓣峰值通常与阵列加权有关，已经有不少加权方式来降低旁瓣峰值，如切比雪夫加权、泰勒加权等，但是其代价是提高主瓣宽度。
[0004]为了降低主瓣宽度和旁瓣峰值，同时避免增加硬件成本，近年来出现了许多反卷积方法。它们从另一个角度来描述波束图，将它视为点目标在点扩散函数作用下形成的结果，这一过程被称为卷积。因此，从图像处理的角度，使用反卷积方法去除扩散函数在波束图中的影响，有效提高了波束图的分辨率，这等价于减小主瓣宽度和旁瓣峰值。现有的反卷积方法，如DAMAS2，FFT
‑
NNLS，RL，CLEAN等方法都是对波束强度执行反卷积，这对于非相干目标是有效的，但是不利于相干目标。在非相干目标假设下，波束强度等于所有目标的强度在点扩散函数作用下的叠加，目标间彼此的干扰被忽略。对于相干目标，波束强度还受到多个目标的交叉项影响，且目标之间越近，交叉项强度越高。
[0005]在窄带声纳系统中，由发射器产生的窄带信号被目标反射，回波信号具有相同的频率和固定的相位差，因此是相干的。这种情况下，针对强度的反卷积方法表现不尽如人意，需要对复值波束结果进行反卷积。复值反卷积问题难以凭借现有的方法进行求解。考虑到实际使用场景中目标存在稀疏性，可以将复值反卷积问题转化为复值压缩感知逆问题。
[0006]对于复值压缩感知逆问题的求解，现有的方法都是基于复值分解，将问题转换到实数域求解，这会造成稀疏性降低，计算负担增加。此外，在复值反卷积问题中，对应于复值压缩感知逆问题的观测矩阵是由点扩散函数向量构成的矩阵，这是一个秩损矩阵，容易造成逆压缩感知算法的求解失败。

技术实现思路

[0007]鉴于上述，本专利技术的目的在于提供一种基于贝叶斯压缩感知的反卷积复值波束图的构建方法和装置，在获得高质量反卷积复值波束图的同时，降低计算设备的计算消耗，提升计算效率。
[0008]为实现上述专利技术目的，本专利技术实施例提供了一种基于贝叶斯压缩感知的反卷积复
值波束图的构建方法，包括以下步骤：
[0009]步骤1，获取声纳系统接收的反射信号，采用波束形成算法根据反射信号构建复值波束图；
[0010]步骤2，基于复值波束图构建复值反卷积问题，并在赋予先验概率条件下，采用扩展复值贝叶斯压缩感知算法搜索复值波束图中的候选目标点；
[0011]步骤3，对候选目标点对应的索引编号向量和控制参数向量进行检查和重新构建，得到候选目标点的筛选结果；
[0012]步骤4，以重新构建的索引编号向量和控制参数向量为基础，利用复值贝叶斯压缩感知算法对候选目标点的筛选结果进行再次搜索，以得到复值波束图中的目标点；
[0013]步骤5，基于复值波束图中的目标点构建反卷积复值波束图。
[0014]为实现上述专利技术目的，本专利技术实施例还提供了一种基于贝叶斯压缩感知的反卷积复值波束图的构建装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上执行的计算机程序，所述处理器执行所述计算机程序时，实现上述，基于贝叶斯压缩感知的反卷积复值波束图的构建方法。
[0015]与现有技术相比，本专利技术具有以下有益的技术效果：
[0016]本专利技术提供的基于贝叶斯压缩感知的反卷积复值波束图的构建方法和装置，以波束形成的复值输出为反卷积对象，避免了波束强度中受到相干目标交叉影响导致模型失配，因此能够有效提升反卷积的精度，减小主瓣宽度及旁瓣峰值；使用复值贝叶斯压缩感知算法来处理复值问题，相比于其他限于实值的贝叶斯方法，能够提升估计精度，即得到高质量反卷积复值波束图，同时能减少计算消耗，提高计算效率；使用了扩展复值贝叶斯压缩感知算法来克服复值点扩散函数矩阵存在的秩损问题，提高了计算结果的准确性。
[0017]基于上述技术效果，本专利技术提供的基于贝叶斯压缩感知的反卷积复值波束图的构建方法和装置适用于以主动式窄带声呐为代表相干目标场景，提高了波束形成结果的分辨率和探测性能。
附图说明
[0018]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动前提下，还可以根据这些附图获得其他附图。
[0019]图1为实施例提供的基于贝叶斯压缩感知的反卷积复值波束图的构建方法的流程示意图；
[0020]图2为实施例提供的步骤1中相干目标条件下波束形成结果的示意图；
[0021]图3为实施例提供的步骤2中采用扩展复值贝叶斯压缩感知算法搜索复值波束图中的候选目标点的流程示意图；
[0022]图4为实施例提供的步骤3得到的反卷积波束图；
[0023]图5为实施例提供的步骤4中利用复值贝叶斯压缩感知算法对候选目标点的筛选结果进行再次搜索的流程示意图；
[0024]图6为实施例提供的步骤5得到的反卷积复值波束图。
具体实施方式
[0025]为使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本专利技术进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本专利技术，并不限定本专利技术的保护范围。
[0026]实施例中，主动式窄带声纳系统中的换能器阵列为一个100阵元半波长布阵的均匀线列阵，发射换能器产生一个53us，375kHz的窄带脉冲信号；假设存在七个目标位于远场且与接收阵列中心的距离相同，它们的反向散射信号将会产生相干叠加并被接收阵列采样，目标的方位和反射信号强度如表1所示：
[0027]表1
[0028]序号目标方向反射信号强度序号目标方向反射信号强度1
‑
12.8
°
0dB50.9
°
0dB2
‑
12.6
°‑
3dB612.4
°‑
10dB3
‑
0.7
°‑
20dB712.6
°‑
14dB40.7
°‑
6dB
ꢀꢀꢀ本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于贝叶斯压缩感知的反卷积复值波束图的构建方法，其特征在于，包括以下步骤：步骤1，获取声纳系统接收的反射信号，采用波束形成算法根据反射信号构建复值波束图；步骤2，基于复值波束图构建复值反卷积问题，并在赋予先验概率条件下，采用扩展复值贝叶斯压缩感知算法搜索复值波束图中的候选目标点；步骤3，对候选目标点对应的索引编号向量和控制参数向量进行检查和重新构建，得到候选目标点的筛选结果；步骤4，以重新构建的索引编号向量和控制参数向量为基础，利用复值贝叶斯压缩感知算法对候选目标点的筛选结果进行再次搜索，以得到复值波束图中的目标点；步骤5，基于复值波束图中的目标点构建反卷积复值波束图。2.根据权利要求1所述的基于贝叶斯压缩感知的反卷积复值波束图的构建方法，其特征在于，步骤1中，采用波束形成算法根据反射信号构建复值波束图为：B＝A(w
·
x)其中，B表示尺寸为M
×
1的复值波束向量，即对应复值波束图，A表示由转动向量构成的尺寸为M
×
N矩阵，w表示尺寸为N
×
1的加权系数向量，x表示尺寸为N
×
1的接收反射信号，符号
·
表示按元素相乘，N是声纳系统的接收阵列元素个数，M是复值波束图观测方向数。3.根据权利要求2所述的基于贝叶斯压缩感知的反卷积复值波束图的构建方法，其特征在于，步骤2中，所述基于复值波束图构建复值反卷积问题，包括：将复值波束图对应的复值波束向量还表示为：B＝Φt+e其中，Φ表示尺寸为M
×
M的复值点扩散函数矩阵，t表示目标点对应的潜在目标复值向量，尺寸为M
×
1，e表示尺寸为M
×
1的复值高斯噪声向量；潜在目标复值向量t中的非零元素个数远小于向量长度，根据复值波束向量构建复值反卷积问题为：min||t||0,subject to||B
‑
Φt||2＜e此复值反卷积问题中，B＝A(w
·
x)。4.根据权利要求2所述的基于贝叶斯压缩感知的反卷积复值波束图的构建方法，其特征在于，步骤2中，将构建的复值反卷积问题纳入到贝叶斯框架中，并赋予先验概率条件如下：p(t)＝Π
i
p(t
i
|α
i
)p(t
i+1
|α
i
)其中，α
i
是尺寸为(M
‑
1)
×
1的控制向量中第i个元素，i表示从1到M
‑
1的自然数，p(t
i
|α
i
)和p(t
i+1
|α
i
)分别表示潜在目标复值向量t中第i个元素t
i
和第i+1个元素t
i+1
关于α
i
的先验分布，Π表示累乘，p(t)表示潜在目标复值向量t的总体先验分布；在该先验概率条件中，假设潜在目标复值向量t中每个元素服从零均值高斯分布如下：在该先验概率条件中，假设潜在目标复值向量t中每个元素服从零均值高斯分布如下：其中，表示高斯分布，表示取实部操作，表示取虚部操作，上标
‑1表示倒数，
表示服从均值为0，方差为的高斯分布。类似的，假设复值高斯噪声向量e具有先验概率条件如下：其中，下标j表示从1到M的自然数，β表示控制参数。5.根据权利要求4所述的基于贝叶斯压缩感知的反卷积复值波束图的构建方法，其特征在于，步骤2中，先验概率条件下，通过执行扩展复值贝叶斯压缩感知算法以初步推断目标复值向量t中每个元素的后验概率分布，实现在复值波束图中搜索候选目标点，包括：步骤2
‑
1，初始化更新参数：其中，m表示从1到M
‑
1的自然数，用于索引潜在目标复值向量t中的候选目标，S
m
表示第m个候选目标的稀疏系数矩阵，尺寸为2
×
2，Q
m
表示第m个候选目标的质量系数向量，尺寸为2
×
1，上标H表示共轭转置，Ψ
m
由复值点扩散函数矩阵Φ中相邻两列Φ
m
和Φ
m+1
组成表示：Ψ
m
＝[Φ
m
,Φ
m+1
]构建潜在目标复值向量t的后验概率的期望向量μ和方差矩阵Σ，其中，μ仅包含t中后验概率期望值不为0的元素，其对应的索引值存放在索引编号向量v中，方差矩阵Σ中仅包含μ中对应的元素的后验方差；构建控制参数向量Λ用于存放v中索引值对应的方差控制参数α
i
，构建矩阵用于存放v中索引值对应的复值点扩散函数矩阵Φ中的列向量，初始化阶段，t中所有元素的后验概率期望值为0，即率期望值为0，即表示空向量或空矩阵；步骤2
‑
2，依据参数计算所有候选目标点可能的似然增长：s
m
＝mean(diag(S
m
))ml
m
＝(q
m
‑
s
m
)/s
m
+log(s
m
/q
m
)其中，mean表示取均值操作，diag表示取矩阵主对角线上元素，表示二范数的平方，s
m
表示S
m
的主对角线元素均值的结果，q
m
表示Q
m
的二范数的平方的结果，ml
m
表示第m个候选目标点可能的似然增长，从所有ml中选择出最大值并记录下索引序号，用idx表示，并放入索引编号向量，即v

【专利技术属性】
技术研发人员：田翔，王斐，刘雪松，辜博轩，陈耀武，
申请(专利权)人：浙江大学，
类型：发明
国别省市：