基于稀疏贝叶斯学习和频带聚类的宽带信号DOA估计方法技术

本发明专利技术提出一种基于稀疏贝叶斯学习和频带聚类的宽带信号DOA估计方法，包括，将阵列接收信号位于的频带分割为多个子带，使用稀疏贝叶斯学习SBL方法得到每一个子带上的精度向量估计值；对精度向量估计值进行预处理，得到所有子带的精度向量，使用聚类算法对精度向量进行处理，将相似精度向量的子带聚集成多个簇；使用SBL框架联合分析每个簇中的所有子带，得到每一个簇中包含信号的波达方向角DOA估计值。通过本发明专利技术提出的方法，利用信号在空域中的稀疏性进行稀疏重构，恢复出真实信号在空域中的分布，进而得到宽带信号的DOA。进而得到宽带信号的DOA。进而得到宽带信号的DOA。

【技术实现步骤摘要】
基于稀疏贝叶斯学习和频带聚类的宽带信号DOA估计方法


[0001]本专利技术属于信号处理领域。

技术介绍

[0002]我国的领海广阔、海洋资源丰富，但是辽阔的领海带来了诸多军事上的威胁，其中非合作水下目标的入侵是最主要的威胁。因此，设计应用于水下场景的新型目标探测技术，是我国亟需的高新技术之一。
[0003]波达方向角（Direction ofArrival, DOA）估计是目标探测领域的一个关键技术，其估计精确度直接决定了后续算法的性能。传统的DOA估计方法是针对窄带信号。随着信号处理技术的快速发展，宽带信号因为具备较高的距离分辨率和抗干扰性能，被广泛应用于雷达、声纳以及通信等领域。目前针对宽带信号的波达方向角估计主要有基于子空间的DOA估计方法和基于稀疏表示的DOA估计方法。
[0004]子空间类方法中具有代表性的算法是相干信号子空间方法（Coherent Signal Subspace Method, CSM），它通过将频带内不同频点处信号空间聚焦到参考频率点，聚焦后得到单一频率点的数据协方差矩阵，再使用窄带子空间类DOA本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于稀疏贝叶斯学习和频带聚类的宽带信号DOA估计方法，其特征在于，包括以下步骤：将阵列接收信号位于的频带分割为多个子带，使用稀疏贝叶斯学习SBL方法得到每一个子带上的精度向量估计值；对所述精度向量估计值进行预处理，得到所有子带的精度向量，使用聚类算法对所述精度向量进行处理，将相似精度向量的子带聚集成多个簇；使用SBL框架联合分析每个簇中的所有子带，得到每一个簇中包含信号的波达方向角DOA估计值。2.根据权利要求1所述的方法，其特征在于，所述使用稀疏贝叶斯学习SBL方法得到每一个子带上的精度向量估计值，包括：定义第个子带包含个频率点，每一个频率点有个快拍的数据，一维均匀线阵包含个阵元，在一次迭代中，首先计算分别计算后验概率的协方差矩阵和均值：，，其中，，，为离格阵列接收信号模型的等效阵列流型矩阵，为离格偏差向量的对角化矩阵形式，子带的精度向量中的第个元素的估计更新值如下：，，其中，为矩阵的第行向量；通过对每个子带执行步骤1）
‑
5），得到每一个子带的精度向量估计值：1）对于子带，初始化，，，和；2）使用公式(1)、公式(2)更新和；3）使用公式(3)逐个元素更新；4）使用公式(4)更新；5）当或者迭代次数大于预设的最大迭代次数时，退出循环，否则循环执行步骤 2)
ꢀ‑
4)，为上一轮迭代的精度向量的估计值。3.根据权利要求1所述的方法，其特征在于，所述对所述精度向量估计值进行预处理，得到所有子带的精度向量，包括：通过检测模型滤除在整个空域均不存在信号的频带；所述检测模型如下：，其中，和分别代表子带中不存在信号和存在信号的情况，
为检测阈值，；使用softmax函数将转换为概率分布：其中，为概率分布向量的第个元素。4.根据权利要求3所述的方法，其特征在于，在使用softmax函数将转换为概率分布之前，还包括：对精度向量估计值进行归一化处理。5.根据权利要求1所述的方法，其特征在于，所述使用聚类算法对所述精度向量进行处理，将相似精度向量的子带聚集在一起，形成多个簇，包括：通过聚类将所有...

【专利技术属性】
技术研发人员：徐立军，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：