基于改进的时序多重稀疏贝叶斯学习的水声信道估计方法技术

本发明专利技术公开了一种基于改进的时序多重稀疏贝叶斯学习的水声信道估计方法。包括：首先将水声信道模型表示为包含多径时延和多径衰落因子的稀疏形式后，获得初始的字典矩阵；接着对接收宽带信号进行多重去噪，获得重构的时域去噪信号矩阵；再使用加权最小l1范数正则化算法对重构的频域去噪信号矩阵进行信道估计，获得信道估计矩阵，进而计算获得修正字典矩阵和初始化超参数；然后利用基于时间相关性的时序多重稀疏贝叶斯学习方法进行时域水声信道估计，获取多径时延估计结果；最后，对固定频率下水声信道的多径衰落因子进行优化求解，获得优化后的多径衰落因子。本发明专利技术在窄发射信号带宽或低信噪比情况下可有效获取多径信道的估计结果。计结果。计结果。

【技术实现步骤摘要】
基于改进的时序多重稀疏贝叶斯学习的水声信道估计方法


[0001]本专利技术属于信号处理领域的一种多径干扰下的水声信道估计方法，具体涉及了一种基于加权最小L1范数和时序多重稀疏贝叶斯学习的水声信道估计方法。

技术介绍

[0002]随着信息时代的到来，科技水平发展迅猛，人类不满足对于陆地资源的开发，已开始对海洋环境进行探索，不断加强对海洋资源的开采和利用，并且各国军事也越来越重视到海洋特殊的战略地位，纷纷应用各种水下技术，对该领域竞争。
[0003]水下信息传输是水下技术中的重要一环，而水下通信面临着比陆上通信更为复杂的信道
‑
水声信道。由于声波在传播过程中会历经多次水面、水底以及水中其它物体的反射，加上水中温度盐度不均匀导致的声速变化，水声信道具有以下特点(1)可用带宽窄：发射信号的常用带宽在几千赫兹到几十千赫兹的范围内；(2)多径干扰严重：接收端收到的信道多径信号无法直接在时域上分离；(3)多普勒频移：发射端和接收端存在相对位移，导致接收信号的脉宽发生变化，产生频率偏移。此外，还包括传输衰减大、传播时延长、时空变化快等特点，这些特点给水下通信带来了严峻的挑战。因此，水声信道估计是水声通信中的重要一环，是保证水下高质量通信的关键。
[0004]水声信道模型是具有稀疏特性的，即信号的多径数目在时间域上是稀疏的。因此，稀疏信道估计方法相对传统的非稀疏信道估计方法充分考虑了信道的稀疏性，根据较少的观测值，以很高的概率实现信道的重构。
[0005]目前，大都应用稀疏贝叶斯学习算法在水声信道估计领域，根据贝叶斯公式，采用参数化的先验分布，无需任何模型参数的输入和配置，全面考虑自身的先验信息和解的稀疏性，拥有相比其它稀疏信道算法更好的信道重构性能。

技术实现思路

[0006]本专利技术的目的是针对发射信号带宽较窄时水声信道估计不准确的情况，提供了一种基于加权最小L1范数和时序多重稀疏贝叶斯学习的水声信道估计方法，本专利技术可以在较低带宽下提高信道估计结果的精度，并提高低信噪比下系统整体的稳定性。
[0007]本专利技术的目的是通过以下技术方案来实现的：
[0008]1)根据发射信号和接收宽带信号，将水声信道模型表示为包含多径时延和多径衰落因子的稀疏形式后，获得初始的字典矩阵；
[0009]2)对接收宽带信号进行时域多重去噪和傅里叶变换后，获得重构的频域去噪信号矩阵；
[0010]3)使用加权最小l1范数正则化算法对重构的频域去噪信号矩阵进行信道估计，获得信道估计矩阵，根据信道估计矩阵和初始字典矩阵计算获得修正字典矩阵和基于时间相关性的时序多重稀疏贝叶斯学习方法的初始化超参数；
[0011]4)根据重构的频域去噪信号矩阵、修正字典矩阵以及初始化超参数，利用基于时
间相关性的时序多重稀疏贝叶斯学习方法进行时域水声信道估计，获取多径时延估计结果；
[0012]5)将多径时延估计结果作为先验信息，利用最小二乘估计方法对固定频率下水声信道的多径衰落因子进行优化求解，获得优化后的多径衰落因子。
[0013]所述2)具体为：
[0014]首先，对接收宽带信号的多组单观测量数据分别进行小波降噪后，获得对应的降噪后的单观测量数据，由多组降噪后的单观测量数据组成多观测量数据，再对多观测量数据进行奇异值分解，得到重构的时域去噪信号矩阵，最后对重构的时域去噪信号矩阵傅里叶变换后，获得重构的频域去噪信号矩阵。
[0015]所述3)中，根据信道估计矩阵和初始字典矩阵计算获得修正字典矩阵和基于时间相关性的时序多重稀疏贝叶斯学习方法的初始化超参数，具体为：
[0016]首先，根据信道估计矩阵计算获得信道的平均能量E，计算公式如下：
[0017][0018]其中，表示信道估计矩阵的第i列，是第i个接收阵元接收信号的信道估计结果，L表示接收阵元的总数；
[0019]接着，筛选信道的平均能量E中大于能量阈值T1的索引位置并组成索引位置集合s；
[0020]然后，设置边界阈值T2，计算索引位置集合s中各个索引位置对应的平均能量叠加值后再与边界阈值T2进行比较，调整各个索引位置对应搜索范围，获得各个索引位置对应的扩大范围后的索引集合，从而获得基于时间相关性的时序多重稀疏贝叶斯学习方法中的初始化超参数进而获得初始化超参数矩阵
[0021]最后剔除初始字典矩阵Φ中不在索引位置集合s中各个索引位置对应搜索范围内的元素，获得修正字典矩阵具体公式如下：
[0022][0023]其中，表示修正字典矩阵中的第j列，Φ(j)表示初始字典矩阵中的第j列，E(i)表示第i个索引位置处的信道能量。
[0024]所述3)中，索引位置i的搜索范围通过以下公式进行调整：
[0025][0026]其中，表示第j个索引位置处的超参数值，E(i)表示第i个索引位置处的信道能量，r1和r2分别为第一边界调整值和第二边界调整值。
[0027]所述3)中，初始化超参数矩阵的计算公式如下：
[0028][0029]其中，diag(
·
)表示矩阵对角化操作。
[0030]所述能量阈值T1满足T1＝α1max(E)，α1为第一能量系数。
[0031]所述边界阈值T2满足T2＝α2max(E)，α2为第二能量系数。
[0032]本专利技术具有的有益效果是：
[0033]为了降低稀疏信道的重构性能受发射信号带宽、信噪比的影响，本专利技术通过对接收宽带信号矩阵进行多级去噪与重构，降低了噪声对信道估计精度的影响，并结合加权最小l1范数正则化算法在信号低带宽情况下的先验信息和基于时间相关性的TMSBL算法对信道估计的高精度优势，在充分利用多观测模型之间的时空相关性结构后，可得到更为准确的多径估计结果。
附图说明
[0034]图1是本专利技术提出的基于加权最小l1范数和TMSBL的水声信道估计方法流程图。
[0035]图2是多观测量下水声信道联合稀疏模型。
[0036]图3是基于不同小波变换算法对宽带信号的抑噪效果。
[0037]图4是本专利技术对各算法在不同信噪比下的多径估计结果。
[0038]图5是本专利技术对各算法在不同带宽下的多径估计结果。
具体实施方式
[0039]为使本专利技术实施的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行更加详细的描述。
[0040]如图1所示，本专利技术包括如下步骤：
[0041]1)由试样引起的信道多径无法在时域上分离，但实际的多径数量远小于可能的多径数量，为了对水声信道进行估计，根据已知的发射信号和接收宽带信号，对原始水声信道模型进行离散化以及离散傅里叶变换后将原始水声信道模型表示为包含多径时延和多径衰落因子的稀疏形式后，获得初始的字典矩阵；
[0042]原始水声信道模型可表示为
[0043][0044]式中，y(t)表示t时刻水听器位置处接收到的信号，s(t本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进的时序多重稀疏贝叶斯学习的水声信道估计方法，其特征在于，包括如下步骤：1)根据发射信号和接收宽带信号，将水声信道模型表示为包含多径时延和多径衰落因子的稀疏形式后，获得初始的字典矩阵；2)对接收宽带信号进行时域多重去噪和傅里叶变换后，获得重构的频域去噪信号矩阵；3)使用加权最小l1范数正则化算法对重构的频域去噪信号矩阵进行信道估计，获得信道估计矩阵，根据信道估计矩阵和初始字典矩阵计算获得修正字典矩阵和基于时间相关性的时序多重稀疏贝叶斯学习方法的初始化超参数；4)根据重构的频域去噪信号矩阵、修正字典矩阵以及初始化超参数，利用基于时间相关性的时序多重稀疏贝叶斯学习方法进行时域水声信道估计，获取多径时延估计结果；5)将多径时延估计结果作为先验信息，利用最小二乘估计方法对固定频率下水声信道的多径衰落因子进行优化求解，获得优化后的多径衰落因子。2.根据权利要求1所述的一种基于改进的时序多重稀疏贝叶斯学习的水声信道估计方法，其特征在于，所述2)具体为：首先，对接收宽带信号的多组单观测量数据分别进行小波降噪后，获得对应的降噪后的单观测量数据，由多组降噪后的单观测量数据组成多观测量数据，再对多观测量数据进行奇异值分解，得到重构的时域去噪信号矩阵，最后对重构的时域去噪信号矩阵傅里叶变换后，获得重构的频域去噪信号矩阵。3.根据权利要求1所述的一种基于改进的时序多重稀疏贝叶斯学习的水声信道估计方法，其特征在于，所述3)中，根据信道估计矩阵和初始字典矩阵计算获得修正字典矩阵和基于时间相关性的时序多重稀疏贝叶斯学习方法的初始化超参数，具体为：首先，根据信道估计矩阵计算获得信道的平均能量E，计算公式如下：其中，表示信道估计矩阵的第i...

【专利技术属性】
技术研发人员：李建龙，吕洲，
申请(专利权)人：浙江大学，
类型：发明
国别省市：