一种基于稀疏贝叶斯学习的目标方位估计方法技术

一种基于稀疏贝叶斯学习的目标方位估计方法，它属于声呐被动测向技术领域

【技术实现步骤摘要】
一种基于稀疏贝叶斯学习的目标方位估计方法


[0001]本专利技术属于声呐被动测向
，具体涉及一种基于稀疏贝叶斯学习的目标方位估计方法
。

技术介绍

[0002]水下机动平台在航行过程中，由于内部机械振动
、
螺旋桨旋转等因素会产生较强的自噪声
。
对于固定安装于其上的声呐接收阵列，此时接收的噪声的主要成分为平台自噪声
。
当利用该阵列对远距离目标进行方位估计时，在远场信号阵列接收模型下平台自噪声的空间分布呈现一定的方向性，所以该自噪声可以被近似认为是各向异性噪声
。
对于现有的大多数方法，由于在模型构建时假设噪声模型为各向同性的高斯白噪声模型，因此，其噪声模型出现失配，导致目标方位估计精度下降，甚至出现伪峰，目标方位估计性能严重退化
。
[0003]已有相关文献对在各向异性噪声情况下的方位估计方法进行研究，文献
1(Yang L,Yang Y,Wang Y.Sparse spatial spectral estimation in directional noise environment[J].The Journal of the Acoustical Society of America,2016,140(3):EL263
–
EL268.)
中利用有限项傅里叶级数模拟噪声，提出了一种稀疏谱拟合的方法，简称为
DN
‑
SpSF
，然而所提方法的正则化参数难以选取，而正则化参数选取的不准确将直接影响方位估计性能，并且当阵列孔径增大时，方法的计算量显著增加
。
文献
2(Liang G,Shi Z,Qiu L,Sun S,Lan T.Sparse Bayesian Learning Based Direction
‑
of
‑
Arrival Estimation under Spatially Colored Noise Using Acoustic Hydrophone Arrays[J].Journal of Marine Science and Engineering,2021,9(2):127.)
中利用长椭球波函数模拟各向异性噪声，然而，该方法在噪声模型与实际接收噪声差距过大时，算法性能严重下降
。
[0004]综上所述，在水下平台自噪声背景下，现有方位估计方法仍然存在估计精度低的问题，提出一种新的目标方位估计方法以解决上述问题是十分必要的
。

技术实现思路

[0005]本专利技术的目的是为解决在水下平台自噪声背景下，现有方位估计方法仍然存在估计精度低的问题，而提出的一种基于稀疏贝叶斯学习的方位估计方法
。
[0006]本专利技术为解决上述技术问题所采取的技术方案是：
[0007]一种基于稀疏贝叶斯学习的方位估计方法，所述方法具体包括以下步骤：
[0008]步骤一
、
建立存在平台自噪声时远场信号阵列接收模型；
[0009]步骤二
、
根据步骤一中的接收模型，建立平台自噪声下的稀疏贝叶斯学习框架，并根据建立的稀疏贝叶斯学习框架得到声源信号功率估计模型；
[0010]步骤三
、
将接收数据协方差矩阵投影至噪声子空间，获得平台自噪声协方差矩阵估计模型；
[0011]步骤四
、
根据声源信号功率估计模型和平台自噪声协方差矩阵估计模型获得声源
目标方位估计结果
。
[0012]进一步地，所述步骤一的具体过程为：
[0013]K
个远场声源信号入射到由
M
个阵元组成的均匀直线阵列，则在
t
时刻阵列接收的数据表示为：
[0014]x(t)
＝
A(
θ
)s(t)+n(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0015]其中，
θ
＝
{
θ1,
θ2,
…
,
θ
K
}
，
θ1,
θ2,
…
,
θ
K
为
K
个远场声源信号的入射角度，声源信号导向矢量矩阵
A(
θ
)
＝
[a(
θ1),a(
θ2),
…
,a(
θ
K
)]，
k
＝
1,2,
…
,K
，第
k
个声源信号的导向矢量
a(
θ
k
)
为：
a(
θ
k
)
＝
[1,exp(j(2
π
/
λ
)dcos(
θ
k
)),
…
,exp(j(2
π
/
λ
)(M
‑
1)dcos(
θ
k
))]T
，
λ
为声源信号波长，
j
为虚数单位，
d
为相邻阵元之间的间距，上角标
T
代表转置，
x(t)
为
t
时刻阵列接收的数据，
s(t)
为
t
时刻阵列接收的声源信号，
n(t)
为
t
时刻阵列接收的平台自噪声；
[0016]将式
(1)
扩展为：
[0017]X
＝
A(
θ
)S+N
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0018]其中，接收的数据
X
＝
[x(1),x(2),
…
,x(T
′
)]，接收的声源信号
S
＝
[s(1),s(2),
…
,s(T
′
)]，接收的平台自噪声
N
＝
[n(1),n(2),
…
,n(T
′
)]，
T
′
为总快拍数
。
[0019]进一步地，所述步骤二的具体过程为：
[0020]步骤二一
、
对式
(2)
中的声源信号
S
进行空域稀疏表示，得到式
(3)
的接收数据模型：
[0021][0022]其中，是由
L
个导向矢量形成的过完备字典本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于稀疏贝叶斯学习的目标方位估计方法，其特征在于，所述方法具体包括以下步骤：步骤一
、
建立存在平台自噪声时远场信号阵列接收模型；步骤二
、
根据步骤一中的接收模型，建立平台自噪声下的稀疏贝叶斯学习框架，并根据建立的稀疏贝叶斯学习框架得到声源信号功率估计模型；步骤三
、
将接收数据协方差矩阵投影至噪声子空间，获得平台自噪声协方差矩阵估计模型；步骤四
、
根据声源信号功率估计模型和平台自噪声协方差矩阵估计模型获得声源目标方位估计结果
。2.
根据权利要求1所述的一种基于稀疏贝叶斯学习的目标方位估计方法，其特征在于，所述步骤一的具体过程为：
K
个远场声源信号入射到由
M
个阵元组成的均匀直线阵列，则在
t
时刻阵列接收的数据表示为：
x(t)
＝
A(
θ
)s(t)+n(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
其中，
θ
＝
{
θ1,
θ2,
…
,
θ
K
}
，
θ1,
θ2,
…
,
θ
K
为
K
个远场声源信号的入射角度，声源信号导向矢量矩阵
A(
θ
)
＝
[a(
θ1),a(
θ2),
…
,a(
θ
K
)]
，
k
＝
1,2,
…
,K
，第
k
个声源信号的导向矢量
a(
θ
k
)
为：
a(
θ
k
)
＝
[1,exp(j(2
π
/
λ
)dcos(
θ
k
)),
…
,exp(j(2
π
/
λ
)(M
‑
1)dcos(
θ
k
))]
T
，
λ
为声源信号波长，
j
为虚数单位，
d
为相邻阵元之间的间距，上角标
T
代表转置，
x(t)
为
t
时刻阵列接收的数据，
s(t)
为
t
时刻阵列接收的声源信号，
n(t)
为
t
时刻阵列接收的平台自噪声；将式
(1)
扩展为：
X
＝
A(
θ
)S+N
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
其中，接收的数据
X
＝
[x(1),x(2),
…
,x(T
′
)]
，接收的声源信号
S
＝
[s(1),s(2),
…
,s(T
′
)]
，接收的平台自噪声
N
＝
[n(1),n(2),
…
,n(T
′
)]
，
T
′
为总快拍数
。3.
根据权利要求2所述的一种基于稀疏贝叶斯学习的目标方位估计方法，其特征在于，所述步骤二的具体过程为：步骤二一
、
对式
(2)
中的声源信号
S
进行空域稀疏表示，得到式
(3)
的接收数据模型：其中，是由
L
个导向矢量形成的过完备字典，
L
为空域离散角度个数，
S
为
S
对应的补零结果，对应的补零结果，为
s(1)
对应的补零结果，
s(1)
＝
[s1(1),s2(1),
…
,s
K
(1)]
，
s
k
(1)
为
s(1)
在第
k
个方向上的元素，为
s(2)
对应的补零结果，为
s(T
′
)
对应的补零结果；步骤二二
、
根据式
(3)
的接收数据模型，接收数据
X
的似然函数为：其中，为接收数据
X
的似然函数，上角标
H
代表共轭转置，
Σ
n
代表平台自噪声协方差矩阵，上角标
‑1代表矩阵的逆，
|
·
|
表示行列式运算；基于稀疏贝叶斯学习框架，假设接收声源信号在空域内服从零均值的复高斯分布：
其中，是在空域内的分布形式，超参数
γ1,
γ2,
…
,
γ
L
分别代表声源信号分别代表声源信号的功率，为在第
l
个方向上的元素，
l
＝
1,2,
…
,L
，代表复高斯分布，
γ
＝
[...

【专利技术属性】
技术研发人员：王燕，赵磊，邱龙皓，王晋晋，李晨牧，邹男，齐滨，李赢，郝宇，付进，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：