【技术实现步骤摘要】
本专利技术属于水声信号处理领域，具体是涉及一种单目标盲校准的牛顿正交及投影梯度下降组合算法。
技术介绍
1、到达方向估计在诸多领域有着广泛的应用，比如雷达、声纳和移动通信。在阵列模型已知的情况下，诸多学者们提出了不同的方法，比如多重信号分类，esprit，最大似然等方法。为了实现高分辨率的估计表现，必须完美构建导向矢量。换句话说，这些高分辨率的算法对阵列模型的误差很敏感。事实上，由于不完美的已校准的阵列，导向矢量受随机误差影响。这些随机误差如果不被正确对待，会引入阵列扰动，导致估计效果变差。最常见的误差主要是幅度和相位不确定性，相互耦合，传感器位置误差。在一个有多个传感器的阵列中，由于不完美的制造工艺或者器件老化，导致了幅度和相位不确定性。为了消除这种模糊性，传感器的间距设置一定要符合某些规则。通过这样做，在这样做的过程中，一些传感器被紧密放置以产生电感互动作用，称之为相互耦合。为了阵列形成某个几何形状，传感器一定要被放置成一个被需要的形状。在这样做的过程中，由于不完美的放置，每一个传感器不能被完美地放置于被需要的位置，因此不可避免的引入所谓的传感器位置误差，因此为了实现高分辨率的估计，这些误差或者说事扰动一定要被补偿回去。
2、为了克服阵列扰动，阵列校准方法通常被分为两组。第一组被称为是一种主动的校准，利用已知的信号源来实现校准。为了达到这个目的，这些已知的发射器一定要放置得当以产生一种无-已校准的阵列。这种方法通常是耗时的、昂贵的，缺少灵活性的，不便于硬件实现。第二组被称为是一种自校准方法，其中未知的扰动校准转化
3、因为幅度和相位的不确定性仅存在于每一个传感器，它的效应可以被一个对角矩阵代表。通过将未知的不确定性矩阵看作一个参数估计问题，许多学者提出了不同的方法以消除幅度和相位的不确定度。由于不完美的放置导致了一个小的随机扰动误差，进而导致阵列导向向量受到影响，称之为定位误差。有些学者将定位误差看作是一种位置参数以补偿到达方向估计。但是这些方法不能够利用相互耦合矩阵、幅度和相位不确定性矩阵的特定结构。这种结构被视为是一种矩阵稀疏性。因为幅度和相位的不确定性矩阵是对角的，只有对角上的元素是非0的，这就是一种稀疏矩阵。为了探索到达方向角度的稀疏性，一种空间域通过被格点化以产生一种字典。基于这个离散化的字典，lp-范数方法通常被利用来求解该问题。与传统的算法相比，当拍数不够多或者信噪比比较低的情况下，基于lp-范数的方法有着更好的估计表现。此外，还有一些基于无网格的方法被提出以实现到达方向估计。
4、有学者提出了一种统一框架，为了在存在阵列扰动(幅度和相位不确定性、相互耦合、传感器位置误差)的条件下求解到达方向估计问题。这种框架的主要目标是利用信号的稀疏特性来联合估计到达方向估计角度和阵列校准。通过利用到达方向阵列和扰动矩阵的稀疏性，学者设计出了一个优化问题来实现估计，但是这种优化问题通常不是凸的。
5、此外，有的学者提出了一种基于压缩感知的框架，在这个框架里，传感器对观测以一种未知增益的形式引入了一种失真、扰动。学者提出了一种凸优化的解法用于联合恢复增益和稀疏的信号。并且将这个问题分为了3个对增益有不同约束的子问题：
6、1、增益幅度不同，相位相同；
7、2、增益幅度相同，相位不同；
8、3、增益幅度相位都不同；
9、对于第一种情形，学者提出了一种基追踪优化算法，对于第二种情形，学者提出了一种二阶方法用于消除未知的相位偏移，恢复未知的稀疏信号，对于第三种情形的求解，需要结合刚刚对于第一、第二种情形求解的算法。但是这些基于凸优化的算法对信号恢复和校准的效果取决于是否有充足多未知但稀疏的校准信号。
10、现有技术存在如下缺点：
11、1、传统的算法只能通过先于操作流程，尽可能在已知的位置使用已知的校准信号，难以处理自校准或者盲校准问题；
12、2、一些针对盲校准的算法普遍存在收敛性低、复杂度高、精度低等问题，不是最优的。比如直接的最大似然方法，联合估计所有的未知的模型参数，导致了一个多维的优化问题，没有闭式表达式，且不是每次都收敛；
13、3、其他一些主动的校准方法，每一个发射器必须被放置于特定的位置，耗时、昂贵，缺少灵活性，不便于硬件实现。
技术实现思路
1、基于现有技术的不足，本专利技术的目的是提供一种牛顿正交匹配与投影梯度下降组合的追踪算法，能用复杂度低、精度高、减轻格点错配、渐进最优的方式求解基于单目标的盲校准问题。
2、本专利技术的技术方案为：
3、一种单目标盲校准的牛顿正交及投影梯度下降组合算法，包括如下步骤：
4、步骤1、基于均匀线性阵列，建立有噪观测模型；
5、步骤2、基于数学模型对应的似然函数p(y；w，g，φ)，处理后得到目标函数g；
6、步骤3、设置好过采样率γ，最大迭代次数n1，重复迭代次数n2，误差限δg、和δ1等前置参数，设g＝1m×1，初始化gini＝1m，
7、步骤4、输入接收到的阵元数据y，使用过采样离散集合对频率w进行初步估计，进而得到其对应的强度x的估计值；
8、步骤5、固定w，x，利用gini作为起点，采用牛顿修正更新g，在如下三个条件同时成立时，
9、a、g的汉森矩阵的行列式的值大于0；
10、b、更新后的g对应的罚函数的值小于更新前的g对应的值；
11、c、更新后的g的每一个分量全部位于(1-δg，1+δg)；
12、接受当前牛顿修正结果；
13、步骤6、不满足步骤5的条件时，采用投影梯度下降法更新g；
14、步骤7、基于和更新后的gini，采用牛顿修正更新在如下三个条件同时成立时，
15、a、的汉森矩阵的行列式的值大于0；
16、b、更新后的对应的罚函数的值小于更新前的对应的值；
17、c、更新后的的每一个分量全部位于
18、接受当前牛顿修正结果；
19、步骤8、不满足步骤7的条件时，采用投影梯度下降法更新
20、步骤9、停止迭代，并且输出目标估计结果集合。
21、优选地，所述步骤1中，基于一个均匀线性阵列ula，将有噪观测模型建模为
22、y＝diag(g)diag(p)(ax+u)+v＝diag(g)diag(p)ax+diag(g)diag(p)u+v.
23、其中y∈cm×1表示有噪观测，c表示复数集合，
24、m表示传感器的数量，x表示强度，u和v为两个噪声矢量，diag(g)表示一个对角线元素为g对应的每一个元素，其他位置数值为0的方阵，
25、
26、表示幅度抵消量，p∈cm×1表示相位本文档来自技高网...
【技术保护点】
1.一种单目标盲校准的牛顿正交及投影梯度下降组合算法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种单目标盲校准的牛顿正交及投影梯度下降组合算法，其特征在于：所述步骤1中，基于一个均匀线性阵列ULA，将有噪观测模型建模为
3.根据权利要求2所述的一种单目标盲校准的牛顿正交及投影梯度下降组合算法，其特征在于：所述步骤1中，对于频率取则有w＝πsinθ；
4.根据权利要求3所述的一种单目标盲校准的牛顿正交及投影梯度下降组合算法，其特征在于：所述步骤2中，步骤1的数学模型对应的似然函数为：
5.根据权利要求4所述的一种单目标盲校准的牛顿正交及投影梯度下降组合算法，其特征在于：所述步骤4中，通过在0到2π范围内按照过采样率γ设置过采样网格，得到了γM个格点频率，使用有限离散集合得到线谱频率w的估计值，进而利用公式更新得到其对应的强度x的估计值。
6.根据权利要求5所述的一种单目标盲校准的牛顿正交及投影梯度下降组合算法，其特征在于：所述步骤5中，基于更新后的gini，采用牛顿修正更新g，即
7.根据权利要求6
8.根据权利要求7所述的一种单目标盲校准的牛顿正交及投影梯度下降组合算法，其特征在于：所述步骤7中，基于更新后的采用牛顿修正更新即
9.根据权利要求8所述的一种单目标盲校准的牛顿正交及投影梯度下降组合算法，其特征在于：所述步骤8中，采用投影梯度下降法更新结合给定的重复如下过程：
10.根据权利要求9所述的一种单目标盲校准的牛顿正交及投影梯度下降组合算法，其特征在于：所述步骤5至步骤8中，在满足如下两个条件之一时，
...【技术特征摘要】
1.一种单目标盲校准的牛顿正交及投影梯度下降组合算法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种单目标盲校准的牛顿正交及投影梯度下降组合算法，其特征在于：所述步骤1中，基于一个均匀线性阵列ula，将有噪观测模型建模为
3.根据权利要求2所述的一种单目标盲校准的牛顿正交及投影梯度下降组合算法，其特征在于：所述步骤1中，对于频率取则有w＝πsinθ；
4.根据权利要求3所述的一种单目标盲校准的牛顿正交及投影梯度下降组合算法，其特征在于：所述步骤2中，步骤1的数学模型对应的似然函数为：
5.根据权利要求4所述的一种单目标盲校准的牛顿正交及投影梯度下降组合算法，其特征在于：所述步骤4中，通过在0到2π范围内按照过采样率γ设置过采样网格，得到了γm个格点频率，使用有限离散集合得到线谱频率w的估计值，进而利用公式更新得到其对应的强度x的估...
【专利技术属性】
技术研发人员：韩林，王政，刘岩，陈莉，董磊，傅仁琦，祝献，
申请(专利权)人：中国船舶集团有限公司第七一五研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。