一種M?UCA估計(jì)M?1個(gè)信源的建模方法技術(shù)

本發(fā)明專利技術(shù)公開(kāi)了一種M陣元均勻圓陣估計(jì)M?1個(gè)信源的建模方法，將M?UCA在色噪聲環(huán)境的遠(yuǎn)場(chǎng)中任意放置，對(duì)獲得的較低信噪比下任意入射角的陣列信號(hào)作希爾伯特黃變換得到瞬時(shí)相位，構(gòu)造瞬時(shí)相位協(xié)方差矩陣求其特征值；然后，將這些特征值放入支持向量機(jī)中訓(xùn)練，獲得數(shù)學(xué)模型。實(shí)驗(yàn)表明，利用該建模方法得到的數(shù)學(xué)模型能夠改善空間色噪聲背景下，M?UCA估計(jì)M?1個(gè)信源估計(jì)精度差問(wèn)題，且估計(jì)精度受信源入射角度、信噪比、節(jié)拍數(shù)的影響較小，具有一定的普適性。本發(fā)明專利技術(shù)應(yīng)用于陣列信號(hào)處理技術(shù)領(lǐng)域中信源數(shù)目估計(jì)技術(shù)。

A M UCA Estimation Modeling Method of M 1 source

The invention discloses a M uniform circular array Estimation Modeling Method of M 1 source, M UCA in colored noise environment in the far field any place, to get a low SNR signal array with arbitrary incident angle for the Hilbert Huang transform to get the instantaneous phase, instantaneous phase covariance structure its matrix eigenvalue; then, these feature values in support vector machine training, obtain the mathematical model. Experimental results show that the mathematical model obtained by this modeling method can improve the spatial color noise background, M UCA M estimated 1 source estimation accuracy, and the estimation accuracy is affected by the source of smaller incident angle, signal-to-noise ratio, the number of beats, has certain universality. The invention is applied to the number estimation of the source in the array signal processing technology.

【技術(shù)實(shí)現(xiàn)步驟摘要】
一種M-UCA估計(jì)M-1個(gè)信源的建模方法
本專利技術(shù)涉及應(yīng)用于陣列信號(hào)處理
中的色噪聲背景下信源個(gè)數(shù)估計(jì)技術(shù)。
技術(shù)介紹
信源數(shù)目精確已知一直是信號(hào)來(lái)波方向(Directionofarrival,DOA)得以準(zhǔn)確估計(jì)的前提，如果估計(jì)的信源數(shù)與實(shí)際信源數(shù)不一致，測(cè)向性能會(huì)嚴(yán)重下降。目前常規(guī)信源數(shù)估計(jì)算法分別基于背景噪聲為白噪聲和背景噪聲為色噪聲下提出?；诎自肼暠尘跋碌姆椒ㄒ话闶抢迷紨?shù)據(jù)協(xié)方差矩陣的特征值和特征向量，然而這類算法不適用于背景噪聲為色噪聲的情況。對(duì)角加載法和蓋爾圓盤(pán)法(GerschgorinDiskEstimation,GDE)及H.T.Wu等人的文章“ANewGerschgorinRadiibasedMethodforSourceNumberDetection[C]//Proc10thIEEEWorkShoponStatisticalSignalandArrayProcessing，2000:104-107”提出了一種改進(jìn)蓋爾圓盤(pán)法可以估計(jì)背景噪聲為色噪聲的信源數(shù)，但前者的合適加載量不易確定，后者當(dāng)信源數(shù)接近陣元數(shù)時(shí)，蓋爾圓盤(pán)構(gòu)造中損失最后一行一列(損失一個(gè)自由度)，導(dǎo)致系統(tǒng)的自由度不夠，估計(jì)性能下降。P.Pal等人的文章“Nestedarrays:Anovelapproachtoarrayprocessingwithenhanceddegreesoffreedom,[J].IEEETransonSignalProcessing，2010,58(8)：4167-4181.”提出理論上用M個(gè)陣元至多可以估計(jì)M-1個(gè)信源。然而據(jù)調(diào)研知現(xiàn)有大多數(shù)算法假設(shè)信源數(shù)至少少于陣元數(shù)一半，當(dāng)信源數(shù)接近陣元數(shù)，尤其是信源個(gè)數(shù)僅比陣元數(shù)少1個(gè)時(shí)，性能將會(huì)受到很大影響。趙匯強(qiáng)等人的文章“基于虛擬陣列的信號(hào)源數(shù)估計(jì)算法[J].火力與指揮控制,2010,35(12)：156-158.”在Kullback準(zhǔn)則基礎(chǔ)上提出了一種虛擬陣列的蓋爾圓改進(jìn)方法,對(duì)信源數(shù)接近陣元數(shù)時(shí)的估計(jì)效果不理想有一定改善，只是在白噪聲背景下得到驗(yàn)證，通過(guò)實(shí)驗(yàn)表明，在色噪聲背景下估計(jì)效果不理想。韓克勇等人的文章“ImprovedSourceNumberDetectionandDirectionEstimationWithNestdArraysandULAsJackknifing[J].IEEETransonSignalProcessing，2013,61(23):6118-6128.”提出了一種內(nèi)嵌陣列的思想，用于提高系統(tǒng)在自由度，解決了實(shí)際信源數(shù)接近或大于陣元數(shù)估計(jì)效果差的問(wèn)題，但該方法是在白噪聲背景下提出的。
技術(shù)實(shí)現(xiàn)思路
為了克服上述不足，本專利技術(shù)以“提升了在空間色噪聲背景下，用含M個(gè)陣元的均勻圓陣(M-UniformCircularArray,M-UCA)估計(jì)M-1個(gè)信源的估計(jì)性能”為依據(jù)，提出了一種M-UCA估計(jì)M-1個(gè)信源的建模方法。一種M-UCA估計(jì)M-1個(gè)信源的建模方法，其特征在于，具體步驟如下：1、將M-UCA在色噪聲環(huán)境的遠(yuǎn)場(chǎng)中任意放置，采集固定采樣點(diǎn)數(shù)、較低信噪比下任意入射角的信號(hào)源數(shù)目為N(N＝1,2,…,M-1)的陣列信號(hào)X(t)；2、對(duì)陣列信號(hào)X(t)作希爾伯特黃變換(HilbertHuangTransform,HHT)分解，得到瞬時(shí)相位分量；3、對(duì)瞬時(shí)相位分量構(gòu)造協(xié)方差矩陣,并求特征值，作歸一化獲得描述信源數(shù)目的特征值向量4、將特征值向量放入支持向量機(jī)(SupportVectorMachine,SVM)中訓(xùn)練，獲得數(shù)學(xué)模型；5、利用上一步訓(xùn)練好的數(shù)學(xué)模型對(duì)不同條件下的陣列信號(hào)測(cè)試，得到信源個(gè)數(shù)；與現(xiàn)有技術(shù)相比，本專利技術(shù)的有效效果在于：將信號(hào)源個(gè)數(shù)估計(jì)轉(zhuǎn)化為模式識(shí)別問(wèn)題，建模方法簡(jiǎn)單，采集訓(xùn)練樣本時(shí)，M-UCA在遠(yuǎn)場(chǎng)中隨意擺放，對(duì)信號(hào)的入射角沒(méi)有要求。通過(guò)本專利技術(shù)的建模方法所得到的數(shù)學(xué)模型，不僅較好改善了色噪聲背景下M-UCA估計(jì)M-1個(gè)信號(hào)源精度低的問(wèn)題，而且估計(jì)精度受信號(hào)源入射角度、信噪比、節(jié)拍數(shù)的影響較小，具有一定的普適性。利用較少的陣元就可以準(zhǔn)確地估計(jì)出僅比陣元數(shù)少1個(gè)的信源數(shù)，為天線陣小型化提供了理論和工程依據(jù)。附圖說(shuō)明圖1是本專利技術(shù)的建模流程圖；圖2是基于均勻圓陣的遠(yuǎn)場(chǎng)窄帶信號(hào)接收陣列模型圖；圖3是仿真數(shù)據(jù)的SVM參數(shù)選擇三維圖；圖4是六均勻圓陣下的五個(gè)信源數(shù)的正確檢測(cè)概率與信噪比的關(guān)系圖；圖5是六均勻圓陣下的五個(gè)信源數(shù)的正確檢測(cè)概率與采樣點(diǎn)的關(guān)系圖；圖6是實(shí)際環(huán)境現(xiàn)場(chǎng)模擬圖；圖7是實(shí)際數(shù)據(jù)的SVM參數(shù)選擇三維圖；圖8是四均勻圓陣下的三個(gè)信源數(shù)的正確檢測(cè)概率與信噪比的關(guān)系圖；圖9是四均勻圓陣下的三個(gè)信源數(shù)的正確檢測(cè)概率與采樣點(diǎn)的關(guān)系圖。具體實(shí)施方式為了使本專利技術(shù)的技術(shù)手段、創(chuàng)作特征、工作流程、使用方法達(dá)成目的與功效易于明白了解，下面結(jié)合附圖和具體實(shí)施例，進(jìn)一步闡述本專利技術(shù)具體實(shí)施方式。本專利技術(shù)針對(duì)M-UCA的陣元之間位置關(guān)系的特殊性導(dǎo)致的各陣元接收信號(hào)時(shí)相位上的差異，HHT適用于分析非平穩(wěn)非線性信號(hào)，且可以對(duì)信號(hào)擴(kuò)展維數(shù)和提取瞬時(shí)相位等特征，提出了一種M-UCA估計(jì)M-1個(gè)信源的建模方法，可以實(shí)現(xiàn)在色噪聲背景下，利用M個(gè)陣元準(zhǔn)確估計(jì)M-1個(gè)信號(hào)源。首先對(duì)獲得較低信噪比下任意入射角的陣列信號(hào)作HHT得到瞬時(shí)相位，對(duì)瞬時(shí)相位構(gòu)造協(xié)方差矩陣求其特征值；然后，將這些特征值放入SVM中訓(xùn)練，獲得數(shù)學(xué)模型；最后，利用訓(xùn)練好的數(shù)學(xué)模型對(duì)不同條件下的陣列信號(hào)作信源數(shù)目估計(jì)。為實(shí)現(xiàn)上述的專利技術(shù)目的，本專利技術(shù)采用下述的方案技術(shù)，如圖1所示：1、將M-UCA在色噪聲環(huán)境的遠(yuǎn)場(chǎng)中任意放置，采集固定采樣點(diǎn)數(shù)、較低信噪比下任意入射角的信號(hào)源數(shù)目為N(N＝1,2,…,M-1)的陣列信號(hào)X(t)；含M個(gè)陣元的均勻圓陣(M-UCA)如圖2所示，各陣元均勻分布在半徑為r的圓上，假設(shè)N(N＝1,2，...,M-1)個(gè)遠(yuǎn)場(chǎng)窄帶信號(hào)入射到M-UCA上，則M-UCA接收信號(hào)的數(shù)學(xué)模型為：X(t)＝AS(t)+N(t)(1)式1中，X(t)＝[x1(t),...,xM(t)]T為UCA信號(hào)矢量；t＝1,2,...,L，L表示UCA陣列接收信號(hào)的采樣點(diǎn)數(shù)；S(t)＝[s1(t),...,sN(t)]T為信號(hào)源矢量；N(t)＝[n1(t),...,nM(t)]T為加性噪聲；A＝[a(Θ1),...,a(ΘN)]為UCA陣列流型矢量，Θi＝(φi,θi),i＝1,2,...N為第i個(gè)信號(hào)源的入射角，包括φi和θi，分別為第i個(gè)信號(hào)源的方位角和俯仰角，且φi∈(0,2π)，θi∈(0,π/2)。為第i個(gè)信號(hào)源的導(dǎo)向矢量，為逆時(shí)針第k個(gè)陣元與x軸的夾角,為載波波長(zhǎng)。加性噪聲N(t)本專利技術(shù)采用李京華等發(fā)表的文章“基于MDL比值的戰(zhàn)場(chǎng)目標(biāo)個(gè)數(shù)盲估計(jì)算法[J].西北工業(yè)大學(xué)學(xué)報(bào),2008,26(6):712-717.”建立的適合均勻圓陣的色噪聲模型，第k個(gè)陣元接收到的加性噪聲如式(2)所示，其中，k＝1,2,...,M，a,b,c為拋物線系數(shù)，為色噪聲幅度；2、對(duì)陣列信號(hào)X(t)作希爾伯特黃變換(HilbertHuangTransform,HHT)，得到瞬時(shí)相位分量；經(jīng)驗(yàn)?zāi)B(tài)分解(EmpiricalModeDecomposition,EMD)是美裔華人科學(xué)家N.E.本文檔來(lái)自技高網(wǎng)...

【技術(shù)保護(hù)點(diǎn)】
一種M?UCA估計(jì)M?1個(gè)信源的建模方法，其中M?UCA指含M個(gè)陣元的均勻圓陣，其特征在于，包括以下幾個(gè)步驟：步驟一：將M?UCA在色噪聲環(huán)境的遠(yuǎn)場(chǎng)中任意放置，采集固定采樣點(diǎn)數(shù)、較低信噪比下任意入射角的信號(hào)源數(shù)目為1,2,…,M?1的陣列信號(hào)X(t)；步驟二：對(duì)陣列信號(hào)X(t)作HHT分解，得到瞬時(shí)相位分量，其中HHT指希爾伯特黃變換；步驟三：對(duì)瞬時(shí)相位分量構(gòu)造協(xié)方差矩陣,并求特征值，作歸一化獲得描述信源數(shù)目的特征值向量

【技術(shù)特征摘要】
1.一種M-UCA估計(jì)M-1個(gè)信源的建模方法，其中M-UCA指含M個(gè)陣元的均勻圓陣，其特征在于，包括以下幾個(gè)步驟：步驟一：將M-UCA在色噪聲環(huán)境的遠(yuǎn)場(chǎng)中任意放置，采集固定采樣點(diǎn)數(shù)、較低信噪比下任意入射角的信號(hào)源數(shù)目為1,2,…,M-1的陣列信號(hào)X(t)；步驟二：對(duì)陣列信號(hào)X(t)作HHT分解，得到瞬時(shí)相位分量，其中HHT指希爾伯特黃變換；步驟三：對(duì)瞬時(shí)相位分量構(gòu)造協(xié)方差矩陣,并求特征值，作歸一化獲得描述信源數(shù)目的特征值向量步驟四：將特征值向量放入SVM中訓(xùn)練，獲得數(shù)學(xué)模型，其中SVM指支持向量機(jī)；步驟五：利用上一步訓(xùn)練好的數(shù)學(xué)模型對(duì)不同條件下的陣列信號(hào)測(cè)試，得到信源個(gè)數(shù)。2.根據(jù)權(quán)利要求1所述的一種M-UCA估計(jì)M-1個(gè)信源的建模方法，其特征在于，將M-UCA在色噪聲環(huán)境的遠(yuǎn)場(chǎng)中任意放置，采集固定采樣點(diǎn)數(shù)、較低信噪比下任意入射角的信號(hào)源數(shù)目為1,2,…,M-1的陣列信號(hào)X(t)：X(t)＝AS(t)+N(t)(1)其中X(t)＝[x1(t),...,xM(t)]T為UCA信號(hào)矢量；S(t)＝[s1(t),...,sN(t)]T為信號(hào)源矢量；N(t)＝[n1(t),...,nM(t)]T為加性噪聲；A＝[a(Θ1),...,a(ΘN)]為UCA陣列流型矢量。Θi＝(φi,θi),i＝1,2,...N為第i個(gè)信號(hào)源的入射角，包括φi和θi，分別為第i個(gè)信號(hào)源的方位角和俯仰角，且φi∈(0,2π)，θi∈(0,π/2)；為第i個(gè)信號(hào)源的導(dǎo)向矢量，為逆時(shí)針第k個(gè)陣元與x軸的夾角,為載波波長(zhǎng)。3.根據(jù)權(quán)利要求2所述的一種M-UCA估計(jì)M-1個(gè)信源的建模方法，其特征在于，對(duì)權(quán)利要求2中所獲得的X(t)作HHT分解，得到瞬時(shí)相位：首先對(duì)X(t)中各信號(hào)作經(jīng)驗(yàn)?zāi)B(tài)分解：ckl為第k個(gè)陣元的第l個(gè)IMF分量，對(duì)應(yīng)的殘余分量；對(duì)式(2)中的ckl(t)作Hilbert變換得：式(3)中，P為柯西主值，則ckl(t)的瞬時(shí)相位為：4.根據(jù)權(quán)利要求3所述的一種M-UCA估計(jì)M-1個(gè)信源的建模方法，其特征在于，對(duì)權(quán)利要求3中的瞬時(shí)相位分量構(gòu)造協(xié)方差矩陣,并求特征值，作歸一化獲得描述信源數(shù)目的特征值向量構(gòu)建陣元間協(xié)方差矩陣如式(5)所示：其中△l＝[φ1l,φ2l,...,φMl]T，φkl＝[φkl(1),φkl(2),...φkl(L)]，L為采樣...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：潘晴，梅超，王甲池，
申請(qǐng)(專利權(quán))人：廣東工業(yè)大學(xué)，
類型：發(fā)明
國(guó)別省市：廣東,44