一种冲击噪声环境下的波束空间测向方法与流程

本发明涉及阵列信号处理领域，具体涉及一种冲击噪声环境下的波束空间测向方法。

背景技术：

测向是阵列信号处理领域一个重要的研究方向，得到很多研究人员的关注。波束空间处理技术可以将阵元合成一定数量的波束通道作为数据接收通道，而波束空间的空间谱估计方法具有降低计算量、提高稳健性和降低系统的复杂性的优势，具有重要的研究意义。但现有的特征分解类波束空间测向方法，由于某些相干源的导向矢量与噪声子空间不完全正交，若不做特殊处理，无法直接对相干信源进行有效估计，空间平滑技术虽然可以对相干源进行波达方向估计，但其要求阵列具有平移不变性，且需要具有特殊的阵列结构。为了测相干信源方向对阵列有效孔径有损失，使其分辨力和测向精度都会下降。而冲击噪声更是一种复杂的噪声背景，不同特征指数对应不同噪声环境，特征指数越小，拖尾越严重，传统测向方法失效的可能性就越大，若在冲击噪声环境下可以设计新的低阶矩阵，必然会促进波束空间测向方法的近一步应用。

在测向中传统的极大似然估计虽然是一种最佳估计方法，但是在阵列较大的情况下其运算量太大，且在冲击噪声环境下算法性能恶化。波束空间处理技术与阵元空间处理中每个阵元对应一个接收通道不同，波束空间方法能在大阵列和小信号数的场合有效地降低计算量。同时，就大规模天线测向系统而言，数据接收通道的减少可大幅减少测向系统的复杂性。但是，传统的极大似然测向方程的轮换投影变换方法不仅具有量化误差，而且具有计算复杂并易陷入局部收敛的缺点。

鉴于上述缺陷，本发明创作者经过长时间的研究和实践终于获得了本发明。

技术实现要素：

为解决上述技术缺陷，本发明采用的技术方案在于，提供一种冲击噪声环境下的波束空间测向方法，包括步骤：

s1，获取信号采样数据，对所述信号采样数据进行波束空间处理，得到波束空间极大似然估计的目标方程；

s2，初始化海豚群群体和初始化信仰空间；

s3，计算适应度，记录海豚群群体全局最优位置；

s4，将所述海豚群群体分成不同的等规模团队，所述团队里每个海豚依据信息共享获取个体海豚临时位置；根据所述个体海豚临时位置计算适应度，更新每个海豚的局部最优位置；

s5，依据所述信仰空间更新海豚位置；

s6，计算所述步骤s5更新后海豚位置的适应度，更新每只海豚的局部最优位置，更新海豚群群体全局最优位置，根据部分局部最优位置更新信仰空间；

s7，判断是否达到最大迭代次数，并得出测向结果输出。

较佳的，n个远场信号入射到设置有m个阵元的均匀线阵上，将第k次快拍数据写成矢量形式；所述第k次快拍数据的表达式为：

其中，e(k)为快拍数据矢量，为冲击噪声数据矢量，s(k)为空间信号矢量，a(θ)为m×n维阵列流型矩阵；θ为到达角度矢量；

所述到达角度矢量θ＝[θ1，θ2，...，θn]，

其中，θi为第i个信号的入射方向与线阵法线的夹角，i＝1，2，...，n；

所述m×n维阵列流型矩阵a(θ)的表达式为：

a(θ)＝[a1(ω0)，a2(ω0)，...，an(ω0)]，

其中，第i个信号的导向矢量：

其中，τli表示第i个信号到达第l个阵元时相对于参考阵元的时延，l＝1，2，...，m，ω0是信号的频率，j为复数单位；exp表示以e为底的指数函数；

所述信号频率ω0的表达式为：

其中，c为光速，λ为波长；

以第一个阵元位置为参考点，第l个阵元的坐标为yl，

时延

其中，l＝1，2，...，m，i＝1，2，...，n。

较佳的，所述步骤s1对空间阵元通过变换合成b个波束，再利用合成的波束数据进行波达方向估计；为形成的主瓣波束指向，t代表转置运算；

通过阵列的接收数据形成b个波束所需要的归一化加权矩阵经过波束空间变换的波束输出为：

其中，h代表共轭转置运算；

所述归一化加权矩阵的表达式为：

其中，m为波束覆盖空间中起始波束的指向角度影响参数；

第次快拍采样获得的波束输出数据表达式为：

v(k)＝[v1(k)，v2(k)，...，vb(k))]^t，

通过表达式变换得到分数低阶化向量为：

其中，b＝1，2，...，b，为权系数，*代表共轭，t代表转置运算。

较佳的，构造所述信号采样数据的低阶协方差矩阵，所述低阶协方差矩阵的表达式为：

其中，k为最大快拍数，e为求期望运算；

则波束空间导向矩阵的表达式：

正交投影矩阵的表达式：

角度估计的波束空间极大似然方程：

其中，tr代表矩阵的迹运算。

较佳的，海豚群体大小设置为为海豚团队个数，为每个海豚团队所包含的海豚个数，第h只海豚的位置为：

其中，z代表迭代次数；

在定义区间形成包含个维度为n的海豚位置其中，n＝1，2，...，n，z代表迭代次数；

将所述第h只海豚至第z代所搜索到的最优位置记作所述迭代次数z的初始值为1。

较佳的，所述信仰空间包含规范知识和形式知识，所述形式知识为所有海豚群中具有最优适应度的海豚位置即全局最优位置；所述信仰空间中所述规范知识为用<in，ln，un>定义其中in表示第n个变量的变化范围，in＝[ln，un]，ln和un分别为第n维变量的下限和上限；初始化信仰空间中的所述规范知识，海豚根据问题所给定的变量取值范围来初始化规范知识的下限和上限表示第n维变量的下限所对应的评价值，表示第n维变量的上限所对应的评价值，均初始化为-∞，初始时令所述迭代次数z为1。

较佳的，所述步骤s3中，将所述第h只海豚位置对应于波达方向的角度，计算适应度，第h只海豚的位置的适应度函数为：

其中，c为低阶协方差矩阵，为正交投影矩阵，tr代表矩阵的迹运算，

记录所述整体适应度最大的位置定义为所述海豚群群体全局最优位置

较佳的，所述步骤s4中，把整个海豚群等分成个团队，对于第h只海豚，其所属的团队标号为对应团队局部最优位置为：

生成第h只海豚的临时位置为：

其中，r1和r2是[0，1]之间均匀随机数，z代表迭代次数，

计算第h只海豚临时位置的适应度值

若则否则

从而更新海豚局部最优位置。

较佳的，所述步骤s5中，使用文化机制规范知识和海豚的局部最优位置调整位置变量变化步长及前进方向的影响函数；

所述影响函数的表达式为：

其中，η为缩放比例因子，为标准正态分布的随机数，z代表迭代次数，n＝1，2，...，n。

较佳的，在所述步骤s6中，计算所述步骤s5更新后海豚位置的适应度

若则z代表迭代次数，从而更新每个海豚的局部最优位置；

更新所述海豚群群体全局最优位置

根据接受函数挑选标号顺序前20％的海豚局部最优位置更新规范知识，所述接受函数用于选择能够直接影响当前信仰空间的知识经验的个体；设置第个位置影响规范知识的下限，第个位置影响规范知识的上限，更新所述规范知识；所述规范知识的更新方程为：

判断是否达到最大迭代次数，若未达到，则返回所述步骤s5，并令所述迭代次数z加1；若达到最大迭代次数，输出所述海豚群群体全局最优位置，并将所述海豚群群体全局最优位置对应的波达方向角度作为测向结果输出。

与现有技术比较本发明的有益效果在于：本发明有效解决了波束空间测向和极大似然测向中所遇到的难题，可在冲击噪声环境下对相干信源进行有效测向，具有收敛速度快和收敛精度高的优点，促进了波束空间测向方法的应用与发展。

附图说明

图1为本发明所述冲击噪声环境下的波束空间测向方法流程图；

图2为特征指数为1.7时独立信源波达方向估计对比图；

图3为特征指数为1.7时相干信源波达方向估计对比图；

图4为特征指数为1.2时独立信源波达方向估计对比图；

图5为高斯噪声环境相干信源波达方向估计图。

具体实施方式

以下结合附图，对本发明上述的和另外的技术特征和优点作更详细的说明。

实施例一

如图1所示，图1为本发明所述冲击噪声环境下的波束空间测向方法流程图，本发明所述冲击噪声环境下的波束空间测向方法，具体包括步骤；

s1，获取信号采样数据，对所述信号采样数据进行波束空间处理，得到波束空间极大似然估计的目标方程；

s2，初始化海豚群群体和初始化信仰空间；

s3，计算适应度，记录海豚群群体全局最优位置；

s4，将所述海豚群群体分成不同的等规模团队，所述团队里每个海豚依据信息共享获取个体海豚临时位置；根据所述个体海豚临时位置计算适应度，更新每个海豚的局部最优位置；

s5，依据所述信仰空间更新海豚位置；

s6，计算所述步骤s5更新后海豚位置的适应度，更新每只海豚的局部最优位置，更新海豚群群体全局最优位置，根据部分局部最优位置更新信仰空间；

s7，判断是否达到最大迭代次数，并得出测向结果输出。

本发明解决了波束空间测向所遇到的多个测向难题，在减少计算量的同时能降低测向系统的复杂性。使用所设计的基于文化海豚群的波束空间极大似然测向方法，能够克服极大似然估计运算量大的缺点，尤其在大阵列和信号源少的场合能够有效地降低分数低阶矩阵维数，进而减少计算量。相对于现有极大似然类测向方法，所设计的基于文化海豚群波束空间测向方法具有实现时间短，性能佳的优点。

本发明基于所设计分数低阶矩阵的波束空间极大似然测向方法，在低信噪比和小快拍数的情况下测向性能优良，且在信号源为相干源的情况下仍能有效测向，而此时特征分解类方法若不做特殊处理则测向失效。

同时，本发明扩展了波束空间测向方法的应用范围，在冲击噪声较强的情况下，测向方法的鲁棒性更好，对相干信源依旧可以有效进行波达方向估计，所设计的方法在高斯噪声环境下依旧会有较好的测向性能。

故本发明有效解决了波束空间测向和极大似然测向中所遇到的难题，可在冲击噪声环境下对相干信源进行有效测向，具有收敛速度快和收敛精度高的优点，促进了波束空间测向方法的应用与发展。

实施例二

具体的，在所述步骤s1中，假设n个远场的窄带信号入射到设置有m个阵元的均匀线阵上，将第k次快拍数据写成矢量形式；所述第k次快拍数据的表达式为：

其中，e(k)为快拍数据矢量，为冲击噪声数据矢量，s(k)为空间信号矢量，a(θ)为m×n维阵列流型矩阵；θ为到达角度矢量。

所述到达角度矢量θ＝[θ1，θ2，...，θn]，

其中，θi为第i个信号的入射方向与线阵法线的夹角，i＝1，2，...，n。

所述m×n维阵列流型矩阵a(θ)的表达式为：

a(θ)＝[a1(ω0)，a2(ω0)，...，an(ω0)]，

其中，第i个信号的导向矢量为：

其中，τli表示第i个信号到达第l个阵元时相对于参考阵元的时延，l＝1，2，...，m，一般的，将第一个阵元为参考阵元；ω0是信号的频率，j为复数单位；exp表示以e为底的指数函数。

所述信号频率ω0的表达式为：

其中，c为光速，λ为波长；

以第一个阵元位置为参考点，第l个阵元的坐标为yl，则

时延

其中，l＝1，2，...，m，i＝1，2，...，n。

将空间阵元通过变换合成b个波束，再利用合成的波束数据进行波达方向(doa)估计。

具体的，为形成的主瓣波束指向，t代表转置运算。

则通过阵列的接收数据形成b个波束所需要的归一化加权矩阵的表达式为：

其中，m为波束覆盖空间中起始波束的指向角度影响参数；通过m可确定波束覆盖空间中起始波束的指向角度。

通过矩阵的表达式可以将所述信号采样数据形成b个波束，经过波束空间变换的波束输出为：

其中，h代表共轭转置运算。

第次快拍采样获得的波束输出数据表达式为：

v(k)＝[v1(k)，v2(k)，...，vb(k))]^t，

通过表达式变换得到分数低阶化向量为：

其中，b＝1，2，...，b，为权系数，*代表共轭，t代表转置运算。

构造数据低阶协方差矩阵的表达式为：

其中，k为最大快拍数，e为求期望运算。

进一步，得出波束空间导向矩阵的表达式：

正交投影矩阵的表达式：

角度估计的波束空间极大似然方程：

其中，tr代表矩阵的迹运算。

在步骤s2中，海豚群体大小设置为为海豚团队个数，为每个海豚团队所包含的海豚个数，将第h只海豚的位置定义为：

其中，z代表迭代次数。

在定义区间随机初始化形成包含个维度为n的海豚位置其中，n＝1，2，...，n，z代表迭代次数。

将第h只海豚至第z代所搜索到的最优位置记作

在文化海豚群方法中，信仰空间中包含两种知识源：规范知识和形式知识，形式知识为所有海豚群中具有最优适应度的海豚位置即全局最优位置。信仰空间中规范知识为其中为包含参数范围信息的规范知识。用<in，ln，un>定义其中in表示第n个变量的变化范围，in＝[ln，un]，ln和un分别为第n维变量的下限和上限。初始化信仰空间中的规范知识，海豚根据问题所给定的变量取值范围来初始化规范知识的下限和上限表示第n维变量的下限所对应的评价值，表示第n维变量的上限所对应的评价值，均初始化为-∞，初始时令迭代次数z为1。

具体的，步骤s3中，将第h只海豚的位置对应于波达方向的角度，并将对应的波达方向角度带入到第h只海豚位置的整体适应度函数为：

其中，c为低阶协方差矩阵，为正交投影矩阵，tr代表矩阵的迹运算，

记录其中整体适应度最优的位置为所述海豚群群体全局初始最优位置z代表迭代次数；所述海豚群体全局最优位置为各维度上适应度最优的位置。

具体的，步骤s4中，把整个海豚群等分成个团队，对于第h只海豚，其所属的团队标号为对应团队局部最优位置为：

生成第h只海豚的临时位置为：

其中，r1和r2是[0，1]之间均匀随机数，z代表迭代次数，

计算第h只海豚临时位置的适应度值

若则否则

从而更新海豚个体局部最优位置。

具体的，所述步骤s5中，使用所述规范知识参数和所述海豚局部最优位置，调整位置变量变化步长及前进方向的影响函数，从而更新海豚位置；

所述海豚位置的更新方式为：

其中，η为缩放比例因子，为标准正态分布的随机数，z代表迭代次数，n＝1，2，...，n；

在步骤s6中，计算第h只海豚新位置的更新适应度值

若则z代表迭代次数，从而更新所述海豚个体局部最优位置。

更新所述海豚群群体全局优位置

根据接受函数挑选标号顺序前20％的海豚局部最优位置来更新规范知识，所述接受函数用于选择能够直接影响当前信仰空间的知识经验的个体。即从当前海滩种群空间中以一定的比例选择最优海豚个体，所述海豚个体一般以适应度的大小进行优劣排序，即适应度越大海豚个体越优秀。假设第个位置影响规范知识的下限，第个位置影响规范知识的上限，更新规范知识，便于在第z+1次迭代时形成规范知识；所述规范知识的更新方程为：

最终，判断是否达到最大迭代次数zmax，若未达到，则返回步骤s5，并在本次所述迭代次数上加1；若达到最大迭代次数，输出海豚群全局最优位置，并将其对应的波达方向角度作为测向结果输出。

实施例三

被比较方法为现有技术中基于粒子群算法的极大似然测向方法。在测向系统中，阵元间距为二分之一波长，天线数m＝8，波束数b＝4，信源数n＝2，快拍采样数k＝100。粒子群算法的种群规模与文化海豚群相同，终止迭代次数设置为文化海豚群的两倍，其他参数同经典粒子群算法参数设置。所设计的基于文化海豚群的仿真参数为：zmax＝60，η＝0.06，c1＝c2＝2，

图2中，两个独立信号源从{-5°，5°}方向射入，特征指数为1.7，广义信噪比为10db，montecarlo试验次数为20。在仿真图2中，通过对比可以看出，所发明的基于文化海豚群的波束空间测向方法能准确的估计出独立信源方向，且和真实值近似相等。

图3中，两相干信号从{-5°，5°}方向射入，特征指数为1.7，广义信噪比为10db，montecarlo试验次数为20。在仿真图3中，通过对比可以看出，所发明的基于文化海豚群的波束空间测向方法能准确的估计出相干信源方向，充分说明了这种方法既适用非相干目标估计，又适用于相干目标估计。

图4中，两个独立信号源从{-5°，15°}方向射入，特征指数为1.2，广义信噪比为10db，montecarlo试验次数为20。仿真结果表明本发明所提出的方法对较强的冲击噪声环境下的相干信号目标能进行较准确估计，充分说明了这种方法既适用非相干目标估计，又适用于相干目标估计，且在比较恶劣的噪声环境下效果也很好。

图5中，两相干信号源从{-5°，4°}方向射入，特征指数为2，此时为高斯白噪声，信噪比为10db，montecarlo试验次数为20。仿真结果表明本发明所设计的方法在高斯噪声环境下能对相干信号目标进行准确估计，充分说明了这种方法不仅是适用于冲击噪声环境，在高斯噪声环境下一样有效。

以上所述仅为本发明的较佳实施例，对本发明而言仅仅是说明性的，而非限制性的。本专业技术人员理解，在本发明权利要求所限定的精神和范围内可对其进行许多改变，修改，甚至等效，但都将落入本发明的保护范围内。