一种基于张量分解的矢量水听器阵列方位估计方法与流程

本发明涉及一种基于张量分解的矢量水听器阵列方位估计方法，属于矢量水听器信号处理技术领域。

背景技术：

现如今，对目标的方位进行精准测向是许多的领域中必须解决的问题。在矢量水听器信号处理技术领域，为了确定目标的方位，采用矢量水听器阵列对目标声场进行采样，通过相关算法得到目标的方位。

矢量水听器作为近些年来快速发展的声场测试设备，可以同时测量声场中的声压和振速分量，获取了声场中的多维信息，增加了水声信号处理的数据。传统的方位估计方法有多重信号分类(multiplesignalclassification，music)算法等。

传统的方位估计方法都是将声矢量阵的振速信息作为与声压相同的阵元信息来处理。将矢量水听器接收到的声压及振速信息排列成为矩阵形式进行后续的信号处理，使得矢量水听器蕴含的多维结构信息和声压以及振速各分量之间的正交关系在信号处理过程中没有得到充分的利用。

张量作为处理多维信号的一种统一语言，对高维代数运算具有不可比拟的优势，与矢量相比张量模型与真实信号的多维结构更为适配，能够充分利用矢量水听器中的声压以及振速分量的正交性。本发明运用了张量分解中的tucker分解，借鉴了张量分解在电磁矢量传感器阵列中的应用。

本发明提出了基于张量分解的矢量水听器阵列方位估计方法，可实现水下目标的高精度测向。

技术实现要素：

本发明的目的是针对传统的方位估计方法在低信噪比时方位估计精度低的缺点而提供一种基于张量分解的矢量水听器阵列方位估计方法，用于在低信噪比的环境下，提高目标方位估计的精度。

本发明的目的是这样实现的：步骤如下：

步骤1：构建矢量水听器的声压和振速分量组成的方向矢量；

步骤2：构建矢量水听器阵列的时延矢量；

步骤3：将矢量水听器阵列的方向矢量以及时延矢量重构成新的阵列流形张量；

步骤4：将矢量水听器阵列接收到的矢量信号重构成张量信号，并对张量信号进行分解和截断处理；

步骤5：利用新的阵列流形张量和噪声子空间进行空间谱搜索，空间谱的峰值对应的角度就是入射信号的方位角和俯仰角。

本发明还包括这样一些结构特征：

1.步骤1中的方向矢量具体为：

当矢量水听器为三维矢量水听器时，矢量水听器的方向矢量为：

其中，a为矢量水听器的方向矢量，θ为入射信号的方位角，为入射信号的俯仰角，为x轴方向的方向余弦，为y轴方向的方向余弦，为z轴方向的方向余弦。

2.步骤2中，当矢量水听器为三维矢量水听器，矢量水听器阵列为l型阵列时，矢量水听器阵列的时延矢量为：

a＝[axay]

其中，a为矢量水听器阵列的时延矢量，ax为x轴方向的时延矢量，ay为y轴方向的时延矢量，λ为入射信号的波长，d为阵元间距，mx为x轴方向上的矢量水听器个数，my为y轴方向上的矢量水听器个数。

3.步骤3中的阵列流形张量具体为：

当矢量水听器为三维矢量水听器，矢量水听器阵列为l型阵列时，重构阵列流形向量成张量形式：

其中，为矢量水听器阵列的阵列流形张量，k为满足远场窄带平面波条件的入射信号个数，为x轴方向第k个入射信号的阵列流形张量，为y轴方向第k个入射信号的时延张量，θk为第k个入射信号的方位角，为第k个入射信号的俯仰角，mx为x轴方向上的矢量水听器个数，my为y轴方向上的矢量水听器个数。

4.步骤4中的具体实现为：

在张量模型下，构造三阶张量信号：

式中，为三阶张量信号，×3表示张量与矩阵的3-模乘积，为阵列流形张量，为远场窄带平面波波形，为噪声张量，其中m为矢量水听器阵列阵元总个数，n为采样点数，k为入射信号个数；

将得到的三阶张量信号进行tucker分解为：

式中，为张量的核张量，×1表示张量与矩阵的1-模乘积，×2表示张量与矩阵的2-模乘积，×3表示张量与矩阵的3-模乘积，为张量的1-模展开的左奇异矩阵，为张量的2-模展开的左奇异矩阵，为张量的3-模展开的左奇异矩阵；

对张量的1-模和2-模展开的左奇异矩阵进行截断，取m-k个较小奇异值对应的列矢量分别组成u1n∈c^m×(m-k)，u2n∈c^4×(4-k)，其中m为矢量水听器阵列阵元总个数，k为入射信号个数。

5.步骤5中的具体实现为：

利用阵列流形张量的行向量分量和列向量分量分别与对应的噪声子空间正交的性质，得到基于tucker分解的方位估计方法的空间谱估计公式：

式中，为矢量水听器阵列的阵列流形张量，×1表示张量与矩阵的1-模乘积，×2表示张量与矩阵的2-模乘积，u1n为张量的1-模展开的截断左奇异矩阵，u2n为张量的2-模展开的截断左奇异矩阵，为u1n的共轭转置，为u2n的共轭转置；

空间谱的峰值对应的角度就是入射信号的方位角和俯仰角。

与现有技术相比，本发明的有益效果是：本发明提出了一种基于张量分解的矢量水听器阵列方位估计方法，解决了传统的方位估计方法在低信噪比时方位估计精度低的缺点，该侧向方法在低信噪比的条件下具有更好的噪声抑制能力，此测向方法具有较高的方位估计精度。

本发明的张量模型将矢量水听器的方向矢量信息，矢量水听器阵列的时延矢量以及空间信号的信息存储在三个不同的维度，在本算法的计算过程中能够比传统方位估计算法更加有效利用矢量水听器阵列的多维信息和各维度之间的正交性，提升方位估计的精度。

附图说明

图1是基于tucker分解的方位估计方法的流程图。

图2是基于tucker分解的方位估计方法和music测向方法的一维空间谱对比图。

图3是基于tucker分解的方位估计方法和music测向方法的一维均方根误差对比图。

图4是music测向方法的二维空间谱。

图5是基于tucker分解的方位估计方法的二维空间谱。

图6是基于tucker分解的方位估计方法和music测向方法的二维均方根误差对比图。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述。

结合图1至图6，本发明首先建立矢量水听器阵列的矢量模型，将水听器的声压和振速分量组成的方向矢量以及矢量水听器阵列的时延矢量重构成新的阵列流形张量，引入张量分解模型，通过tucker分解得到对应的张量信号子空间和噪声子空间，从而结合music算法对声源目标进行方位估计。

结合图1，本发明的具体实施过程包括以下步骤：

步骤1：构建矢量水听器的声压和振速分量组成的方向矢量。

当矢量水听器为三维矢量水听器时，矢量水听器的方向矢量为：

其中，a为矢量水听器的方向矢量，θ为入射信号的方位角，为入射信号的俯仰角，为x轴方向的方向余弦，为y轴方向的方向余弦，为z轴方向的方向余弦。

步骤2：构建矢量水听器阵列的的时延矢量。

当矢量水听器为三维矢量水听器，矢量水听器阵列为l型阵列时，矢量水听器阵列的时延矢量为：

a＝[axay]

其中，a为矢量水听器阵列的时延矢量，ax为x轴方向的时延矢量，ay为y轴方向的时延矢量，λ为入射信号的波长，d为阵元间距，θ为入射信号的方位角，为入射信号的俯仰角，mx为x轴方向上的矢量水听器个数，my为y轴方向上的矢量水听器个数。

步骤3：将矢量水听器阵列的方向矢量以及时延矢量重构成新的阵列流形张量。

当矢量水听器为三维矢量水听器，矢量水听器阵列为l型阵列时，重构阵列流形向量成张量形式：

其中，为矢量水听器阵列的阵列流形张量，k为满足远场窄带平面波条件的入射信号个数，为x轴方向第k个入射信号的阵列流形张量，为y轴方向第k个入射信号的时延张量，θk为第k个入射信号的方位角，为第k个入射信号的俯仰角，λ为入射信号的波长，d为阵元间距，mx为x轴方向上的矢量水听器个数，my为y轴方向上的矢量水听器个数。

步骤4：将矢量水听器阵列接收到的矢量信号重构成张量信号，并对张量信号进行分解和截断处理。

在张量模型下，构造三阶张量信号：

式中，为三阶张量信号，×3表示张量与矩阵的3-模乘积，为阵列流形张量，为远场窄带平面波波形，为噪声张量，其中m为矢量水听器阵列阵元总个数，n为采样点数，k为入射信号个数，s^t为s的转置。

将得到的三阶张量信号进行tucker分解

式中，为张量的核张量，×1表示张量与矩阵的1-模乘积，×2表示张量与矩阵的2-模乘积，×3表示张量与矩阵的3-模乘积，为张量的1-模展开的左奇异矩阵。为张量的2-模展开的左奇异矩阵，为张量的3-模展开的左奇异矩阵。

对张量的1-模和2-模展开的左奇异矩阵进行截断，取m-k个较小奇异值对应的列矢量分别组成u1n∈c^m×(m-k)，u2n∈c^4×(4-k)，其中m为矢量水听器阵列阵元总个数，k为入射信号个数。

步骤5：利用新的阵列流形张量和噪声子空间进行空间谱搜索，空间谱的峰值对应的角度就是入射信号的方位角和俯仰角。

利用阵列流形张量的行向量分量和列向量分量分别与对应的噪声子空间正交的性质，得到基于tucker分解的方位估计方法的空间谱估计公式：

式中，为矢量水听器阵列的阵列流形张量，×1表示张量与矩阵的1-模乘积，×2表示张量与矩阵的2-模乘积，u1n为张量的1-模展开的截断左奇异矩阵，u2n为张量的2-模展开的截断左奇异矩阵，为u1n的共轭转置，为u2n的共轭转置。

空间谱的峰值对应的角度就是入射信号的方位角和俯仰角。

仿真实例1

结合图2和图3，二维矢量水听器阵列采用的是5元半波长等间距直线阵列。在x轴上半波长等间距分布5个水听器。通过比较传统的music算法和基于tucker分解方位估计算法的性能验证本发明的有效性。仿真条件为阵元数m＝5，阵元间距d＝λ/2，入射方位角为20°，中心频率为300hz，采样数n＝1024，噪声为高斯白噪声，信噪比为-15db。

图2是基于tucker分解的方位估计方法和music测向方法的一维空间谱对比图，从图中可以看出，当信噪比为-15db时，在相同的仿真条件下，基于tucker分解的方位估计算法和music测向方法都能准确估计出目标的方位角，由图2可知基于tucker分解的方位估计算法的具有更低的旁瓣，谱峰更尖锐，估计精度也大为提高，因此本发明提出的算法在低信噪比时有较好的方位估计精度。

图3是基于tucker分解的方位估计方法和music测向方法的一维均方根误差对比图，为避免随机误差的影响，这是200次独立重复的结果。当矢量水听器阵列为直线阵列，信噪比为-20db到-15db的范围时，基于tucker分解的方位估计方法比music测向方法有更低的均方根误差，可知基于tucker分解的方位估计方法在低信噪比时的方位估计精度有所提高。

仿真实例2

结合图4、图5和图6，三维矢量水听器阵列采用的是5元l型半波长等间距阵列。在x轴上半波长等间距分布3个水听器。在y轴上半波长等间距分布3个水听器，在坐标参考原点处布置1个水听器，共有5个阵元。仿真条件为阵元数m＝5，阵元间距d＝λ/2，入射方位角为45°，入射俯仰角为30°，中心频率为300hz，采样数n＝1024，噪声为高斯白噪声，信噪比为-10db。

图4和图5，分别为5元l型阵music测向方法的二维空间谱和5元l型阵基于tucker分解的方位估计方法的二维空间谱，可以看出在相同的仿真条件下，基于tucker分解的方位估计算法的具有更低的旁瓣，谱峰更尖锐，估计精度也大为提高。

图6为基于tucker分解的方位估计方法和music测向方法的二维均方根误差对比图，为避免随机误差的影响，这是200次独立重复的结果。当矢量水听器阵列为l型阵列，信噪比为-20db到-15db的范围时，基于tucker分解的方位估计方法比music测向方法有更低的均方根误差，可知基于tucker分解的方位估计方法在低信噪比时的方位估计精度有所提高。

综上，本发明涉及一种基于张量分解的矢量水听器阵列方位估计方法，具体为利用tucker分解和music算法相结合的矢量水听器阵列方位估计方法对处于环境噪声场中的目标进行高精度测向。矢量水听器由声压传感器和振速传感器空间共点组成，它可以同时测量声场中的声压和振速分量。本发明首先建立矢量水听器阵列的矢量模型，将水听器的声压和振速分量组成的方向矢量以及矢量水听器阵列的时延矢量重构成新的阵列流形张量，引入张量分解模型，通过tucker分解得到对应的张量信号子空间，从而结合music算法对声源目标进行方位估计。本发明在低信噪比的条件下具有更好的噪声抑制能力。此测向方法具有较高的方位估计精度。