CN113283055A - 一种基于平行因子模型的多信号分离与测向联合处理方法 - Google Patents
一种基于平行因子模型的多信号分离与测向联合处理方法 Download PDFInfo
- Publication number
- CN113283055A CN113283055A CN202110441319.8A CN202110441319A CN113283055A CN 113283055 A CN113283055 A CN 113283055A CN 202110441319 A CN202110441319 A CN 202110441319A CN 113283055 A CN113283055 A CN 113283055A
- Authority
- CN
- China
- Prior art keywords
- signal
- matrix
- angle
- separation
- processing method
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000926 separation method Methods 0.000 title claims abstract description 29
- 238000003672 processing method Methods 0.000 title claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims abstract description 70
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 238000005070 sampling Methods 0.000 claims abstract description 19
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 15
- 239000000126 substance Substances 0.000 claims description 3
- 230000000903 blocking effect Effects 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 239000000047 product Substances 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S3/00—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received
- G01S3/02—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received using radio waves
- G01S3/14—Systems for determining direction or deviation from predetermined direction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Remote Sensing (AREA)
- Computer Hardware Design (AREA)
- Radar, Positioning & Navigation (AREA)
- Algebra (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于平行因子模型的多信号分离与测向联合处理方法,利用均匀面阵采集含有多信号的混合电磁信号,作为接收采样信号;对接收采样信号进行预处理,利用子空间旋转类算法进行角度估计,获得初步的角度估计值;根据所获的初步角度估计值,构造初始估计的导向矩阵;将接收采样信号重新建模为PARAFAC模型;将构造的导向矩阵作为PARAFAC分解的初始值,利用TALS算法拟合PARAFAC模型直到满足收敛条件,获取信源矩阵和导向矩阵;从估计的信源矩阵中提取出分离信号;从估计的导向矩阵估计分离信号对应的到达角。本发明计算复杂度低,可以有效分离源信号并估计出相应的角度参数。
Description
技术领域
本发明属于阵列信号处理技术领域,具体涉及一种应用于均匀面阵中的基于平行因子模型的多信号分离与测向联合处理方法。
背景技术
多信号分离和测向是无线电频谱监测、电子侦察和无线通信中的关键问题,其主要实现方法为利用阵列天线接收空间传播的电磁信号,通过数字信号处理手段估计不同信号的到达方向并将其从混合信号中提取出来。
目前,多信号分离和测向主要采用的是波束成形和子空间估计技术,使用较为广泛的有子空间旋转类方法如ESPRIT、PM等算法,其利用信号向量的信号子空间旋转不变性进行参数估计,但这两种算法仅能估计角度,不能分离源信号,并且角度估计性能有限。波束成形方法可以分离某个方向上的信号,但这种方法角度分辨能力较低。
张量分解是信号处理和数据分析中的新兴技术,已广泛应用于生物医学、无线通信和机器学***行因子(PARAFAC)分解是最常用的张量分解方法之一。将平行因子模型应用于阵列信号处理中,利用三线***替最小二乘(TALS)可以实现源分离和测向,并且可以取得较好的性能。但这种标准的PARAFAC分解方法存在着收敛速度慢,计算复杂度高的问题。
发明内容
发明目的:本发明提供了一种基于平行因子模型的多信号分离与测向联合处理方法,能够提高均匀面阵下的信号分离和角度估计的性能,同时降低了标准PARAFAC分解的计算复杂度。
技术方案:本发明所述的一种基于平行因子模型的多信号分离与测向联合处理方法,包括以下步骤:
(1)将均匀面阵采集含有多信号的混合电磁信号,作为接收采样信号;
(2)将接收采样信号进行预处理,利用子空间旋转类算法进行角度估计,获得初步的角度估计值;
(3)构造初始估计的导向矩阵;
(4)将步骤(1)中的接收采样信号重新建模为PARAFAC模型;
(5)将导向矩阵作为PARAFAC分解的初始值,利用TALS算法拟合PARAFAC模型直到满足收敛条件,获取信源矩阵和导向矩阵;
(6)从步骤(5)估计出的信源矩阵提取出分离信号;
(7)从步骤(5)中估计出的导向矩阵估计分离信号对应的到达角。
进一步地,所述步骤(2)包括以下步骤:
进一步地,步骤(3)所述的初始估计导向矩阵分别为:
Ax=[ax(u1),ax(u2),...,ax(uK)]
Ay=[ay(v1),ay(v2),...,ay(vK)]
其中,ax(uk)和ay(vk)分别为x轴和y轴上的导向矢量。
进一步地,所述步骤(4)实现过程如下:
进一步地,所述步骤(5)包括以下步骤:
(55)判断是否达到设定的收敛条件,达到则算法停止;否则回到步骤(52)继续计算新的估计值。
进一步地,所述步骤(7)包括以下步骤:
(73)根据相位与角频率的关系,计算角频率的最小二乘估计:
其中,
Bx=[0,2πdx/λ,...,2π(N-1)dx/λ]T
By=[0,2πdy/λ,...,2π(M-1)dy/λ]T
其中,dx=dy=d为阵元间距,λ为波长;
有益效果:与现有技术相比,本发明的有益效果:1、本发明提供的多信号分离与测向联合处理方法,将平行因子分析模型应用于阵列信号处理领域,在均匀面阵中测向精度优于传统的PM、ESPRIT等算法,且无需角度配对,在测角同时能获得分离信号;
2、本发明方法利用PM算法进行角度的初估计,使TALS算法更快地达到收敛驻点,减少了采用随机初始化的标准TALS算法的计算量。
附图说明
图1为本发明的流程图;
图2为本发明所述方法涉及的均匀面阵结构示意图;
图3为信噪比为10dB时本发明的处理方法得到的分离信号波形示意图;
图4为信噪比为10dB时本发明的处理方法得到的角度估计的散点图;
图5为本发明所述方法和标准PARAFAC算法的收敛速度在相同阵列结构和相同快拍数条件下的对比图;
图6为本发明所述方法和PM、ESPRIT、标准PARAFAC四种方法的角度估计性能在相同阵列结构和相同快拍数条件下的对比图;
图7为本发明和标准PARAFAC两种方法的信号分离性能在不同信噪比条件下的对比图;
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明提供一种基于平行因子模型的多信号分离与测向联合处理方法,如图1所示,具体包括以下步骤:
步骤1:利用均匀面阵采集含有多信号的混合电磁信号,作为接收采样信号。
图2为本发明方法涉及的均匀面阵结构示意图。该面阵共有N×M个阵元,均匀分布,相邻阵元的间距均为d=dx=dy,d≤λ/2(λ为波长)。假设空间有K个非相干远场信号入射到此均匀面阵上,其到达方向为(θk,φk),k=1,2,…,K,其中,θk和φk分别代表第k个信号的俯仰角和方位角。阵列接收采样信号可以写成:
ax(uk)=[1,exp(-j2πdxuk/λ),...,exp(-j2π(N-1)dxuk/λ)]T (3)
ay(vk)=[1,exp(-j2πdyvk/λ),...,exp(-j2π(M-1)dyvk/λ)]T (4)
公式(2)还可以进一步表示为:
A=[Ay⊙Ax] (5)
其中,⊙表示Khatri–Rao积,Ax=[ax(u1),ax(u2),...,ax(uK)],Ay=[ay(v1),ay(v2),...,ay(vK)]。
步骤2:对步骤1获得的接收采样信号进行预处理,利用子空间旋转类算法进行角度估计,获得初步的角度估计值。
得到接收数据矩阵后,利用PM算法进行初始角度估计,包括以下步骤:
(4)定义矩阵其中IK是K×K的单位矩阵,构造矩阵Ex=E1:N(M-1),1:K和Ey=EN+1:MN,1:K,Ex为矩阵E的第1到第N(M-1)行组成的子矩阵,Ey为矩阵E的第N+1到第MN行组成的子矩阵;
(7)对矩阵E进行重构,得到矩阵E',构造矩阵Ex'=E'1:M(N-1),1:K和Ey'=E'M+1:MN,1:K,Ex'为矩阵E'的第1到第M(N-1)行组成的子矩阵,Ey'为矩阵E'的第M+1到第MN行组成的子矩阵;
步骤3:根据步骤2所获的初步角度估计值,构造初始估计的导向矩阵。
在获得PM算法计算的角度初始估计值后,可以根据公式(3)和公式(4)构建导向矢量,然后组成初始估计导向矩阵:
Ax=[ax(u1),ax(u2),...,ax(uK)]
Ay=[ay(v1),ay(v2),...,ay(vK)]
其中,ax(uk)和ay(vk)分别为x轴和y轴上的导向矢量。
步骤4:将步骤1中的接收采样信号重新建模为PARAFAC模型。
根据平行因子(PARAFAC)模型,阵列接收信号可以表示成三线性模型的形式:
其中,Ax(n,k),Ay(m,k),S(l,k)分别是x轴方向矩阵Ax的第(n,k)个元素、y轴方向矩阵Ay的第(m,k)个元素和信源矩阵S的第(l,k)个元素,xn,l,m是三阶张量的第(n,l,m)个元素。
步骤5:将步骤3构造的导向矩阵作为PARAFAC分解的初始值,利用TALS算法拟合PARAFAC模型直到满足收敛条件。
(5)计算残差平方和的收敛速率,当其小于设定的某个较小值时算法停止;否则回到(2)继续计算新的估计值。
步骤6:从步骤5中估计出的信源矩阵提取出分离信号。
步骤7:从步骤5中估计出的导向矩阵估计分离信号对应的到达角。
(3)根据相位与角频率的关系,计算角频率的最小二乘估计 其中Bx=[0,2πdx/λ,...,2π(N-1)dx/λ]T,By=[0,2πdy/λ,...,2π(M-1)dy/λ]T,dx=dy=d为阵元间距;
以一8×8的均匀面阵为例,假设空间中存在三个不同类型的典型调制信号,分别为单载频信号s1(t)=cos(2π×5×106t),线性调频信号s2(t)=cos(π×1012t2+2π×2×106t),幅度调制信号s3(t)=cos(2π×3×105t)sin(2π×5×106t),到达角分别为(θ1,φ1)=(10°,15°),(θ2,φ2)=(20°,25°)和(θ3,φ3)=(30°,35°),采样频率为100MHz。
图3为信噪比为10dB时本发明的处理方法得到的分离信号波形示意图,图4为信噪比为10dB时本发明的处理方法得到的角度估计的散点图,时域采样点数L=800。由图3和图4可以看出,本发明方法可以有效分离源信号并估计出相应的角度参数。
图5为本发明所述方法和标准PARAFAC算法的计算复杂度在相同阵列结构和相同采样点数条件下的对比图,时域采样点数L=800,仿真统计次数为1000。由图5可以看出,本发明方法的计算复杂度要低于标准的PARAFAC分解方法,在本实施实例中收敛速度提高了十倍以上。
图6a和图6b为本发明所述方法和PM、ESPRIT、标准PARAFAC四种方法的角度估计性能在相同阵列结构和相同快拍数条件下的对比图,时域采样点数L=800,仿真统计次数为1000。RMSE表示角度的均方根误差。由图可以得出,本发明方法的角度估计性能优于2D-PM、2D-ESPRIT算法,和标准的PARAFAC算法估计性能接近。
图7为本发明所述方法和标准PARAFAC两种方法的信号分离性能在不同信噪比条件下的对比图,时域采样点数L=800,仿真统计次数为1000。ρ表示分离信号与原始信号之间的平均相似系数。由图可以得出,本发明方法的信号分离性能和标准PARAFAC算法估计性能接近,随着信噪比的提升,分离性能也得到提高。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,在不脱离本发明原理前提下,应视为本发明的保护范围。
Claims (6)
1.一种基于平行因子模型的多信号分离与测向联合处理方法,其特征在于,包括以下步骤:
(1)将均匀面阵采集含有多信号的混合电磁信号,作为接收采样信号;
(2)将接收采样信号进行预处理,利用子空间旋转类算法进行角度估计,获得初步的角度估计值;
(3)构造初始估计的导向矩阵;
(4)将步骤(1)中的接收采样信号重新建模为PARAFAC模型;
(5)将导向矩阵作为PARAFAC分解的初始值,利用TALS算法拟合PARAFAC模型直到满足收敛条件,获取信源矩阵和导向矩阵;
(6)从步骤(5)估计出的信源矩阵提取出分离信号;
(7)从步骤(5)中估计出的导向矩阵估计分离信号对应的到达角。
2.根据权利要求1所述的基于平行因子模型的多信号分离与测向联合处理方法,其特征在于,所述步骤(2)包括以下步骤:
3.根据权利要求1所述的基于平行因子模型的多信号分离与测向联合处理方法,其特征在于,步骤(3)所述的初始估计导向矩阵分别为:
Ax=[ax(u1),ax(u2),...,ax(uK)]
Ay=[ay(v1),ay(v2),...,ay(vK)]
其中,ax(uk)和ay(vk)分别为x轴和y轴上的导向矢量。
6.根据权利要求1所述的基于平行因子模型的多信号分离与测向联合处理方法,其特征在于,所述步骤(7)包括以下步骤:
(73)根据相位与角频率的关系,计算角频率的最小二乘估计:
其中,
Bx=[0,2πdx/λ,...,2π(N-1)dx/λ]T
By=[0,2πdy/λ,...,2π(M-1)dy/λ]T
其中,dx=dy=d为阵元间距,λ为波长;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110441319.8A CN113283055A (zh) | 2021-04-23 | 2021-04-23 | 一种基于平行因子模型的多信号分离与测向联合处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110441319.8A CN113283055A (zh) | 2021-04-23 | 2021-04-23 | 一种基于平行因子模型的多信号分离与测向联合处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113283055A true CN113283055A (zh) | 2021-08-20 |
Family
ID=77277225
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110441319.8A Pending CN113283055A (zh) | 2021-04-23 | 2021-04-23 | 一种基于平行因子模型的多信号分离与测向联合处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113283055A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105553894A (zh) * | 2016-01-19 | 2016-05-04 | 南京航空航天大学 | 声矢量阵中一种基于平行因子压缩感知的盲源分离方法 |
CN109143154A (zh) * | 2018-07-24 | 2019-01-04 | 南京航空航天大学 | 一种应用于l型阵列的信号二维doa与频率联合估计方法 |
CN110673085A (zh) * | 2019-09-25 | 2020-01-10 | 南京航空航天大学 | 一种均匀面阵下基于快速收敛平行因子的相干信源测向方法 |
CN111352063A (zh) * | 2019-12-20 | 2020-06-30 | 南京航空航天大学 | 一种均匀面阵中基于多项式求根的二维测向估计方法 |
-
2021
- 2021-04-23 CN CN202110441319.8A patent/CN113283055A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105553894A (zh) * | 2016-01-19 | 2016-05-04 | 南京航空航天大学 | 声矢量阵中一种基于平行因子压缩感知的盲源分离方法 |
CN109143154A (zh) * | 2018-07-24 | 2019-01-04 | 南京航空航天大学 | 一种应用于l型阵列的信号二维doa与频率联合估计方法 |
CN110673085A (zh) * | 2019-09-25 | 2020-01-10 | 南京航空航天大学 | 一种均匀面阵下基于快速收敛平行因子的相干信源测向方法 |
CN111352063A (zh) * | 2019-12-20 | 2020-06-30 | 南京航空航天大学 | 一种均匀面阵中基于多项式求根的二维测向估计方法 |
Non-Patent Citations (1)
Title |
---|
张小飞;李书;郑旺;: "电磁矢量阵中基于平行因子压缩感知的角度估计算法", 数据采集与处理, no. 02, 15 March 2016 (2016-03-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109471082B (zh) | 基于信号子空间重构的阵元缺损mimo雷达角度估计方法 | |
CN110045323B (zh) | 一种基于矩阵填充的互质阵稳健自适应波束形成算法 | |
CN107843881B (zh) | 雷达角度估计及误差校正方法 | |
CN109298383B (zh) | 一种基于变分贝叶斯推断的互质阵波达方向角估计方法 | |
CN111239678B (zh) | 一种基于l型阵列的二维doa估计方法 | |
CN109597046B (zh) | 基于一维卷积神经网络的米波雷达doa估计方法 | |
CN109143197B (zh) | 一种基于辅助阵元的极化mimo雷达的2d-doa和极化参数估计方法 | |
CN108931758A (zh) | 一种使用互质线阵进行低复杂度角度估计的方法 | |
CN110749857B (zh) | 基于秩损法的均匀矩形阵列二维非圆信号doa估计方法 | |
CN107037398B (zh) | 一种二维music算法估计波达方向的并行计算方法 | |
CN113835063B (zh) | 一种无人机阵列幅相误差与信号doa联合估计方法 | |
CN109597048B (zh) | 基于二维卷积神经网络的米波雷达doa估计方法 | |
CN108398659B (zh) | 一种矩阵束与求根music结合的波达方向估计方法 | |
CN111580042B (zh) | 一种基于相位优化的深度学习测向方法 | |
CN107092005A (zh) | 一种时空联合的阵列处理方法及装置 | |
CN110727915B (zh) | 一种基于数据相关约束的鲁棒自适应波束形成方法 | |
CN110376547B (zh) | 基于二阶统计量的近场源定位方法 | |
CN110376546B (zh) | 基于协方差矩阵差分的远场和近场混合信源定位方法 | |
CN111738291A (zh) | 一种基于增广加权盖尔圆矩阵的信源个数估计建模方法 | |
CN110673085A (zh) | 一种均匀面阵下基于快速收敛平行因子的相干信源测向方法 | |
CN116299150B (zh) | 一种均匀面阵中降维传播算子的二维doa估计方法 | |
CN112016037A (zh) | 一种互质面阵中基于降维Capon求根的二维测向估计方法 | |
CN113283055A (zh) | 一种基于平行因子模型的多信号分离与测向联合处理方法 | |
CN112327292A (zh) | 一种二维稀疏阵列doa估计方法 | |
CN110261814B (zh) | 基于空间谱重构和导向矢量直接估计的波束形成方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |