CN113552530B - 一种基于量子鼠群的近场和远场源混合测向方法 - Google Patents
一种基于量子鼠群的近场和远场源混合测向方法 Download PDFInfo
- Publication number
- CN113552530B CN113552530B CN202110723576.0A CN202110723576A CN113552530B CN 113552530 B CN113552530 B CN 113552530B CN 202110723576 A CN202110723576 A CN 202110723576A CN 113552530 B CN113552530 B CN 113552530B
- Authority
- CN
- China
- Prior art keywords
- quantum
- mouse
- field
- matrix
- far
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G01S3/04—Details
- G01S3/12—Means for determining sense of direction, e.g. by combining signals from directional antenna or goniometer search coil with those from non-directional antenna
-
- 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
- G01S3/04—Details
- G01S3/10—Means for reducing or compensating for quadrantal, site, or like errors
-
- 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
- G01S3/143—Systems for determining direction or deviation from predetermined direction by vectorial combination of signals derived from differently oriented antennae
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于量子鼠群的近场和远场源混合测向方法,在获得远场源角度的基础上构建出分离算子,通过该算子可以获得远场源四阶累积量矩阵,通过四阶累积量矩阵差分获得纯净的近场源四阶累积量矩阵,并通过量子鼠群机制进行参数搜索的相关过程,解决现有的混合源测向方法存在角度模糊和远近场信号源分离方法低效的技术难题。本发明可以快速的得到较精确的混合源测向结果,并且不存在量化误差,通过四阶累积量矩阵可以扩展阵列孔径,提高测向精度,相对于传统的近场和远场源混合测向方法速度更快、精度更高、突破了现有方法的应用局限。
Description
技术领域
本发明涉及一种高斯噪声环境下的近场和远场源混合测向方法,特别是一种基于量子鼠群的近场和远场源混合测向方法,属于阵列信号处理领域。
背景技术
被动信源定位通过传感器阵列的导向矢量矩阵与观测信源矢量,使用阵列信号处理相关算法,估计出信源的目标参数,例如:到达方位角、俯仰角、距离等参数。被动信源定位属于阵列信号处理领域,在雷达、信息战、地震学、麦克风阵列中的众多军事或生活领域中都有着广泛的应用,因此受到了人们的广泛关注。
经典的测向方法针对于近场源或远场源信号,然而在实际的工程问题中,远场源信源和近场源信源可能同时存在,将这种情况称作混合源,混合源测向中需要对近场源的角度和距离进行估计,对于远场源,化简为角度参数估计,所以传统的远场源或近场源的定位方法无法直接运用在混合源测向中,所以对混合源测向的方法需要进一步深入研究。
使用传统的噪声子空间类算法进行混合源定位时,使用了谱峰搜索的过程,若选取较大的谱峰搜索间隔会存在量化误差,相反若选取较小的谱峰搜索间隔会导致搜索所需时间较长,估计精度与搜索时间之间存在矛盾性,使用智能优化算法代替谱峰搜索过程是一种具有潜力的解决方案,但现有的智能优化算法应用于近场和远场源混合测向这个复杂工程问题时有较多缺陷,如收敛速度慢、易陷入局部收敛等,因此需要针对具体的工程问题设计新的高效求解方法。
通过对现有技术文件的检索发现,梁军利等在《Signal Processing》(2010.58(1):108-120.)上发表的“Passive Localization of Mixed Near-Field and Far-FieldSources Using Two-stage MUSIC Algorithm[J]”中构建了两个的四阶累积量矩阵,第一个四阶累积量矩阵只包括混合源的角度信息,并利用MUSIC算法获得角度参量,第二个四阶累积量矩阵包括角度和距离信息,将估计出的所有远场信号源和近场信号源的角度信息代入二维MUSIC谱峰搜索函数可以将搜索函数降为一维,估计出近场源距离参量,但该方法在远场源和近场源的角度相近时性能下降严重甚至失效,存在角度模糊,并且由于构建了两个四阶累积量矩阵导致算法的计算量较大,且测向结果存在量化误差;He J等人在《SignalProcessing》(2012,60(4):2066-2070.),上发表的“Efficient application of MUSICalgorithm under the coexistence of far-field and near-field sources[J]”中提出了利用斜投影技术实现远近场信号源的分离,在降低了计算量的同时避免了因角度模糊导致的估计错误问题,但是该方法在估计近场源的参量时仅仅利用了阵列接收数据协方差矩阵的反对角线元素,这导致近场源的方位角和距离估计性能不理想。
已有文献的检索结果表明,现有的近场和远场源混合测向方法存在计算复杂度高,无法实现近场和远场信源的高效分离等缺点,因此设计出一种新的混合源分离方法进而提出一种新的近场和远场源混合测向方法,其具体是在获得远场源角度的基础上构建出分离算子,通过该算子可以获得远场源四阶累积量矩阵,通过四阶累积量矩阵差分获得纯净的近场源四阶累积量矩阵,并通过量子鼠群机制进行参数搜索的相关过程,解决现有的混合源测向方法存在角度模糊和远近场信号源分离方法低效的技术难题。
发明内容
针对上述现有技术,本发明要解决的技术问题是提供一种具有更高的精度,避免了角度模糊的问题基于量子鼠群的近场和远场源混合测向方法。
为解决上述技术问题,本发明的一种基于量子鼠群的近场和远场源混合测向方法,包括以下步骤:
步骤一:建立高斯噪声下的均匀对称线阵接收信号的数学模型,具体为:
假设有一个由2N+1个共向同性全向天线构成的均匀线阵,K个波长为λ的窄带信号源从方向角为θk(k=1,2,…,K)的方向入射到线阵,其中假设前K1(0≤K1≤K)个信源为远场信号源,后K-K1个信源为近场源,相邻阵元之间的距离为d,在信号为窄带信号的假设下,对于第t次快拍,阵元接收数据为x(t)=A(θ,r)s(t)+n(t)=AF(θ)sF(t)+AF(θ,r)sN(t)+n(t),其中,线阵接收到的数据向量x(t)=[x-N(t),x-(N-1)(t),…,x0(t),x1(t),…,xN(t)]T为(2N+1)×1维;阵列噪声向量n(t)=[n-N(t),…,n0(t),n1(t),…,nN(t)]T为(2N+1)×1维;为K1×1维远场信源向量;为(K-K1)×1维近场信源向量;是(2N+1)×K1维远场信源的阵列流行导向矩阵,其中AF(θ)导向矩阵的第k列导向矢量(2N+1)×(K-K1)维的近场信号源的导向矩阵为其中AN(θ,r)导向矩阵的第k列导向矢量,
步骤二:设计目标适应度函数F1,F2,F3,具体为:
1.设计求解远场源角度目标适应度函数F1:
对于第t次快拍阵元接收向量x(t),可构建协方差矩阵其中上标‘H’表示矩阵的共轭转置,T为最大快拍采样数,对R进行特征分解其中,信号子空间Us为(2N+1)×K维,噪声子空间Un为(2N+1)×(2N+1-K)维,K×K维的对角矩阵Vs其主对角线上的元素由K个较大特征值构成的,(2N+1-K)×(2N+1-K)维的对角矩阵Vn其主对角线上的元素由剩余2N+1-K个较小特征值构成;
2.设计求解近场源角度目标适应度函数F2:
构造一个只包含信源角度信息的四阶累积量矩阵C1,C1中元素可以表示为其中:C1是(2N+1)×(2N+1)维的矩阵, 其中上标‘*’表示共轭,E代表求均值,sk(t)表示第t次快拍下第k个信源的包络;
构建远场信源的虚拟导向矢量矩阵其中为第k个远场源角度估计值,构建分离算子其中上标‘+’表示矩阵的伪逆,远场源得四阶累积量矩阵通过四阶累积量矩阵的差分C3=C1-C2获得近场源的四阶累积量矩阵C3。对C3进行特征分解其中,UC,n为(2N+1)×(2N+1-K+K1)维的噪声子空间,UC,s为(2N+1)×(K-K1)维的信号子空间,(K-K1)×(K-K1)维的对角矩阵VC,s其主对角线上的元素由(K-K1)个较大特征值构成的,(2N+1-K+K1)×(2N+1-K+K1)维的对角矩阵VC,n其主对角线上的元素由剩余2N+1-K+K1个较小特征值构成;
3.设计求解近场源距离的目标适应度函数F3:
4.为了分离获得远场源的角度、近场源的角度和近场源的距离,需要依次计算根据量子鼠群机制最大的适应度函数值Fξ,ξ=1,2,3,初始时令ξ=1;
步骤三:根据ξ的取值初始化量子鼠群、经验因子和环境因子,同时选取相应的Fξ作为量子鼠群算法的适应度函数;
步骤四:使用模拟量子旋转门通过环境因子和经验因子实现量子个体的寻优搜索过程;
步骤五:更新第g+1代的量子最优位置,并更新经验因子和环境因子;
本发明还包括:
1.步骤三根据ξ的取值初始化量子鼠群、经验因子和环境因子,同时选取相应的Fξ作为量子鼠群算法的适应度函数,具体为:
老鼠量子位置的维数为Sξ,初始化量子鼠群空间,量子鼠群群体中的个体数为M,最大迭代次数为G,迭代数标号为g,第g次迭代中,第m个量子老鼠在Sξ维搜索空间中的量子位置为当g=1时初代量子鼠群的量子位置的第s(s=1,2,…,Sξ)维初始化为[0,1]之间的均匀随机数,老鼠个体的量子位置通过映射关系可以得到其对应的映射态位置即映射规则为:其中 为求解第ξ个适应度函数F(ξ)时老鼠映射态位置第s维变量上限,为求解第ξ个适应度函数F(ξ)老鼠映射态位置第s维变量下限,s=1,2,…,Sξ;
计算鼠群的量子位置的适应度值,并获得鼠群的量子最优位置,pg表示到第g代为止所找到的最优量子位置,将初代鼠群的量子位置通过映射方程得到其映射态位置代入适应度函数Fξ进行计算,并将第m个老鼠的初代经验因子初始化为第m个老鼠对应的适应度函数值pg初始化为第一代种群中的适应度函数值最大的量子位置,根据初代量子老鼠的经验因子将M个量子老鼠进行排序,编号为1的老鼠的经验因子为T1 1,在此基础上得到初代的最优经验因子其中υ为在[0,1]之间均匀分布的随机数;
2.步骤四使用模拟量子旋转门通过环境因子和经验因子实现量子个体的寻优搜索过程,具体为:
步骤4.1:定义第g代中,第m个老鼠的综合因子其中:为第g代中,第m个老鼠的环境因子,为第g代中,第m个老鼠的经验因子,w1和w2分别为经验因子和环境因子的权重因子,且满足w1+w2=1,在获得第m(m=1,2,…M)个老鼠的个体的综合因子后,计算第m个老鼠的个体转移概率:
步骤4.2:定义并计算两种量子旋转角,p1(0≤p1≤1)为全局搜索概率,当时,此时第m个老鼠执行第一种量子旋转角,对于第m个老鼠量子位置第s维第一种量子旋转角为其中为第g次迭代中第m个老鼠个体的综合因子,g为当前迭代次数,h(0<h<1)为控制因子,υ3为在[0,1]之间均匀分布的随机数;当时,此时第m个老鼠执行第二种量子旋转角,需要进行全局搜索二种量子旋转角使父代鼠群的个体朝着当前全局最优解pg进行变动,使用全局最优解影响量子旋转角的量子旋转角的步长和调整方向;对于第m个老鼠量子位置第s维第二种量子旋转角为其中:s=1,2,…,Sξ,υ4为在[0,1]之间均匀分布的随机数;
步骤4.4:计算子代老鼠的的量子位置矢量映射态对应的适应度值,并从父代量子位置和子代量子位置一共2M个量子位置中,选择最优的M个量子位置作为下一代量子个体量子位置计算子代老鼠的的量子位置矢量映射态对应的适应度值,并从父代量子位置和子代量子位置一共2M个量子位置中,选择最优的M个量子位置作为下一代量子个体量子位置
3.步骤五更新第g+1代的量子最优位置,并更新经验因子和环境因子,具体为:
步骤5.1:计算新一代的第m个体量子位置矢量映射态在适应度函数Fξ下的适应度值得到过渡经验因子将过渡经验因子进行排序得到其最大值其对应的量子位置为将与Fξ(pg)进行比较,若则若则pg+1=pg,第g+1代的最优量子位置的映射态为
步骤5.2:采用了差分进化的思想,利用个体之间的经验因子进行变异操作,对于第m个老鼠的经验因子,按以下的规则进行更新:其中:ρ为经验蒸发系数,ρ的分布区间为[0,1],ΔT为经验变量,其中:υ2代表缩放因子,υ2为[0,1]之间均匀分布的随机数,z1和z2为随机引入的量子老鼠个体用来进行变异操作,z1=(1,2,…,M),z2=(1,2,…,M);
步骤5.3:对第m个老鼠更新后的经验因子进行判断,若则对M个老鼠经验因子进行由大到小排列,获得其最大值T1 g+1,在此基础上得到第g+1代的最优经验因子其中:υ5为在[0,1]之间均匀分布的随机数。
本发明的有益效果:针对现有近场和远场源混合测向方法的缺点和不足,本文设计了一种新的近场和远场源混合测向方法,通过设计一种新的分离算子进行混合源信号分离,并结合高阶累积量的相关知识构建出相关的特殊四阶累积量矩阵进行近场源角度估计,最后代入近场源角度信息实现距离估计。所设计的方法测向具有更高的精度,避免了角度模糊的问题。
与现有技术相比,本发明针对现有的近场和远场源混合测向方法的存在角度模糊、或者在进行近场源估计时存在阵列孔径损失的问题,设计了高效的近场和远场源混合测向方法,通过构造分离算子与四阶累积量矩阵结合实现了近场和远场源的分离,由于四阶累积量矩阵对高斯背景噪声具有抑制的作用,该分离方法具有较优异的分离性能,能够有效求解信源,当近场源和远场源的角度较近时,该算法仍然能够有效进行近场和远场源混合测向,同时由于不存在阵列孔径损失,估计精度较高,所设计的方法更贴合工程实际。
本文发明的基于量子鼠群机制的近场和远场源混合测向方法可以快速的得到较精确的混合源测向结果,并且不存在量化误差,通过四阶累积量矩阵可以扩展阵列孔径,提高测向精度。仿真实验证明了基于量子鼠群机制的近场和远场源混合测向方法的有效性,且相对于传统的近场和远场源混合测向方法速度更快、精度更高、突破了现有方法的应用局限。
附图说明
图1是本发明所设计的基于量子鼠群的近场和远场源混合测向方法流程图;
图2是远场角度估计的均方根误差与信噪比关系曲线;
图3是远场角度估计的成功概率与信噪比关系曲线;
图4是近场角度估计的均方根误差与信噪比关系曲线;
图5是近场角度估计的估计成功概率与信噪比关系曲线;
图6是近场距离估计的均方根误差与信噪比关系曲线;
图7是近场距离估计的估计成功概率与信噪比关系曲线。
具体实施方式
下面结合说明书附图和具体实施方式对本发明做进一步说明。
结合图1,本发明的一种基于量子鼠群的近场和远场源混合测向方法,包括以下步骤:
步骤一,建立高斯噪声下的均匀对称线阵接收信号的数学模型。
假设有一个由2N+1个共向同性全向天线构成的均匀线阵,K个波长为λ的窄带信号源从方向角为θk(k=1,2,…,K)的方向入射到线阵,其中假设前K1(0≤K1≤K)个信源为远场信号源,后K-K1个信源为近场源。相邻阵元之间的距离为d,在信号为窄带信号的假设下,对于第t次快拍,阵元接收数据为x(t)=A(θ,r)s(t)+n(t)=AF(θ)sF(t)+AF(θ,r)sN(t)+n(t),其中,线阵接收到的数据向量x(t)=[x-N(t),x-(N-1)(t),…,x0(t),x1(t),…,xN(t)]T为(2N+1)×1维;阵列噪声向量n(t)=[n-N(t),…,n0(t),n1(t),…,nN(t)]T为(2N+1)×1维;为K1×1维远场信源向量;为(K-K1)×1维近场信源向量;是(2N+1)×K1维远场信源的阵列流行导向矩阵,其中AF(θ)导向矩阵的第k列导向矢量(2N+1)×(K-K1)维的近场信号源的导向矩阵为其中AN(θ,r)导向矩阵的第k列导向矢量,
步骤二,设计目标适应度函数F1,F2,F3其具体步骤如下:
1.设计求解远场源角度目标适应度函数F1。
对于第t次快拍阵元接收向量x(t),可构建协方差矩阵其中上标‘H’表示矩阵的共轭转置,T为最大快拍采样数。对R进行特征分解其中,信号子空间Us为(2N+1)×K维,噪声子空间Un为(2N+1)×(2N+1-K)维,K×K维的对角矩阵Vs其主对角线上的元素由K个较大特征值构成的,(2N+1-K)×(2N+1-K)维的对角矩阵Vn其主对角线上的元素由剩余2N+1-K个较小特征值构成。
2.设计求解近场源角度目标适应度函数F2。
构造一个只包含信源角度信息的四阶累积量矩阵C1,C1中元素可以表示为其中:C1是(2N+1)×(2N+1)维的矩阵, 其中上标‘*’表示共轭,E代表求均值,sk(t)表示第t次快拍下第k个信源的包络。
构建远场信源的虚拟导向矢量矩阵其中为第k个远场源角度估计值,构建分离算子其中上标‘+’表示矩阵的伪逆,远场源得四阶累积量矩阵通过四阶累积量矩阵的差分C3=C1-C2获得近场源的四阶累积量矩阵C3。对C3进行特征分解其中,UC,n为(2N+1)×(2N+1-K+K1)维的噪声子空间,UC,s为(2N+1)×(K-K1)维的信号子空间,(K-K1)×(K-K1)维的对角矩阵VC,s其主对角线上的元素由(K-K1)个较大特征值构成的,(2N+1-K+K1)×(2N+1-K+K1)维的对角矩阵VC,n其主对角线上的元素由剩余2N+1-K+K1个较小特征值构成。
3.设计求解近场源距离的目标适应度函数F3。
4.为了分离获得远场源的角度、近场源的角度和近场源的距离,需要依次计算根据量子鼠群机制最大的适应度函数值Fξ,ξ=1,2,3,初始时令ξ=1。
步骤三:根据ξ的取值初始化量子鼠群、经验因子和环境因子,同时选取相应的Fξ作为量子鼠群算法的适应度函数,其具体步骤为
老鼠量子位置的维数为Sξ,初始化量子鼠群空间。量子鼠群群体中的个体数为M,最大迭代次数为G,迭代数标号为g。第g次迭代中,第m个量子老鼠在Sξ维搜索空间中的量子位置为当g=1时初代量子鼠群的量子位置的第s(s=1,2,…,Sξ)维初始化为[0,1]之间的均匀随机数,老鼠个体的量子位置通过映射关系可以得到其对应的映射态位置即映射规则为:其中 为求解第ξ个适应度函数F(ξ)时老鼠映射态位置第s维变量上限,为求解第ξ个适应度函数F(ξ)老鼠映射态位置第s维变量下限,s=1,2,…,Sξ。
计算鼠群的量子位置的适应度值,并获得鼠群的量子最优位置,pg表示到第g代为止所找到的最优量子位置,将初代鼠群的量子位置通过映射方程得到其映射态位置代入适应度函数Fξ进行计算,并将第m个老鼠的初代经验因子初始化为第m个老鼠对应的适应度函数值pg初始化为第一代种群中的适应度函数值最大的量子位置。根据初代量子老鼠的经验因子将M个量子老鼠进行排序,编号为1的老鼠的经验因子为T1 1,在此基础上得到初代的最优经验因子其中υ为在[0,1]之间均匀分布的随机数。
步骤四:使用模拟量子旋转门通过环境因子和经验因子实现量子个体的寻优搜索过程。具体步骤为
1.定义第g代中,第m个老鼠的综合因子其中:为第g代中,第m个老鼠的环境因子,为第g代中,第m个老鼠的经验因子,w1和w2分别为经验因子和环境因子的权重因子,且满足w1+w2=1。在获得第m(m=1,2,…M)个老鼠的个体的综合因子后,计算第m个老鼠的个体转移概率
2.定义并计算两种量子旋转角,p1(0≤p1≤1)为全局搜索概率,当时,此时第m个老鼠执行第一种量子旋转角,第一种量子旋转角使父代鼠群的位于较好量子区间的个体仅仅在极小的范围内进行变动,使用老鼠个体的综合因子和当前迭代次数影响量子旋转角的步长。对于第m个老鼠量子位置第s维第一种量子旋转角为其中为第g次迭代中第m个老鼠个体的综合因子,g为当前迭代次数,h(0<h<1)为控制因子,υ3为在[0,1]之间均匀分布的随机数。当时,此时第m个老鼠执行第二种量子旋转角,因为此时第m个老鼠个体的综合因子较小,此时该老鼠位于较差的量子位置,需要进行全局搜索二种量子旋转角使父代鼠群的个体朝着当前全局最优解pg进行变动,使用全局最优解影响量子旋转角的量子旋转角的步长和调整方向。对于第m个老鼠量子位置第s维第二种量子旋转角为其中:s=1,2,…,Sξ,υ4为在[0,1]之间均匀分布的随机数。
4.计算子代老鼠的的量子位置矢量映射态对应的适应度值,并从父代量子位置和子代量子位置一共2M个量子位置中,选择最优的M个量子位置作为下一代量子个体量子位置计算子代老鼠的的量子位置矢量映射态对应的适应度值,并从父代量子位置和子代量子位置一共2M个量子位置中,选择最优的M个量子位置作为下一代量子个体量子位置
步骤五:更新第g+1代的量子最优位置,并更新经验因子和环境因子,其具体步骤为:
1.计算新一代的第m个体量子位置矢量映射态在适应度函数Fξ下的适应度值得到过渡经验因子将过渡经验因子进行排序得到其最大值其对应的量子位置为将与Fξ(pg)进行比较,若则若则pg+1=pg,第g+1代的最优量子位置的映射态为
2.采用了差分进化的思想,利用多个个体之间的经验因子进行变异操作。对于第m个老鼠的经验因子,按以下的规则进行更新:其中:ρ为经验蒸发系数,ρ的分布区间为[0,1],ΔT为经验变量,其中:υ2代表缩放因子,υ2为[0,1]之间均匀分布的随机数,z1和z2为随机引入的量子老鼠个体用来进行变异操作,z1=(1,2,…,M),z2=(1,2,…,M)。
在图2至图7中,根据Zhi W等在IEEE Signal Processing Letters,2007,4(4):409-412.上发表的“Near sources localization using symmetrix subarrays[J]”所提到近场源ESPRIT-like算法可运用于混合源测向中,将近场源ESPRIT-like算法作为比对对象。同样根据He J等人在《Signal Processing》(2012,60(4):2066-2070.),上发表的“Efficient application of MUSIC algorithm under the coexistence of far-fieldand near-field sources[J]”所提到的基于二阶累积量的斜投影算法效果较佳,并且同样可实现近场和远场信源的分离,将基于二阶累积量的斜投影算法作为第二个比对对象。
在仿真实验中,快拍数为300,信噪比从0dB递增到20dB,假设远场信源的入射角度为θ1=25°,近场信源的入射角度和距离为(θ2,r2)=(13°,10m),信源的频率为471MHz,均匀对称线阵均由9个传感器构成,阵元间距d=0.25λ,无论远场信号源还是近场信号源均为等功率的窄带点源非高斯平稳随机过程,全局搜索概率p1=0.01,最大迭代次数G=100,权重因子w1=0.8,w2=0.2,种群规模M=50,控制因子h=0.1,经验蒸发系数ρ=0.2,S1=K1,S2=K-K1,S3=K-K1,
并且规定估计参数与实际参数差值的绝对值小于0.2判断为估计成功。在高斯复白噪声环境下,对比角度和距离估计的均方根误差和估计成功概率随均方根误差的变化曲线,由图2可知所设计算法的远场源角度估计的均方根误差与斜投影算法相差不大,但是强于ESPRIT-like算法,从图3中可知估计成功概率相较于ESPRIT-like算法提升了10%以上,从图4、图5、图6和图7中可知,所设计的算法在近场源的角度和距离估计性能均强于ESPRIT-like算法和斜投影算法,均方根误差和成功概率均有显著提升。体现出了本发明所设计的方法相对与传统的近场和远场源混合测向方法的优势。
Claims (4)
1.一种基于量子鼠群的近场和远场源混合测向方法,其特征在于,包括以下步骤:
步骤一:建立高斯噪声下的均匀对称线阵接收信号的数学模型,具体为:
假设有一个由2N+1个共向同性全向天线构成的均匀线阵,K个波长为λ的窄带信号源从方向角为θk(k=1,2,…,K)的方向入射到线阵,其中假设前K1(0≤K1≤K)个信源为远场信号源,后K-K1个信源为近场源,相邻阵元之间的距离为d,在信号为窄带信号的假设下,对于第t次快拍,阵元接收数据为x(t)=A(θ,r)s(t)+n(t)=AF(θ)sF(t)+AF(θ,r)sN(t)+n(t),其中,线阵接收到的数据向量x(t)=[x-N(t),x-(N-1)(t),…,x0(t),x1(t),…,xN(t)]T为(2N+1)×1维;阵列噪声向量n(t)=[n-N(t),…,n0(t),n1(t),…,nN(t)]T为(2N+1)×1维;为K1×1维远场信源向量;为(K-K1)×1维近场信源向量;sk(t)表示第t次快拍下第k个信源的包络;是(2N+1)×K1维远场信源的阵列流行导向矩阵,其中AF(θ)导向矩阵的第k列导向矢量(2N+1)×(K-K1)维的近场信号源的导向矩阵为其中AN(θ,r)导向矩阵的第k列导向矢量,
步骤二:设计目标适应度函数F1,F2,F3,具体为:
1.设计求解远场源角度目标适应度函数F1:
对于第t次快拍阵元接收向量x(t),可构建协方差矩阵其中上标‘H’表示矩阵的共轭转置,T为最大快拍采样数,对R进行特征分解其中,信号子空间Us为(2N+1)×K维,噪声子空间Un为(2N+1)×(2N+1-K)维,K×K维的对角矩阵Vs其主对角线上的元素由K个较大特征值构成的,(2N+1-K)×(2N+1-K)维的对角矩阵Vn其主对角线上的元素由剩余2N+1-K个较小特征值构成;
2.设计求解近场源角度目标适应度函数F2:
构建远场信源的虚拟导向矢量矩阵其中为第k个远场源角度估计值,构建分离算子其中上标‘+’表示矩阵的伪逆,远场源得四阶累积量矩阵通过四阶累积量矩阵的差分C3=C1-C2获得近场源的四阶累积量矩阵C3,对C3进行特征分解其中,UC,n为(2N+1)×(2N+1-K+K1)维的噪声子空间,UC,s为(2N+1)×(K-K1)维的信号子空间,(K-K1)×(K-K1)维的对角矩阵VC,s其主对角线上的元素由(K-K1)个较大特征值构成的,(2N+1-K+K1)×(2N+1-K+K1)维的对角矩阵VC,n其主对角线上的元素由剩余2N+1-K+K1个较小特征值构成;
3.设计求解近场源距离的目标适应度函数F3:
4.为了分离获得远场源的角度、近场源的角度和近场源的距离,需要依次计算根据量子鼠群机制最大的适应度函数值Fξ,ξ=1,2,3,初始时令ξ=1;
步骤三:根据ξ的取值初始化量子鼠群、经验因子和环境因子,同时选取相应的Fξ作为量子鼠群算法的适应度函数;
步骤四:使用模拟量子旋转门通过环境因子和经验因子实现量子个体的寻优搜索过程;
步骤五:更新第g+1代的量子最优位置,并更新经验因子和环境因子;
2.根据权利要求1所述的一种基于量子鼠群的近场和远场源混合测向方法,其特征在于:步骤三所述根据ξ的取值初始化量子鼠群、经验因子和环境因子,同时选取相应的Fξ作为量子鼠群算法的适应度函数,具体为:
老鼠量子位置的维数为Sξ,初始化量子鼠群空间,量子鼠群群体中的个体数为M,最大迭代次数为G,迭代数标号为g,第g次迭代中,第m个量子老鼠在Sξ维搜索空间中的量子位置为当g=1时初代量子鼠群的量子位置的第s(s=1,2,…,Sξ)维初始化为[0,1]之间的均匀随机数,老鼠个体的量子位置通过映射关系可以得到其对应的映射态位置即映射规则为:其中 为求解第ξ个适应度函数F(ξ)时老鼠映射态位置第s维变量上限,为求解第ξ个适应度函数F(ξ)老鼠映射态位置第s维变量下限,s=1,2,…,Sξ;
计算鼠群的量子位置的适应度值,并获得鼠群的量子最优位置,pg表示到第g代为止所找到的最优量子位置,将初代鼠群的量子位置通过映射方程得到其映射态位置代入适应度函数Fξ进行计算,并将第m个老鼠的初代经验因子初始化为第m个老鼠对应的适应度函数值pg初始化为第一代种群中的适应度函数值最大的量子位置,根据初代量子老鼠的经验因子将M个量子老鼠进行排序,编号为1的老鼠的经验因子为T1 1,在此基础上得到初代的最优经验因子其中υ为在[0,1]之间均匀分布的随机数;
3.根据权利要求1或2所述的一种基于量子鼠群的近场和远场源混合测向方法,其特征在于:步骤四所述使用模拟量子旋转门通过环境因子和经验因子实现量子个体的寻优搜索过程,具体为:
步骤4.1:定义第g代中,第m个老鼠的综合因子其中:为第g代中,第m个老鼠的环境因子,为第g代中,第m个老鼠的经验因子,w1和w2分别为经验因子和环境因子的权重因子,且满足w1+w2=1,在获得第m(m=1,2,…M)个老鼠的个体的综合因子后,计算第m个老鼠的个体转移概率:
步骤4.2:定义并计算两种量子旋转角,p1(0≤p1≤1)为全局搜索概率,当时,此时第m个老鼠执行第一种量子旋转角,对于第m个老鼠量子位置第s维第一种量子旋转角为其中为第g次迭代中第m个老鼠个体的综合因子,g为当前迭代次数,h(0<h<1)为控制因子,υ3为在[0,1]之间均匀分布的随机数;当时,此时第m个老鼠执行第二种量子旋转角,需要进行全局搜索二种量子旋转角使父代鼠群的个体朝着当前全局最优解pg进行变动,使用全局最优解影响量子旋转角的量子旋转角的步长和调整方向;对于第m个老鼠量子位置第s维第二种量子旋转角为其中:s=1,2,…,Sξ,υ4为在[0,1]之间均匀分布的随机数;
4.根据权利要求3所述的一种基于量子鼠群的近场和远场源混合测向方法,其特征在于:步骤五所述更新第g+1代的量子最优位置,并更新经验因子和环境因子,具体为:
步骤5.1:计算新一代的第m个体量子位置矢量映射态在适应度函数Fξ下的适应度值得到过渡经验因子将过渡经验因子进行排序得到其最大值其对应的量子位置为将与Fξ(pg)进行比较,若则若则pg+1=pg,第g+1代的最优量子位置的映射态为
步骤5.2:采用了差分进化的思想,利用个体之间的经验因子进行变异操作,对于第m个老鼠的经验因子,按以下的规则进行更新:其中:ρ为经验蒸发系数,ρ的分布区间为[0,1],ΔT为经验变量,其中:υ2代表缩放因子,υ2为[0,1]之间均匀分布的随机数,z1和z2为随机引入的量子老鼠个体用来进行变异操作,z1=(1,2,…,M),z2=(1,2,…,M);
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110723576.0A CN113552530B (zh) | 2021-06-29 | 2021-06-29 | 一种基于量子鼠群的近场和远场源混合测向方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110723576.0A CN113552530B (zh) | 2021-06-29 | 2021-06-29 | 一种基于量子鼠群的近场和远场源混合测向方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113552530A CN113552530A (zh) | 2021-10-26 |
CN113552530B true CN113552530B (zh) | 2022-07-15 |
Family
ID=78102452
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110723576.0A Active CN113552530B (zh) | 2021-06-29 | 2021-06-29 | 一种基于量子鼠群的近场和远场源混合测向方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113552530B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109870670B (zh) * | 2019-03-12 | 2022-09-02 | 西北工业大学深圳研究院 | 一种基于阵列重构的混合信号参数估计方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106371055B (zh) * | 2016-10-26 | 2018-11-09 | 黑龙江大学 | 远近场宽带混合信号超分辨测向阵列幅相误差估计方法 |
CN106546948B (zh) * | 2016-10-26 | 2019-01-11 | 黑龙江大学 | 基于幅相误差阵列的远近场宽带混合源中远场源测向方法 |
-
2021
- 2021-06-29 CN CN202110723576.0A patent/CN113552530B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113552530A (zh) | 2021-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106443663B (zh) | 一种用于相控阵雷达降维四通道和差波束测角的方法 | |
CN103902826B (zh) | 一种冲击噪声环境下的多移动目标跟踪方法 | |
CN105548957B (zh) | 一种未知有色噪声下多目标远近场混合源定位方法 | |
CN106019234B (zh) | L型天线阵的低计算复杂度二维波达方向估计方法 | |
CN112881972B (zh) | 一种阵列模型误差下基于神经网络的波达方向估计方法 | |
CN110244272B (zh) | 基于秩一去噪模型的波达方向估计方法 | |
CN112731278B (zh) | 一种部分极化信号的角度与极化参数欠定联合估计方法 | |
CN113030843B (zh) | 基于改进iaa波束形成的低空目标测向方法 | |
CN113835063B (zh) | 一种无人机阵列幅相误差与信号doa联合估计方法 | |
CN113376569B (zh) | 基于最大似然的嵌套阵稀疏表示波达方向估计方法 | |
CN108872930B (zh) | 扩展孔径二维联合对角化doa估计方法 | |
CN111337873A (zh) | 一种基于稀疏阵的doa估计方法 | |
CN111965591A (zh) | 一种基于四阶累积量矢量化dft的测向估计方法 | |
CN113552530B (zh) | 一种基于量子鼠群的近场和远场源混合测向方法 | |
CN112699735A (zh) | 基于深度学习的近场源定位方法 | |
CN114167347B (zh) | 冲击噪声环境下互质阵列的幅相误差校正和测向方法 | |
CN113759303B (zh) | 一种基于粒子群算法的无网格波达角估计方法 | |
CN109212465B (zh) | 一种基于文化蚁狮机制的特殊阵列动态测向方法 | |
CN111273269A (zh) | 基于ipso-bp的频率分集阵列的雷达目标定位方法 | |
CN112485755A (zh) | 基于2q阶嵌套MIMO阵列结构的角度估计方法 | |
CN114167346B (zh) | 基于协方差矩阵拟合阵元扩展的doa估计方法及*** | |
CN116582158A (zh) | 一种大规模mimo方阵信源数与波达方向联合估计方法 | |
CN112800596B (zh) | 强冲击噪声下基于嵌套阵列的鲁棒动态测向方法 | |
CN113791379B (zh) | 嵌套阵列非高斯环境下的正交匹配追踪doa估计方法 | |
CN115421098A (zh) | 嵌套面阵下降维求根music的二维doa估计方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |