CN113987733B - 一种基于线性预测的信源方向鲁棒定位算法 - Google Patents
一种基于线性预测的信源方向鲁棒定位算法 Download PDFInfo
- Publication number
- CN113987733B CN113987733B CN202011365016.4A CN202011365016A CN113987733B CN 113987733 B CN113987733 B CN 113987733B CN 202011365016 A CN202011365016 A CN 202011365016A CN 113987733 B CN113987733 B CN 113987733B
- Authority
- CN
- China
- Prior art keywords
- linear prediction
- coefficient vector
- source direction
- matrix
- prediction coefficient
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 abstract description 17
- 238000004891 communication Methods 0.000 description 10
- 238000009826 distribution Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 239000000203 mixture Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- 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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于线性预测的信源方向鲁棒定位算法,先构建数据矩阵,然后通过最小化线性预测误差的加权lp‑范数(1≤p<2),估计线性预测系数矢量a,进而估计信源方向;与传统的加权l2‑范数相比,具有更强的抵抗脉冲尖峰特性;与Bayes‑optimal方法相比,有较高的分辨率;本发明使用迭代重加权最小二乘法求解线性预测系数矢量a,具有不需要初始估计值、计算量小的优点,易于硬件实现。
Description
技术领域
本发明涉及信号处理技术领域,特别涉及一种基于线性预测的信源方向鲁棒定位算法。
背景技术
发展水声通信技术是国家海洋战略及现代海军建设的需要。由于电磁波在水中衰减严重,高频无线电通信无法适用于水下通信的场景。水下航行器与母船/基地的通信联络可采用3-300Hz的超低频频段。实践证明:水声通信的合适载波频率为4k Hz左右,可见其BW0.707带宽极低,这与人们熟悉的高频无线电通信有本质区别。此外,海洋环境复杂,噪声干扰大。因此,水声通信技术有相当难度。虽然常规的无线通信技术无法直接应用于水声通信,但在原理上是相通的。一般情况下,我们处理的是基带信号。因此,对于水声通信的信号处理,关键在于传统模型的修正。本专利提出一种基于线性预测的信源方向鲁棒定位算法,用于水下目标物体的定位。
在脉冲噪声环境中,对K个信源定位,信号模型示意图如附图7:
现有N个传感器构成的均匀线性阵列(ULA),用于接收从K个目标发来的波动信号s1(t),s2(t),…,sK(t)。在t时刻,ULA接收到的信号可以建模成:
y(t)=As(t)+n(t),t=1,2,…,T,
其中,
y(t)=[y1(t) … yN(t)]T,
s(t)=[s1(t) … sK(t)]T,
A=[a(θ1) … a(θK)],
λ为信号波长,d为阵元间距,θk为第k个目标的方向角,而n(t)=[n1(t) … nN(t)]T为t时刻各阵元上的噪声。
这里,噪声向量n(t)建模成脉冲噪声(impulsive noise)。
现有技术中,信源方向鲁棒定位算法有:1.基于字典的鲁棒定位算法;2.利用观测信号的鲁棒定位算法,包括基于鲁棒协方差矩阵(robust covariation matrix)的RCM-MUSIC算法;3.基于分数低阶矩(fractional lower order moment)的FLOM-MUSIC算法,基于符号协方差矩阵(sign covariance matrix)和Kendall’stau协方差矩阵(Kendall’stau covariance matrix)的SCM-MUSIC和TCM-MUSIC算法;4.以鲁棒方式观测信号的二阶统计量并定位,包括基于MM-估计器的算法和lp-MUSIC算法等;5.通过最小化观测信号与信号模型之间的拟合误差定位。
但是,上述信源方向鲁棒定位算法中:1存在不适用于衰减信号,分辨率受字典密度制约而较低,计算量大的问题;2-5也是计算量较大。这些问题导致相应的算法使用受限。
发明内容
针对现实中存在的缺陷,本发明提供一种基于线性预测的信源方向鲁棒定位算法。
为了解决上述技术问题,本发明的技术方案为:
一种基于线性预测的信源方向鲁棒定位算法,包含以下步骤:
首先,构建数据矩阵:
Y=X+N,
其中,Y=[y(1) … y(T)],X=A[s(1) … s(T)]和N=[n(1) … n(T)]其中,X为干净信号,N为噪声信号。
基于干净信号X的线性预测性质,构建观测信号Y的线性预测误差矩阵:
E=[e(1) … e(T)],
e(t)=P(t)a-b(t),其中,a=[a1 … aK]T为线性预测系数矢量,而
P(t)=Toeplitz([yK(t) … yN-1(t)]T,[yK(t) … y1(t)]),
b(t)=-[yK+1(t) … yN(t)]T,
表示第一列为c1,第一行为/>的Toeplitz矩阵。
通过最小化线性预测误差的加权lp-范数1≤p<2,估计线性预测系数矢量a,进而估计信源方向角:
这里,‖e(t)‖W,p为e(t)的加权lp-范数,定义为:
其中,W为加权矩阵,定义为:
为脉冲噪声的方差,/> 表示第一列为c1,最后一行为/>的Hankel矩阵;矩阵U(t)定义为:
U(t)=diag([|[P(t)a-b(t)]1|p-2 … |[P(t)a-b(t)]N-K|p-2]T)。
使用迭代重加权最小二乘法求解
第一步:将U(t)和W设置为单位矩阵,估计线性预测系数矢量a:
第二步:基于构造矩阵U(t)和W;
第三步:更新线性预测系数矢量的估计:
第四步:循环重复第二步和第三步,直到线性预测系数矢量在相邻两次迭代中的估计之差的l2-范数小于10-13,输出/>作为线性预测系数矢量的估计。
于是,信源方向角可以通过先求解线性预测方程:
的根/>再利用求得的根求得信源方向角的估计值:
的相位,k=1,2,…,K。
采用上述技术方案,本法具有以下有益效果:
其一,和l2-范数相比,lp-范数具有较好的抵抗脉冲尖峰的特性。
其二,求解线性预测系数矢量的估计主要计算量在于:
1)矩阵乘法PH(t)U(t)WP(t)和PH(t)U(t)Wb(t),
2)矩阵求逆运算PH(t)U(t)WP(t),
3)构造矩阵W和U(t)。
因此,总计算量约为较现有技术而言,计算量低。
附图说明
图1为本发明GMM噪声环境下各个信源定位方法性能比较图。其中,横轴为信噪比,纵轴为均方根误差(度)。
图2为本发明GMM噪声环境下各个信源定位方法性能比较图,双目标,SNR=10dB。其中,横轴为目标间距(度),纵轴为均方根误差(度)。
图3为本发明GGD噪声环境下各个信源定位方法性能比较图。其中,横轴为信噪比,纵轴为均方根误差(度)。
图4为本发明GGD噪声环境下各个信源定位方法性能比较图,双目标,SNR=10dB。其中,横轴为目标间距(度),纵轴为均方根误差(度)。
图5为本发明GMM噪声环境下各个信源定位方法性能表格图。
图6为本发明GGD噪声环境下各个信源定位方法性能表格图。
图7为本发明背景技术中的信号模型示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是,对于这些实施方式的说明用于帮助理解本发明,但并不构成对本发明的限定。此外,下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例一:
一种基于线性预测的信源方向鲁棒定位算法,包含以下步骤:
首先,构建数据矩阵:
Y=X+N,
其中,Y=[y(1)…y(T)],X=A[s(1)…s(T)]和N=[n(1)…n(T)]其中,X为干净信号,N为噪声信号。
基于干净信号X的线性预测性质,构建观测信号Y的线性预测误差矩阵:
E=[e(1) … e(T)],
e(t)=P(t)a-b(t),其中,a=[a1 … aK]T为线性预测系数矢量,而
P(t)=Toeplitz([yK(t) … yN-1(t)]T,[yK(t) … y1(t)]),
b(t)=-[yK+1(t) … yN(t)]T,
表示第一列为c1,第一行为/>的Toeplitz矩阵。
通过最小化线性预测误差的加权lp-范数1≤p<2,估计线性预测系数矢量a,进而估计信源方向角:
其中,‖e(t)‖W,p为e(t)的加权lp-范数,定义为:
这里,W为加权矩阵,定义为:
为脉冲噪声的方差,/> 表示第一列为c1,最后一行为/>的Hankel矩阵;矩阵U(t)定义为:
U(t)=diag([|[P(t)a-b(t)]1|p-2 … |[P(t)a-b(t)]N-K|p-2]T)。
使用迭代重加权最小二乘法求解
第一步:将U(t)和W设置为单位矩阵,估计线性预测系数矢量a:
第二步:基于构造矩阵U(t)和W;
第三步:更新线性预测系数矢量的估计:
第四步:循环重复第二步和第三步,直到线性预测系数矢量在相邻两次迭代中的估计之差的l2-范数小于10-13,输出/>作为线性预测系数矢量的估计。
于是,信源方向角可以通过先求解线性预测方程:
的根/>再利用求得的根求得信源方向角的估计值:
的相位,k=1,2,…,K。
实施例二:
仿真试验结果:
噪声模型:高斯混合模型(Gaussian mixture model,GMM)——
其他参数设置:K=2,N=12,T=20。
目标信号:
θ1在-30°~-20°之间均匀分布,θ2在0°~10°之间均匀分布。
s1(t)和s2(t)服从互为独立的复值高斯分布。
评价指标:
均方根误差(root mean square error,RMSE):
其中S为试验次数,为第s次试验θk的估计值。
仿真试验结果:
设置:p=1.5,高斯混合模型(GMM)噪声。
运行环境:On a PC with an Intel(R)Core(TM)i7-8750H [email protected],with16.0GB of installed memory。
参照附图1、附图2和附图5,图中RWLP线条为本发明所述的基于线性预测的信源方向鲁棒定位算法的均方根误差曲线。在高斯混合模型仿真实验下,较传统的算法而言,本发明计算量较低,且定位时不需要初始值,可以为lp-MUSIC算法提供初始值。同时,其分辨率较现有Bayes-optimal方法而言较高。
仿真试验结果:
噪声模型:广义高斯分布(Generalized Gaussian distribution,GGD)——
其他参数设置:K=2,N=12,T=20。
目标信号:
θ1在-30°~-20°之间均匀分布,θ2在0°~10°之间均匀分布。
s1(t)和s2(t)服从互为独立的复值高斯分布。
评价指标:
均方根误差(root mean square error,RMSE):
其中S为试验次数,为第s次试验θk的估计值。
仿真试验结果:p=1.5,广义高斯分布(GGD)噪声。
运行环境:On a PC with an Intel(R)Core(TM)i7-8750H [email protected],with16.0GB of installed memory。
参照附图3,附图4和附图6本发明所述的基于线性预测的信源方向鲁棒定位算法与传统的鲁棒定位算法之比较:图中RWLP线条为本发明所述的基于线性预测的信源方向鲁棒定位算法的均方根误差曲线。在广义高斯分布仿真实验下,较传统的算法而言,本发明计算量较低,且定位时不需要初始值,可以为lp-MUSIC算法提供初始值。同时,其分辨率较现有Bayes-optimal方法而言较高。
以上结合附图对本发明的实施方式作了详细说明,但本发明不限于所描述的实施方式。对于本领域的技术人员而言,在不脱离本发明原理和精神的情况下,对这些实施方式进行多种变化、修改、替换和变型,仍落入本发明的保护范围内。
Claims (1)
1.一种基于线性预测的信源方向鲁棒定位算法,其特征在于:包含以下步骤:
首先,构建数据矩阵:
Y=X+N,
其中,Y=[y(1)…y(T)],X=A[s(1)…s(T)]和N=[n(1)…n(T)]其中,X为干净信号,N为噪声信号;
基于干净信号X的线性预测性质,构建观测信号Y的线性预测误差矩阵:
E=[e(1)…e(T)],
e(t)=P(t)a-b(t),其中,a=[a1…aK]T为线性预测系数矢量,而
P(t)=Toeplitz([yK(t)…yN-1(t)]T,[yK(t)…y1(t)]),
b(t)=-[yK+1(t)…yN(t)]T;
这里,表示第一列为c1,第一行为/>的Toeplitz矩阵;
通过最小化线性预测误差的加权-范数1≤p<2,估计线性预测系数矢量a,进而估计信源方向角:
这里,||e(t)||w,p为e(t)的加权-范数,定义为:
其中,W为加权矩阵,定义为:
为脉冲噪声的方差, 表示第一列为c1,最后一行为/>的Hankel矩阵;矩阵U(t)定义为:
U(t)=diag([|[P(t)a-b(t)]1|p-2…|[P(t)a-b(t)]N-K|p-2]T);
使用迭代重加权最小二乘法求解
第一步:将U(t)和W设置为单位矩阵,估计线性预测系数矢量a:
第二步:基于构造矩阵U(t)和W;
第三步:更新线性预测系数矢量的估计:
第四步:循环重复第二步和第三步,直到线性预测系数矢量在相邻两次迭代中的估计之差的/>-范数小于10-13,输出/>作为线性预测系数矢量的估计;
于是,信源方向角可以通过先求解线性预测方程:
的根/>再利用求得的根求得信源方向角的估计值:
的相位,k=1,2,…,K。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011365016.4A CN113987733B (zh) | 2020-11-27 | 2020-11-27 | 一种基于线性预测的信源方向鲁棒定位算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011365016.4A CN113987733B (zh) | 2020-11-27 | 2020-11-27 | 一种基于线性预测的信源方向鲁棒定位算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113987733A CN113987733A (zh) | 2022-01-28 |
CN113987733B true CN113987733B (zh) | 2024-05-14 |
Family
ID=79731634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011365016.4A Active CN113987733B (zh) | 2020-11-27 | 2020-11-27 | 一种基于线性预测的信源方向鲁棒定位算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113987733B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005077376A (ja) * | 2003-09-03 | 2005-03-24 | Furuno Electric Co Ltd | 信号到来方向推定装置、アダプティブアレー、受信信号処理装置および測位装置 |
WO2006067869A1 (ja) * | 2004-12-24 | 2006-06-29 | Fujitsu Limited | 到来方向推定装置及びプログラム |
JP2017216601A (ja) * | 2016-05-31 | 2017-12-07 | 日本電信電話株式会社 | 線形予測係数出力装置、線形予測係数出力方法及び線形予測係数出力プログラム |
CN107544052A (zh) * | 2017-08-07 | 2018-01-05 | 大连大学 | 一种基于矩阵补全的二阶统计量重构doa估计方法 |
CN110412499A (zh) * | 2019-07-16 | 2019-11-05 | 北京工业大学 | 基于压缩感知理论下的rss算法的宽带doa估计算法 |
CN111948599A (zh) * | 2020-08-14 | 2020-11-17 | 电子科技大学 | 一种角度相关互耦影响下相干信号的高分辨率定位方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10229092B2 (en) * | 2017-08-14 | 2019-03-12 | City University Of Hong Kong | Systems and methods for robust low-rank matrix approximation |
-
2020
- 2020-11-27 CN CN202011365016.4A patent/CN113987733B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005077376A (ja) * | 2003-09-03 | 2005-03-24 | Furuno Electric Co Ltd | 信号到来方向推定装置、アダプティブアレー、受信信号処理装置および測位装置 |
WO2006067869A1 (ja) * | 2004-12-24 | 2006-06-29 | Fujitsu Limited | 到来方向推定装置及びプログラム |
JP2017216601A (ja) * | 2016-05-31 | 2017-12-07 | 日本電信電話株式会社 | 線形予測係数出力装置、線形予測係数出力方法及び線形予測係数出力プログラム |
CN107544052A (zh) * | 2017-08-07 | 2018-01-05 | 大连大学 | 一种基于矩阵补全的二阶统计量重构doa估计方法 |
CN110412499A (zh) * | 2019-07-16 | 2019-11-05 | 北京工业大学 | 基于压缩感知理论下的rss算法的宽带doa估计算法 |
CN111948599A (zh) * | 2020-08-14 | 2020-11-17 | 电子科技大学 | 一种角度相关互耦影响下相干信号的高分辨率定位方法 |
Non-Patent Citations (2)
Title |
---|
An ℓp-norm minimization approach to time delay estimation in impulsive noise;Wen-Jun Zeng;《Digital Signal Processing》;20130701;1247–1254 * |
基于重加权l_1范数惩罚的远近场混合源定位算法;田野;练秋生;;电子学报;20161015(10);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113987733A (zh) | 2022-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ma et al. | Efficient method to determine diagonal loading value | |
Gershman et al. | Experimental performance of adaptive beamforming in a sonar environment with a towed array and moving interfering sources | |
CN106646350B (zh) | 一种单只矢量水听器各通道幅度增益不一致时的修正方法 | |
CN108710103B (zh) | 基于稀疏阵列的强弱多目标超分辨测向与信源数估计方法 | |
CN103984676A (zh) | 一种基于协方差矩阵重构的正交投影自适应波束形成方法 | |
CN110113279B (zh) | 一种移动跳频水声通信多普勒因子估计方法 | |
WO2023165631A1 (zh) | 一种用于智能超表面无线通信的信道参数估计方法 | |
CN103885045B (zh) | 基于子阵划分的循环联合自适应波束形成方法 | |
CN113050075B (zh) | 一种基于扩散映射的水下声源匹配场定位方法 | |
CN114745237B (zh) | 一种智能超表面辅助多用户无线通信***的信道估计方法 | |
CN109799484B (zh) | 一种外辐射源雷达***多径抑制方法、***及存储介质 | |
CN112466320A (zh) | 一种基于生成对抗网络的水声信号降噪方法 | |
CN107966676B (zh) | 复杂噪声环境下阵列天线角度和信源个数联合估计方法 | |
CN113987733B (zh) | 一种基于线性预测的信源方向鲁棒定位算法 | |
CN109818888A (zh) | 一种脉冲干扰环境下的组稀疏水声信道估计方法 | |
CN109669172B (zh) | 基于主瓣内强干扰抑制的弱目标方位估计方法 | |
CN106685507A (zh) | 色噪声环境下基于约束Kalman波束形成方法 | |
Gingras | Robust broadband matched-field processing: performance in shallow water | |
CN113704685B (zh) | 一种基于垂直线列阵的深海盲解卷积方法 | |
CN111722178B (zh) | 一种基于指向性模型数值求解的远场窄带信号来波方向估计方法 | |
CN113992285A (zh) | 一种基于平移不变性的信源数鲁棒检测方法 | |
Harrison et al. | Robust source localization in an acoustic waveguide | |
CN113094634B (zh) | 加权空域处理拖线阵声纳平台辐射噪声限定响应抑制方法 | |
CN114061730B (zh) | 目标散射回波变步长快速自适应估计方法 | |
CN112649787B (zh) | 一种基于低频圆环阵的目标方位估计方法 |
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 |