一种新的声矢量阵远程ESPRIT方位估计算法

为解决水下目标远程高分辨定向问题,文章提出了一种新的声矢量阵ESPRIT方位估计算法.与现有的将声矢量传感器(AVS)的振速信息作为独立阵元来处理的声矢量阵方位估计算法不同,新算法完全基于声压与振速联合信息处理,充分利用了声矢量阵(AVSA)中声压与振速的相干性原理,能更好地将ESPRIT算法的高分辨能力与AVSA的抗噪能力有机地结合起来,实现远程、高分辨方位估计.理论分析和基于湖试背景噪声的仿真实验证明了新算法的有效性.     

声矢量阵快速子空间方位估计算法

针对声矢量阵高分辨方位估计算法运算量大的问题,基于声压振速联合信息处理,提出了一种快速的声矢量阵高分辨方位估计算法．该算法选择参考阵元的电子旋转矢量作为期望信号,运用多级维纳滤波器(MSWF)对信号子空间进行快速估计,不需要计算声矢量阵的互协方差矩阵,不用进行特征值分解,从而大大缩减了计算量．另外,该算法基于矢量传感器声压与振速的相干性原理,充分利用了声压振速组合抗干扰能力,有效抑制了各向同性噪声．理论分析和计算机仿真表明,该算法在拥有良好DOA估计性能的同时,大大减小计算量．     

声矢量阵波束域宽带聚焦MUSIC算法

和阵元域处理相比，波束域处理具有计算量小，分辨信噪比门限低的优点．同时，声矢量传感器拾取了更多的声场信息，联合处理这些信息可以提高声呐的性能．把声压阵的波束域高分辨算法的思想和相干子空间方法(CSM)的思想引入到声矢量阵列信号处理，在Michael Zoltowsk提出的矢量阵的数学模型的基础上推导出了声矢量阵波束域宽带聚焦MUSIC算法，并作了计算机仿真研究，仿真的结果表明：基于矢量阵的波束域宽带聚焦MUSIC、算法无论是在分辨信噪比门限还是在角度分辨能力上都要优于声压阵波束域宽带聚焦MUSIC算法，而二者的计算量相当，和矢量阵阵元域宽带聚焦MUSIC算法相比，矢量阵波束域处理的计算量要远远小于阵元域处理。     

声矢量阵导向最小方差波束形成算法研究

为了克服声压阵导向最小方差波束形成算法方位估计的左右模糊问题,提出了声矢量阵导向最小方差波束形成算法,指出了矢量阵导向矩阵与声压阵导向矩阵之间的关系.通过声压阵导向矩阵与单位矩阵的Kronecker积得到矢量阵的导向矩阵,从而使不同频率的矢量阵互谱密度矩阵聚焦.计算机仿真和海试实验证明与声压阵导向最小方差波束形成相比,矢量阵导向最小方差波束形成具有更好的方位分辨力且无左右模糊,并可以空间欠采样而不出现栅瓣.针对带宽内信噪比随频率变化的情况,用各频率的信噪比对导向协方差矩阵进行加权,改进了空间谱估计性能.     

矢量阵的非空间ESPRIT算法

矢量水听器同时测量声场中某点的声压和质点振速的正交分量,单个矢量水听器可视为空间共点阵.建立了任意阵型矢量阵的数据模型,研究了任意阵型矢量阵的非空间ESPRIT算法.非空间ESPRIT算法不是利用空间2个子阵组成的矩阵对,而是利用矢量水听器不同的输出分量组成矩阵对完成目标的二维角度(水平方位角和仰角)估计.仿真研究了该算法对单个源和多个源方位估计的情况,并利用外场试验数据验证了算法的有效性.结果表明,在当时的试验条件下,常规波束形成获得的主瓣波束宽度为30°左右,而非空间ESPRIT算法对目标方位估计的标准差为3°左右,说明基于矢量阵的非空间ESPRIT算法在未知阵列流形的前提下可对目标进行高精度方位估计.     

无需信源数目的声矢量阵相干源方位估计算法

针对相干源方位估计问题,本文在PVFS（Particle Velocity Field Smoothing）算法的基础上,提出一种新的算法。该算法通过对PVFS算法构造出的协方差矩阵进行特征值分解,利用得到的特征值及特征向量构造新的噪声子空间,然后运用子空间原理实现相干源的方位估计。该算法无需已知相干源的信源数目且不会损失阵列孔径,具有较好的相干源方位估计性能,计算机仿真结果验证了本文算法的有效性。     

基于MUSIC算法的矢量水听器阵源方位估计

矢量水听器阵的每个阵元同时测量声场中的声压量和质点振速的3个正交分量,相对于声压水听器阵来说,矢量阵获取声场中更多的信息.利用矢量阵所获得的速度场的信息可去除目标方位估计中的180°模糊.多重信号分类(MUSIC)算法是通过对数据协方差矩阵进行本征分解获得信号空间谱估计的方法.本文采用矢量水听器均匀线阵研究了利用MUSIC算法对声源进行方位估计,以提高对源方位的估计精度.仿真结果表明,在SNR=10dB的条件下,相对于常规波束形成器输出,MUSIC空间谱的主波束宽度锐化了30°左右,旁瓣降低了16dB左右,利用MUSIC算法可提高对源的定向精度及对多目标的分辨能力.     

基于ESPRIT算法的L-型矢量阵源方位估计

建立了水平L-型矢量水听器阵列的数据模型,研究了利用ESPRIT算法同时对目标的水平方位角和仰角进行高分辨率角度估计,仿真L-型矢量水听器阵对单个源和多个源的方位估计情况,并和相同阵型的声压阵方位估计性能进行比较,结果表明,相对于声压阵,矢量阵可以在不增加阵孔径的前提下提高对单源方位估计的精度,获得的增益为6dB左右,同时提高了对多目标方位的分辨能力。     

矢量阵自初始化MUSIC算法的试验研究

利用单个矢量阵元的阵簇估计提供的初始参数,对MUSIC噪声子空间谱进行迭代搜索谱峰,实现目标的方位估计.该方法减少了运算量,同时提高了目标方位估计的精度.为了检验算法的性能,进行了外场试验.利用3个矢量水听器组成了三元矢量阵,对比了矢量阵自初始化MUSIC算法和MUSIC空间谱估计以及常规波束形成的性能.试验结果表明,矢量阵常规波束形成的目标方位估计精度较差,MUSIC空间谱的估计性能较好,而迭代搜索MUSIC谱峰方法的定向精度最高.当空间严重降采样时,常规波束图的栅瓣高度接近主瓣高度,MUSIC空间谱表现出较强的栅瓣抑制能力,而自初始化MUSIC算法不受空间降采样的影响,总能给出正确的目标方位估计值.     

基于矢量阵的自初始化MUSIC方位估计算法

MUSIC空间谱估计突破了常规波束形成中的锐利限,能够对目标进行高精度方位估计.探讨了MUSIC算法在矢量阵上的应用,给出了矢量线阵MUSIC噪声子空间谱估计表达式,利用单个矢量阵元的阵簇估计提供的初始参数,对MUSIC噪声子空间谱进行迭代搜索谱峰实现目标的方位估计,用以提高目标方位估计的精度.对单目标和双目标方位估计进行了仿真研究,在文中的仿真条件下,当满足信噪比大于5dB的条件时,可对目标方位进行较好估计.研究结果表明,通过单个矢量阵元阵簇得出的目标方位估计精度较差,而迭代搜索MUSIC谱峰方法提高了方位估计精度.     

矢量传感器阵列高分辨率方位估计技术研究

矢量传感器能同时共点拾取声场中的声压和三路相互正交的振速信息,获得额外的信息量,它的出现引起了国内外的关注.为了改善波束域高分辨率方法的性能,获得矢量传感器阵列对多目标的足够精度的分辨能力,在研究矢量传感器阵列目标估计基础上,首次在矢量传感器阵列处理领域将矢量阵波束形成与波束域目标估计算法结合起来,实现了高精度目标方位估计,与常规阵元域和波束域方法相比,提高了多目标估计性能,降低了输入信噪比门限,增大了阵列输出增益,减小了计算量.仿真验证了该算法的优越性.     

矢量水听器扩展孔径线阵方位估计技术

矢量水听器由声压水听器和质点振速水听器复合而成,可以同时测量声场中的声压和质点振速的正交分量,将矢量水听器布成阵列对目标方位进行估计.在不增加阵元个数的情况下,可以把阵布成稀疏阵来增加阵孔径,提高对目标方位的估计精度.按照耐奎斯特空间采样定理,阵元间距超过半波长将会带来方位估计的周期性模糊.该研究利用扩展孔径矢量线阵对目标进行方位估计,以及研究如何去掉方位估计中的周期性模糊,最终获得目标方位的高精度无模糊估计.研究结果表明,在相同的信噪比条件下,利用扩展孔径矢量线阵可获得比具有相同输出路数的声压阵更好的方位估计性能.     

电磁矢量传感器取向误差自校正方法

采用子空间方法研究了基于发射天线旋转的信号波达方向估计和取向误差自校正方法．利用一个到达方向未知的信号源,将校正过程中信号源发射天线绕z轴和x轴以90°进行两次坐标旋转,待校正电磁矢量传感器阵列分别接收和这3个到达方向有一定关系的发射信号,根据子空间理论并利用坡印廷矢量间的关系估计信号源到达方向和阵列的取向误差矩阵．该方法仅需要一次特征分解,不需要搜索运算和参数配对运算,计算量小,计算精度高．由实验结果可看出,校正后的参数估计值与真实值吻合得很好．     

单矢量传感器MUSIC算法的DOA估计及性能评价

针对单矢量传感器MUSIC算法在实际工程应用中存在性能恶化的问题,通过理论分析和数值仿真研究了幅相特性因素对其方位估计性能产生的影响,推导了幅相特性不一致条件下算法的空间谱估计表达式,同时给出了一种基于单矢量传感器通道功率盲归一化思想的改进算法.研究的结果表明:通道的幅相特性不一致将导致空间谱的谱峰变宽,并使空间谱估计的结果产生偏差甚至"伪峰";而改进的算法在保证方位估计精度的同时改善了目标的方位分辨能力,消除了传统算法空间谱中可能存在的"伪峰".湖试数据的处理结果进一步验证了改进算法的有效性.     

Effective DOA Estimation Under Low Signal-to-Noise Ratio Based on Multi-Source Information Meta Fusion

Efficiently performing high-resolution direction of arrival (DOA) estimation under low signal-to-noise ratio (SNR) conditions has always been a challenge task in the literatures. Obvi-ously, in order to address this problem, the key is how to mine or reveal as much DOA related in-formation as possible from the degraded array outputs. However, it is certain that there is no per-fect solution for low SNR DOA estimation designed in the way of winner-takes-all. Therefore, this paper proposes to explore in depth the complementary DOA related information that exists in spa-tial spectrums acquired by different basic DOA estimators. Specifically, these basic spatial spec-trums are employed as the input of multi-source information fusion model. And the multi-source in-formation fusion model is composed of three heterogeneous meta learning machines, namely neural networks (NN), support vector machine (SVM), and random forests (RF). The final meta-spec-trum can be obtained by performing a final decision-making method. Experimental results illus-trate that the proposed information fusion based DOA estimation method can really make full use of the complementary information in the spatial spectrums obtained by different basic DOA estim-ators. Even under low SNR conditions, promising DOA estimation performance can be achieved.