一种基于信道学习的多址感知源反馈优化方法

摘要

本发明提供的是一种基于信道学习的多址感知源反馈优化方法。对收集到的中华白海豚叫声信号进行特征提取，获得先验知识；对中华白海豚叫声进行类生物信号建模；构建海洋生物叫声智能信号库，实时输出多节点类生物信号模型；通过发射信道训练信号，利用RLS算法，对信道进行估计，获得信道冲激响应函数；智能信号库中的输出信号分别与信道的时反函数做卷积，携带信道信息，得到经过反馈优化后的仿生探测波形。本发明利用生物信号提高在水下环境中的隐蔽性。携带了信道多途信息的仿生探测波形，能够更好的适配复杂海洋信道，在接收端处理回波时，抑制了信道多途的干扰，实现了更精确的聚焦。本发明可以很好的应用到多个水下UUV联合作业中。

说明书

技术领域

本发明涉及的是一种水下声呐信号处理方法，具体地实施涉及一种基于信道学习的多址感知源反馈优化方法。

背景技术

多址感知源是受海洋哺乳动物叫声信号启发而提出的一种“类生物”信号模型。利用生物叫声信号在时频结构上的多样性与可辨识性，将其应用到水下多节点声呐探测中，可以抑制回波混叠，降低水下探测时的误判率。

信道反馈优化最早源自雷达信号处理领域，在探测过程开始之前通过发射信道学习信号来对信道特性进行分析，让后续发射的探测波形携带信道多途信息，从而循环往复优化发射波形。使得优化后的探测信号不断去适应时变空变的海洋信道，从接收机到发射机的闭环反馈机制，能够根据先验和实时的环境自适应优化声呐收发系统，提高探测的精确度。

中国专利CN105044727A《利用抹香鲸叫声的水下隐蔽声呐波形构造方法》文件中，提出利用抹香鲸叫声信号遍历筛选出若干组具有伪随机发送规律的脉冲串组合，提高主动声呐装置伪装隐蔽能力，降低被截获的概率，然而水下声信道复杂多变，多途现象严重，可用频带资源有限，在接收端采集到的回波信号往往被畸变的很严重，使得该方法的探测精度方面受到很大影响，因此针对复杂海洋信道更应该强调信道反馈，使得优化后的探测波形逐渐匹配信道，提高环境适应性。

发明内容

本发明的目的在于提供一种能够提高探测精确度的基于信道学习的多址感知源反馈优化方法。

本发明的目的是这样实现的：

步骤1：对收集到的中华白海豚叫声信号进行特征提取，获得先验知识，所述先验知识包括频谱分布、时频结构；

步骤2：利用过完备原子基信号对中华白海豚叫声进行类生物信号建模；

步骤3：构建海洋生物叫声智能信号库，实时输出多节点类生物信号模型；

步骤4：通过发射信道训练信号，利用RLS算法，对信道进行估计，获得信道冲激响应函数；

步骤5：智能信号库中的输出信号分别与信道的时反函数做卷积，携带信道信息，得到经过反馈优化后的仿生探测波形。

本发明的思路是针对真实的海豚叫声数据分析其声学特征，获得先验知识，选用高效的信号处理算法对其进行建模。利用模型的输出建立仿生智能信号库，实时输出应用于水下集群平台的探测信号波形。通过信道训练序列得到了信道特性的反馈后，不断优化探测波形，使其逐渐适应信道，克服信道对探测波形的畸变，提高探测精确度。

本发明选用的是中华白海豚的叫声信号作为建模的原始样本，在发射了信道学习信号后，将信道多途信息与仿海豚叫声信号模型结合，提高了环境适配性。

本发明具有的有益效果：

本发明提出了一种基于信道学习的多址感知源反馈优化方法。不同于其他的声呐信号波形产生方法，本发明将信道的冲激响应信息加入到了仿生探测波形中，(1)使对方误以为接收到的信号来自中华白海豚群落而非主动声呐装置，起到伪装的作用，利用生物信号在水下环境中的隐蔽性，降低被截获的概率。(2)携带了信道多途信息的仿生探测波形，能够更好的适配复杂海洋信道，在接收端处理回波时，抑制了信道多途的干扰，实现了更精确的聚焦。本发明提出的波形优化方法可以很好的应用到多个水下UUV联合作业中，为多节点水下协同探测提供了新思路。

附图说明

图1波形反馈优化整体流程框图。

图2六种时频结构生物叫声信号的时频谱图。

图3原始海豚叫声信号时频谱图。

图4滤除环境噪声后的海豚叫声信号时频谱图。

图5去除频域恒量后的海豚叫声信号时频谱图。

图6经过高斯平滑滤波后的海豚叫声信号时频谱图。

图7经过阈值滤波后的海豚叫声信号时频谱图。

图8经过峰值提取法得到的海豚叫声信号基频瞬时频率轮廓曲线。

图9经曲线拟合后的海豚叫声信号基频瞬时频率轮廓曲线。

图10利用RLS算法估计得到的信道冲激响应结果图。

图11经反馈优化后的探测波形的匹配滤波结果图。

图12未经反馈优化后的探测波形的匹配滤波结果图。

具体实施方式

下面举例对本发明做更详细的描述。

本发明的基于信道学习的多址感知源反馈优化方法，包括仿生智能信号库的建立和信道反馈优化波形两部分：

仿生智能信号库的建立：

步骤1：对收集到的中华白海豚叫声信号进行特征提取，获得先验知识，所述先验知识包括频谱分布、时频结构；

步骤1中需要提到的是在本发明中提取海豚声信号特征时，首先使用的是短时傅里叶变换。通过变换窗长度的大小，获得合适的时间分辨率和频率分辨率。然后通过高通滤波、图像平滑、设置阈值、曲线拟合获得平滑的基频轮廓曲线。

步骤2：利用过完备原子基信号对中华白海豚叫声进行类生物信号建模。

步骤2中利用过完备原子基信号对海豚叫声信号进行建模，使得类生物信号可以在完备原子基上充分映射。利用过完备原子库中不断进行迭代重建模型信号的运算步骤是这样的：

具体过程总结如下：

输入：感知矩阵Φ、测量向量y、稀疏度K；

输出：x的K稀疏的逼近误差向量r；

初始化：余量r⁰＝y，迭代次数n＝0；

(1)计算余量和感知矩阵Φ的每一列的内积gⁿ＝Φ^Tr^n-1；

(2)找出gⁿ中绝对值最大的元素，即k＝arg>n[i]|；i∈{1,2,...,N}。

其中，N是矩阵Φ的列数。

(3)计算近似解，xⁿ[k]＝x^n-1[k]+gⁿ[k]；

(4)更新余量是感知矩阵Φ的第k列。

(5)是否满足迭代停止条件，若满足，令输出r；否则转步骤(1)。步骤3：构建海洋生物叫声智能信号库，实时输出多节点类生物信号模型。

步骤3中所构建的基于海洋哺乳动物信号的多节点类生物信号模型为

上式中a_i(t)为子信号第i次谐波的幅度值，f_0i为子信号第i次谐波的初始频率，f_i(t)为不同时频结构子信号的频率随时间变化的函数，一般有上调频、下调频、双曲调频、正弦调频等。R为谐波次数，M为一段脉冲中子信号的个数。

信道反馈优化波形：

步骤4：通过发射信道训练信号，利用RLS算法，对信道进行估计，获得信道冲激响应函数。

步骤4中首先设计白化滤波器，每次让接收信号与发射信号做误差，让误差调整RLS滤波器，使得每次过滤波器的误差逐渐减小。这是一种能快速收敛的算法，它采用了递归最小二乘标准来调整均衡器的系数，通过时均方误差的加权和最小来实现。

步骤4中涉及的滤波器的抽头系数是用RLS(递推最小二乘)算法进行调整的；

递推最小二乘算法是通过直接处理接收端的接收信息数据，从而使系统的二次性能指数最小，即用时间平均来表示系统的性能指数。RLS算法的代价函数可表示如下：

(2)式中，e_N(t)＝d(t)-W_N^T(t)Y_N(t)为误差，λ为遗忘因子，N是序列的长度，有0＜λ＜1，d(t)是系统的输出信号序列，Y_N(t)是输入信号序列；使上述公式获得最小的W_N(t)即为系统最优权系数。一般情况下，代价函数J对权系数W_N(t)求导进行最小化得到。

总结RLS算法的更新过程如下：

首先初始化自相关矩阵的逆P_N(t)＝δI_N，其中：δ是一个大于0的常数，I_N是单位矩阵；

(1)计算输出

(2)计算误差

(3)计算卡尔曼增益向量

(4)更新相关矩阵的逆

(5)更新权系数

W_N(t)＝W_N(t-1)+e_N(t)K_N(t)>

上述中的W_N(t-1)、P_N(t-1)表示权系数W_N(t)与自相关矩阵的逆P_N(t)上一时刻的值。

步骤5：智能信号库中的输出信号分别与信道的时反函数做卷积，携带信道信息，得到经过反馈优化后的仿生探测波形。

步骤5中获得了信道冲击响应函数以后，让仿生发射信号与其时反函数做卷积。将携带了信道多途信息的预处理仿生探测波形，再次作为发射信号发出，将对信道的多途结构实现聚焦。

利用时反法处理发射波形的过程如下：

(1)利用RLS法估计信道，获得第i个平台与目标之间信道的冲激响应函数

(2)利用上一步估计所得信道的时反形式与发射信号s_i(t)做卷积，再一次通过信道后，接收平台接收到的信号r(t)为：

其中，n_i(t)是平台接收到的噪声，是估计所得信道的时反形式。

(3)由时反法的基本原理可知，h_i(t)*h_i(-t)＝δ(t)。所以，假设对信道的估计较为准确，即那么接收机收到的结果即为s_i(t)+n_i(t)*h_i(t)，而n_i(t)与h_i(t)不相关，故n_i(t)*h_i(t)可忽略不计。可以看出，时反法实现了自适应聚焦。

下面结合具体实施例，进一步详细说明本发明一种基于信道学习的多址感知源反馈优化方法及其有益效果。

图1是本发明一种基于信道学习的多址感知源反馈优化方法的系统设计框图。

图2中所展示的是本课题组从我国南海诸多海域采集回来的中华白海豚哨叫声的时频谱图。从图中我们可以发现，海豚叫声信号基频能量集中在3-10kHz范围内，属于中低频信号，适合中远程探测。而且，时频结构丰富多样，易于分辨与识别，在水下多平台协同探测的过程中能够很好的进行回波分离和特征提取。

本发明最重要的步骤就是获得海豚叫声信号基频的时频轮廓曲线，为后续的仿生信号建模做准备。在这里有必要结合附图对海豚叫声的时频特征提取做出详尽的阐述。

第一步：高通滤波器处理低频噪声

图3所展示的是采集到的原始海豚叫声信号时频谱图。我们发现，由于试验海域船舶噪声的能量很强，海豚叫声信号显得十分微弱。船舶噪声的能量虽然强，但频率很低，基本处于1kHz以下，通过高通滤波处理后，便可以得到无低频噪声干扰的海豚信号。如图4所示，滤除环境噪声后，海豚叫声信号的可辨性得到改善。

第二步：基于高斯算子的时频图像平滑处理

如果y_f是频率f处的功率谱能量值，且l_yf是其以分贝为单位的谱能量值，即l_yf＝10log10(y_f)然后可通过b_tf＝α·l_ytf+(1-α)·b_t-1，f,计算每一时刻和频率的背景均值b_tf。其中，α为一个较小的数值(默认为0.02)。结果如下式：

l′_ytf＝l_ytf-b_t-1，f(9)

便可以将尖脉冲类的恒量从谱中去除。去频域恒量的结果如图5所示。

然后，对上述结果进行高斯矩阵平滑。如下式：

l″_ytf＝l′_ytf*G>

其中，为高斯平滑矩阵。结果如图6。

图5中去除频域恒量的效果明显，图6经过高斯平滑后，可去除大量较小的连通域，使15kHZ左右的幅度不强的海豚叫声信号变得更加稳定。

第三步：设置阈值提取基频的时频轮廓

对平滑后的时频谱结果设置阈值。保留高于阈值的数据，低于阈值(默认130dB)的数据点设为定值(默认为-800dB)。结果如图7所示：

对于基频的提取，采用峰值提取法，表达式如下：

f₁(m)＝max|X_m[k]|>

其中，f₁(m)为基频的频率值，X_m[k]为时频谱中的能量值。结果如图8。

第四步：通过曲线拟合获取基波瞬时频率。

对图8结果进行最小二乘法拟合结果如图9所示。图中直线为拟合前的原始轮廓，“+”线为拟合后的曲线。最终所获结果是与基频时频轮廓最为接近的瞬时频率曲线。

下面通过仿真分析，研究一下经过反馈优化后的探测波形适应水下复杂信道的有益效果。

仿真条件：收发间距：1000m；发射换能器深度：20m；接收换能器深度：30m。首先，在发射仿生多源信号前，提前发射几组信道训练信号——LFM信号。在接受端，通过RLS算法估计得到信道冲激响应结果如图10所示。将图10中所估计信道的时反输出与仿生探测波形做卷积，得到新的探测波形，再次通过发射机发出，在接收端做匹配滤波处理，结果如图11所示。如不经过信道反馈优化，直接让探测波形通过海洋信道，匹配滤波结果如图12。

仿真结果：图10为仿真所得到的水下多途信道的冲激响应结果图。由图中结果，我们可以得到，信道多途严重，其代表的水下声场环境较为复杂。对比图11和12，我们可以发现，未经反馈优化的探测波形经过匹配滤波后产生严重的失配情况。而图11中所展示的结果表明，本方法提出的信道反馈优化后的探测波形能对多途信道实现聚焦。