公开/公告号CN112487703A
专利类型发明专利
公开/公告日2021-03-12
原文格式PDF
申请/专利权人 南京信息工程大学滨江学院;
申请/专利号CN202011238167.3
申请日2020-11-09
分类号G06F30/27(20200101);G06F17/16(20060101);G06F17/18(20060101);G06F17/14(20060101);G01S3/802(20060101);G01S3/86(20060101);G06F119/10(20200101);
代理机构32204 南京苏高专利商标事务所(普通合伙);
代理人柏尚春
地址 214105 江苏省无锡市锡山区锡山大道333号
入库时间 2023-06-19 10:11:51
技术领域
本发明属于麦克风阵列信号DOA估计技术领域,具体涉及一种基于稀疏贝叶斯在未知噪声场的欠定宽带信号DOA估计方法。
背景技术
利用传感器阵列估计宽带波达方向(Direction of Arrival,DOA)是一个活跃的研究课题,因为它具有广泛的应用,需要估计所谓的角谱,例如,在雷达,声纳,无线通信和定位等。由于DOA估计精度是由传感器阵列的自由度(Degree of Freedom,DOF)决定的,均匀间隔阵列需要增加传感器数量才能获得较高的DOF,从而提高了制造成本和阵列标定的难度。稀疏阵列即嵌套阵列和互质阵列,可以获得更高的DOF数目,比使用非均匀传感器位置的物理传感器数目解析更多的源。此外,对于稀疏阵列,利用扩展协方差矩阵实现了DOF的增加,其虚拟传感器位置由物理传感器之间的连续和非连续滞后差决定。
稀疏贝叶斯学习(Sparse Bayesian Learning,SBL)作为一种压缩感知(Compression Sensing,CS)实现,弥补了在联合处理多个频率和多个快照以定位一个或多个源时,多个稀疏解可能对应于一个源的缺点。作为一种概率方法,SBL计算稀疏权向量的后验分布,并给出其协方差和平均值
发明内容
发明目的:本发明提出一种基于稀疏贝叶斯在未知噪声场的欠定宽带信号DOA估计方法,主要研究了基于互质阵列的SBL算法在未知噪声场中对离网源的欠定宽带DOA估计,在低信噪比的情况下,有更好的处理效果。
技术方案:本发明所述的一种基于稀疏贝叶斯在未知噪声场的欠定宽带信号DOA估计方法,具体包括以下步骤:
(1)引入互质阵列,互质阵列采用最小稀疏标尺重构空间协方差矩阵,采用非均匀采样方法;
(2)将协方差矩阵向量化,利用克罗内克积从互质阵列得到虚拟流形矩阵;
(3)对步骤(2)得到的向量化协方差矩阵进行预处理,初步抑制采集信号中的未知噪声信号,削弱噪声对目标信号定位的干扰;
(4)引入稀疏贝叶斯算法,应用于稀疏信号恢复的模型中,通过贝叶斯规则得到后验概率,对所有超参数进行估计,更新出目标信号的真实波达角估计。
进一步地,所述步骤(1)实现过程如下:
(11)引入一个互质阵列,包括两个带有N和2M传感器的均匀线性阵列,其中第一个子阵列的元素间距是Mλ/2,第二个子阵列的元素间距是Nλ/2,λ为信号的中心波长;假设有K个远场宽带源,第k个信号表示为s
其中,0≤w≤2M+N-1,s
(12)将L点离散傅立叶变换应用于观察到的传感器信号,并且在频域中,在第w个传感器处接收的数据向量可以表示为:
其中,
X(l)=A(l,θ)S(l)+N(l)
式中,A(l,θ)=[a(l,θ
(13)数据向量的协方差矩阵可以得到为:
其中,E{·}是期望运算符,{·}
进一步地,所述步骤(2)的实现过程如下:
对R
式中,B
进一步地,所述步骤(3)的实现过程如下:
将D个导向向量的集合表示为
其中,v
其中,m=1,2,...,h,
进一步地,其特征在于,所述步骤(4)实现过程如下:
未知噪声得到消除,似然表示为:
式中,z
其中,
使用高斯分布,
其中,Γ
令Y
通过将
其中,
将目标函数的导数等于零:
有益效果:与现有技术相比,本发明的有益效果:本发明在稀疏贝叶斯框架下开发的SBL算法可以近似地解决非凸优化问题,并利用定点更新自动确定稀疏性;基于SBL的宽带DOA估计方案在采集少量样本的情况下,尤其在低信噪比的情况下,有更好的处理效果。
附图说明
图1是本发明的流程图;
图2是互质阵列物理阵元结构图;
图3是消音室环境全景;
图4是本发明提出方法与其他三种方法的DOA估计空间谱;
图5是本发明与其他方法的均方根误差随SNR的变化图;
图6是本发明与其他方法的均方根误差随快拍数的变化图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明。
如图1所示,本发明提供一种基于稀疏贝叶斯在未知噪声场的欠定宽带信号DOA估计方法,互质阵列采用最小稀疏标尺重构空间协方差矩阵,采用非均匀采样方法,提倡采集少量样本,避免宽带信号的混叠。将协方差矩阵向量化,利用克罗内克积从互质阵列得到虚拟流形矩阵,利用SBL算法得到宽带信号的DOA估计。
步骤1:引入互质阵列,如图2所示,互质阵列采用最小稀疏标尺重构空间协方差矩阵,采用非均匀采样方法。
考虑一个互质阵列,包括两个带有N和2M传感器的均匀线性阵列,其中第一个子阵列的元素间距是Mλ/2,第二个子阵列的元素间距是Nλ/2,λ为信号的中心波长;假设有K个远场宽带源,第k个信号表示为s
其中,0≤w≤2M+N-1,s
然后将L点离散傅立叶变换(DiscreteFourierTransform,DFT)应用于观察到的传感器信号,并且在频域中,在第w个传感器处接收的数据向量表示为:
其中,
X(l)=A(l,θ)S(l)+N(l)
式中,A(l,θ)=[a(l,θ
数据向量的协方差矩阵为:
其中,E{·}是期望运算符,{·}
在实际情况下,理论协方差矩阵R
步骤2:将协方差矩阵向量化,利用克罗内克积从互质阵列得到虚拟流形矩阵。
对R
式中,B
来自矩阵B
L
交叉差集:
L
相应的镜像自差集
步骤3:对步骤2得到的向量化协方差矩阵进行预处理,初步抑制采集信号中的未知噪声信号,削弱噪声对目标信号定位的干扰。
将D个导向向量的集合表示为
其中,v
噪声部分v
式中m=1,2,...,h,其中
步骤4:引入稀疏贝叶斯算法,应用于稀疏信号恢复的模型中,通过贝叶斯规则得到后验概率,对所有超参数进行估计,更新出目标信号的真实波达角估计。
假设存在以l
未知噪声得到消除,似然表示为:
式中,z
由于
这里
使用高斯分布,
其中,Γ
令Y
通过将
这里
为了估计表示
为了获得该目标函数的最小值,将目标函数的导数等于零:
如图3所示,在消音室中安装一个线性麦克风阵列结构,用来拾取空间语音的空间信息;安放了拾音系统设备中的音响,为麦克风阵列提供声源,消声室的尺寸是5.5m*3.3m*2.3m。
互质阵列由M=3和N=4的一对稀疏线性阵列(ULA)组成,一共有九个物理传感器,其位置设置为S=[0,3,4,6,8,9,12,16,20]λ/2。假设K=12个宽带信号入射到M=3,N=4的互质阵列上,快拍数为100,输入信噪比SNR固定为0dB。仿真结果如图4所示,其中图4(a)是本发明提出方法的DOA估计空间谱、图4(b)为SOMP_LS算法的DOA估计空间谱、图4(c)为SOMP_TLS的DOA估计空间谱,图4(d)为OGSBI的DOA估计空间谱。
如图5所示,在快拍数为200时,四种算法随信噪比的变化,SBL算法的仿真结果表现出比其他三种算法更好的估计性能,尤其是在低信噪比时,SBL算法的RMSE明显小于其他三种算法,在宽带信号的DOA估计上表现出更好的性能。
如图6所示,在信噪比为0dB时,随着快拍数的增加,本发明算法(SBL)的性能明显优于其他三种算法,在相同条件下,本发明算法的均方根误差最小,准确率更高。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
机译: 信号发射器位置使用稀疏DOA估计基于多级主要阵列具有压缩子阵列的稀疏DOA估计
机译: 传输稀疏信号的方法和装置,以及通过置信传播和贝叶斯假设检验恢复稀疏信号的方法和装置
机译: 传输稀疏信号的方法和装置,以及通过信度传播和贝叶斯假设测试恢复稀疏信号的方法和装置