水声阵列多目标信号分离与重构方法研究文献综述

 2023-08-14 09:08

文献综述（或调研报告）：

目标信号相对于水听器阵列的方位估计是被动声纳的主要功能之一。复杂的海洋环境噪声以及拖船干扰等强干扰对弱目标信号的检测以及参数估计造成很大的影响，多目标干扰条件下高纯净度的目标信号获取是水声阵列信号处理领域的新难题。如何抑制强目标干扰、实现多目标信号分离对水声目标识别和定位有重要的意义。

  1. 利用波束形成进行DOA的估计与目标跟踪

波束形成是通过对阵元域信号进行时域上时延或者频域上相移之后相加求和，以达到将能量聚集在某一特定方向上输出，从而对目标方位进行估计的技术。由于海洋中大部分信号都是宽带的，因此宽带波束形成更是研究的热点。对于复杂的水下环境来说，传统波束形成（CBF）具有鲁棒性高，易于实现等特点，但其旁瓣电平高，波束宽度宽，对于邻近目标的方位估计存在很大的不足。Schmidt[1]等人提出的多信号分类（Multiple Signal Classification, MUSIC）算法是一种基于矩阵特征空间分解的方法，其利用信号子空间与噪声子空间之间的正交性来估计DOA。Ryo[2]等人提出了旋转不变子空间（Estimation of Signal Parameters via Rotational Invariance Techniques, ESPRIT）算法，该算法计算量小，且不用利用谱峰搜索就可以得到DOA估计。Capon提出的基于信号协方差的逆的最小方差无失真响应（Minimum Variance Distortionless Response, MVDR）算法是一种自适应的空间波数谱估计算法，其通过计算加权系数使得在期望方向上阵列输出功率最小，同时信干噪比（SINR）最大。宽带MVDR[3]是通过将宽带划分为多个窄带，在窄带上进行频域互谱矩阵估计并聚集成为宽带空间谱，通过搜索谱峰得到相应的方位角估计。相比较CBF可以获得更高的分辨率和干扰抑制的性能。但是MVDR对于信号失配十分敏感，会导致部分信号被误判为噪声或目标信号。并且在实际算法操作中信号的协方差矩阵往往是未知的，通常使用样本的协方差矩阵作为替代，那么就不可避免地引入了误差。为了在信号失配和样本协方差矩阵存在误差的情况下得到稳健的目标波束，在协方差矩阵中往往采用对角加载的方法，但加载量的计算无疑增大了算法的复杂度[4][5]。Yang[6]提出的基于CBF和解卷积的方位估计算法（Deconvolved Conventional Beamforming, dCv）继承了传统波束形成的鲁棒性，且解决了CBF宽主瓣和高旁瓣级的问题，但是在目标和干扰邻近的情况下，dCv无法准确估计目标方位[7][8][9]。

  1. 多目标互扰信号的分离与纯化

在有许多经典的算法。其中比较著名的有Godara[10]提出的后置波束形成干扰抵消（Postbeamformer Interference Canceler, PIC）算法，该方法解决了单个干扰源下的干扰抑制问题，但无法抵消多个相干干扰，但实际中的干扰数目往往是不确定的，因此传统PIC的应用前景存在限制。并且该算法的自适应滤波的过程需要有理想的参考信号，否则自适应过程会发散，从而导信号相互抵消的情况，这是我们所不想看到的。国内的汪洋[11]等人提出了一种波束形成后多干扰抵消方法（PIC-N）用于解决多干扰条件下的弱目标波束形成问题，该方法通过最小化多个干扰波束对目标波束的影响，获得用于抵消多个干扰波束的加权值，从而从目标波束中减去加权后的干扰波束，从而获得干扰抑制后的目标波束。该方法具有稳健性高，计算量低的特点，并且在实测数据下性能表现良好，当目标与干扰方位相邻近时，也可以在方位谱中观察到目标波束，但需要事先利用其它方法获得干扰的数量和方位等先验信息。Kirsteins[12]等人提出了一种自适应的窄带和宽带混合时间序列的分离方案，该方案通过矩阵滤波器将宽带信号分成多个子带，再使用主成分逆（Principal Component Inverse, PCI）的方式从子带中估计并滤出窄带信号，再将子带分量进行相干重组得到窄带和宽带的时间序列估计。该算法性能逼近维纳滤波并且可以有效防止将宽带信号成分的频谱峰值被误判成窄带信号。Nuttall[13]等人提出了一种称为逆波束形成（Inverse Beamforming, IBF）的干扰抵消的预处理方案，包括干扰方位估计，干扰分量重构和干扰抵消三个步骤，然而如果需要消除拖船多途角扩展干扰则需要将IBF多次循环，大大增加了该算法的复杂度，且存在信号相抵消的情况，不利于盲区内信号的检测。国内的范文涛[14]等人则提出了一种基于经验模态分解（Empirical Mode Decomposition, EMD）和IBF相结合的进行拖船干扰抵消的方案（IBF-EMD-INC），该方案通过EMD将拖船干扰区域内的时域宽带波束信号分解成若干个固有模态函数（Intrinsic Mode Function, IMF）分量，然后对筛选出来的分量的每路基元信号进行特征谱提取，再按照谱相关系数最大原则进行统计，得到纯化干扰目标分量，最后使用逆波束形成在基元域上减去干扰目标信号，得到去干扰的基元域目标信号之后进行DOA估计。该方案有效提高了弱目标的检测增益，并且可以抵消一定区域内的拖船多途角扩展干扰，在空间增益的提升上有一定的改善，但计算量大，并且不可以消除非端首方向的邻近目标强干扰。

  1. 盲源分离在水声阵列信号处理的应用

近年来随着盲信号分离技术（Blind Signal Separation）理论的发展，涌现出了大批的算法，其在水声领域的应用也得到了国内外学者的重视。Salerno等人将基于自然梯度的盲源分离算法和基于功率最大化的盲波束形成相结合，提出了一种自适应盲波束形成的算法，成功得到了干扰抑制后的纯化信号，但没有对纯化信号进行进一步的处理。国内章新华[15]等人将独立分量分析（Independent Component Analysis, ICA）与波束形成相结合，实现了宽带高分辨率水下目标方位估计。康春玉[16]等人提出了一种频域盲源分离和波束形成相结合的抑制方向性强干扰的方法，可以分离出独立分量信号并进行分量信号方位估计，但同样要求强干扰方位已知这一先验条件。

Schmidt R. Multiple emitter location and signal parameter estimation. International Journal of Engineering Research, 2013, 2(3): 276-280Roy R, Kailath T. ESPRIT-estimation of signal parameters via rotational invariance techniques. IEEE Transactions on Acoustic Speech amp; Signal Processing, 2002, 37(7): 984-995Liran Tzafri, Athony J Weiss. High-resolution direct position determination using MVDR. IEEE Transactions on wireless communications, 2016, 15(9): 6449-6461张立文. 水声环境中宽带波束形成及方位估计研究. 国防科技大学, 2017田野. 宽带波束形成方法及优化研究. 哈尔滨工程大学, 2017T C Yang. Deconvolved conventional beamforming for a horizontal line array. IEEE Journal of Oceanic Engineering, 2018, 43(1), 160-172

Lan Hualin, Zhang Xueqi, Li Ruonan, Jin Suyu, Li Na. Assessment of multi-target distinguishing using deconvolved conventional beamforming. MATEC Web of Conferences, 2019, 283, 4005 Huang Jie, Zhou Tian, Du Weidong, Shen Jiajun, Zhang Wangyuan. Smart Ocean: A new fast deconvolved beamforming algorithm for multibeam sonar. Sensors, 2018, 18(11)孙大军, 马超, 梅继丹, 石文佩. 基于非负最小二乘的矢量阵反卷积波束形成方法. 哈尔滨工程大学学报. 2019, 40(7): 1217-1223Lal C Godara. Adaptive postbeamformer interference canceler with improved performance in the presence of broadband directional sources. Journal of the Acoustical Society of America, 1991; 89(1): 266-273汪洋, 刘清宇, 段睿, 杨坤德, 马远良. 波束形成后多干扰抵消方法. 声学学报. 2019, 44(7): 687-697Ivars P Kirsteins, Sanjay K Metha, John Fay. Adaptive separation of unknown narrowband and broadband time series. IEEE. 1998Nuttall A H, Wilson J H. Adaptive beamforming at a very low frequencies in spatially coherent cluttered noise environments with low signal-to-noise ratio and finite-averaging times. Journal of the Acoustical Society of America, 2000; 108(5): 2256-2265范文涛, 章新华, 夏志军, 康春玉, 董明, 蒋彪. 应用经验模态分解的拖船噪声信号重构及抵消方法. 声学学报. 2012, 37(6): 574-582范文涛, 章新华, 康春玉等. 波束形成与独立分量分析融合的宽带高分辨率方位估计方法. 声学学报. 2009, 34(4): 303-310康春玉, 范文涛, 章新华, 李军. 频域盲源分离与波束形成结合抑制方向性强干扰方法. 声学学报. 2014, 39(5): 565-569

剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付

以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章