[发明专利]适用于强干扰环境的波束域快速稀疏贝叶斯方位估计方法

说明书

本发明涉及一种适用于强干扰环境的波束域快速稀疏贝叶斯方位估计方法，采用MVDR‑DL对强干扰进行抑制，构建关于MVDR‑DL波束功率输出线性关系的贝叶斯概率模型，将稀疏贝叶斯算法推广至波束域。在贝叶斯框架下进行DOA估计，避免了超参数选取的问题。本发明在进行DOA估计时，每次迭代仅更新一个网格点对应的信号参数，从而避免了矩阵求逆运算，有效降低了方法的计算量。在强干扰环境下实现了对目标信号方位有效估计的同时，增强了算法的实用性。

技术领域

本发明属于信号处理等领域，特别涉及一种适用于强干扰环境的波束域快速稀疏贝叶斯方位估计方法。

背景技术

基于阵列接收信号的水下目标方位(Direction of arrival，DOA)估计是被动声纳信号处理中一项主要任务。近十几年稀疏重构类DOA估计算法因其对快拍数和信噪比的要求较低受到了广泛的关注。这类算法将空间划分为离散的网格，假设信号在有限个网格点上。通过对每个网格点上的信号参数进行估计，实现DOA估计。根据估计原理不同，算法可分为基于l_p范数的算法和稀疏贝叶斯算法。相比于基于l_p范数的算法来说，稀疏贝叶斯算法无需选取任何超参数，因此在实际信号处理中更易实现。大多数稀疏贝叶斯算法采用期望最大算法或变分贝叶斯算法迭代估计DOA值，需要大量的矩阵求逆运算，算法运算量较大。国外学者M.E.Tipping等人提出一种快速稀疏贝叶斯方法(M.E.Tipping and A.C.Faul,“Fast marginal likelihood maximisation for sparse Bayesian models,”inProc.9th Int.Workshop Artif.Intell.Stat.,2003,vol.1.)，该方法在每次迭代时仅更新一个网格对应的信号参数，从而避免了矩阵求逆，大大提升了计算效率。不同于主动声纳自主发射信号并通过接收反射回波进行目标探测，被动声纳是通过接收舰船辐射噪声来进行目标探测的，因而具有更好的隐蔽性。随着海洋战略和经济的不断发展，水面及水下舰船越来越多，这使得被动声纳的接收信号越来越复杂。当功率较低的目标信号远离接收阵时，距离接收阵较近的大功率水面舰船的辐射噪声等可看作为强干扰信号。强干扰信号的存在将影响对目标信号的DOA估计精度，甚至掩蔽目标信号。由于强干扰的存在，导致稀疏重构类算法对目标信号的方位估计性能存在一定程度的下降。

Yang等人(Y.Yang,Y.Zhang,and L.Yang,“Wideband sparse spatial spectrumestimation using matrix filter with nulling in a strong interferenceenvironment,”J.Acoust.Soc.Am.143(6),3891–3898(2018).)提出一种基于零陷矩阵滤波器的稀疏谱估计方法，使用零陷矩阵滤波器在干扰方向上形成深凹槽抑制强干扰，并利用稀疏谱估计方法进行弱目标信号方位估计。然而，设计零陷矩阵滤波器需求解一个凸优化问题，算法计算量较大。同时，稀疏谱估计算法属于l_p范数类算法，需选取一个合适的超参数保证算法性能，然而该参数选取通常较为困难，造成该算法在实际应用时存在一定局限性。

发明内容

本发明解决的技术问题是：为了高效解决强干扰环境下对目标信号的DOA估计问题，本发明给出一种基于波束功率输出的快速稀疏贝叶斯(Fast sparse Bayesianlearning based on beamformer power outputs，FSBL-BPO)方法。该方法采用基于对角加载的最小方差无失真响应(Minimum variance distortionless response with diagonalloading，MVDR-DL)波束形成器作为预处理器，在强干扰方向形成凹槽充分抑制强干扰信号，并计算波束功率输出。构建适用于MVDR-DL波束功率输出和波束响应线性关系的贝叶斯概率模型。在贝叶斯框架下对模型参数进行迭代更新，每次迭代时仅更新一个网格对应的信号参数，避免大量矩阵求逆计算，实现强干扰环境下对目标信号的快速方位估计。