[发明专利]一种基于稀疏贝叶斯学习的近场信号源定位方法、系统及设备

说明书

本发明公开了一种基于稀疏贝叶斯学习的近场信号源定位方法、系统及设备，方法包括：基于对称均匀线性阵列接收到的近场信号模型求取协方差矩阵；基于协方差矩阵的反对角线元素构建虚拟远场信号模型；基于虚拟远场模型构造稀疏贝叶斯学习模型；基于稀疏贝叶斯学习模型在迭代过程中估计近场信号源的波达方向；使用基于子空间的方法有效地估计范围；通过提取信号协方差矩阵反对角线元素构造虚拟远场模型，建立针对波达方向估计的稀疏贝叶斯学习模型，基于该模型在迭代过程中使用梯度下降的方法估计近场信号源的波达方向，同时利用模型阶数选择准则估计信号源的个数；在获得波达方向的情况下使用常规的基于子空间的方法有效地估计距离。

技术领域

本发明属于阵列信号处理技术领域，具体涉及一种基于稀疏贝叶斯学习的近场信号源定位方法、系统及设备。

背景技术

近场问题由于模型的复杂性导致计算量通常都很大，如何在保证估计精度的同时降低计算量一直是近场源定位领域不断研究的方向。一部分方法通过对接收传感器阵列周围空间进行网格化，并利用网格匹配的方法估计信号源位置，这种方法大大降低了计算量，然而网格的精度直接影响了距离估计的精度。二维MUSIC算法(multiple signalclassification algorithm)是把传统的一维MUSIC方法推广到二维参数估计，这种方法需要搜索波达方向和距离两个参数，计算负担大，而且在低信噪比和少快拍数下性能表现较差。稀疏重构方法以l1-SVD方法为例，具有很好的统计性能，但是它需要手动选择惩罚项系数，而且容易陷入局部最优解。而且大部分的传统方法需要预先知道信号源的个数，而这在实际中是很难获取的。

发明内容

本发明的目的在于克服现有技术中存在的缺陷，提供一种基于稀疏贝叶斯学习的近场信号源定位方法、系统及设备；实现近场信号波达方向及距离估计的过程中，在保证良好环境下估计精度的同时提升了在低信噪比和少采样数情况下的性能，并减少了对信号源个数先验的依赖。

为达到上述目的，本发明采用了以下技术方案：一种基于稀疏贝叶斯学习的近场信号源定位方法，包括以下步骤：

步骤1，基于对称均匀线性阵列接收到的近场信号模型获取协方差矩阵R_Y，提取协方差矩阵R_Y的反对角线元素，基于所述反对角线元素构造稀疏字典并定义虚拟远场信号模型；

步骤2，根据所述虚拟远场信号模型，构造稀疏贝叶斯学习模型，得到波达方向估计的概率描述；

步骤3，基于稀疏贝叶斯学习模型使用迭代方法估计超参数，获得近场信号源的波达方向并同时估计信号源的个数

步骤4，根据波达方向的估计值采用基于子空间分解的方法在连续域中有效地估计距离

步骤1中对称均匀线性阵列包含M个全向传感器阵元；为所有入射信号的方位信息的估计值；为估计的入射信号的个数；所有入射信号的距离信息的估计值；所述近场信号模型经菲涅尔近似，以向量形式表示阵列接收到的近场信号模型为：

Y＝AS+N

式中，Y＝[y(t₁),…,y(t_L)]，S＝[s(t₁),…,s(t_L)]和N＝[n(t₁),…,n(t_L)]，L为采样数。

经菲涅尔近似后近场信号模型具体获取过程如下：

K个近场窄带非相干信号源入射至拥有M＝2F+1个全向传感器阵的对称均匀线性阵列，KF，阵元之间间距为d，阵元m接收到的信号为：