[发明专利]基于凸优化和神经网络的平面阵列幅相误差校正方法

说明书

本发明公开了一种基于凸优化和神经网络的平面阵列幅相误差校正方法，包括：(1)设置校正声源位于相对于传感器平面阵列的未知远场方向，并将将校正声源的波达方向估计问题转换为通过阵列采样信号重构求解校正声源信号的优化问题，采用凸优化方法估计求解该优化问题初步估计得到校正声源的波达方向；(2)根据步骤(1)初步估计的波达方向确定校正声源位置，并获取以校正声源位置为中心的领域范围内的波束强度，并利用基于深度学习网络构建的波达方向估计模型根据波束强度进行进一步估计，获得最终估计的校正声源的波达方向；(3)基于最终估计的校正声源的波达方向，通过空间匹配滤波器来估计幅相误差。该方法可以准确估计和校正幅相误差。

技术领域

本发明涉及相控阵三维成像声纳系统，压缩感知，凸优化，神经网络，空域滤波等技术领域，具体来说是一种基于凸优化和神经网络的平面阵列幅相误差校正方法。

背景技术

实时三维声纳成像技术是近年来广泛应用于水下探测等领域。相控阵三维成像声纳系统发射声脉冲信号，通过大型平面阵列接收声纳回波信号，经过波束形成计算得到波束图。在相控阵声纳波束形成算法中，通常假设每个传感器通道具有一致的幅度和相位特性。然而，传感器位置的偏差，传感器和信号调理电路性能的不一致性，通道间的互耦效应，会导致接收信号的幅度和相位误差，从而导致波束图中的旁瓣强度增加以及聚焦方向偏移。为了解决该问题，需要对传感器阵列接收型号的幅度和相位进行校正以补偿误差。

阵列幅相误差校正方法可分为主动校正和自校正，主动校正需要一个或多个知道精确位置的校正声源，而自校正的校正声源位置未知，需要同时估计校正声源的波达方向(DOA)和阵列的幅相误差。主动校正方法通过已知位置的声源对阵列的幅相特性进行校正，主要包括最大似然估计(MLE)和最小二乘法(LS)。主动校正方法有较高的估计精度，但在实际应用中很难精确定位校正源的位置，主动校正方法在实际应用中有很大的限制，因此，未知校正源位置的阵列自校正是主要的研究方向。阵列自校正首先需要估计DOA，估计算法包括：频谱搜索，例如多信号分类(MUSIC)算法；信号参数估计旋转不变技术(ESPRIT)；利用数据协方差矩阵托普利兹结构的托普利兹(TB)算法；三步迭代(TSI)算法等。通过借助辅助传感器阵列和转向控制装置可以对DOA估计方法进行优化。然而，相控阵声纳系统的阵列通常在水下密闭的环境中，利用辅助阵列和转向控制装置的方法难以在实际场景中应用。

最近，基于压缩感知(CS)的DOA估计方法受到了广泛的关注。CS方法是一种通过求解欠定线性系统来重建稀疏信号的信号处理技术，在DOA估计中，CS方法通过传感器接收信号重构求解声源信号，求得的解在初始化设置的离散网格点上，而当校正源不在网格点上时，压缩感知方法会在接近校正源方向的网格点有多个解，估计精度也受到限制。此外，基于深度学习的方法也应用在DOA估计和误差自校正领域，可以利用深度神经网络(DNN)或卷积神经网络(CNN)对DOA和幅相误差进行估计。然而，由于采样信号和声源信号间存在确定的传播模型，基于神经网络的方法的估计精度难以达到传统方法。完成DOA估计后，基于估计结果利用空间匹配滤波器来估计幅相误差。

发明内容

鉴于上述，本发明的目的是提供一种基于凸优化和神经网络的平面阵列幅相误差校正方法，以用于大型平面阵列的自校正。

为实现上述发明目的，本发明提供的技术方案为：

一种基于凸优化和神经网络的平面阵列幅相误差校正方法，包括以下步骤：

(1)设置校正声源位于相对于传感器平面阵列的未知远场方向，并将将校正声源的波达方向估计问题转换为通过阵列采样信号重构求解校正声源信号的优化问题，采用凸优化方法估计求解该优化问题初步估计得到校正声源的波达方向；

(2)根据步骤(1)初步估计的波达方向确定校正声源位置，并获取以校正声源位置为中心的领域范围内的波束强度，并利用基于深度学习网络构建的波达方向预测模型根据波束强度进行进一步估计，获得最终估计的校正声源的波达方向；