[发明专利]一种基于组稀疏的多线谱联合DOA估计和聚类方法及系统

说明书

本发明公开了一种基于组稀疏的多线谱联合DOA估计和聚类方法，包括：步骤1、获取均匀线阵水听器的观测阵列信号；步骤2、基于常规波束形成算法粗略估计目标方位步骤3、对方向做跟踪波束，检测目标信号的L个信噪比最大的线谱；步骤4、计算L根线谱对应频域值的协方差矩阵R(f_l)；步骤5、将其转化为压缩感知问题，通过在目标函数中添加l₁范数和l₂范数，联合求解L根线谱的空间谱p(θ,f_l)的稀疏解；步骤6、对L个线谱的空间谱进行聚类,将L根线谱分为来自目标方位以及来自非目标方位两类。本发明的一种基于组稀疏的多线谱联合DOA估计和聚类方法实现了在多目标强干扰环境下多线谱的提取、DOA估计以及分类，应用简单直接，经济代价低且效果明显，运算量较小，分类效果好。

技术领域

本发明属于声呐信号处理技术领域，具体涉及一种在多目标强干扰环境中基于组稀疏的多线谱联合估计DOA方法及系统。

背景技术

水声目标通常处于复杂的海洋环境中，多目标强干扰、环境噪声干扰等因素给基于目标特征的被动声呐识目标识别带来了很大的困难。水下目标辐射噪声特征分析是实现目标探测、识别和分类的基础，线谱是水下目标检测与识别的相当重要的特征。

水下目标的辐射噪声的功率谱通常由连续谱和线谱构成。线谱通常具有较好的相位稳定性，比连续谱拥有更高的信噪比，是被动声呐目标检测的重要方式，也是全世界各国水声信号处理科研人员的研究热点。

现有的线谱检测方法主要分为以下几类：1.离散傅里叶基线谱检测方法，例如参数模型类谱估计方法，包括自回归模型(Auto regressive model，AR)、滑动平均模型(moving average model,MA)以及自回归滑动平均模型(Auto regressive movingaverage model，ARMA)模型法。其功率谱估计结果较平滑，频率分辨率较高，但是其模型的阶次不易选择。子空间分解类谱估计典型方法有多信号分类方法(Multiple SignalClassification，MUSIC)、基于旋转不变技术的信号参数估计方法(Estimating SignalParameter via Rotational Invariance Techniques，ESPRIT)。子空间分解类方法可以获得较高的频率分辨率，但是需要信号子空间维数的先验信息，且在低信噪比、色噪声等背景下性能退化严重。2.自适应线谱增强器方法，利用线谱信号的时间相关半径大于噪声信号的时间相关半径的特征，对接收信号中的宽带信号进行解相干延时，保持周期信号相干，进而对二者进行LMS自适应抵消处理，分离宽带信号，增强周期信号。3.高阶谱方法，高阶谱能够更全面地描述舰船的辐射噪声，目前被更多地用于舰船的目标识别。但目前高阶谱的物理意义不明确，有碍直观地对其进行分析和理解，高阶谱用于线谱检测还需要更深入的研究。4.稀疏重构类方法，正交匹配追踪(Orthogonal Matching Pursuit,OMP)算法为一种经典的稀疏重构类方法。但是该方法需要事先知道目标线谱个数，在实际条件下很难满足要求。基于迭代最小化的稀疏学习(Sparse Learning via Iterative Minimization,SLIM)方法采用迭代的方式对线谱信号频率、幅度及背景噪声功率进行估计，无需目标线谱个数信息，参数设置相对简单。5.非线性混沌振子类方法，这是一种非线性处理方法，仿照非线性动力学系统，构建一个处于混沌状态的系统模型。该方法对噪声信号不敏感，实现了对微弱线谱信号的有效监测，但在系统模型的状态定量判断、算法的复杂度等方面还有待于改进。

发明内容

发明目的：针对现有技术中存在的问题，本发明提供了一种基于组稀疏的多线谱联合DOA估计和聚类方法，该方法能够同时估计检测得到的多根线谱的来波方向，并将多根线谱分为来自目标方向和非目标方向两类，实现了在多目标强干扰水声环境下对线谱的提取、DOA估计以及分类。

技术方案：一种基于组稀疏的多线谱联合DOA估计和聚类方法，包括：