[发明专利]块近端梯度双稀疏字典学习波束形成方法及系统

说明书

本发明提出了块近端梯度双稀疏字典学习波束形成方法及系统，包括：建立基于双稀疏字典学习的多重约束最优化数学模型；通过引入拉格朗日乘子，获得与上述模型等效的无约束的代价函数表示，并确定各参数数值；将无约束代价函数的最小化求解转化为稀疏编码、字典学习和信号源估计三个子问题分别求解，规定各变量迭代初值，基于估计的信号源形成波束。本发明模型中同时包含了稀疏表示系数和字典矩阵的l_1,1范数项，在已知解析字典的稀疏域中有效提高了字典矩阵D_j的稀疏性；另一方面，l_1,1范数相对于传统的l_1,2范数具有更高的稀疏度，有效提高稀疏表示性能。

技术领域

本发明属于声呐探测技术领域，尤其涉及块近端梯度双稀疏字典学习波束形成方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

波束形成(beamforming)方法广泛应用于通信、探测及成像领域，涉及电磁、声、超声等探测能量的发射与接收应用。水下声呐结合波束形成技术能够提高通道回波数据的利用效率，在波达角估计时提高角度分辨率。对于固定工作波长的设备，波束形成的角度分辨率与阵列尺寸呈反比，在保证阵元间距前提下，通过增加阵列尺寸来提高分辨率的途径无疑会增加通道数量和系统复杂程度及体积，很多情况下明显受限。

从信号处理算法角度，以有限提高计算量代替传统的延时叠加(DAS)波束形成方法能够在原仪器硬件条件下，提高波束形成的性能，这一类方法称为高分辨率波束形成方法。从结果看，高分辨率方法不仅能够在结果的分辨率上有所增益，而且常常具有压制旁瓣和栅瓣，提高动态范围，增大波束角度等效果。

目前，通过求解波束形成数学模型实现高分辨率的方法主要有谱分析方法和压缩感知(CS)技术。其中，谱分析方法源于阵列信号处理，从功率谱角度不但能够提高波束形成的分辨率，还有利于压制旁瓣和基底噪声，具有代表性的有子空间方法MUSIC、非参数方法CAPON、半参数方法自适应迭代法(IAA)和自回归方法(AR)等。然而，谱分析方法常常存在固有缺陷，如MUSIC不能用于单快拍和相干信号源，非参数类方法在分辨率和稳定性方面也不够理想。压缩感知方法最初用于在低采样率条件下，研究采样信号的恢复与重建。进一步研究发现，采用CS稀疏重建算法在目标源稀疏性假设前提下，能以高精度重建源信号，并可用于多种基于线性模型的应用，如声呐/雷达波束形成与合成孔径成像、医学成像及信道估计等。

CS稀疏重建方法主要分为三类，包括凸优化法、贪婪法和稀疏贝叶斯学习(SBL)，三种方法均为CS近似求解，其中贪婪法计算量最小，重建性能最低；SBL方法重建精度最高，而且具有参量自适应确定的优势。三种方法均被应用于高分辨率波束形成，并被命名为压缩波束形成(compressive beamforming)，并取得了相对于谱分析波束形成方法更强的估计性能。然而，CS方法的重要前提——即待重建源信号应是固有稀疏的，这一点只有离散的点目标能够充分满足。为应对稀疏性问题，采用稀疏表示方法在稀疏域实现CS目标重建是最有效的。但是需要对目标特性有充分的了解，即信号在哪些稀疏变换条件下具有最强的稀疏性，而多数情况下，相关的先验信息难以明确知晓，例如在声呐水下探测领域，目标源是非合作的，这时采用CS重建可能造成精度下降甚至重建失败。

发明内容

为克服上述现有技术的不足，本发明提供了块近端梯度双稀疏字典学习波束形成方法，本方法相对于其他先进的波束形成方法具有更强的信号源估计性能。

为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

第一方面，公开了块近端梯度双稀疏字典学习波束形成方法，包括：

建立基于双稀疏字典学习的多重约束最优化数学模型；

通过引入拉格朗日乘子，获得与上述模型等效的无约束的代价函数表示，并确定各参数数值；