[发明专利]一种基于平行因子的高精度时延估计方法

说明书

本发明公开了一种基于平行因子的高精度时延估计方法，首先，利用L个监测节点接收辐射信号，并对接收到的信号进行傅里叶变换；其次，抽取非零频段信号，并融合各个监测节点频域数据构造三线性模型；然后，采用平行因子方法，通过三线性交替最小二乘法进行分解迭代，得到频域时延估计矩阵；最后，通过归一化方法消除尺度模糊，利用时延矩阵的范德蒙特征进行时延估计。本发明方法相比于传统方法，能够获得精度更高的时延估计，有效提高了定位精度；无需谱峰搜索过程，计算复杂度相对较低；将多个节点频域数据信息相融合，可同时获得多个时延估计，无需分节点处理，具有重要的应用价值。

技术领域

本发明涉及无源定位技术领域，尤其涉及一种基于平行因子的高精度时延估计方法。

背景技术

时间到达差(time difference of arrival,TDOA)方法是无源定位技术中的重要手段，作为现代信号处理中信号参数估计与提取的重要组成部分，被广泛应用在雷达、声纳、无线通信系统定位、无线电监测等领域，因此进一步提升无源时差定位技术的性能具有十分重要的实际意义。

时间延迟估计是时延差测量定位的重要内容，具体是指利用参数估计和信号处理的理论与方法，对同源信号因其传输距离不同所产生的时间延迟进行估计，从而获得目标的位置信息等相关参量。目前的研究阶段中时延估计仍有着较大的问题，例如基于互相关算法的时延估计方法，即通过接收信号和参考信号的相关峰值获取时延估计。由于互相关算法所能达到的最大时延估计精度取决于系统的采样周期大小，这便导致定位系统的定位精度受限于系统的信号采样率，且信号和噪声的统计特性未知，因而该方法通常会存在较大的误差。而基于子空间分解的时延估计方法，虽然得到的结果分辨率高，但是该方法运算量大且其时延估计性能仅限于频谱平坦或近似平坦的信号，并对噪声敏感。基于代价函数的时延估计算法涉及到大量的参数优化问题，由于计算复杂度太大而无法实现动态的估计要求。时延估计误差会影响后续辐射源定位精度，难以获得渐进最优的估计性能，因此探索一种面向复杂场景下的高精度时延估计方法具有较强的现实意义与研究价值。

发明内容

本发明所要解决的技术问题是针对背景技术中所涉及到的缺陷，提供一种基于平行因子的高精度时延估计方法。

本发明为解决上述技术问题采用以下技术方案：

一种基于平行因子的高精度时延估计方法，该方法包括以下步骤：

步骤1)，在L个位置已知的监测节点接收辐射源信号，并对接收到的信号进行傅里叶变换，L为预设的基站数量阈值；

步骤2)，抽取非零频段信号，并融合各个监测节点的频域数据构建三线性模型；

步骤3)，采用平行因子方法，通过三线性交替最小二乘法进行分解迭代，得到频域时延估计矩阵；

步骤4)，通过归一化方法消除尺度模糊，利用时延矩阵的范德蒙特征进行时延估计。

作为本发明一种基于平行因子的高精度时延估计方法进一步的优化方案，所述步骤1)包含以下步骤：

步骤1.1)，在L个位置已知的监测节点接收辐射源信号，第l个监测节点的接收信号x_l(t)＝α_ls_k(t-τ_l)+n_l(t)，其中，1≤l≤L，s_k(t)表示第k段接收到的辐射源信号，1≤k≤K，K为预设的辐射源信号段数阈值，α_l和τ_l分别表示辐射源信号到达第l个监测节点的路径衰减因子和时延，n_l(t)为相互独立的零均值加性高斯白噪声，信号与噪声之间互不相关；

步骤1.2)，对接收到的信号进行傅里叶变换，得到L个监测节点的时域输出矩阵，其中，第l个监测节点的时域输出矩阵形式为