母采鳳 李 森 呂夢(mèng)然
(大連海事大學(xué)信息科學(xué)技術(shù)學(xué)院,遼寧大連 116026)
信號(hào)源定位在雷達(dá)信號(hào)處理、射電天文學(xué)、地質(zhì)學(xué)、海洋學(xué)中具有廣泛的應(yīng)用[1],依據(jù)信號(hào)源與接收陣列之間的距離,信號(hào)源可以分為遠(yuǎn)場(chǎng)源信號(hào)和近場(chǎng)源信號(hào)。在遠(yuǎn)場(chǎng)源定位場(chǎng)景中,入射源假設(shè)為平面波,信號(hào)源定位僅需要對(duì)方位角進(jìn)行估計(jì);在近場(chǎng)源定位場(chǎng)景中,入射源被認(rèn)為是球面波而不是平面波,因此近場(chǎng)源定位需要對(duì)方位角和距離進(jìn)行聯(lián)合估計(jì)。在現(xiàn)實(shí)生活的某些場(chǎng)景中既存在遠(yuǎn)場(chǎng)信號(hào)源也存在近場(chǎng)信號(hào)源,如基于麥克風(fēng)陣列的語音信號(hào)定位,此時(shí)的信號(hào)源稱為遠(yuǎn)近場(chǎng)混合源。近年來遠(yuǎn)近場(chǎng)混合源定位問題受到研究者們的廣泛關(guān)注[2-10]。
遠(yuǎn)近場(chǎng)混合源定位主要包括遠(yuǎn)近場(chǎng)分離和定位參數(shù)估計(jì)兩個(gè)問題。對(duì)于遠(yuǎn)近場(chǎng)分離,諸多算法被提出。其中,基于斜投影的遠(yuǎn)近場(chǎng)分離算法[2-3]是在首先估計(jì)出遠(yuǎn)場(chǎng)源的方位角的基礎(chǔ)上構(gòu)造斜投影矩陣,然后在陣列觀測(cè)數(shù)據(jù)中利用斜投影技術(shù)去除遠(yuǎn)場(chǎng)觀測(cè)數(shù)據(jù)獲得近場(chǎng)觀測(cè)數(shù)據(jù)。斜投影分離算法會(huì)造成陣列孔徑損失,使得定位精度下降。基于子空間差分[4-5]的遠(yuǎn)近場(chǎng)分離算法是在首先估計(jì)出遠(yuǎn)場(chǎng)源的方位角和信號(hào)功率的基礎(chǔ)上重構(gòu)遠(yuǎn)場(chǎng)源協(xié)方差矩陣,然后從遠(yuǎn)近場(chǎng)混合源協(xié)方差矩陣中減去遠(yuǎn)場(chǎng)源協(xié)方差矩陣得到近場(chǎng)源協(xié)方差矩陣。這種分離方法可以避免陣列孔徑損失,但是遠(yuǎn)場(chǎng)源方位角定位精度會(huì)對(duì)分離后得到的近場(chǎng)源協(xié)方差矩陣產(chǎn)生很大的影響,從而影響近場(chǎng)源定位精度?;诰仃嚥罘值倪h(yuǎn)近場(chǎng)分離算法[6]利用遠(yuǎn)近場(chǎng)源各自協(xié)方差矩陣具有不同的結(jié)構(gòu)特性實(shí)現(xiàn)遠(yuǎn)近場(chǎng)分離,相較于基于子空間差分的分離算法,這種分離方法得到的近場(chǎng)源協(xié)方差分量不受遠(yuǎn)場(chǎng)方位角估計(jì)精度的影響能獲得更為純凈的近場(chǎng)分量,實(shí)現(xiàn)了更為理想的遠(yuǎn)近場(chǎng)源分離。文獻(xiàn)[7]將矩陣差分法和子空間差分法結(jié)合起來,提出了一種基于兩步差分法的(TS-MD)遠(yuǎn)近場(chǎng)混合源定位算法。在TS-MD算法中首先采用矩陣差分技術(shù)得到純凈的近場(chǎng)源分量,在估計(jì)得到近場(chǎng)源參數(shù)的基礎(chǔ)上構(gòu)造近場(chǎng)源協(xié)方差矩陣,然后采用子空間差分技術(shù)從遠(yuǎn)近場(chǎng)混合源協(xié)方差矩陣中得到純凈的遠(yuǎn)場(chǎng)源協(xié)方差矩陣,從而避免了由近場(chǎng)源等效為虛擬遠(yuǎn)場(chǎng)源引起的偽峰問題。但是近場(chǎng)源定位參數(shù)的估計(jì)精度會(huì)影響子空間差分后得到的遠(yuǎn)場(chǎng)源協(xié)方差矩陣的精度,進(jìn)而影響到遠(yuǎn)場(chǎng)源方位角的估計(jì)精度。
在遠(yuǎn)近場(chǎng)分離后可分別對(duì)遠(yuǎn)場(chǎng)信號(hào)源和近場(chǎng)信號(hào)源的定位參數(shù)進(jìn)行估計(jì)。定位參數(shù)估計(jì)方法主要分為兩大類:基于子空間的估計(jì)算法和基于稀疏重構(gòu)的估計(jì)算法。基于子空間的估計(jì)算法已經(jīng)非常成熟,主要有多重信號(hào)分類方法(multiple sig?nal classification,MUSIC)[11]和基于旋轉(zhuǎn)不變技術(shù)的估計(jì)算法(estimating signal parameter via rotational invariance techniques,ESPRIT)[12]。例如文獻(xiàn)[4]中采用MUSIC 算法分別實(shí)現(xiàn)對(duì)遠(yuǎn)場(chǎng)源方位角和近場(chǎng)源距離的估計(jì),而采用類ESPRIT 算法實(shí)現(xiàn)對(duì)近場(chǎng)源方位角的估計(jì)。近幾年,基于稀疏重構(gòu)的遠(yuǎn)近場(chǎng)混合源定位算法也得到廣泛研究。文獻(xiàn)[8]在遠(yuǎn)場(chǎng)源和近場(chǎng)源參數(shù)估計(jì)中分別用稀疏重構(gòu)算法代替子空間算法,有效避免了譜峰搜索且得到了更好的估計(jì)性能。文獻(xiàn)[9]利用高階累積量和無網(wǎng)格稀疏重構(gòu)算法研究了基于交叉陣列的遠(yuǎn)近場(chǎng)混合源定位問題,避免網(wǎng)格失配和陣列孔徑的損失。
在現(xiàn)實(shí)環(huán)境中,自然現(xiàn)象或人為因素的影響使得噪聲具有突發(fā)、短時(shí)、高振幅的特性,這類噪聲的概率密度函數(shù)比高斯分布噪聲的概率密度函數(shù)拖尾更加厚重。對(duì)稱α-穩(wěn)定分布(symmetric α-stable distribution,SαS)被廣泛用于描述這類噪聲,其特征指數(shù)α影響SαS 分布的拖尾厚度,α越小意味著SαS分布的拖尾越厚,噪聲脈沖性越強(qiáng);反之,意味著SαS 分布的拖尾越薄,噪聲脈沖性越弱。當(dāng)α=2時(shí),SαS 分布為高斯分布,當(dāng)0 <α<2 時(shí),SαS 分布只有階數(shù)小于α的矩才是有界的,在SαS 分布噪聲環(huán)境下基于二階和高階統(tǒng)計(jì)量的信號(hào)處理算法的性能會(huì)退化甚至失效。針對(duì)這一問題,分?jǐn)?shù)低階統(tǒng)計(jì)量[13],非線性變換預(yù)處理[14]、相關(guān)熵[15]等方法成為脈沖噪聲環(huán)境下信號(hào)處理的重要工具。現(xiàn)有文獻(xiàn)中關(guān)于脈沖噪聲環(huán)境下的DOA 估計(jì)算法大多數(shù)針對(duì)單獨(dú)的遠(yuǎn)場(chǎng)源或近場(chǎng)源[16-17],對(duì)于脈沖噪聲環(huán)境下的遠(yuǎn)近場(chǎng)混合源定位問題研究較少,僅文獻(xiàn)[18]對(duì)此問題進(jìn)行了研究。在文獻(xiàn)[18]中首先構(gòu)造了僅包含遠(yuǎn)近場(chǎng)源方位角信息的協(xié)方差向量稀疏表示模型,并在稀疏重建代價(jià)函數(shù)中通過引入相關(guān)熵來抑制脈沖噪聲,然后在基于Root-MUSIC算法的距離估計(jì)中采用非線性變換預(yù)處理的方法來抑制脈沖噪聲。文獻(xiàn)[18]中并沒有實(shí)現(xiàn)遠(yuǎn)近場(chǎng)的分離,而是通過估計(jì)得到的距離值大小來實(shí)現(xiàn)遠(yuǎn)近場(chǎng)信源識(shí)別的。本文受矩陣差分算法的啟發(fā),首先利用分?jǐn)?shù)低階協(xié)方差矩陣差分(FLOC-MD)和壓縮變換協(xié)方差矩陣差分(CTC-MD)的分離算法實(shí)現(xiàn)遠(yuǎn)近場(chǎng)混合源的分離,然后分別利用子空間算法實(shí)現(xiàn)定位參數(shù)的估計(jì)。仿真結(jié)果表明,本文所提算法能有效抑制脈沖噪聲的干擾,相比于傳統(tǒng)的基于二階協(xié)方差矩陣差分(COV-MD)的遠(yuǎn)近場(chǎng)混合源定位算法能夠獲得更為精確的估計(jì),且CTC-MD 算法明顯優(yōu)于FLOC-MD算法并且不依賴于脈沖噪聲的先驗(yàn)信息。
如圖1 所示是一個(gè)陣元數(shù)為L(zhǎng)=2N+1 的均勻線陣,混合源信號(hào)為M個(gè)相互獨(dú)立的信號(hào),包含M1個(gè)近場(chǎng)信號(hào)和M-M1個(gè)遠(yuǎn)場(chǎng)信號(hào),以第N+1 個(gè)陣元為參考陣元建立直角坐標(biāo)。
圖1 均勻線陣模型Fig.1 Uniform linear array model
第l個(gè)陣元在t時(shí)刻的接收信號(hào)可以表示為
當(dāng)SαS 噪聲的特征指數(shù)α<2 時(shí),基于協(xié)方差矩陣的定位參數(shù)估計(jì)算法性能將退化甚至失效,此時(shí)可以用分?jǐn)?shù)低階協(xié)方差來代替協(xié)方差,陣列接收信號(hào)的分?jǐn)?shù)低階協(xié)方差矩陣定義為[16-17]
文獻(xiàn)[14]提出了一種非線性壓縮變換函數(shù),該函數(shù)定義為
其中,σ為尺度變換參數(shù)它的取值不依賴于噪聲的特征指數(shù)α。可以證明在SαS 噪聲中的信號(hào)經(jīng)過非線性壓縮變換后具有有限的二階統(tǒng)計(jì)量[14]。因此定義陣列接收信號(hào)的壓縮變換協(xié)方差矩陣為
將RFLOC和RCT統(tǒng)一表示為Rζ,由于噪聲與信號(hào)是相互獨(dú)立的,則其可以表示為
性質(zhì)1:滿足Toeplitz結(jié)構(gòu)。
證明:以遠(yuǎn)場(chǎng)陣列接收信號(hào)的分?jǐn)?shù)低階協(xié)方差矩陣為例,由于源信號(hào)之間是相互獨(dú)立的,則其第(k,q)個(gè)元素和第(k+1,q+1)個(gè)元素分別為:
同理可證遠(yuǎn)場(chǎng)陣列接收信號(hào)的分?jǐn)?shù)低階協(xié)方差矩陣對(duì)角線上的元素滿足:
結(jié)合公式(11)可知遠(yuǎn)場(chǎng)分?jǐn)?shù)低階協(xié)方差矩陣滿足Toeplitz結(jié)構(gòu)。
同理可證遠(yuǎn)場(chǎng)壓縮變換協(xié)方差矩陣也滿足To?eplitz 結(jié)構(gòu),因此有,其中為反方向單位矩陣。
性質(zhì)2:滿足Hermitian結(jié)構(gòu),即
證明:以近場(chǎng)陣列接收信號(hào)的分?jǐn)?shù)低階協(xié)方差矩陣為例,其第(k,q)和(q,k)個(gè)元素為
由性質(zhì)1 和2 可得僅包含近場(chǎng)信息的擴(kuò)展矩陣:
將得到的近場(chǎng)方位角估計(jì)值代入近場(chǎng)導(dǎo)向矢量,再次通過一維MUSIC 譜峰搜索可以得到與角度對(duì)應(yīng)的近場(chǎng)距離。
為了驗(yàn)證算法的有效性,將本文提出的兩種算法與基于二階統(tǒng)計(jì)量的COV-MD 算法和TS-MD 算法進(jìn)行比較。在以下仿真實(shí)驗(yàn)中,對(duì)稱均勻線陣由11 個(gè)陣元構(gòu)成,陣元間隔d=λ4,共有M=4 個(gè)信號(hào)源,M1=2 個(gè)近場(chǎng)信號(hào)源和兩個(gè)遠(yuǎn)場(chǎng)信號(hào)源。遠(yuǎn)場(chǎng)源的方位角分別為θ1=-20°和θ2=30°,近場(chǎng)源的方位角和距離分別為(θ3,r3)=(-10°,1.8λ)和(θ4,r4)=(20°,1.2λ)。背景噪聲為加性SαS 噪聲,由于其不存在有限的二階矩,噪聲的方差沒有意義,因此本文采用廣義信噪比(generation signal of noise ratio,GSNR),GSNR=。
采用均方根誤差(root mean square error,RMSE)作為算法的性能指標(biāo),定義為:
其中K=M1或K=M-M1,Ne為蒙特卡羅仿真實(shí)驗(yàn)次數(shù),本文所有實(shí)驗(yàn)中的Ne均為500次,pk為方位角或距離的真實(shí)值是pk第ne次仿真實(shí)驗(yàn)的估計(jì)值。
實(shí)驗(yàn)1不同廣義信噪比下性能分析
給定特征指數(shù)和快拍數(shù)分別為1.6和500,GSNR從2 dB 變化到20 dB。TS-MD,COV-MD,F(xiàn)LOC-MD和CTC-MD四種算法的性能隨廣義信噪比的變化曲線如圖2所示??梢钥闯鰧?duì)于遠(yuǎn)近場(chǎng)定位參數(shù)估計(jì),四種算法的均方根誤差都隨信噪比的增大合理地減小。由于在SαS噪聲條件下二階統(tǒng)計(jì)量不存在,因而TS-MD 算法和COV-MD 算法的估計(jì)性能都要低于FLOC-MD和CTC-MD算法。對(duì)于近場(chǎng)源方位角和距離的估計(jì),由于TS-MD 算法和COV-MD 算法的估計(jì)方法完全一致,所以兩種算法的性能幾乎相同。對(duì)于遠(yuǎn)場(chǎng)源方位角的估計(jì),雖然TS-MD算法避免了COVMD 算法中由近場(chǎng)源等效為虛擬遠(yuǎn)場(chǎng)源引起的偽峰問題,但是由于受到近場(chǎng)源定位參數(shù)估計(jì)精度的影響,TS-MD 算法的估計(jì)性能并沒有優(yōu)于COV-MD 算法。本文提出的兩種算法在低信噪比情況下的估計(jì)性能要明顯優(yōu)于COV-MD 算法和TS-MD 算法,且CTC-MD算法的性能要優(yōu)于FLOC-MD算法。
圖2 算法性能隨廣義信噪比變化曲線Fig.2 Curve of algorithm performance with GSNR
實(shí)驗(yàn)2不同特征指數(shù)下性能分析
給定GSNR 和快拍數(shù)分別為16 dB 和500,特征指數(shù)從1.0 變化到1.9,圖3 給出了四種算法的性能隨著特征指數(shù)變化的曲線。從圖中可以看出隨著特征指數(shù)增加即隨著噪聲脈沖性減弱,四種算法定位參數(shù)估計(jì)的均方根誤差在逐漸減小。在同一特征指數(shù)的脈沖噪聲條件下,特別是在強(qiáng)脈沖噪聲環(huán)境下本文所提出的兩種算法性能明顯優(yōu)于TS-MD算法和COV-MD 算法,且CTC-MD 算法的估計(jì)性能優(yōu)于FLOC-MD算法。
圖3 算法性能隨特征指數(shù)變化曲線Fig.3 Curve of algorithm performance with characteristic index
實(shí)驗(yàn)3不同快拍數(shù)下性能分析
給定GSNR 和脈沖噪聲的特征指數(shù)分別為16 dB 和1.6,快拍數(shù)從300變化到1500,圖4中給出了算法性能隨快拍數(shù)變化的曲線。從圖中可以看到四種算法的均方根誤差都隨著快拍數(shù)的增加在逐漸減小。同樣地,在同一快拍數(shù)條件下,本文所提得兩種算法性能明顯優(yōu)于TS-MD 算法和COV-MD 算法,CTC-MD算法的估計(jì)性能優(yōu)于FLOC-MD算法。
圖4 算法性能隨快拍數(shù)變化曲線Fig.4 Curve of algorithm performance with the number of snapshots
本文提出了脈沖噪聲條件下兩種遠(yuǎn)近場(chǎng)混合源定位參數(shù)的估計(jì)算法,基于分?jǐn)?shù)低階協(xié)方差的矩陣差分算法和基于壓縮變換協(xié)方差的矩陣差分算法。相較于傳統(tǒng)的基于二階統(tǒng)計(jì)量的矩陣差分算法和兩步差分算法,本文所提的這兩種算法均能抑制脈沖噪聲的干擾,有效提高了定位估計(jì)的精度。且基于壓縮變換協(xié)方差的矩陣差分算法不僅估計(jì)性能要好于基于分?jǐn)?shù)低階協(xié)方差的矩陣差分算法而且算法的應(yīng)用不依賴于脈沖噪聲的先驗(yàn)信息。