[发明专利]存在阵列误差的阵列PCA-BP算法的近场源定位方法

说明书

存在阵列误差的阵列PCA‑BP算法的近场源定位方法，利用均匀线阵接收K个窄带、非高斯、平稳近场声源信号，在训练区间中产生N组阵列接收信号数据，提取其协方差矩阵的上三角元素作为信号特征矩阵，并使用PCA降维得到降维后的信号特征矩阵；将降维后的信号特征矩阵与其对应的期望输出输入到BP神经网络中进行训练，通过训练将阵列误差包含在BP网络中，从而得到训练好的阵列误差存在下的网络估计模型；使用训练好的网络模型对近场源参数进行估计；使用阵列PCA‑BP算法避免了对误差进行校正，减少了算法的计算量，提高了算法在低信噪比下的估计性能，具有很好的抗噪性。

技术领域

本发明属于阵列信号处理技术领域，尤其涉及一种存在阵列误差的PCA-BP 算法的近场源定位方法。

背景技术

在无源定位、声呐阵列测向、地震和地质资源探测以及移动通信等诸多研究领域，来波信号到达角(DOA,Direction of Arrival)估计问题是一个热点问题。虽然一些经典的高分辨率算法能够对信号的来波方向进行有效的估计，如MUSIC(Multiple SignalClassification)算法、ESPRIT(Estimating Signal Parameter via RotationalInvariance Techniques)算法，但是这类算法对阵列误差非常敏感，如果存在阵列误差高分辨算法的性能将受到严重影响，因此必须进行有效的误差校正，误差校正往往是根据不同的误差建立不同的误差模型然后采用相对应的方法进行误差校正和估计，误差的建模是一个非常复杂的问题，如果同时存在多种误差时，误差的建模将非常困难，相应的误差校正过程也非常繁琐，甚至估计不准确等诸多问题。随着统计智能算法的飞速发展，有越来越多的统计智能算法被用于信号处理的DOA估计领域中，如神经网络、支持向量回归算法等。

鉴于神经网络有良好的适应性能和非线性映射的特点，在建立预测信号模型的过程中，可以将空间中实际存在的噪声、阵列误差、传输通道等多种因素包含在训练过程中，因此不需要误差建模和误差校正，直接使用训练好的网络来预测待估计信号的参数。现有的大多数方法将协方差矩阵的上三角元素作为信号的特征进行网络训练，如果将该方法搬移到近场情况，模型将非常复杂，运算量也很大。同时，使用主成分分析(PrincipalComponent Analysis，PCA) 方法降维信号特征，使得算法计算量减小，增强算法的抗噪性，提高算法的估计精度。针对上述问题，本发明方法研究了一种阵列误差存在下的近场源参数估计的基于主成分分析的神经网络(Principal Component Analysis Error BackPropagation，PCA-BP)方法。阵列PCA-BP方法将降维后的特征用于神经网络的模型训练，缩短了训练时间，降低了运算量，在存在阵列误差的情况下能对近场信号参数进行有效估计。

发明内容

本发明的目的是提供一种存在阵列误差的阵列PCA-BP算法的近场源定位方法。

为了实现上述目的，本发明采取如下的技术解决方案：

存在阵列误差的阵列PCA-BP算法的近场源定位方法，采用标量声压传感器阵列接收K个窄带、非高斯的平稳近场声源。接收阵列通过以下方式获得：在空间任意选取一点作为坐标轴的原点位置o，从左至右经过该原点的水平线为 x轴，垂直于该水平线的直线为z轴，即假设声源从xoz平面入射，第k个入射声源与z轴的夹角为θ_k，θ_k的取值范围为[-π/2,π/2]，在坐标原点处向x轴正向分别以d＝λ_min/4等间隔放置M个阵元，λ_min为入射声源中的最小波长，阵元从左到右依次标记为[1,2,...m,...M]；

存在阵列误差的阵列PCA-BP算法的近场源定位方法步骤如下：