[发明专利]强冲击噪声下基于嵌套阵列的鲁棒动态测向方法

说明书

本发明提供一种强冲击噪声下基于嵌套阵列的鲁棒动态测向方法，包括：建立动态测向模型；初始化搜索空间；初始化所有个体量子位置并设定相关参数；构造适应度函数，计算适应度函数值、平均适应度值，计算整个生态系统当前代的平均适应度值；根据量子标杆学习机制实现寻优搜索过程；判断是否达到最大迭代次数G，若达到则中止循环迭代，输出外部标杆的量子位置和位置并进入下一步；判断是否达到最大快拍数K_p，若未达到，更新下一次快拍时P个方位角的搜索空间，返回步骤三；否则，输出动态测向结果。本发明在冲击噪声下设计了加权无穷范数低阶差分矩阵，通过将嵌套阵列虚拟为均匀线阵或近似均匀线阵，并利用极大似然测向方法实现了动态测向。

技术领域

本发明涉及一种强冲击噪声下基于嵌套阵列的鲁棒动态测向方法，属于阵列信号处理领域。

背景技术

测向是阵列信号处理领域中的一项关键技术，广泛应用于通信、导航和电子对抗等领域。传统的DoA估计方法往往假设背景噪声为高斯噪声，且高速瞬时采样时角度为定值，利用二阶或高阶累积量进行分析可以获得理想的结果。然而，在实际环境中入射角度是随时间变化的，而且有非高斯噪声的存在，如海杂波噪声、大气噪声、无线信道噪声等，这些噪声的模型可表示成SαS随机过程,它与高斯噪声模型失配,使得传统的基于二阶或高阶累积量的算法失效，因此研究在强冲击噪声下基于嵌套阵列的鲁棒动态测向方法具有重要的意义和价值。

使用极大似然算法进行动态测向，可以获得高精度高分辨的测向性能，且可以分辨相干信源，但是需要对多维非线性优化问题进行全局最值搜索，如何快速高精度得到搜索结果是极大似然测向方法应用的经典问题，使用智能优化算法对其求解是一种具有潜力的解决方案，但现有的智能优化算法在求解复杂动态测向问题时又存在一些不足，如收敛速度慢、易陷入局部极值等，因此需要针对具体问题设计新的智能优化算法进行求解。

通过对现有技术文献的检索发现，赵季红等在《电子与信息学报》(2018,40(03):670-675),上发表的“冲击噪声下基于矩阵预处理的稀疏重构DoA估计”中提出基于多项式矩阵预处理的稀疏重构的波达方向估计方法，此方法在冲击噪声环境下表现出一定的鲁棒性，但不能实现动态测向，且不能扩展阵列孔径；赵大勇等在《山东大学学报(工学版)》(2010,40(01):133-138)上发表的“冲击噪声背景下的动态DOA跟踪”中提出了一种锁定跟踪思想及其实现公式,并对粒子群算法进行改进,研究了基于最大似然算法的动态DOA估计方法，该方法在避免分数低阶矩矩阵重复分解的同时，有效降低了多维搜索的计算量，但是该方法使用的粒子群算法容易陷入局部极值，求解精度差，强冲击噪声下效果不理想且不能扩展阵列孔径。

已有文献的检索结果表明，现有的动态测向方法多采用子空间跟踪及迭代的方法，此类算法实时性好且计算量小，但大多不能直接对相干信源进行求解，并且在低信噪比和冲击噪声的环境下性能较差，因此提出一种在强冲击噪声下基于嵌套阵列和量子标杆学习机制的鲁棒动态测向方法，其具体是在冲击噪声下设计了一种加权无穷范数低阶差分矩阵，把嵌套阵列的加权无穷范数低阶差分矩阵虚拟成更多阵元的均匀线阵或近似均匀线阵的扩展加权无穷范数低阶差分矩阵，设计基于扩展加权无穷范数低阶差分矩阵的极大似然动态测向方法进行动态测向，并通过量子标杆学习机制快速得到测向结果，解决现有的动态测向方法在强冲击噪声少阵元和低信噪比背景下性能恶化的技术难题。

发明内容

本发明的目的是为了针对现有动态测向方法的缺点和不足而提供一种强冲击噪声下基于嵌套阵列的鲁棒动态测向方法，扩展了阵列孔径，在强冲击噪声环境下具有鲁棒性，并设计了量子标杆学习机制进行高效求解，突破了现有动态测向方法的一些应用局限。

本发明的目的是这样实现的：步骤如下：

步骤一：建立冲击噪声下基于嵌套阵列的动态测向模型；

步骤二：初始化搜索空间；

步骤三：初始化整个生态系统中所有个体量子位置并设定相关参数；