[发明专利]一种强冲击噪声下相干分布源动态跟踪方法

权利要求书

1.一种强冲击噪声下相干分布源动态跟踪方法，其特征在于，包括以下步骤：

步骤一：建立相干分布源的广义阵列流型，获取阵列接收信号的快拍采样数据，构造基于加权范数分数低阶相关矩阵的极大似然跟踪方程；

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态并设定参数；

步骤四：构造适应度函数，计算所有种群中每个个体的适应度函数值，计算每个种群的平均适应度值，树立内部标杆和外部标杆，计算整个生态系统当前代的平均适应度值；

步骤五：根据量子标杆学习机制实现寻优搜索过程；

步骤六：判断是否达到最大迭代次数G，若未达到，令g＝g+1，返回步骤五；若达到则中止循环迭代，输出代表外部标杆的个体和量子态并进入下一步；

步骤七：判断是否达到最大快拍数K_p，若未达到，令k＝k+1，更新下一次快拍时2P个角度参数的搜索空间，获取下一次快拍采样数据，更新加权范数分数低阶相关矩阵，返回步骤三；否则，进行下一步；

步骤八：根据得到的所有快拍采样数据下角度参数的估计值，输出相干分布源动态跟踪结果；

步骤一所述建立相干分布源的广义阵列流型，获取阵列接收信号的快拍采样数据，构造基于加权范数分数低阶相关矩阵的极大似然跟踪方程具体为：

相干分布源的阵列接收信号模型满足：

x(t)＝B(ψ)s(t)+n(t)

其中，B(ψ)＝[b(ψ₁),b(ψ₂),…,b(ψ_P)]为相干分布源的广义阵列流型矩阵，d为均匀线阵阵元间距，λ为相干分布源传播波长，p＝1,2,…,P，P为分布源个数，M为接收阵元数；θ_p和Δ_p分别表示第p个相干分布源的中心方位角度和角度扩散；

构造第k次快拍基于更新后加权范数分数低阶相关矩阵的极大似然跟踪方程为其中P_B(ψ)＝B(ψ)[B^H(ψ)B(ψ)]^-1B^H(ψ)为广义阵列流形矩阵B(ψ)的投影矩阵，上标H为矩阵共轭转置，argmax()表示寻找具有最大函数值的变量，trace表示对矩阵求迹；

步骤二所述初始化搜索空间具体为：第k次快拍时，定义2P个角度参数的搜索空间为其中，前P个u_q(k)和v_q(k)分别为第k次快拍第q个中心方位角搜索空间的上限和下限，q＝1,2,…,P，后P个u_q(k)和v_q(k)分别为第k次快拍第q-P个角度扩散搜索空间的上限和下限，q＝P+1,P+2,…,2P，第1次快拍时搜索空间的初始值分别取相应搜索空间定义域的上限和下限；

步骤三所述初始化整个生态系统中所有个体量子态并设定参数具体为：

首先设定整个生态系统中的种群数目为N_P，第φ个种群中个体的数目为N_φ，对于第k次快拍数据，最大迭代次数其中，ζ为正整数，为向下取整函数，在第g次迭代中，第φ个种群中第个个体在2P维搜索空间中的量子态为其中，当g＝1时，初代所有个体量子态的每一维初始化为[0,1]之间的均匀随机数；

步骤四所述构造适应度函数，计算所有种群中每个个体的适应度函数值，计算每个种群的平均适应度值，树立内部标杆和外部标杆，计算整个生态系统当前代的平均适应度值具体为：

第g次迭代中，根据映射规则将所有种群中每个个体量子态的每一维映射到角度参数搜索空间范围内，得到第g次迭代第φ个种群中第个个体为其中，φ＝1,2,…,N_P，q＝1,2,…,2P，第g次迭代第φ个种群中第个个体的适应度函数为根据适应度函数计算每个种群中所有个体的适应度函数值，计算第g次迭代第φ个种群的平均适应度值其中，φ＝1,2,…,N_P，找出并记录第g次迭代第φ个种群中具有最佳适应度函数值的个体为其量子态为其中，φ＝1,2,…,N_P，将其树立为内部标杆，记录并更新第g次迭代整个生态系统中具有最佳适应度函数值的个体为其量子态为将其树立为外部标杆，计算整个生态系统在第g次迭代的平均适应度值其中，φ＝1,2,…,N_P；

步骤五所述根据量子标杆学习机制实现寻优搜索过程具体为：

步骤5.1：所有种群中的个体进行外部标杆学习并进行适应度函数计算和评价，具体步骤为：第g代中第φ个种群中第个个体的外部学习率为其中，G_r′表示外部学习率的初始值，代表第g代中第φ个种群的平均适应度值，代表第g代中第φ个种群中第个个体的适应度函数值，φ＝1,2,…,N_P，如果则第φ个种群中第个个体量子旋转角矢量为其中，为[0,1]之间均匀分布的随机数，λ₀为进行外部标杆学习时的学习因子，使用模拟量子旋转门更新量子态：其中代表第g+1代中第φ个种群中第个个体第q维量子旋转角，其中，φ＝1,2,…,N_P，q＝1,2,…,2P，之后将更新后的个体量子态映射为更新的个体然后所有个体进行适应度函数的计算和评价；

步骤5.2：所有经过外部标杆学习后的个体进行适应度函数计算和评价后，如果第φ个种群中第个个体的适应度函数值没有得到改善，则进行内部标杆学习并进行适应度函数评价，具体步骤为：第g代中第φ个种群中第个个体的内部学习率为其中，B_r′表示内部学习率的初始值，为第g代中第φ个种群中第个个体量子态与内部标杆的欧氏距离，即R为搜索空间的直径，即其中，代表第g代中第φ个种群内部标杆的第q维量子态，代表第g代中第φ个种群中第个个体第q维量子态，φ＝1,2,…,N_P，q＝1,2,…,2P，如果则第φ个种群中第个个体量子旋转角矢量为其中，为[0,1]之间均匀分布的随机数，λ₁为进行内部标杆学习时的学习因子，使用模拟量子旋转门更新量子态：其中代表第g+1代中第φ个种群中第个个体第q维量子旋转角，φ＝1,2,…,N_P，q＝1,2,…,2P，之后将更新后的量子态映射为更新的个体为然后所有个体进行适应度函数的计算和评价；

步骤5.3：所有经过内部标杆学习后的个体进行适应度函数计算和评价后，如果第φ个种群中第个个体的适应度函数值没有得到改善，则进行自我学习并进行适应度函数评价，具体步骤为：第φ个种群中第个个体的自我学习率为其中，S_r′表示自我学习率的初始值，代表第g代中第φ个种群的平均适应度值，代表第g代中第φ个种群中第个个体的适应度函数值，φ＝1,2,…,N_P，如果则进行Logistic混沌映射，即其中，λ₂为Logistic参数，λ₂∈[0,4]，φ＝1,2,…,N_P，q＝1,2,…,2P，之后将更新后的量子态映射为更新的个体然后所有个体进行适应度函数的计算和评价；

步骤5.4：计算更新后每个种群的平均适应度值其中，φ＝1,2,…,N_P，找出并记录第g+1迭代第φ个种群中具有最佳适应度函数值的个体其量子态为其中，φ＝1,2,…,N_P，将其树立为新的内部标杆，记录并更新第g+1迭代整个生态系统中具有最佳适应度函数值的个体其量子态为将其树立为新的外部标杆，计算整个生态系统更新后的平均适应度值其中，φ＝1,2,…,N_P，如果与上一代相比，平均适应度值没有得到改善或外部标杆没有发生改变，则各个种群之间相互交换具有最佳适应度函数值的个体和对应的量子态，即各种群重新树立新的内部标杆。

2.根据权利要求1所述的一种强冲击噪声下相干分布源动态跟踪方法，其特征在于：步骤七所述判断是否达到最大快拍数K_p，若未达到，令k＝k+1，更新下一次快拍时2P个角度参数的搜索空间，获取下一次快拍采样数据，更新加权范数分数低阶相关矩阵具体为：

判断是否达到最大快拍数K_p，若未达到，更新k+1次快拍时2P个角度参数的搜索空间其中，为收敛常数，μ_q(k)为第k次快拍第q个角度参数搜索区间的中心值，即为遗传因子，为搜索区间的搜索半径，为k-1次快拍第q个角度参数的估计值，q＝1,2,…,2P；获取k+1次快拍采样数据x(k+1)＝[x₁(k+1),x₂(k+1),…,x_M(k+1)]^T，则k+1采样数据的加权无穷范数归一化信号表示为其中，β∈[0.8,1]为加权常数，则第k次采样数据构造的加权范数分数低阶相关矩阵增量表示为其中，r_m(k+1)＝[r_1m(k+1),r_2m(k+1),…,r_Mm(k+1)]^T，m＝1,2,…,M，第i行第l列元素其中，t为低阶常量，t∈[1,2]，i＝1,2,…,M，l＝1,2,…,M，上标*代表共轭；构造接收第k+1次快拍采样数据后加权范数分数低阶相关矩阵的更新方程R_S(k+1)＝ωR_S(k)+(1-ω)R(k+1)，其中，R_S(k)为第k次快拍采样数据更新后的加权范数分数低阶相关矩阵，R(k+1)为第k+1次接收快拍采样数据的加权范数分数低阶相关矩阵增量，ω为更新因子，令k＝k+1。