[发明专利]适用于强干扰环境下的波束域变分贝叶斯方位估计方法

说明书

本发明涉及一种适用于强干扰环境下的波束域变分贝叶斯方位估计方法，有效解决强干扰环境下对目标信号的方位估计问题。方法采用基于对角加载的最小方差无失真响应波束形成器抑制强干扰信号，并计算波束功率输出。基于波束功率输出的线性关系构建后验概率模型，将变分贝叶斯推断推广至波束域。在贝叶斯框架下对目标方位进行估计，避免了选取合适超参数的难题，在强干扰环境下实现了对目标信号方位估计的同时，增强了算法的实用性。

技术领域

本发明属于信号处理等领域，特别涉及一种适用于强干扰环境下的波束域变分贝叶斯方位估计方法。

背景技术

基于阵列接收信号的水下目标方位(Direction of arrival，DOA)估计是被动声纳信号处理中一项主要任务。近十几年稀疏重构类DOA估计算法因其对快拍数和信噪比的要求较低受到了广泛的关注。根据原理不同，算法可分为基于l_p范数的算法和稀疏贝叶斯算法。相比于基于l_p范数的算法来说，稀疏贝叶斯算法无需选取任何超参数，因此在实际信号处理中更易实现。

在实际水下信号处理系统中，进行DOA估计前采用波束形成器对接收信号进行预处理是一个必要过程，通过波束形成可有效提升信噪比、减小后续计算量以及降低对系统存储量的要求。为在小快拍和低信噪比下保持高分辨性，许多基于波束功率输出的稀疏重构类算法被提出。这些算法采用常规波束形成器(Conventional beamforming，CBF)作为预处理器使感兴趣区域的信号通过，基于此构建关于波束功率输出和由波束响应构成的稀疏字典的线性关系，并采用基于l_p范数的算法完成DOA估计。

然而上述算法均需选取一个合适的超参数进行DOA估计，该参数的选取通常较为困难，造成这些算法在实际声纳系统中难以使用。同时这些算法仅考虑窄带DOA估计问题，在现代声纳系统中，宽带信号处理被广泛使用。若将这些算法用于宽带DOA估计，可将接收信号通过傅里叶变换划分至各个子带，在各子带中分别进行窄带DOA估计。然而，这将忽略各子带信号的稀疏性是一致的这一先验信息，从而在一定程度上影响了DOA估计的精度。最重要的是，被动声纳主要通过接收舰船辐射噪声来进行目标探测，当目标信号功率较低时，其周围环境中存在的强干扰信号如拖船噪声将影响对目标信号的DOA估计，甚至掩蔽目标信号。若将基于CBF波束功率输出的l_p范数算法用于上述强干扰环境下，CBF由于旁瓣较高，无法完全抑制强干扰信号，干扰剩余量严重影响后续DOA估计精度，甚至导致算法完全失效。

发明内容

本发明解决的技术问题是：为了在强干扰环境下对目标信号的方位进行有效估计，同时避免超参数的选取问题，本发明给出一种基于波束功率输出的变分贝叶斯(Variational Bayesian inference based on beamformer power outputs，VBI-BPO)方法。方法采用基于对角加载的最小方差无失真响应(Minimum variance distortionlessresponse with diagonal loading，MVDR-DL)波束形成器作为预处理器，在强干扰方向形成凹槽充分抑制强干扰信号，并计算MVDR-DL波束功率输出。构建适用于波束功率输出和MVDR-DL波束响应的线性关系的后验概率模型，采用变分贝叶斯推断(VariationalBayesian inference，VBI)进行DOA估计，将VBI推广至波束域中，避免了超参数的选取。

本发明的技术方案是：适用于强干扰环境下的波束域变分贝叶斯方位估计方法，其特征在于，包括以下步骤：

步骤1：假设K_S个目标信号和K_D个干扰信号分别从和方向上入射至M元的均匀线阵列，其中表示第个目标信号方位，表示第个干扰信号方位，目标信号和干扰信号之间互不相关；当阵列接收到信号后，将接收信号划分为N段，对每一段进行傅里叶变换后，宽带信号划分为L个子带；第l个子带上第n段阵列接收信号对应的傅里叶变换系数记为采样协方差矩阵计算为