声矢量阵中一种基于平行因子压缩感知的盲源分离方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN105553894A(43)申请公布日2016.05.04(21)申请号201610034938.4(22)申请日2016.01.19(71)申请人南京航空航天大学地址210016江苏省南京市秦淮区御道街29号(72)发明人李书张小飞郑旺胡滨(74)专利代理机构南京经纬专利商标代理有限公司32200代理人葛潇敏(51)Int.Cl.H04L25/02(2006.01)H04L25/03(2006.01)权利要求书2页说明书5页附图4页(54)发明名称声矢量阵中一种基于平行因子压缩感知的盲源分离方法(57)摘要本发明公开声矢量阵中一种基于平行因子压缩感知的盲源分离方法，包括如下步骤：根据接收端的信号构造三线性模型；构造压缩矩阵，对三线性模型进行压缩；利用三线性交替最小二乘算法对压缩后的三线性模型进行分解，得到压缩后的信源矩阵的估计；结合信号频域的稀疏性，实现信源分离。此种盲源分离方法可解决任意阵列声矢量阵中不同来波方向的盲源分离问题，具有较好的信号检测性能，计算复杂度低。CN105553894ACN105553894A权利要求书1/2页1.声矢量阵中一种基于平行因子压缩感知的盲源分离方法，其特征在于包括如下步骤：(1)根据接收端的信号构造三线性模型；(2)构造压缩矩阵，对三线性模型进行压缩；(3)利用三线性交替最小二乘算法对压缩后的三线性模型进行分解，得到压缩后的信源矩阵的估计；(4)结合信号频域的稀疏性，实现信源分离。2.如权利要求1所述的声矢量阵中一种基于平行因子压缩感知的盲源分离方法，其特征在于所述步骤(1)的详细内容是：定义接收端的信号是：X＝[AοH]BT其中，A∈CM×K为方向矩阵，Η∈CP×K为方位矩阵，P＝4，B∈CL×K为信源矩阵，K表示入射信号的数目，M表示阵元的数目，L表示快拍数；AοH表示矩阵A和矩阵H的Khatri-Rao积，BT表示矩阵B的转置矩阵；则三线性模型表示为：其中，am,k表示矩阵A的第(m,k)个元素，bl,k表示矩阵B的第(l,k)个元素，hp,k表示矩阵H的第(p,k)个元素；根据三线性模型的结构特征，得到另外两个矩阵的重排形式：Y＝[HοB]ATZ＝[BοA]HT。3.如权利要求2所述的声矢量阵中一种基于平行因子压缩感知的盲源分离方法，其特征在于所述步骤(2)的详细内容是：构造三个压缩矩阵：U∈CM'×M，V∈CP'×P，W∈CL'×L，其中，M′<M,P'<P,L′<L；利用Kronecker积的性质对信号进行压缩：其中，A'＝UA，H'＝VH，B'＝WB；压缩后，另外两个矩阵形式是：Y'＝[H'οB']A'TZ'＝[B'οA']H'T。4.如权利要求3所述的声矢量阵中一种基于平行因子压缩感知的盲源分离方法，其特征在于：所述三个压缩矩阵U∈CM'×M，V∈CP'×P，W∈CL'×L均由随机信号发生器得到。5.如权利要求3所述的声矢量阵中一种基于平行因子压缩感知的盲源分离方法，其特征在于所述步骤(3)的详细内容是：矩阵B'、A'、H'的最小二乘更新为：2CN105553894A权利要求书2/2页其中，分别是包含噪声的压缩后的信号，分别是A'、B'、H'的估计；重复矩阵更新过程，直到算法收敛。6.如权利要求5所述的声矢量阵中一种基于平行因子压缩感知的盲源分离方法，其特征在于所述步骤(4)的详细内容是：用表示的第k列，有：其中，是bk的频域形式，且是稀疏向量；F是离散傅里叶逆变换矩阵；由下面的l1-范数约束得到：其中，是的l1-范数；通过压缩感知恢复方法得到然后通过傅里叶逆变换得到时域信号bk。3CN105553894A说明书1/5页声矢量阵中一种基于平行因子压缩感知的盲源分离方法技术领域[0001]本发明属于空间盲源分离的技术领域，特别涉及声矢量阵中一种基于平行因子压缩感知的盲源分离方法。背景技术[0002]声矢量传感器阵列技术已经成为当今声纳系统、雷达系统、通讯系统等的核心关键技术。随着其发展、创新技术的不断成熟，已被越来越多地用于水下移动通信、无线定位和紧急服务等多种生活项目中。声矢量传感器阵列在信号处理方面有着精确度高、稳定性强、适用环境更广等诸多优越性能。[0003]传统的基于平行因子(ParallelFactor,PARAFAC)分析的信源分离算法，不需要计算接收信号的协方差矩阵，无需谱峰搜索，但是仍然避免不了迭代算法的高复杂度，有待改进。发明内容[0004]本发明的目的，在于提供声矢量阵中一种基于平行因子压缩感知的盲源分离方法，其可解决任意阵列声矢量阵中不同来波方向的盲源分离问题，具有较好的信号检测性能，计算复杂度低。[0005]为了达成上述目的，本发明的解决方案是：[0006]声矢量阵中一种基于