一种基于稀疏学习的超分辨时延估计方法及估计装置.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CN114428244A(43)申请公布日2022.05.03(21)申请号202210065054.0(22)申请日2022.01.20(71)申请人中国科学院声学研究所地址100190北京市海淀区北四环西路21号(72)发明人郝程鹏金禹希张宇轩闫晟徐达(74)专利代理机构北京方安思达知识产权代理有限公司11472代理人武玥张红生(51)Int.Cl.G01S7/52(2006.01)G01S7/527(2006.01)权利要求书4页说明书14页附图2页(54)发明名称一种基于稀疏学习的超分辨时延估计方法及估计装置(57)摘要本发明属于声学信号处理和水下目标探测时延估计技术领域，具体地说，涉及一种基于稀疏学习的超分辨时延估计方法，该方法包括：对目标海域进行空间网格划分，形成若干网格；声呐在某时刻发射信号，发射信号经过不同的路径抵达接收机，由接收机接收发射信号，得到接收信号；对接收信号进行匹配滤波器后，输出滤波信号，并基于稀疏学习，对滤波信号改写为稀疏表达式；再利用稀疏性，采用最大似然方法，对稀疏表达式进行优化，得到优化模型；再利用贝叶斯准则估计路径数目并采用加权傅里叶变换松弛法，对优化模型进行求解，得到时延估计和振幅向量估计。CN114428244ACN114428244A权利要求书1/4页1.一种基于稀疏学习的超分辨时延估计方法，该方法包括：对目标海域进行空间网格划分，形成若干网格；声呐在某时刻发射信号，发射信号经过不同的路径抵达接收机，由接收机接收发射信号，得到接收信号；对接收信号进行匹配滤波器后，输出滤波信号，并基于稀疏学习，对滤波信号改写为稀疏表达式；再利用稀疏性，采用最大似然方法，对稀疏表达式进行优化，得到优化模型；再利用贝叶斯准则估计路径数目并采用加权傅里叶变换松弛法，对优化模型进行求解，得到时延估计和振幅向量估计。2.根据权利要求1所述的基于稀疏学习的超分辨时延估计方法，其特征在于，所述对目标海域进行空间网格划分，形成若干网格；声呐在某时刻发射信号，发射信号经过不同的路径抵达接收机，由接收机接收发射信号，得到接收信号；其具体过程包括：对目标海域进行空间网格划分，形成若干网格；声呐在某时刻发射信号，发射信号经过K个不同的路径抵达接收机，由接收机接收发射信号，得到接收信号y(t)可以写为：其中，s(t)代表已知的t时刻的发射信号序列，长度为N；声呐发射的发射信号经过K个不同的路径抵达接收机，由接收机接收发射信号；第k路信号的时间延迟为τk，振幅为αk；n(t)为均值为0，方差为的高斯白噪声序列；接收信号y(t)经过匹配滤波器后输出滤波信号rsy(τ)为：其中，τ＝‑N+1,...,N+1，3.根据权利要求2所述的基于稀疏学习的超分辨时延估计方法，其特征在于，所述对接收信号进行匹配滤波器后，输出滤波信号，并基于稀疏学习，对滤波信号改写为稀疏表达式；其具体过程包括：假定所有可能的时间延迟都位于划分好的网格上，则经过匹配滤波器后输出滤波信号rsy(τ)可以重新写为其中，为第L个网格的信号自相关函数；rsn(τ)为信号与噪声的互相关函数；另外，是振幅向量，其中的元素是与时间延迟相关的振幅，因此，当时，进一步，经过匹配滤波器MF后输出滤波信号可以再改写为稀疏表达式：rsy＝Rssα+rsn,(4)2CN114428244A权利要求书2/4页其中，4.根据权利要求3所述的基于稀疏学习的超分辨时延估计方法，其特征在于，所述再利用稀疏性，采用最大似然方法，对稀疏表达式进行优化，得到优化模型；再利用贝叶斯准则估计路径数目并采用WRELAX算法，对优化模型进行求解，得到更精确的时延估计和振幅向量估计；其具体过程包括：对于稀疏表达式：rsy＝Rssα+rsn,(4)假定α服从模块积先验对上述稀疏表达式进行处理，得到处理后的模型：其中，协方差矩阵且R的第p行第q列元素{R}p,q为：其中，rp,q为Σss的第p行第q列元素；最终协方差矩阵可以表示为H当Σss不满秩时，对Σss进行特征值分解，记为Σss＝UΛU；其中，Λ＝diag(λ1,...,λh,0,...0)是一个对角元素为特征值的对角矩阵；U＝[Uh,U0]为相应的特征向量组成的矩阵；令最终获得如下MF输出数据模型:采用最大似然方法，当已知时，对上述模型(8)进行优化，得到初期优化模型：其中，利用最大‑最小优化方法，已知如下不等式成立：3CN114428244A权利要求书3/4页其中，为第m次迭代时α的估计值；此时是一个定值，初期优化模型则变为如下的中间优化模型：其中,对中间优化模型求解，得到第m次迭代的估计振幅向量α(m+1)：其中，当未知时，在得到上述的第m次迭代的估计振幅向量α(m+1)之后，对上述模型