申请/专利权人：西北工业大学

申请日：2022-01-10

公开（公告）日：2024-04-26

公开（公告）号：CN114415109B

主分类号：G01S5/02

分类号：G01S5/02;G06N7/01

优先权：

专利状态码：有效-授权

法律状态：2024.04.26#授权;2022.05.20#实质审查的生效;2022.04.29#公开

摘要：本发明提供了一种稀疏贝叶斯学习的直接定位方法，利用广义双帕累托先验分布比传统分布更强的稀疏特性，保证算法不受相关信号影响的同时，还加强了信号的稀疏性，最终表现为分辨率和定位精度的提高以及低信噪比、小快拍数情况下的稳健性。本发明将稀疏贝叶斯学习引入直接定位系统，从稀疏类方法入手，解决了子空间原理类直接算法无法定位相关辐射源的问题；同时性能上的提升解决了现有最大似然原理类直接定位算法所需采样快拍数较大、分辨率不够、未知辐射源数目时无法准确定位等问题。

主权项：1.一种稀疏贝叶斯学习的直接定位方法，其特征在于包括下述步骤：步骤1.构建直接定位接收数据的空间稀疏模型；1阵列接收数据模型建立：二维平面内有N个接收站，在接收站的远场处有Q个固定的信号辐射源，每个信号辐射源的位置为pq＝[xq,yq]T,q＝1,2,…,Q，pq为第q个辐射源的位置，xq为辐射源横坐标，yq为辐射源纵坐标，各辐射源辐射的信号为互相关的窄带信号，N个接收站接收辐射源辐射的信号并将数据传送到中心处理站实现对辐射源位置的估计；第n个接收站接收到的K个快拍的数据可建模表示为：rn＝Ansn+wn1每个接收站阵元数目为M，采样快拍数为K，为接收站接收到的K快拍数据，为阵列流型矩阵，anpq为第q个辐射源到达第n个观测站时的导向矢量，主要由目标辐射源与接收站之间的相对位置关系决定，为接收站接收到的信号包络，为第n个接收站的加性噪声；在直接定位问题中，辐射源数目Q往往未知，定位目标就是直接利用观测到的数据rn定位出Q个辐射源的空间位置，n＝1,2,…,N；2构建接收数据的空间稀疏模型：将接收数据建立为空域稀疏的模型，将感兴趣的空间范围划分网格点，共G个网格，每个网格表示为潜在的辐射源的位置，划分的网格足够小，真实辐射源的位置在格点上；将空间谱相应样本排列在G×1的向量中，因为G远大于信号源数Q，空间信号向量是稀疏的，理想情况下，它的大多数元素都接近于0，只有Q个元素与零元素有较大差异，因此采用稀疏恢复的方法来获得辐射源的位置估计；辐射源位于其中的Q个网格点上，单采样快拍下，接收信号矢量式1表示为： 其中，为已知的稀疏表示的过完备阵列流型矩阵，G为划分网格点的格点数，为格点上的位置矢量，并假设MG、QG，因为目标辐射源仅位于其中的几个格点上，所以表示为空间稀疏信号，仅在对应的有信号源的网格点对应的位置上才有数值，其他元素均为0；由稀疏信号的概念，可知每一列都是是具有稀疏度为Q的稀疏向量，其中仅有Q个非零元，其他元素均为零元素，其中，Q个非零元对应的是真实辐射源的位置；步骤2.信号的GDP稀疏先验分布假设：1噪声的先验假设；每个接收站每个阵元接收噪声均为方差的独立的零均值高斯分布，将wn概率密度函数表示为所有采样快拍下噪声的联合概率密度函数： 噪声方差未知，为简化分析，噪声服从伽马分布：pα0|c,d＝Gammaα0|c,d42接收数据先验假设；由噪声功率的假设得到，接收数据的先验分布表示为： 3为了对空间稀疏信号建模为GDP先验分布；建立三层先验分布来实现；首先第一层先验，假设的每一块拍数据服从独立的复高斯分布： 协方差矩阵位Λ＝diagα，且表示每个网格点信号的功率；接下来第二层先验对信号的方差α中的αg建模，为了得到GDP先验分布，此处对α建立超参数为ξ的伽马分布，具体概率密度函数表示为： 其中，ξ＝[ξ1,ξ2,…,ξG]T为超参数，为了得到GDP分布先验，第三层先验假设超参数ξ为伽马分布的随机变量，具备如下的概率分布密度函数： 其中，超参数h为接近于0的正常数；综合式5至7三层先验，得到依赖于α和ξ的的概率分布密度函数表达式如下式： 其中，h为可以调节稀疏度的超参数；步骤3.基于GDP先验分布的稀疏贝叶斯学习参数推导；基于稀疏贝叶斯学习的直接定位算法主要就是根据接收到的数据矩阵和假设的概率分布依据贝叶斯规则推导出后验概率密度，通过最大化后验概率密度函数得到目标辐射源的位置；通过前面的先验概率假设，得到后验概率密度函数为： 使得公式10中目标函数最大化的稀疏信号中非0元的位置即为目标辐射源的位置。

全文数据：

权利要求：

百度查询： 西北工业大学 一种稀疏贝叶斯学习的直接定位方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD