论文部分内容阅读
目标方位估计是定位、导航、以及成像等技术的重要前提。随着压缩感知理论的快速发展,信号稀疏理论被应用于阵列测向中。基于协方差矩阵的稀疏表示模型可将阵列测向问题转化为求解范数最小化问题,近年得到了大量的关注。本文对其中具有代表性的稀疏迭代协方差法(Sparse Iterative Covariance-based Estimation SPICE)展开研究。本文首先对现有声呐探测目标的回波信号形式和阵列模型进行了总结,对基于协方差矩阵的经典空间谱估计方法进行了介绍和理论推导。仿真分析了数据长度,角度间隔和信噪比对常规波束形成,最小方差无失真响应算法和多重信号分类算法方位估计结果的影响。结果表明数据长度和角度间隔越大、信噪比越高、算法性能越好,其中多重信号分类算法性能最优越。本文其次对压缩感知理论中信号的稀疏表示、观测矩阵和重构算法三大核心内容进行了介绍,并对贪婪算法、凸松弛类算法和迭代硬阈值法进行了理论推导。仿真分析了稀疏度和观测信号长度对正交匹配追踪算法和基追踪降噪算法信号重建性能的影响。结果表明稀疏度和观测信号长度越大,重建效果越好。本文重点对SPICE方法进行介绍和理论推导。SPICE具有需要的先验知识较少等诸多优点,但存在计算量较大等缺点。对此本文提出一种基于空域网格重划分的改进稀疏迭代协方差算法(Redistribution Sparse Iterative Covariance-based Estimation RSPICE)。改进算法利用信号在空域上的稀疏性,将信号的方位估计问题转化为角度向量稀疏求解问题,通过对网格粗划分过程中角度估计值位置和迭代过程中功率估计值更新位置的筛选,避开了对非来波方向角度向量的运算,以空域网格细划分对来波进行精确方位估计,减少了迭代过程中信号方向相关参数的运算,从而提高了角度分辨率,缩短了运算时间。论文仿真和分析了角度间隔、数据长度、信噪比、网格宽度和目标数量对RSPICE算法性能的影响并与SPICE算法和多重信号分类算法进行对比。仿真结果表明RSPICE算法有较高的角度分辨率,可在信噪比较低和数据长度较小时实现对信号方位的精确估计,受噪声等因素的影响较小。RSPICE方法运算时间随着网格宽度的减小和信源个数增加而增加,但仍低于SPICE方法。本文最后对湖试数据进行处理,试验数据处理结果表明与常规波束形成方法和SPICE方法相比,本文提出的RSPICE方法具有较好的角度分辨能力,与SPICE方法相比,具有较短的计算时间和较好的实时性。