论文部分内容阅读
线性预测算法作为一种较早提出的高分辨算法,由于它不能有效利用加性噪声的统计特性,分辨性能较差,使它在声纳领域的应用受到限制。本文针对线性预测算法的这个缺点加以改进,提出互谱域线性预测角度谱估计(CSAR)方法以及子带分解(SBAR)算法。论文首先回顾了常规波束形成(CBF)算法、逆波束形成(IBF)算法、AR模型的原理和性能,之后推导出经Toeplitz平均的互谱域线性预测角度谱估计方法。仿真分析和实验数据验证表明:互谱域线性预测角度谱估计方法的分辨力较CBF、IBF以及阵元域的线性预测角度谱估计都有提高。但CSAR算法在信噪比低的情况下,仍有AR模型分辨率降低明显的缺点。为了提高信噪比低时,CSAR方法的分辨力,本文提出子带分解方法。子带分解方法就是把空间分成若干窄带,对空间分布函数进行相位补偿,使阵列对准预成方向;对新得到的序列作数据进行低通预滤波,对高频噪声和干扰进行抑制,获得信噪比的提高。滑动平均后得到的序列作为线性预测的输入,求此序列直流分量的功率谱,它就是预成方向的角度谱。经仿真分析及实验数据处理表明,本文的子带分解方法在信噪比低的情况下,仍有较好的分辨力,改善了AR算法的性能。