多输入多输出(Multiple-Input Multiple-Output,MIMO)雷达在阵元故障时虚拟阵列输出数据矩阵会出现大量的整行数据丢失,由于阵列接收数据矩阵的不完整而导致对波达方向(Direction of Arrival,DOA)的估计性能恶化。大多数低秩矩阵填充算...多输入多输出(Multiple-Input Multiple-Output,MIMO)雷达在阵元故障时虚拟阵列输出数据矩阵会出现大量的整行数据丢失,由于阵列接收数据矩阵的不完整而导致对波达方向(Direction of Arrival,DOA)的估计性能恶化。大多数低秩矩阵填充算法要求缺失数据随机分布于不完整的矩阵中,无法适用于整行缺失数据的恢复问题。为此,提出了一种基于低秩块Hankel矩阵正则化的阵元故障MIMO雷达DOA估计方法。首先,通过奇异值分解(Singular Value Decomposition,SVD)降低虚拟阵列输出矩阵的维度,以减少计算复杂度。然后,对降维数据矩阵建立基于块Hankel矩阵正则化的低秩矩阵填充模型,在该模型中将MIMO雷达降维数据矩阵排列成块Hankel矩阵并施加Schatten-p范数作为正则项。最后,结合交替方向乘子法(Alternate Direction Multiplier Method,ADMM)求解该模型,获得完整的MIMO雷达降维数据矩阵。仿真结果表明,所提方法能够有效恢复降维数据矩阵中的整行数据缺失,具有较高的DOA估计精度和实时性,在阵元故障率低于50.0%时DOA估计精度优于现有方法。展开更多
在高速铁路场景下,准确估计和跟踪无线电信号的波达方向(Direction of Arrival, DOA)能够有效提升无线通信服务质量.然而,高速移动的无线信道具有快速时变特性,对信号处理的速度和准确性提出了更高的挑战.针对传统的基于信号子空间的DO...在高速铁路场景下,准确估计和跟踪无线电信号的波达方向(Direction of Arrival, DOA)能够有效提升无线通信服务质量.然而,高速移动的无线信道具有快速时变特性,对信号处理的速度和准确性提出了更高的挑战.针对传统的基于信号子空间的DOA估计算法,由于巨大的计算量而无法应用于高速铁路快速时变系统中进行DOA跟踪的问题,提出了基于卡尔曼滤波和正交压缩近似投影子空间跟踪(Kalman Filter-Orthonormal Projection Approximation and Subspace Tracking of deflation, K-OPASTd)的DOA算法.首先,搭建基于云平台的铁路信号动态测向系统;然后,建立列车接收信号模型,提出K-OPASTd算法对DOA进行动态跟踪;最后,将本文提出的算法与OPASTd算法所得到的估计角度的均方根误差进行仿真对比实验.研究结果表明:信噪比均为10dB时,本文所提算法的均方根误差比OPASTd算法低约60%;阵元均为20时,K-OPASTd算法的均方根误差比OPASTd算法低约80%.展开更多
相比均匀线阵(Uniform Linear Array,ULA),相同阵元数目下稀疏线阵(Sparse Linear Array,SLA)的抗耦合效应更好,阵列孔径更大,到达方向(Direction of Arrival,DOA)估计的自由度(Degrees Of Freedom,DOF)更高,因而近年来得到了广泛的研...相比均匀线阵(Uniform Linear Array,ULA),相同阵元数目下稀疏线阵(Sparse Linear Array,SLA)的抗耦合效应更好,阵列孔径更大,到达方向(Direction of Arrival,DOA)估计的自由度(Degrees Of Freedom,DOF)更高,因而近年来得到了广泛的研究。为了可以进行高DOF的DOA估计,学者们开始研究SLA的差分虚拟阵元,差分虚拟阵元对应的协方差矩阵相比原阵元对应的协方差矩阵维度更大,因而估计的DOF更高。当SLA的差分虚拟阵元连续取值时,可以利用已有阵元的接收信息,得到SLA的协方差矩阵,在该矩阵的基础之上构建差分虚拟阵元的协方差矩阵进而进行DOA估计。然而,当SLA的差分虚拟阵元存在孔洞时,即差分虚拟阵元不能连续取值时,不能直接利用重构的协方差矩阵进行DOA估计,需要恢复完全增广协方差矩阵的信息再进行DOA估计。对于该问题,本文基于矢量化后原协方差矩阵和虚拟差分阵协方差矩阵的误差分布情况,并结合完全增广协方差矩阵的低秩特性和半正定特性来构建优化问题。通过求解该问题来恢复维度更高的完全增广协方差矩阵。最后对该矩阵进行奇异值分解,利用多重信号分类(Multiple Signal Classification,MUSIC)算法就可以获得多源的空间谱。本文最后通过数值仿真试验验证了所提算法可以实现高DOF的DOA估计,并且相比于现有算法,本文所提算法对欠定DOA估计的效果更好,多源DOA估计的精度更高,产生的误差更小。展开更多
针对现有波达方向估计(Direction of Arrival, DOA)算法在低信噪比、多信源条件下估计精度不足、效率低等问题,提出了一种基于可分离替代函数算法的矢量水听器阵列多快拍DOA估计方法.首先对空域等角度均匀划分,构造出超完备冗余字典,建...针对现有波达方向估计(Direction of Arrival, DOA)算法在低信噪比、多信源条件下估计精度不足、效率低等问题,提出了一种基于可分离替代函数算法的矢量水听器阵列多快拍DOA估计方法.首先对空域等角度均匀划分,构造出超完备冗余字典,建立信号多快拍数据在空域的稀疏表示模型,然后采用可分离替代函数算法思想解决稀疏重构问题,求解出信号在空域的稀疏系数矩阵,最后将稀疏矩阵中行向量的范数映射到空域网格上,得到DOA估计值.仿真实验表明:该方法在低信噪比、多信源条件下拥有比子空间类算法、贪婪类算法以及现有凸优化类估计算法更高的DOA估计精度和更强的鲁棒性,与同类算法相比执行效率更高.展开更多
针对传统波达方向(Direction of Arrival, DOA)估计算法在低信噪比、小快拍的条件下估计精度不高的问题,提出了一种基于迭代收缩阈值算法的矢量水听器阵列多快拍DOA估计方法。首先,对空域进行等角度划分,构造超完备冗余字典,建立基于信...针对传统波达方向(Direction of Arrival, DOA)估计算法在低信噪比、小快拍的条件下估计精度不高的问题,提出了一种基于迭代收缩阈值算法的矢量水听器阵列多快拍DOA估计方法。首先,对空域进行等角度划分,构造超完备冗余字典,建立基于信号多快拍条件下的DOA估计模型,然后,采用迭代收缩阈值算法解决稀疏重构问题,求解出信号的稀疏系数矩阵,最后,将稀疏矩阵中行向量的范数映射到划分好的网格上,得到DOA估计值。仿真实验结果表明:该方法在低信噪比、小快拍条件下比OMP、 MUSIC和CBF等传统算法拥有更高的DOA估计精度和更强的鲁棒性。展开更多
Accurately picking P-and S-wave arrivals of microseismic(MS)signals in real-time directly influences the early warning of rock mass failure.A common contradiction between accuracy and computation exists in the current...Accurately picking P-and S-wave arrivals of microseismic(MS)signals in real-time directly influences the early warning of rock mass failure.A common contradiction between accuracy and computation exists in the current arrival picking methods.Thus,a real-time arrival picking method of MS signals is constructed based on a convolutional-recurrent neural network(CRNN).This method fully utilizes the advantages of convolutional layers and gated recurrent units(GRU)in extracting short-and long-term features,in order to create a precise and lightweight arrival picking structure.Then,the synthetic signals with field noises are used to evaluate the hyperparameters of the CRNN model and obtain an optimal CRNN model.The actual operation on various devices indicates that compared with the U-Net method,the CRNN method achieves faster arrival picking with less performance consumption.An application of large underground caverns in the Yebatan hydropower station(YBT)project shows that compared with the short-term average/long-term average(STA/LTA),Akaike information criterion(AIC)and U-Net methods,the CRNN method has the highest accuracy within four sampling points,which is 87.44%for P-wave and 91.29%for S-wave,respectively.The sum of mean absolute errors(MAESUM)of the CRNN method is 4.22 sampling points,which is lower than that of the other methods.Among the four methods,the MS sources location calculated based on the CRNN method shows the best consistency with the actual failure,which occurs at the junction of the shaft and the second gallery.Thus,the proposed method can pick up P-and S-arrival accurately and rapidly,providing a reference for rock failure analysis and evaluation in engineering applications.展开更多
传统的无网格压缩感知在进行波达方向(Direction of Arrival,DOA)估计时,使用凸优化工具箱(如CVX)来求解半正定规划问题(Semi-Definite Programming,SDP),所消耗的时间会随着矢量水听器阵列规模的增加,逐渐增大。为了提高算法的收敛速度...传统的无网格压缩感知在进行波达方向(Direction of Arrival,DOA)估计时,使用凸优化工具箱(如CVX)来求解半正定规划问题(Semi-Definite Programming,SDP),所消耗的时间会随着矢量水听器阵列规模的增加,逐渐增大。为了提高算法的收敛速度,将交替方向乘子法(Alternative Direction Method of Multiplier,ADMM)应用到矢量水听器阵列的DOA估计中,考虑到海洋环境噪声,使用原子范数去噪方法(Atomic Norm Soft Thresholding,AST)来估计线谱参数,将原子范数最小化问题(Atomic Norm Minimization,ANM)转化为SDP问题,使用ADMM对SDP问题进行求解,最后使用对偶多项式估计角度。为了验证ADMM算法的性能,在不同信噪比和矢量阵元数条件下,与快速求根多重信号分类(Root-Multiple Signal Classification,ROOTMUSIC)算法和CVX进行对比仿真实验。结果表明,ADMM在保证DOA估计模型收敛性的同时,提高了算法效率。展开更多
文摘多输入多输出(Multiple-Input Multiple-Output,MIMO)雷达在阵元故障时虚拟阵列输出数据矩阵会出现大量的整行数据丢失,由于阵列接收数据矩阵的不完整而导致对波达方向(Direction of Arrival,DOA)的估计性能恶化。大多数低秩矩阵填充算法要求缺失数据随机分布于不完整的矩阵中,无法适用于整行缺失数据的恢复问题。为此,提出了一种基于低秩块Hankel矩阵正则化的阵元故障MIMO雷达DOA估计方法。首先,通过奇异值分解(Singular Value Decomposition,SVD)降低虚拟阵列输出矩阵的维度,以减少计算复杂度。然后,对降维数据矩阵建立基于块Hankel矩阵正则化的低秩矩阵填充模型,在该模型中将MIMO雷达降维数据矩阵排列成块Hankel矩阵并施加Schatten-p范数作为正则项。最后,结合交替方向乘子法(Alternate Direction Multiplier Method,ADMM)求解该模型,获得完整的MIMO雷达降维数据矩阵。仿真结果表明,所提方法能够有效恢复降维数据矩阵中的整行数据缺失,具有较高的DOA估计精度和实时性,在阵元故障率低于50.0%时DOA估计精度优于现有方法。
文摘在高速铁路场景下,准确估计和跟踪无线电信号的波达方向(Direction of Arrival, DOA)能够有效提升无线通信服务质量.然而,高速移动的无线信道具有快速时变特性,对信号处理的速度和准确性提出了更高的挑战.针对传统的基于信号子空间的DOA估计算法,由于巨大的计算量而无法应用于高速铁路快速时变系统中进行DOA跟踪的问题,提出了基于卡尔曼滤波和正交压缩近似投影子空间跟踪(Kalman Filter-Orthonormal Projection Approximation and Subspace Tracking of deflation, K-OPASTd)的DOA算法.首先,搭建基于云平台的铁路信号动态测向系统;然后,建立列车接收信号模型,提出K-OPASTd算法对DOA进行动态跟踪;最后,将本文提出的算法与OPASTd算法所得到的估计角度的均方根误差进行仿真对比实验.研究结果表明:信噪比均为10dB时,本文所提算法的均方根误差比OPASTd算法低约60%;阵元均为20时,K-OPASTd算法的均方根误差比OPASTd算法低约80%.
文摘相比均匀线阵(Uniform Linear Array,ULA),相同阵元数目下稀疏线阵(Sparse Linear Array,SLA)的抗耦合效应更好,阵列孔径更大,到达方向(Direction of Arrival,DOA)估计的自由度(Degrees Of Freedom,DOF)更高,因而近年来得到了广泛的研究。为了可以进行高DOF的DOA估计,学者们开始研究SLA的差分虚拟阵元,差分虚拟阵元对应的协方差矩阵相比原阵元对应的协方差矩阵维度更大,因而估计的DOF更高。当SLA的差分虚拟阵元连续取值时,可以利用已有阵元的接收信息,得到SLA的协方差矩阵,在该矩阵的基础之上构建差分虚拟阵元的协方差矩阵进而进行DOA估计。然而,当SLA的差分虚拟阵元存在孔洞时,即差分虚拟阵元不能连续取值时,不能直接利用重构的协方差矩阵进行DOA估计,需要恢复完全增广协方差矩阵的信息再进行DOA估计。对于该问题,本文基于矢量化后原协方差矩阵和虚拟差分阵协方差矩阵的误差分布情况,并结合完全增广协方差矩阵的低秩特性和半正定特性来构建优化问题。通过求解该问题来恢复维度更高的完全增广协方差矩阵。最后对该矩阵进行奇异值分解,利用多重信号分类(Multiple Signal Classification,MUSIC)算法就可以获得多源的空间谱。本文最后通过数值仿真试验验证了所提算法可以实现高DOF的DOA估计,并且相比于现有算法,本文所提算法对欠定DOA估计的效果更好,多源DOA估计的精度更高,产生的误差更小。
文摘针对现有波达方向估计(Direction of Arrival, DOA)算法在低信噪比、多信源条件下估计精度不足、效率低等问题,提出了一种基于可分离替代函数算法的矢量水听器阵列多快拍DOA估计方法.首先对空域等角度均匀划分,构造出超完备冗余字典,建立信号多快拍数据在空域的稀疏表示模型,然后采用可分离替代函数算法思想解决稀疏重构问题,求解出信号在空域的稀疏系数矩阵,最后将稀疏矩阵中行向量的范数映射到空域网格上,得到DOA估计值.仿真实验表明:该方法在低信噪比、多信源条件下拥有比子空间类算法、贪婪类算法以及现有凸优化类估计算法更高的DOA估计精度和更强的鲁棒性,与同类算法相比执行效率更高.
文摘稀疏阵列布阵灵活,增大阵列孔径的同时还能减少阵元间耦合,但基于稀疏阵列的传统波达方向估计会导致角度模糊混叠,带来估计精度差和稳健性不足的问题。针对以上问题,提出一种适用于稀疏阵列波达方向估计的加权截断奇异值投影(weighted truncated singular value projection,WT-SVP)的鲁棒矩阵填充算法。在填充迭代过程中根据奇异值的大小分配权重,突出大奇异值包含的阵列信息,减少小奇异值中不必要的噪声信息,从而优化传统奇异值投影算法。该算法可以实现稀疏阵列的孔洞信息恢复,对不连续阵元充分利用,同时WT-SVP填充算法实现了稀疏阵列波达方向估计的高精度、高分辨以及在低信噪比、低快拍时的高鲁棒性。
文摘针对传统波达方向(Direction of Arrival, DOA)估计算法在低信噪比、小快拍的条件下估计精度不高的问题,提出了一种基于迭代收缩阈值算法的矢量水听器阵列多快拍DOA估计方法。首先,对空域进行等角度划分,构造超完备冗余字典,建立基于信号多快拍条件下的DOA估计模型,然后,采用迭代收缩阈值算法解决稀疏重构问题,求解出信号的稀疏系数矩阵,最后,将稀疏矩阵中行向量的范数映射到划分好的网格上,得到DOA估计值。仿真实验结果表明:该方法在低信噪比、小快拍条件下比OMP、 MUSIC和CBF等传统算法拥有更高的DOA估计精度和更强的鲁棒性。
基金We acknowledge the funding support from National Natural Science Foundation of China(Grant No.42077263).
文摘Accurately picking P-and S-wave arrivals of microseismic(MS)signals in real-time directly influences the early warning of rock mass failure.A common contradiction between accuracy and computation exists in the current arrival picking methods.Thus,a real-time arrival picking method of MS signals is constructed based on a convolutional-recurrent neural network(CRNN).This method fully utilizes the advantages of convolutional layers and gated recurrent units(GRU)in extracting short-and long-term features,in order to create a precise and lightweight arrival picking structure.Then,the synthetic signals with field noises are used to evaluate the hyperparameters of the CRNN model and obtain an optimal CRNN model.The actual operation on various devices indicates that compared with the U-Net method,the CRNN method achieves faster arrival picking with less performance consumption.An application of large underground caverns in the Yebatan hydropower station(YBT)project shows that compared with the short-term average/long-term average(STA/LTA),Akaike information criterion(AIC)and U-Net methods,the CRNN method has the highest accuracy within four sampling points,which is 87.44%for P-wave and 91.29%for S-wave,respectively.The sum of mean absolute errors(MAESUM)of the CRNN method is 4.22 sampling points,which is lower than that of the other methods.Among the four methods,the MS sources location calculated based on the CRNN method shows the best consistency with the actual failure,which occurs at the junction of the shaft and the second gallery.Thus,the proposed method can pick up P-and S-arrival accurately and rapidly,providing a reference for rock failure analysis and evaluation in engineering applications.
文摘传统的无网格压缩感知在进行波达方向(Direction of Arrival,DOA)估计时,使用凸优化工具箱(如CVX)来求解半正定规划问题(Semi-Definite Programming,SDP),所消耗的时间会随着矢量水听器阵列规模的增加,逐渐增大。为了提高算法的收敛速度,将交替方向乘子法(Alternative Direction Method of Multiplier,ADMM)应用到矢量水听器阵列的DOA估计中,考虑到海洋环境噪声,使用原子范数去噪方法(Atomic Norm Soft Thresholding,AST)来估计线谱参数,将原子范数最小化问题(Atomic Norm Minimization,ANM)转化为SDP问题,使用ADMM对SDP问题进行求解,最后使用对偶多项式估计角度。为了验证ADMM算法的性能,在不同信噪比和矢量阵元数条件下,与快速求根多重信号分类(Root-Multiple Signal Classification,ROOTMUSIC)算法和CVX进行对比仿真实验。结果表明,ADMM在保证DOA估计模型收敛性的同时,提高了算法效率。
