基于迂回式匹配追踪算法的DOA估计方法
2022-09-24黄嘉俊张靖奇何伟嘉
黄嘉俊,张靖奇,何伟嘉,王 鹏
(中北大学 理学院,山西 太原 030051)
0 引 言
水声信号的波达方向(Direction of arrival,DOA)估计一直是水声信号处理的重要研究领域.早期的DOA估计算法主要围绕波束形成技术开展,以Capon算法[1]为代表的波束形成算法,通过对传感器阵列接收到的各路信号进行加权处理,抑制非目标方向的干扰信号,增强目标方向的期望信号来获得空间谱.然而,该技术无法在低信噪比和高混响环境中准确估计波达方向.随着子空间类算法的出现,波达方向估计的分辨率得到了极大的提高.一类是子空间分解类算法,包括多重信号分类(Multiple signal classification,MUSIC)算法[2]和旋转不变子空间(Estimation of signal parameters via rotation invariant technique,ESPRIT)算法[3].这类算法利用信号子空间与噪声子空间的正交特性来构造空间谱,突破了DOA估计中分辨率的瑞利限,实现了超分辨率的DOA估计.但是子空间分解类算法由于依赖阵列接收信号的统计特性,需要大量的快拍数据,难以实现小快拍数据下精确的空间谱估计,此外,这类方法无法有效估计相干信号的空间谱.另一类是子空间拟合类DOA估计算法,其中具有代表性的是最大似然(Maximum likelihood,ML)算法[4],该方法通过求解非线性方向估计似然函数来获得空间谱,由于需要进行多维搜索来找寻最优解,其运算量较大.
近年来,Donoho D、Candes E和Tao T提出了一种新理论—压缩感知(Compressive sensing,CS)[5].该方法可以在确保信息完整的情况下,以小于奈奎斯特采样率的频率对信号进行采样.其过程主要是:首先利用信号的稀疏性,以远小于奈奎斯特采样率的随机采样率对稀疏信号进行采样,然后通过重构算法较好地重构原始信号.在实际空域中,实际目标信号数相对于整个空间潜在的辐射信号数来说是极少的,这使得DOA估计中的空域信号本身即满足稀疏性.因此,基于压缩感知原理的DOA估计算法是一种利用信号稀疏性来实现高分辨率估计的方法[6].由于其在单快拍以及信源信号相干的条件下仍能获得良好的DOA估计而受到广泛的关注.
学者们在此基础上提出了许多信号重构的方法,主要包括凸优化算法以及贪婪算法[7-8]等.基于凸优化类方法的信号重构算法,包括奇异值分解(Singular value decomposition,SVD)[9]、基追踪降噪(Basis pursuit de-noising,BPDN)[10]和硬阈值迭代(Iterative hard thresholding,IHT)[11]等算法.该类算法是一种全局优化算法,通过将非凸问题转化为凸问题求解找到待重构信号的近似值.文献[12]给出了一种基于同伦思想的基追踪问题解法,该方法通过迭代得出最有效的规整因子和重构结果,适合数据量较少、无法确定误差界限的场景,联系宽带信号的联合稀疏性,该方法被扩展到单个频域快拍时的宽带信号测向中.文献[13]提出使用基追踪降噪算法进行DOA估计,基于压缩感知的DOA估计模型的求解为最小l0范数问题.在一定条件下,l1范数与l0范数最小化问题是等价的[5],该算法的思路是将l0范数最小化问题转换成l1范数最优化问题,以便使用最优化方法求解.基追踪降噪算法可以对相干信号进行DOA估计,具有较高的稳定性和重构精度,但是其最终求解的无约束优化问题涉及到正则化参数的选择,正则化参数的大小影响着最终重构效果对噪声的适应性,需要选择合适的正则化参数来保证算法性能.迂回式匹配追踪(Detouring matching pursuit,DMP)算法[14]是由裴廷睿等提出的一种贪婪重构算法.该算法严格证明了子内积逆和系数矩阵递增递减核心式,利用子内积逆和系数矩阵减少计算残差误差变化量的计算量,降低了计算复杂度,具有重构准确率高、计算复杂度低、对传感矩阵列的相关性要求低等特点.
综合上述分析,为了实现矢量水听器阵列在小快拍及低信噪比下的波达方向估计,本文将迂回式匹配追踪算法与波达方向估计相结合,提出一种基于迂回式匹配追踪的波达方向估计算法.在信号重构过程中,采用先逐个最优缩减、后逐个最优扩增的方式更新支撑集,提高重构准确率,扩大重构稀疏信号的稀疏度范围.在存在相干信号、相同的低信噪比、小快拍数条件下的仿真实验中,本方法可以得到有效的DOA估计,与传统超分辨率算法相比更有优势.在真实的水声实验环境中,应用本文方法仍可以得到有效的DOA估计.
1 矢量水听器阵列信号模型
考虑到水声环境的特殊性,假设声信号为远场窄带信号;水下声速为1 500 m/s;水下传播介质为各向同性的非色散均匀线性介质;仿真实验中使用的噪声为高斯白噪声;阵列的各传感器间不存在互耦情形.
假设t时刻有K个空间信号s1(t),s2(t),…,sK(t)入射到由M个矢量水听器按间距d组成的均匀线阵中,第k个信号的到达角为θk,k=1,2,…,K.以阵列中的第一个矢量水听器为参考,t时刻第m个阵元的输出为
m=1,2,…,M,
(1)
(2)
(3)
式中:k=1,2,…,K,将该阵列的输出写成矩阵形式,即
X(t)=A(θ)S(t)+N(t),
(4)
式中:X(t)=[x1(t),x2(t),…,xM(t)]T,X(t)∈CM×1为阵列输出向量;A(θ)=[a(θ1)⊗u1,a(θ2)⊗u2,…,a(θK)⊗uK]为矢量水听器阵列的信号方向矩阵,也叫流形矩阵;符号⊗为克罗内克积;S(t)=[s1(t),s2(t),…,sK(t)]T,S(t)∈CK×1称为信号源矢量;N(t)=[n1(t),n2(t),…,nM(t)]T,N(t)∈CM×1为阵列接收噪声矢量.
2 基于迂回式匹配追踪算法的DOA估计
2.1 DOA估计模型的稀疏化描述
G(θ)=[a(θ1),a(θ2),…,a(θN)],
(5)
故DOA估计的数学模型可以转化为
X(t)=G(θ)S(t)+N(t).
(6)
该式为典型的稀疏表示模型,因为S(t)为空域内的稀疏信号,不需要额外的稀疏基来对S(t)稀疏表示,所以扩展后的超完备冗余字典G(θ)既是压缩感知模型中的测量矩阵也是传感矩阵.同时,测量矩阵是通过对空间进行等角度网格划分得到的,由这种稀疏表示方式得到的测量矩阵满足等距约束性质(Restricted isometry property,RIP),因此可以通过求解式(6)来解决稀疏信号重构问题,从而得到DOA估计值.
然而,式(6)是一个欠定方程,无法直接求解,信号的重构为求解l0范数最小化问题,即通过
s.t.X(t)=G(θ)S(t)+N(t),
(7)
进行求解.
然而,l0范数最小化为NP-hard问题,无法直接求解,具有代表性的解法主要有凸优化算法和贪婪类重构算法.凸优化算法是一种全局优化算法,如基追踪(BP)算法.凸优化算法通常将式(7) 转化为带有不等式约束的优化问题,即最小l1范数优化问题
(8)
式中:γ为误差.一般地,将式(8)转化成
(9)
式中:λ是一个与噪声有关的正则化参数,即求解无约束优化问题.
然而,最小l1范数优化问题是一个广义线性规划问题,需要求解二阶锥规划,以牺牲计算复杂度来实现准确重构,计算复杂度较高,难以适用于大规模信号的快速DOA估计.
2.2 DMP算法
输入:M×N维传感矩阵G(θ),M维观测信号X(t),稀疏信号维度N,稀疏度K,阈值ε.
步骤1(初始化):
步骤2(获取初始值支撑集):
步骤3:
令b=b+1.判定是否满足b 步骤5(扩增支撑集): νt= Δ(Λ/{ω1,ω2,…,ωb})∪{νb,…,νt}). 选择νt加入支撑集Λ,判定{ωb,…,ωt}∪{νb,…,νt}和{ωb,…,ωt}所包含的元素是否相同,若不相同,则t=t-1,计算子内积逆矩阵P(Λ/{ω1,…,ωb})∪{νb,…,νt}和系数矩阵C(Λ/{ω1,…,ωb})∪{νb,…,νt},重复步骤5,直至t=0;若相同,则跳转至步骤3. 步骤6: 步骤7(更新支撑集): 在该实验中,分别设置单信源与多信源的环境.其中阵元数目为10,阵元间距为0.5 m,DMP算法为单快拍,MUSIC算法快拍数为10,信噪比(Signal-to-noise ratio,SNR)均为-10 dB,单信源实验的入射角为-15°,信号频率为 1 500 Hz.多信源实验的3个入射角分别为-15°,30°,50°,信号频率分别为1 000 Hz,1 500 Hz,2 000 Hz.实验结果如图1 所示. 由图1 可以看出,在快拍数为10,SNR为-10 dB 的环境中,无论是单信源还是多信源实验,MUSIC算法和ESPRIT算法已经无法估计出正确的DOA值,MUSIC算法还产生了大量的伪峰.在图1(a)中标记极值点的位置也可以看出,MUSIC算法在单信源数下搜寻到的谱峰为-5°,ESPRIT算法得出的估计角度为-6.262 25°,与实际的DOA值误差较大.而本文所提出的DMP算法在单快拍条件下,估计信号入射角度为-14.5°,与实际信号入射角误差为0.5°,依旧准确估计出了入射信号方位角.在图1(b)中,MUSIC算法在多信源数下搜寻到的谱峰为-17.5°,8.5°和46°,ESPRIT算法得出的估计角度为-11.861 4°,44.388 8°和65.119 8°.DMP算法在单快拍条件下,估计信号入射角度为-15.5°,30.5°和48.5°,与实际信号入射角的误差介于0.5°~1.5°之间,表现出较好的估计效果. (a) 单信源实验 (a) 1个信号源 为了说明DMP算法在单快拍、低信噪比环境中的优势,分别将MUSIC算法和ESPRIT算法的快拍数取为10,20,50和100,其他条件与上述实验一样,表1 展示了不同快拍数下MUSIC算法和ESPRIT算法的单信源实验DOA估计结果. 表1 不同快拍数下MUSIC算法和ESPRIT算法的单信源实验DOA估计结果Tab.1 Single source experiment DOA estimation results of MUSIC and ESPRIT under different snapshots 由表1 可知,当快拍数增加到100时,MUSIC和ESPRIT算法均可估计出正确的DOA值,但是在实际应用中,要得到持续不断的高质量采样往往是困难的,DMP算法可以在小快拍情形下得到正确的DOA估计值,有效减小了MEMS矢量水听器阵列在数据采样时的压力,说明DMP算法具有实际应用的价值. 设置矢量均匀线阵阵元数为10,快拍数为10,信噪比以5 dB为步长从-10 dB增加到20 dB,每个信噪比下进行100次蒙特卡洛实验.图2 展示了1个信号源、2个信号源和3个信号源条件下,DMP算法、MUSIC算法和ESPRIT算法各自的均方根误差随信噪比变化的曲线. 由图2 可知,随着信噪比增大,3种算法的均方根误差都在逐渐减小,估计精度都在逐渐增大.在SNR处于-10 dB~-5 dB区间时,DMP算法的估计性能与MUSIC和ESPRIT算法接近,但考虑到DMP算法只取了单快拍下的数据进行DOA估计,因此在信噪比较低时DMP算法只需要一次采样便可达到多快拍下MUSIC和ESPRIT算法的估计性能.-5 dB以上时DMP算法的性能明显优于MUSIC和ESPRIT算法.从整体来看,DMP算法的均方根误差都处于比较低的位置,估计精度较高.总之,DMP算法具有良好的抗噪能力,相同信噪比下只需单快拍数据即可取得相对较高的估计精度,在信噪比较高的环境下具有更显著的优势. 设置矢量均匀线阵阵元数为10,间距为0.5 m,3个声源信号的入射角分别为-50°,10°,60°,其中10°与60°方向信号为相干信号,频率分别为1 000 Hz,1 500 Hz和1 500 Hz.为了观察相干信号对MUSIC算法的影响,将MUSIC算法的快拍数设置为100,DMP算法为单快拍,信噪比为0 dB,实验结果见图3. 图3 相干信号的DOA估计实验Fig.3 DOA estimation experiment of coherent signal 由图3 可以看出,当存在相干信源时,MUSIC算法出现了一些伪峰,并且其谱峰较为平滑,几乎无法分辨信源角度.ESPRIT算法则无法得出正确的DOA估计值.DMP算法在单快拍、低信噪比情形下仍能得到有效的DOA估计值,这是由于DMP算法仅仅利用信号源的稀疏性来求解DOA估计值,不受入射信号频率的影响,所以相干信号不会对DOA估计的结果产生较大影响. 针对单快拍、信噪比较低条件下的波达方向估计问题,本文提出一种基于迂回式匹配追踪算法的DOA估计算法.该算法的优势和特点为: 1) 利用压缩感知理论求解DOA问题,通过单快拍即可求解出声源信号的入射角度,尤其是在低信噪比情形下,单快拍即可达到小快拍数下传统的子空间分解类方法的估计精度. 2) 仿真实验表明,基于迂回式匹配追踪算法的DOA估计算法求解的过程不涉及矩阵的特征分解,克服了相干信号对估计精度造成的影响,在处理小块拍、低信噪比的相干信号时仍然有效.2.3 计算DOA估计值
3 算法复杂度分析
4 仿真实验
4.1 DMP算法、MUSIC算法在小快拍数、低信噪比条件下的估计性能
4.2 不同信噪比下各算法估计误差的比较
4.3 相干信号源条件下的DOA估计性能对比
5 结 论