[發明專利]強沖擊噪聲下基于嵌套陣列的魯棒動態測向方法

有效

• 申請號: 202110028619.3
• 申請日: 2021-01-11
• 公開（公告）號: CN112800596B
• 公開（公告）日: 2022-12-13
• 發明（設計）人: 高洪元;劉亞鵬;張禹澤;王世豪;白浩川;張震宇;劉廷暉;武文道;郭瑞晨
• 申請（專利權）人: 哈爾濱工程大學
• 主分類號: G06F30/20
• 分類號: G06F30/20;G01S3/14;G06F17/16;G06N10/00;G06N3/12
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.強沖擊噪聲下基于嵌套陣列的魯棒動態測向方法，其特征在于：步驟如下：

步驟一：建立沖擊噪聲下基于嵌套陣列的動態測向模型；

嵌套陣列由兩個或多個均勻線陣組成，若嵌套陣列由N個均勻線陣共M個各向同性天線陣元組成，陣列中第m個陣元相對于第一個陣元的間距設為d_m，m＝1,2,…,M，其中d₁＝0＜d₂＜…＜d_M，若陣元最小間距為ε，則陣元坐標為：

d＝[d₁,d₂,…,d_M]＝ε[h₁,h₂,…,h_M]

其中：h₁,h₂,…,h_M都為整數；集合是一個連續的或近似連續的自然數集合；設第n個均勻子線陣有M_n個陣元，其中M_n≥2且滿足M₁+M₂+…+M_N＝M，第n個均勻子線陣陣元間距為C_n，第n個均勻子線陣和第n+1個均勻子線陣的間距為C_n，n＝1,2…,N；

定義最大快拍數為K_p，假設陣列遠場有P個窄帶點源以波長為λ的平面波入射到由M個陣元組成的嵌套陣列上，則嵌套陣列接收的第k次快拍數據為：

x(k)＝A(θ)s(k)+n(k)

其中，k＝1,2,…,K_p，A(θ)＝[a(θ₁),a(θ₂),…,a(θ_P)]為M×P維導向矩陣，第p個導向矢量為p＝1,2…,P，信號來波方向與陣列法線的夾角為θ＝[θ₁,θ₂,…,θ_P]，x(k)＝[x₁(k),x₂(k),…,x_M(k)]^T為M×1維陣列快拍數據，其中k為快拍次數，s(k)＝[s₁(k),s₂(k),…,s_P(k)]^T為P×1維信號，n(k)為M×1維服從特征指數為α的標準SαS分布的復沖擊噪聲，j為復數單位，T為矩陣轉置；

第k次采樣數據的加權無窮范數歸一化信號為：

其中，β∈[0.8,1]為加權常數，則第k次采樣數據構造的加權無窮范數低階差分矩陣為：

其中，m＝1,2,…,M，第i行第l列元素其中，t為差分變量的冪常數，i＝1,2,…,M，l＝1,2,…,M，上標*代表共軛；根據嵌套陣列計算得到的最大相關延遲為則虛擬后的均勻線陣的陣元個數為個；令ρ-τ＝h_a-h_b，1≤a,b≤M；則第k次快拍擴展后加權無窮范數低階差分矩陣為：

其中，擴展后的導向矩陣為：

第p個擴展后的導向矢量為p＝1,2,…,P；

構造接收第k+1次快拍數據后擴展加權無窮范數低階差分矩陣的更新方程：

其中，R_S(k)為第k次快拍數據更新后的加權無窮范數低階差分矩陣，為第k+1次接收快拍數據的擴展加權無窮范數低階差分矩陣，ω為更新因子；構造基于更新后加權無窮范數低階差分矩陣的極大似然測向方程：

其中，為陣列流形矩陣的投影矩陣，上標H為矩陣共軛轉置，R_S(k)為第k次快拍數據更新后的加權無窮范數低階差分矩陣，argmax()表示尋找具有最大函數值的變量，trace表示對矩陣求跡；步驟二：初始化搜索空間；

步驟三：初始化整個生態系統中所有個體量子位置并設定相關參數；

步驟四：構造適應度函數，計算所有種群中每個個體的適應度函數值，計算每個種群的平均適應度值，樹立內部標桿和外部標桿，計算整個生態系統當前代的平均適應度值；

步驟五：根據量子標桿學習機制實現尋優搜索過程；

(1)所有種群中的個體進行外部標桿學習并進行適應度函數計算和評價具體步驟為：第g代中第φ個種群中第個個體的外部學習率為：

其中，G′_r表示外部學習率的初始值，代表第g代中第φ個種群的平均適應度值，代表第g代中第φ個種群中第個個體的適應度函數值，φ＝1,2,…,N_P，如果則第φ個種群中第個個體量子旋轉角矢量為其中，為[0,1]之間均勻分布的隨機數，λ₀為進行外部標桿學習時的學習因子；使用模擬量子旋轉門更新量子位置：

其中：代表第g+1代中第φ個種群中第個個體第p維量子旋轉角，φ＝1,2,…,N_P，p＝1,2…,P，之后將更新后的量子位置映射為位置然后所有個體進行適應度函數的計算和評價；

(2)所有經過外部標桿學習后的個體進行適應度函數計算和評價后，如果第φ個種群中第個個體的適應度函數值沒有得到改善，則進行內部標桿學習并進行適應度函數評價：第φ個種群中第個個體的內部學習率為：

其中，B′_r表示內部學習率的初始值，E_D為該個體與該種群中內部標桿的歐氏距離，即R為搜索空間的直徑，即其中，代表第g代中第φ個種群內部標桿的第p維量子位置，代表第g代中第φ個種群中第個個體第p維量子位置，φ＝1,2,…,N_P，p＝1,2…,P；如果則第φ個種群中第個個體量子旋轉角矢量為：

其中，為[0,1]之間均勻分布的隨機數，λ₁為進行內部標桿學習時的學習因子；使用模擬量子旋轉門更新量子位置：

其中：代表第g+1代中第φ個種群中第個個體第p維量子旋轉角，φ＝1,2,…,N_P，p＝1,2…,P；將更新后的量子位置映射為位置然后所有個體進行適應度函數的計算和評價；

(3)所有經過內部標桿學習后的個體進行適應度函數計算和評價后，如果第φ個種群中第個個體的適應度函數值沒有得到改善，則進行自我學習并進行適應度函數評價：第φ個種群中第個個體的自我學習率為：

其中，S′_r表示自我學習率的初始值，代表第g代中第φ個種群的平均適應度值，代表第g代中第φ個種群中第個個體的適應度函數值，φ＝1,2,…,N_P，如果則進行Logistic混沌映射，即其中，φ＝1,2,…,N_P，p＝1,2…,P，將更新后的量子位置映射為位置然后所有個體進行適應度函數的計算和評價；

(4)計算更新后每個種群的平均適應度值其中，φ＝1,2,…,N_P，找出并記錄第φ個種群中具有最佳適應度函數值的個體其量子位置為其中，φ＝1,2,…,N_P，將其樹立為新的內部標桿，記錄并更新整個生態系統中具有最佳適應度函數值的個體其量子位置為將其樹立為新的外部標桿，計算整個生態系統更新后的平均適應度值其中，φ＝1,2,…,N_P；如果與上一代相比，平均適應度值沒有得到改善或外部標桿沒有發生改變，則各個種群之間相互交換具有最佳適應度函數值的個體，即各種群重新樹立新的內部標桿；

步驟六：判斷是否達到最大迭代次數G，若未達到，令g＝g+1，返回步驟五；若達到則中止循環迭代，輸出外部標桿的量子位置和位置并進入下一步；

步驟七：判斷是否達到最大快拍數K_p，若未達到，令k＝k+1，更新下一次快拍時P個方位角的搜索空間，獲取下一次快拍采樣數據，更新擴展加權無窮范數低階差分矩陣，返回步驟三；否則，根據得到的所有快拍采樣數據下方位角的估計值，輸出動態測向結果。