丁飛龍 遲 騁 李 宇* 黃海寧
①(中國科學(xué)院聲學(xué)研究所 北京 100190)
②(中國科學(xué)院先進水下信息技術(shù)重點實驗室 北京 100190)
③(中國科學(xué)院大學(xué) 北京 100049)
基于壓縮感知(Compressive Sensing, CS)理論的波達方向(Direction Of Arrival, DOA)估計方法,在近十年里相當(dāng)流行,該方法最早由Malioutov等人[1]提出。相對于離散化的方位角數(shù)目來說,感興趣的信源數(shù)目是少量的?;谶@個事實,DOA估計被描述成了一個具有稀疏約束的欠定線性系統(tǒng),稱為壓縮波束形成(CompreSsive BeamForming, CSBF)[2]。與傳統(tǒng)的常規(guī)波束形成(Conventional BeamForming, CBF)相比,CSBF即使在單快拍下也具有穩(wěn)健的高分辨精度。因此,CSBF被廣泛應(yīng)用于地震波反演、聲學(xué)、雷達以及無線通信等領(lǐng)域。
CSBF的經(jīng)典策略是施加l1范數(shù)的稀疏約束[3],因為在稀疏信號處理中l(wèi)1范數(shù)具有特殊的意義,它是l0范數(shù)的凸松弛近似,并且凸問題的可靠求解相對容易[4]。然而,自然的稀疏度量仍是l0范數(shù),使用l1范數(shù)近似,會導(dǎo)致由于稀疏性不足,使得CSBF的性能下降[5]。使用非凸的懲罰函數(shù)約束,具有比l1范數(shù)更強的稀疏性,可以提高算法的性能[6,7]。但是,非凸的懲罰函數(shù)在求解過程中需要解決一系列的平滑問題,不能直接最小化懲罰函數(shù),可能出現(xiàn)局部最小化問題[8]。為了增強稀疏性且同時避免局部最小化問題,Selesnick[9]提出一種極小極大凹懲罰(Minimax Concave Penalty, MCP)函數(shù),在趨近l0范數(shù)稀疏性的同時保持了整體懲罰函數(shù)的凸性質(zhì)。Yang等人[10]將MCP函數(shù)應(yīng)用到CSBF中,并證明了其優(yōu)于l1范數(shù)約束方法的強大性能。
然而在低信噪比下,文獻[10]的算法DOA估計性能不佳,多快拍聯(lián)合估計可以提高低信噪比下的DOA估計結(jié)果。傳統(tǒng)多快拍方法,如最小方差無失真方法(Minimum Variance Distortion-less Response, MVDR)[11]和多重信號分類方法(MUltiple SIgnal Classification, MUSIC)[12]等,對快拍的數(shù)量有著最低限制,且在低信噪比下性能不佳?;趌1范數(shù)的多快拍壓縮波束形成(Multiple Snapshot Compressive BeamForming based onl1norm,l1-MCSBF)[13]雖然對快拍數(shù)沒有要求,但在低信噪比下,由于稀疏性不足,會導(dǎo)致偽源的產(chǎn)生。
基于MCP約束的多快拍壓縮波束形成(Multiple Snapshot Compressive BeamForming based on MCP, MCP-MCSBF)可以提供比l1-MCSBF的更好的性能。但是,求解MCP-MCSBF的困難在于需要證明MCP-MCSBF具備整體凸性質(zhì)的前提條件,因為MCP函數(shù)本身是非凸的,只有滿足整體凸性質(zhì),才能收斂到全局最小值,這也是其與其他非凸稀疏約束相比的優(yōu)勢所在。另外,類似文獻[11]的常規(guī)多快拍壓縮波束形成求解方法,是對每一個快拍單獨處理并將結(jié)果求均值,其計算成本隨著快拍數(shù)目的增大而增大。
因此對于上述問題,本文的貢獻在于證明了MCP-MCSBF的整體凸性質(zhì)條件,提出了一種低計算成本的MCP-MCSBF求解方法,實現(xiàn)了增強稀疏性的同時,在低信噪比情況下獲得更穩(wěn)定的DOA估計結(jié)果。本文提出的MCP-MCSBF首先對陣列接收的觀測矩陣數(shù)據(jù)進行SVD分解,并將其投影到信號子空間上;然后再根據(jù)Boyd等人[14]的凸優(yōu)化理論,將投影后的觀測矩陣所有列加權(quán)疊加成一個新的向量;最后,再將這個新的向量代入計算,得出精確的DOA估計結(jié)果。
表1 基于MCP函數(shù)約束的壓縮波束形成算法步驟
顯然,可以參考2.2節(jié)的單快拍算法,將式(24)看成兩個交替求解的多快拍稀疏約束問題求解。但問題在于傳統(tǒng)求解多快拍稀疏約束的算法,如多快拍交替方向法(Multiple snapshots Alternate Direction Method, M-ADM)[23]等,本質(zhì)上只是對每一個快拍單獨運算并求和平均。這樣的做法存在兩個問題:(1)本質(zhì)上仍未脫離單快拍運算的范疇,只能一定程度上減少估計結(jié)果的誤差,對于高噪聲環(huán)境下導(dǎo)致的稀疏約束能力不足,從而產(chǎn)生的估計偏差,并沒有得到真正的解決;(2)計算成本與K?成正比。
本文提出MCP-MCSBF算法將降維后的觀測矩陣YK?通過加權(quán)求和,進一步表示成M×1維向量yK?,然后將其代入單快拍求解算法中求解。且可以通過定理2證明,當(dāng)權(quán)數(shù)w?1+w?2+...+w?K?=1,ΣTΣ ≤1/εAHA時,目標函數(shù)仍具備整體凸性質(zhì)。
本文所提MCP-MCSBF算法如表2所示。本文算法的收斂性證明可見文獻[10,24],因此這里不再重復(fù)說明。
表2 MCP-MCSBF算法步驟
本節(jié)主要探討基于MCP約束的多快拍壓縮波束形成的DOA估計性能??紤]了一個傳感器數(shù)量M=24且半波長分離的均勻線性陣列,源信號為載波頻率3000 Hz的窄帶信號,噪聲為服從高斯分布點的白噪聲信號。傳感矩陣A定義在一個間隔為1o,從-90°~90°的角度網(wǎng)格中,并使用均方根誤差(Root Mean Squared Error, RMSE)量化DOA估計的性能。
其次,比較MCP約束的傳統(tǒng)多快拍與提出多快拍壓縮感知算法的性能。這里的傳統(tǒng)多快拍壓縮感知算法指的是,通過對每一個快拍單獨處理,然后將結(jié)果求和平均的方法,見文獻[11,23]。仿真設(shè)置與上文相同,仿真結(jié)果如圖2所示。圖2(a)展示了傳統(tǒng)多快拍壓縮感知算法的估計性能。由于該算法只是對每個快拍分別計算然后求和平均,沒有根本上解決強噪聲背景下,稀疏性不足的問題,因此可以看到圖2(a)中盡管估計出了準確的方位角度,但是存在兩個較強的偽源,干擾了目標判斷。圖2(b)為提出多快拍算法的估計結(jié)果,展示了穩(wěn)健而精確的方位估計性能。
圖1 信噪比-10 dB下的DOA估計結(jié)果
圖2 信噪比-10 dB下多快拍的DOA估計結(jié)果
為了進一步驗證MCP-MCSBF算法的性能。本文將其與CBF, MUSIC以及l(fā)1-MCSBF對比。首先,考察SNR為-10 dB下不同的算法的DOA估計結(jié)果。令3個能級相同的獨立源信號,入射角分別為[-4°, 0°, 20°],快拍數(shù)為50,仿真結(jié)果如圖3所示。在圖3(a)和圖3(b)中由于-4°和0°的兩個源間隔較小,CBF和MUSIC均無法有效地區(qū)分這兩個目標源;而圖3(c)中l(wèi)1-MCSBF雖然能夠區(qū)分這兩個目標源,但由于l1-MCSBF的稀疏性不足,所以出現(xiàn)了許多的偽峰。MCP-MCSBF具有比l1-MCSBF更強的稀疏性,因此在圖3(d)中,不僅能區(qū)分間隔較近的兩個目標源,且除了估計的目標源外,不存在別的偽峰。
圖3 -10 dB下不同算法的DOA估計結(jié)果對比
其次,分別考慮獨立源和相干源情況。SNR從-10 dB變化到10 dB,其余設(shè)置與上文相同,每次均進行400次蒙特卡羅仿真模擬,得到的RMSE結(jié)果如圖4所示。圖4(a)表示獨立源情況下RMSE隨SNR變化的情況。可以看出,隨著SNR的增大,這4種算法的DOA估計精度都逐漸提高。因為CBF波束寬度近似為1 02°/M=4.25°,大于- 4°和0°的兩個源的角度間隔,所以CBF的估計精度要明顯低于另外3種算法。MUSIC估計精度在高信噪比下較好,但在低信噪比下估計精度較差。l1-MCSBF和MCP-MCSBF估計精度相似,但在低信噪比下MCP-MCSBF具備的估計精度更高。圖4(b)表示相干源情況下RMSE隨SNR變化的情況。由于MUSIC算法在估計DOA過程中,涉及接收信號協(xié)方差求逆,因此相干源會導(dǎo)致DOA估計精度大大降低。CBF,l1-MCSBF以及MCP-MCSBF則不受相干源影響,仍具備很高的DOA估計精度。
然后,比較信噪比-10 dB,快拍數(shù)從1~100變化下的DOA估計結(jié)果,如圖4(c)所示。這里考慮到陣元個數(shù)為24,因此MUSIC算法的快拍起點為30快拍。圖中所有算法的RMSE都隨著快拍數(shù)增多而下降,但是可以清楚地看到本文提出的MCPMCSBF在任何快拍下都要優(yōu)于CBF,MUSIC以及l(fā)1-MCSBF。認為成功區(qū)分了兩個獨立源,將成功分辨的次數(shù)比上蒙特卡羅仿真次數(shù),得到成功分辨概率,可以用來表示算法的性能。
圖4 不同算法的性能比較
上文已經(jīng)在仿真中驗證了算法的性能,但是數(shù)值的模擬并不能代表真實的水下環(huán)境。本節(jié)展示算法在水下實測數(shù)據(jù)中的優(yōu)良性能。采用湖試數(shù)據(jù)作為本文提出的MCP-MCSBF算法的實測數(shù)據(jù)。湖面聲速為1500 m/s,由UUV平臺搭載的舷側(cè)均勻水平線陣接收數(shù)據(jù),UUV航行深度在水下6 m,陣元數(shù)目為24個,陣元之間的距離為0.1875 m。此次試驗中存在兩個聲源信號,一個是位于水下6 m處的靜止聲源信號,發(fā)射頻率為1~4 kHz寬帶噪聲信號,另一個為水面運動的小艇發(fā)出的輻射聲源,且小艇與靜止聲源之間存在交叉。將每秒的數(shù)據(jù)分為50快拍,使用全頻帶的信息進行DOA估計。
圖6表示CBF, MUSIC以及l(fā)1-MCSBF與MCPMCSBF算法的時間方位歷程圖。圖6(a)表示CBF的方位歷程圖,可以看出當(dāng)兩個聲源逐漸接近時,由于CBF較寬的主瓣,將兩個聲源合并成了一個聲源,且存在自噪聲和干擾噪聲的影響,導(dǎo)致目標聲源不夠突出;圖6(b)表示已知精確的信號源個數(shù)這一先驗信息下的MUSIC的方位歷程圖,MUSIC算法相對于CBF來說主瓣更窄,對自噪聲和干擾噪聲有了很好的抑制,因此目標聲源更加突出,但是對背景噪聲的抑制力不強,最低能量為-10 dB;圖6(c)表示l1- MCSBF的方位歷程圖,顯然l1-MCSBF相對于CBF以及MUSIC來說,在抑制自噪聲和干擾噪聲的同時,大大減弱了背景噪聲,此時最低能量為-100 dB,增強了目標聲源。但是由于稀疏性不足,所以方位歷程圖中存在較多的噪點;圖6(d)表示MCP-MCSBF的方位歷程圖,與l1-MCSBF相比,由于本文提出算法增強了稀疏性,因此圖中存在的噪點很少。且與傳統(tǒng)CBF和MUSIC算法相比,目標聲源更加清晰,對背景噪聲的抑制也更強,此時最低能量為-150 dB。
圖5 成功分辨率隨SNR和角度間隔的變化
圖6 方位歷程圖
通過湖試數(shù)據(jù)可以看出,本文方法在噪聲背景下保持著穩(wěn)健的DOA估計性能,抑制了旁瓣的產(chǎn)生;同時由于較窄的主瓣寬度,也提高了目標聲源的分辨率,在目標聲源角度間隔較近時,展現(xiàn)了良好的性能。
本文提出一種基于MCP約束的多快拍壓縮波束形成算法,本方法通過非凸函數(shù)MCP提高了傳統(tǒng)壓縮波束形成算法的稀疏性,且由于MCP的整體凸性質(zhì),不存在局部最小值問題,保證了DOA估計的可靠性;同時利用多個快拍的數(shù)據(jù)聯(lián)合估計,提高了DOA估計的穩(wěn)定性。仿真分析證明了本文算法與CBF, MUSIC以及l(fā)1-MCSBF算法相比,具有更優(yōu)的精確性和更高的角度分辨率,湖試結(jié)果也再一次證明了本文算法的有效性。