α和高斯噪声背景下线性极化阵列波达方向和极化参数联合估计的FLOCC-SMN方法
石屹然1,2, 赵晓晖1, 单泽彪1, 石要武3
1.吉林大学 通信工程学院, 长春 130022
2.长春气象仪器研究所, 长春 130012
3.吉林大学 生物与农业工程学院, 长春 130022
通讯作者:赵晓晖(1957-),男,教授,博士生导师.研究方向:自适应信号处理理论与应用.E-mail:xhzhao@jlu.edu.cn

作者简介:石屹然(1984-),男,讲师,在站博士后.研究方向:信号处理.E-mail:shiyiran@jlu.edu.cn

摘要

针对 α和高斯混合噪声背景下的线性极化阵列波达方向和极化参数估计问题,提出了一种基于分数低阶循环相关的子空间-最小范数方法。该方法针对 α稳定分布过程的特点,利用信号的循环平稳特性,克服了传统的基于二阶矩或高阶累积量无法用于 α噪声背景的缺点,弥补了分数低阶矩对循环平稳干扰信号抑制能力的不足。所采用的子空间-最小范数方法不仅减少了传统MUSIC方法的计算量,而且有效地抑制了分数低阶循环相关函数的估计误差。仿真结果表明,本文算法对 α和高斯混合噪声及循环平稳干扰信号的抑制能力明显优于分数低阶矩方法。

关键词: 通信技术; 极化阵列; 稳定分布; 最小范数; 极化参数; 波达方向
中图分类号:TN911.23 文献标志码:A 文章编号:1671-5497(2016)04-1297-07
FLOCC-SMN method for DOA polarization parameters estimation of linear polarization array in α and Gaussian noise
SHI Yi-ran1,2, ZHAO Xiao-hui1, SHAN Ze-biao1, SHI Yao-wu3
1.College of Communication Engineering, Jilin University, Changchun 130022, China
2.Changchun Meteorological Instrument Research Institute, Changchun 130012, China
3.College of Biological and Agricultural Engineering, Jilin University, Changchun 130022, China
Abstract

A fractional lower order cyclic correlation-based subspace minimum norm method was proposed for the joint estimation of Directions-of-arrival (DOA) and polarization parameters of linear polarization array under mixed noise of α and/or Gaussian noise. Considering the characteristics of α stable distribution and using the cycle stationarity of signals, the proposed method overcomes the disadvantages of the traditional second order moment or high order cumulant-based methods, which can not by used under α noise. Using the fractional lower order cyclic correlation method, the proposed method makes up for the lack of cycle stationary disturbance suppression of the traditional fractional lower order moment method. The subspace minimum norm method used in this paper can effectively reduce the computation of the traditional MUSIC method and suppress the estimation error of the fractional lower order cyclic correlation function. Simulation results show that the proposed method is superior to the fractional lower order moment-based method for the suppression of the cycle stationary disturbance and the mixed noise of and Gaussian noise.

Keyword: communications; polarization array; stable distribution; minimum norm; polarization parameter; direction of arrival(DOA)
0 引 言

传统的极化阵列波达方向(Direction of arrival, DOA)和极化参数联合估计方法[1]基本上是基于“ 背景噪声为高斯分布” 这一假设。广义中心极限定理保证了这一假设的合理性和广泛适用性。背景噪声符合高斯分布的假设不仅带来理论分析的方便, 而且可以采用二阶矩和高阶累积量这些行之有效的信号处理工具[2, 3]。然而, 在阵列信号DOA估计的实际应用中发现, 其测量环境中不仅存在着高斯噪声, 而且还大量存在着具有非高斯特性的冲击噪声。研究结果[4]表明, 这种非高斯冲击噪声可以用特征指数为 α(0< α2)的稳定分布过程(以下简称为 α噪声)来表征。从信号处理的角度来看, α稳定分布过程有两个重要特点:① α稳定分布是唯一一种满足广义中心极限定理的广义高斯分布, 高斯分布是 α稳定分布中, 当 α=2的一个特例, 因此 α稳定分布比高斯分布具有更广泛的适用范围[4]; ② α稳定分布过程仅存在阶次 p< α< 2的分数低阶矩(FLOS)[5]。当 α< 1时, 甚至连均值的运算也不可能。 α稳定分布过程的这一性质直接导致传统的基于高阶累积量或基于二阶矩的信号处理方法在 α噪声背景下性能急剧下降。

在自然界中, 由于 α噪声往往与高斯噪声混杂在一起, 因此, 在阵列信号处理中, 人们更关注的是对 α噪声和高斯噪声均具有极强抑制能力的高分辨率DOA估计方法研究。由于 α稳定分布仅存在着 0< p< α< 2的分数低阶矩, 因此目前 α噪声背景下的阵列信号DOA估计基本上都是采用FLOS或由其派生的方法处理[6]。Nikias等[7]提出了一种基于共变的线性阵列DOA估计鲁棒MUSIC方法, 该方法实现了在 α噪声背景下, 线性阵列的DOA参数估计, 并取得了较好的实验结果。MUSIC方法仅适于阵列信号和附加噪声为联合 SαS(即标准 α稳定分布[8])稳定分布过程情况, 因此具有很大局限性[9]。针对这一问题, Mendel等[9]提出了一种基于FLOS的线性阵列DOA估计的鲁棒MUSIC方法, 但该方法仅限于附加噪声为零均值独立同分布(i.i.d) SαS稳定分布情况, 且要求 α稳定分布的特征指数为 1< α2, 因此仍具有很大的局限性。

针对上述问题, 本文提出了基于分数低阶循环相关(Fraetional low order cyclic correlation, FLOCC)[10]的线性极化阵列DOA和极化参数联合估计的子空间-最小范数(Subspace minimum norm, SMN)方法, 该方法可有效抑制任意 α(1< α2)和高斯噪声以及任何异于信号循环频率的平稳干扰信号, 且对分数低阶循环相关函数的估计误差不敏感, 从而大大提高了线性极化阵列DOA和极化参数估计的精度及算法的鲁棒性。

1 线性极化阵列的接收信号模型

以三维坐标系的原点作为相位参考点, 设 N个电磁矢量传感器以阵元间距d沿x轴均匀排列。则线性极化阵列结构如图1所示[11]

图1 电磁矢量传感器线性极化阵列结构图Fig.1 Structure diagram of linear electromagnetic vector sensor array

设远场空域内有 K个电磁信号以入射角度为 (θk, φk)极化信息为 (γk, ηk)入射到图1所示的线性极化阵列, 则极化阵列接收信号可表示为[11]:

X(t)=k=1Kbk(θk, φk)akSk(t)+n(t)=AS(t)+n(t)(1)

式中: 表示Kronectker积; bk(θk, φk)=1, Uk, , UkN-1为入射信号的 N×1维空域导向矢量; 其中 Uk=expj2πdsinθkcosφk/λ为空间相位因子, λ为入射信号的波长, dλ/2; A=[b1(θ1, φ1)a1, b2(θ2, φ2)a2, , bk(θk, φk)ak]6N×K维空域-极化域导向矢量阵。其中 6×1维极化— 角度域导向矢量 ak为:

ak=ak(θk, φk, γk, ηk)a1ka2ka3ka4ka5ka6kcosθkcosφk-sinφkcosθksinφk cosφk-sinθk0-sinφk-cosθkcosφkcosφk-cosθksinφk0sinθkΘksinγkejηkcosγkgk2

式中: S(t)=S1(t), S2(t), , Sk(t)T为入射信号矢量矩阵; n(t)=[n1(t), n2(t), , nk(t)]T为阵列的附加噪声矢量矩阵。

不失一般性, 这里假设:

(1) Sk(t)k=1KK个谱密度未知的循环频率相同的零均值循环平稳过程, 且假设循环频率 ω已知。

(2)加性噪声 ni(t)=nαi(t)+ngi(t), 其中 nαi(t)为任意零均值 α(0< α< 2)噪声, ngi(t)为高斯有色噪声, 且 nαi(t)ngi(t)以及各 Sk(t)之间相互统计循环独立。

2 本文方法

定义由式(1)所示的线性极化阵列含噪输出信号矢量的 6N×6N维分数低阶循环相关函数(FLOCC)矩阵为:

RX, pω=EX(t+τ2)XH(t-τ2)(p-1)e-j2πωt3

式中: ω为循环频率, 假设 ω是已知的; p表示分数低阶矩的阶次; 上标H表示共轭转置。根据文献[10], 当 p< α< 2时, 该分数低阶循环相关函数矩阵存在。

根据分数低阶循环相关函数性质, 式(3)可写为:

RX, pω=k=1Kb(θk, φk)akrSkωb(θk, φk)akH4

式中: rSk, Skω(τ)Sk的分数低阶循环相关函数:

rSk, Skω(τ)=ESk(t+τ2)Sk* (t-τ2)(p-1)e-j2πωt5

由式(4)整理可得

RX, pω=ARS, PωAH6

式中: RS, Pω=diag[rS1, S1, pω(τ), rS2, S2, pω(τ), , rSk, Sk, pω(τ)]; A为空域— 极化域导向矢量矩阵:

A=[b1(θ1, φ1)a1, b2(θ2, φ2)a2, , bk(θk, φk)ak]=a1a2akU1a1U2a2UkakU1N-1a1U2N-1a2UkN-1ak7

设空间有K个完全极化循环平稳信号以θkkkk入射到线性极化阵列, 不难证明, 矩阵 RX, pω的秩为k对式(7)进行奇异值分解, 得:

RX, pω=VH=U1U2Σ1000VH1VH28

式中: Σ1=diagσ1, σ2, , σk为矩阵 RX, pω的非零奇异值矩阵。

由式(8)可得:

RX, pω=U1Σ1VH19RX, pωVH2=0(10)

将式(6)带入式(10), 由于 A为高矩阵, 且 RS, Pω可逆, 因而有:

AHV2=0(11)

这说明信号导向矢量阵 A与噪声矢量空间 V2中任一噪声奇异矢量 ViV2均正交。由文献[12], 线性极化阵列信号的二维DOA和极化参数估计的MUSIC算法可表示为:

PMUSIC(θ, φ, γ, η)=argMAXθ, φ, γ, η1VH2A(θ, φ, γ, η)212

然而, 传统MUSIC算法却存在以下几个缺点:

(1)从式(12)可以看出, 在传统MUSIC算法中, 其参数搜索过程需要利用噪声子空间 V2的全部噪声奇异矢量, 这严重导致了该算法的计算量相对较大, 在极大程度上限制了该算法的推广和发展。

(2)受接收数据长度的限制、干扰信号以及背景噪声的影响, 其FLOCC矩阵 RX, pω必定存在误差, 进而导致 V2中的奇异矢量也存在误差, 这也对传统MUSIC算法的参数估计精度带来极大的影响。

针对上述问题, 本文提出了FLOCC-SMN方法。由于噪声子空间 V2中的任意奇异矢量均与导向矢量矩阵 A正交, 这些奇异矢量构成了 V2子空间的一组完备正交基。因此, 这一正交基底的任意线性组合也与矩阵 A正交。根据线性代数理论, 最小范数方法对矩阵误差具有良好的抑制能力。因此, 满足式(12)的最小范数解可表示为[13]:

minwFwHw13

式中: F={w:RX, pωw=0, w(0)=1}

将特征矢量 w表示为 V2子空间的正交基底的线性组合, 即:

w=i=k+16NαiVHi14

Vi(i=k+1, , 6N)之间的正交性, 可得:

wHw=i=k+16Nαi215

w(0)=1的条件可表达为:

i=k+16NαiVi* (0)=1(16)

因而, 在 RX, pωw=0w(0)=1的约束条件下, 求 wHw极小的问题, 相当于求如下函数的无条件极值问题:

f(αi, λ)=i=k+16Nαi2+λi=k+16Nαiw(0)-117  令fαi=0, i=k+1, , 6N18可得:2αi+λVi* (0)=0, i=k+1, , 6N19

将式(19)代入式(14), 可得:

w=βi=k+16NVi* 0VHi20

由约束条件 w(0)=1, 可得:

β=i=k+16NVi02-121所以w=i=k+16NVi* 0VHii=k+16NVi0222

如前文所述, 由信号导向矢量 A与噪声矢量子空间 V2的正交性, 特征矢量 w也必定与导向矢量 A正交, 即:

AHw=0(23)

因此, 式(12)可改写为:

P(θ, φ, γ, η)=argmaxθ, φ, γ, η1wAH(θ, φ, γ, η)2=argmaxθ, φ, γ, η1detAH(θ, φ, γ, η)wwHA(θ, φ, γ, η)=argmaxθ, φ, γ, η1detgHΘHwwHΘZ(θ, φ)g24

式中:det ·为矩阵行列式运算符。

由于矩阵 Z(θ, φ)与极化参数 (γ, η)是相互独立的, 当 Z(θ, φ)奇异时, P(θ, φ, γ, η)将出现峰值。因此, 入射信号的DOA参数估计可通过下式的二维搜索获得[14]:

θ^, φ^=argmaxθ, φ1detZ(θ, φ)25

θ^, φ^代入矩阵 Z(θ, φ), 由式(24), 入射信号的极化参数即可通过再次的二维搜索获得:

γ^, η^=argmaxγ, η1detgHZ(θ^, φ^)g26

对比式(24)和式(25)(26)可见, DOA和极化参数的四维搜索计算等效地转变成了两次二维搜索, 这在极大程度上降低了参数搜索的计算量。

3 仿真验证

实验1 考查线性极化阵列DOA和极化参数联合估计FLOCC-SMN方法的参数估计性能及对噪声和干扰的抑制能力。

实验条件:设线性极化阵列的阵元数为8, 间距为 λ/2远场空域内有三个等功率且相互独立的窄带QPSK信号 S1S2S3入射到线性极化阵列上。其中, S1S2为待测信源, S3为干扰信号。 S1S2的载波频率为 f0=1MHz, S3的载波频率为0.95 MHz, 三个信号的入射角度和极化参数分别为: (θ1, φ1, γ1, η1)=(55°, 65°, 35°, 45°)(θ2, φ2, γ2, η2)=(125°, 45°, 70°, 35°)(θ3, φ3, γ3, η3)=(45°, 10°, 65°, 70°)附加噪声 nα(t)SαS稳定分布噪声, 它是按文献[15]方法产生, α=1.6, 其信噪比采用广义信噪比(Generalized signal to noise ratio, GSNR)[15]定义; ng(t)为由高斯白噪声通过一个四阶带通滤波器产生的零均值高斯有色噪声, 其信噪比记为 SNgR噪声与信号, 以及噪声之间均是统计独立的。取混合信噪比 SNR=GSNR+SNgR=10dB(GSNR=SNgR), 信干比SIR=3 dB, 快拍数为1000, 采样频率 fc=5f0, 循环频率 ω=f0=1MHz

实验方法:使用本文方法对入射信号的DOA和极化参数进行估计。

实验结果:图2图3分别为本文FLOCC-SMN方法的DOA和极化参数估计的一次典型实验结果。

图2 FLOCC-SMN方法的DOA估计 (SNR=10 dB, SIR=3 dB)Fig.2 DOA estimation of FLOCC-SMN method (SNR=10 dB, SIR=3 dB)

图2图3所示, 本文方法可有效地抑制与待测信号循环频率相异的干扰信号(SIR=3 dB)对参数估计带来的影响。并且在 α稳定分布噪声和高斯有色噪声并存、混合信噪比SNR=10 dB的情况下, 仍然可以以较高精度对待测信号的DOA和极化参数进行估计。

实验2 作为比较, 采用与实验1相同的实验条件和实验方法, 但采用基于分数低阶矩( P=1.4)的MUSIC方法(FLOC-MUSIC), 图4图5为待测信号的DOA和极化参数估计一次典型实验结果。

图3 FLOCC-SMN方法的极化参数估计(SNR=10 dB, SIR=3 dB)Fig.3 Polarization parameters estimation of FLOCC-SMN method(SNR=10 dB, SIR=3 dB)

图4 FLOC-MUSIC方法的DOA估计 (SNR=10 dB, SIR=3 dB)Fig.4 DOA estimation of FLOC-MUSIC method (SNR=10 dB, SIR=3 dB)

图5 FLOC-MUSIC方法的极化参数估计 (SNR=10 dB, SIR=3 dB)Fig.5 Polarization parameters estimation of FLOC-MUSIC method(SNR=10 dB, SIR=3 dB)

对比实验1和实验2的仿真结果, 可以明显看出, 在 α噪声和高斯有色噪声背景下, FLOC-MUSIC方法虽然可以估计出信号的DOA和极化参数, 但是对于循环频率相异的干扰信号 S3, 却出现了明显的伪峰。这说明本文FLOCC-SMN算法对于分离和抑制不同循环频率干扰信号的能力明显优于FLOC-MUSIC算法。

实验3 在不同信噪比条件下, 验证本文FLOCC-SMN方法的参数估计性能。

实验条件:使 α噪声和高斯有色噪声的混合信噪比(SNR)以5 dB为间隔, 从-10 dB到35 dB变化。其他实验条件与实验1相同。

实验方法:在每种信噪比条件下, 利用本文FLOCC-SMN方法执行100次Monte Carlo实验。并将100次的实验结果进行如下均方根误差(Root mean square error, RMSE)计算:

RMSE(DOA)=E(θ^-θ)2+(φ^-φ)2  27RMSE(polarization)=E(γ^-γ)2+(η^-η)228

式中: θ^φ^γ^η^为采用本文FLOCC-SMN方法所得到的DOA和极化参数的估计值;θ、φ、γ、η为参数的真实值。

实验结果:图6图7分别为在不同信噪比条件下, 采用本文FLOCC-SMN方法得到的信号DOA和极化参数估值的RMSE变化曲线。

图6 DOA估计的均方根误差曲线Fig.6 RMSE curve of DOA estimation

图7 极化参数估计的均方根误差曲线Fig.7 RMSE curve of polarization parameters estimation

图6图7可知, 随着 α噪声和高斯有色噪声的混合信噪比(SNR)的逐渐增加, DOA和极化参数估计的RMSE逐渐减少。而且即使在混合信噪比很低的情况下, 本文FLOCC-SMN方法仍然具有较高的DOA和极化参数估计精度。这充分说明了本文FLOCC-SMN方法能有效地抑制与信号循环不相关的任何有色噪声及干扰。

4 结束语

针对 α噪声和高斯有色噪声背景下, 线性极化阵列DOA和极化参数估计问题, 提出了一种基于分数低阶循环相关子空间-最小范数方法。首先, 利用信号的循环平稳特性, 采用分数低阶循环相关函数, 不仅克服了基于分数低阶矩类阵列DOA估计方法仅适用于独立同分布(i.i.d) SαS背景噪声的缺点, 而且还可以充分抑制 α和高斯混合噪声及与信号循环频率相异的任何循环平稳信号的干扰, 因而具有优良的信号参数估计性能及对各种环境噪声的鲁棒性。其次。针对传统MUSIC方法计算量大的问题, 采用最小范数方法将噪声子空间中的全部奇异矢量等效组合成一个特征矢量, 不仅有效地降低了参数搜索的计算量, 而且还在极大程度上降低了干扰信号以及背景噪声对噪声奇异矢量的误差影响。通过仿真实验, 验证了本文方法可充分抑制与待测信号循环频率相异的任意循环平稳干扰信号, 而且在 α和高斯噪声混合信噪比较低时, 仍然具有较高的DOA和极化参数估计精度。

The authors have declared that no competing interests exist.

参考文献
[1] 石屹然. 有色噪声背景下极化阵列信号参数估计方法研究[D]. 兰州: 兰州理工大学电气工程与信息工程学院, 2010.
Shi Y-iran. Study on methods of parameter estimation of polarization sensitive array signal in colored noise[D]. Lanzhou: College of Electrial and Information Engineering, Lanzhou University of Technology, 2010. [本文引用:1]
[2] 单泽彪, 石要武, 刘小松, . 时变遗忘因子动态DOA跟踪算法[J]. 吉林大学学报: 工学版, 2016, 46(2): 632-638.
Shan Ze-biao, Shi Yao-wu, Liu Xiao-song, et al. DOA tracking algorithm of moving target with variable forgetting factor[J]. Journal of Jilin University (Engineering and Technology Edition), 2016, 46(2): 632-638. [本文引用:1]
[3] 杨巍, 石要武. 基于分数阶傅里叶变换的宽带Chirp信号的波达方向角估计[J]. 吉林大学学报: 工学版, 2014, 44(3): 818-821.
Yang Wei, Shi Yao-wu. Broadband direction-arrival estimation of Chirp signal using fractional Fourier transform[J]. Journal of Jilin University (Engineering and Technology Edition), 2014, 44(3): 818-821. [本文引用:1]
[4] Shao M, Nikias C L. Signal processing with fractional lower order moments: stable processes and their applications[J]. Proceedings of the IEEE, 1993, 81(7): 986-1010. [本文引用:2]
[5] Shao M, Nikias C L. Detection and adaptive estimation of stable processes with fractional lower-order moments[C]∥IEEE Sixth SP Workshop on Statistical Signal and Array Processing, Victoria, BC, 1992: 94-97. [本文引用:1]
[6] 何劲. α稳定分布噪声背景下阵列信号处理方法研究[D]. 南京: 南京理工大学电子工程与光电技术学院, 2007.
He Jing. Investigation on array signal processing amid α-stable noise[D]. Nanjing: School of Electronic and Optical Engineering, Nanjing University of Science and Technology, 2007. [本文引用:1]
[7] Tsakalides P, Nikias C L. The robust covariation-based MUSIC (ROC-MUSIC) algorithm for bearing estimation in impulsive noise environments[J]. IEEE Transactions on Signal Processing, 1996, 44(7): 1623-1633. [本文引用:1]
[8] Samorodnitsky G, Taqqu M S. Stable non-Gaussian rand om processes: stochastic models with infinite variance[J]. Bulletin of the London Mathmatical Society, 1996, 28(134): 554-555. [本文引用:1]
[9] Liu T H, Mendel J M. A subspace-based direction finding algorithm using fractional lower order statistics[J]. IEEE Transactions on Signal Processing, 2001, 49(8): 1605-1613. [本文引用:2]
[10] 里红杰. 基于分数低阶循环相关的系统辨识及应用研究[D]. 大连: 大连理工大学电子与信息工程学院, 2007.
Li Hong-jie. System identification and application based on fractional lower order cyclic correlation[D]. Dalian: School of Electronic and Information Engineering, Dalian University of Technology, 2007. [本文引用:1]
[11] Wong K T, Zoltowski M D. Closed-form direction-finding with arbitrarily spaced electromagnetic vector-sensors at unknown locations[C]∥Proceedings of the International Conference on Acoustics, Speech, and Signal Processing, Seattle, WA, 1988: 1949-1952. [本文引用:2]
[12] 赵拥军. 宽带阵列信号波达方向估计理论与方法[M]. 北京: 国防工业出版社, 2013. [本文引用:1]
[13] 黄琳. 系统与控制理论中的线性代数[M]. 北京: 科学出版社, 1984. [本文引用:1]
[14] 周欣. 复杂噪声背景下极化阵列信号参数估计的理论与方法研究>. [D]: 长春: 吉林大学通信工程学院, 2009.
Zhou Xin. Study on theory and method of signal parameters estimation with polarization sensitive array in complex noise[D]. Changchun: College of Communication Engineering, Jilin University, 2009. [本文引用:1]
[15] Chambers J M, Mallows C L, Stuck B W. A method for simulating stable rand om variables[J]. Journal of the American Statistical Association, 1976, 71(354): 340-344. [本文引用:1]