买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国科学院声学研究所

摘要：本发明属于声学信号处理和水下目标探测时延估计技术领域，具体地说，涉及一种基于稀疏学习的超分辨时延估计方法，该方法包括：对目标海域进行空间网格划分，形成若干网格；声呐在某时刻发射信号，发射信号经过不同的路径抵达接收机，由接收机接收发射信号，得到接收信号；对接收信号进行匹配滤波器后，输出滤波信号，并基于稀疏学习，对滤波信号改写为稀疏表达式；再利用稀疏性，采用最大似然方法，对稀疏表达式进行优化，得到优化模型；再利用贝叶斯准则估计路径数目并采用加权傅里叶变换松弛法，对优化模型进行求解，得到时延估计和振幅向量估计。

主权项：1.一种基于稀疏学习的超分辨时延估计方法，该方法包括：对目标海域进行空间网格划分，形成若干网格；声呐在某时刻发射信号，发射信号经过不同的路径抵达接收机，由接收机接收发射信号，得到接收信号；对接收信号进行匹配滤波器后，输出滤波信号，并基于稀疏学习，对滤波信号改写为稀疏表达式；再利用稀疏性，采用最大似然方法，对稀疏表达式进行优化，得到优化模型；再利用贝叶斯准则估计路径数目并采用加权傅里叶变换松弛法，对优化模型进行求解，得到时延估计和振幅向量估计；所述对接收信号进行匹配滤波器后，输出滤波信号，并基于稀疏学习，对滤波信号改写为稀疏表达式；其具体过程包括：假定所有可能的时间延迟都位于划分好的网格上，则经过匹配滤波器后输出滤波信号rsyτ重新写为 其中，rss,τ＝[rssτ+τ1,...,rssτ+τL]T；rssτ+τL为第L个网格的信号自相关函数；rsnτ为信号与噪声的互相关函数；N为代表已知的t时刻的发射信号序列st的长度；另外，α＝[ατ1,...,ατL]T是振幅向量，其中的元素是与时间延迟相关的振幅，因此，当τl≠τk时，ατl＝0；k表示第k路接收信号；进一步，经过匹配滤波器MF后输出滤波信号再改写为稀疏表达式：rsy＝Rssα+rsn,4其中， 所述再利用稀疏性，采用最大似然方法，对稀疏表达式进行优化，得到优化模型；再利用贝叶斯准则估计路径数目并采用WRELAX算法，对优化模型进行求解，得到更精确的时延估计和振幅向量估计；其具体过程包括：对于稀疏表达式：rsy＝Rssα+rsn,4假定α服从模块积先验对上述稀疏表达式进行处理，得到处理后的模型： 其中，协方差矩阵且R的第p行第q列元素{R}p,q为： 其中，rp,q为Σss的第p行第q列元素；最终协方差矩阵表示为当Σss不满秩时，对Σss进行特征值分解，记为Σss＝UΛUH；其中，Λ＝diagλ1,...,λh,0,...0是一个对角元素为特征值的对角矩阵；U＝[Uh,U0]为相应的特征向量组成的矩阵；令最终获得如下MF输出数据模型: 采用最大似然方法，当已知时，对上述模型8进行优化，得到初期优化模型： 其中，利用最大-最小优化方法，已知如下不等式成立： 其中，为第m次迭代时α的估计值；此时是一个定值，初期优化模型则变为如下的中间优化模型： 其中, 对中间优化模型求解，得到第m次迭代的估计振幅向量αm+1： 其中，当未知时，在得到上述的第m次迭代的估计振幅向量αm+1之后，对上述模型8进行优化，则得到初步优化模型： 采用循环优化方法，对上述初步优化模型进行处理，得到处理后的优化模型： 对处理后的优化模型进行求解得到 再引入贝叶斯信息准则，得到估计路径数K： 其中，Kmax表示路径数的上界，αK是通过将除最大K值外的α估计值中的所有元素设为零得到的；利用最大似然方法和所提出的MF输出数据模型8，进行优化，得到优化模型： 其中，α′＝[α1,..,αK]T；Γss＝[γss,-N+1,...,γss,N-1]T；γss,τ＝[rssτ+τ1,...,rssτ+τK]T；再采用加权傅里叶变换松弛法，对优化模型进行求解，得到更精确的时延估计和振幅向量估计αk：

全文数据：

权利要求：

百度查询： 中国科学院声学研究所 一种基于稀疏学习的超分辨时延估计方法及估计装置