基于智能计算的声矢量传感器阵列低空目标定向方法研究

Aiming at the problems that scalar small array is almost no directivity to low-frequency acoustic source and low-altitude target detection performance is poor, sound source target detection is studied by intelligent computing and information fusion, exploiting collaboratively the information of small platform of multiple acoustic vector sensor array sparsely distributed. The parameter estimation algorithm of multiple algebraic phase ambiguity resolution is studied by exploiting acoustic vector sensor orthogonal characteristics and large aperture information between platforms against the low accuracy of parameter estimation in small aperture scalar array. The intelligent algorithm for parameter estimation of broadband coherent sound source is studied by exploiting the combination of principal component analysis (PCA) and niche genetic algorithm aiming at the problem of high complexity of broadband coherent sound source detection algorithm. The convergence accuracy is improved and the amount of calculation is reduced by main classification feature extraction, distributed optimization, local disturbance, conditional transition probability and penalty function setting. The dimension reduction parameter estimation algorithm of sparse frame in small snapshots is studied by over-complete dictionary construction, iterative margin selection and dimension reduction processing for reducing system complexity and meeting the requirements of real-time processing. The multi-platform information fusion is presented by using the neural network, the target detection accuracy is improved by weight adjustment, the adaptation of learning rate, the genetic algorithm. The research of this project is of great significance and application value for low-altitude target detection in broadband coherent source.

针对标量小基阵对低频声源信号几乎没有指向性，低空目标探测性能不佳的问题，本项目拟联合利用空间稀疏分布的多个声矢量传感器阵列小平台的信息，通过智能计算和信息融合开展声源目标探测研究。针对小孔径标量阵列参数估计精度不高的问题，研究利用声矢量传感器正交特性及平台间大孔径信息的多元代数相位解模糊参数估计算法。针对宽带相干声源探测算法复杂度高的问题，研究利用主分量分析法和小生境遗传算法相结合的宽带相干声源参数估计智能算法，通过主分量特征提取、分布式优化、局部扰动、条件转移概率和罚函数设置，提高收敛精度，降低计算量。为了降低系统复杂度和满足实时处理的要求，通过过完备字典构造、迭代余量选择、降维处理，研究小快拍下的稀疏框架降维参数估计方法。利用神经网络进行多平台信息融合，通过权重调整、学习率自适应、遗传算法，提高神经网络目标探测准确性。本项目的研究对宽带相干源下的低空目标探测有重要意义和应用价值。

针对复杂实际环境以及多种干扰和多径效应的存在导致实际入射信号往往为宽带信号，传统阵列对低频声源信号几乎没有指向性，且阵列性能受限于阵元数,导致低空目标探测定位性能不佳的问题，本项目通过阵列阵形设计、阵列方向图综合、数据矩阵构造、智能计算和深度神经网络信息融合处理，联合利用空间稀疏分布的多个声矢量传感器阵列的信息，进行目标探测和定位研究。针对小孔径标量均匀阵列参数估计精度不高的问题，研究利用声矢量传感器正交特性及稀疏互质优化阵列虚拟重构的大孔径信息，提高布阵的灵活性扩大阵列孔径；通过奇异值分解、主分量分析法和小生境遗传算法等稀疏处理降低参数量，提高算法估计速度并提高参数定位精度。针对入射信号是相干信号时，信号子空间和噪声子空间不垂直，信号子空间扩散到了噪声子空间，从而导致信号子空间类算法失效的问题，研究了基于矩阵重构、矩阵块运算、旋转不变特性的宽带解相干参数估计，这类算法比空间平滑类算法有更广的应用范围。研究了BP神经网络、支持向量回归等多种方式进行宽带相干声源探测，这些机器学习类算法不需要特征分解，不需要解相干处理可以处理相干和非相干信号。针对阵列天线存在的各种误差以及系统误差，研究利用后向反馈神经网络和支持向量回归的学习功能将误差训练到网络模型中，不需要专门的误差校正，直接进行误差存在情况下的信源定位估计，节省计算时间、降低系统复杂度、更利于实时处理，仿真结果证明了所提方法的有效性。为了融合多种信息，研究了临近目标导致的重叠漏检问题，提出基于YOLOv4-tiny改进目标定位算法，通过对损失函数的改进，网络结构的简化，提高检测概率和模型的泛化性能。从检测精度、检测速度和模型大小来看，改进后的YOLOv4-tiny算法相比YOLOv3-tiny算法和YOLOv4-tiny算法有明显提高。本项目从多种角度、多个层次研究了复杂环境下宽带相干、有误差情况下的低空目标探测定位问题，为低空目标探测和定位提供理论基础和技术支撑。