基于张量的高阶声学传感器阵列方向估计方法
《Applied Acoustics》:A tensor-based direction-of-arrival estimation method for high-order acoustic sensor arrays
【字体:
大
中
小
】
时间:2026年07月20日
来源:Applied Acoustics 4.3
编辑推荐:
•一种高阶声学传感器阵列被设计用于提升方向角估计精度。•采用相位模式处理技术从声压信号中提取多阶声学信息。•针对该高阶声学传感器阵列,研究了一种基于张量的方向角估计方法。•仿真结果表明,该阵列在分辨率和精确度方面均优于传统声学矢量传感器阵列。•实验结果进一步验证了该方法在目标分辨
•一种高阶声学传感器阵列被设计用于提升方向角估计精度。•采用相位模式处理技术从声压信号中提取多阶声学信息。•针对该高阶声学传感器阵列,研究了一种基于张量的方向角估计方法。•仿真结果表明,该阵列在分辨率和精确度方面均优于传统声学矢量传感器阵列。•实验结果进一步验证了该方法在目标分辨率方面的优势。
引言
与电磁波相比,声波在海洋环境中的远距离传播性能更为优异,因此声纳系统成为水下目标检测与定位的主要手段。随着声学隐身技术的发展,传统声纳系统的有效探测范围大幅缩小。由于水下声信号的传播损耗通常随频率降低而减小,低频声学传感在水下目标检测领域越来越受到重视。然而,使用传统声纳阵列检测低频信号往往需要较大的阵列孔径,这在实际应用中难以实现。因此,在有限的阵列孔径及低信噪比条件下,如何实现对低频水下声信号的高分辨率方向角估计,仍是一个重要的研究课题。
对于孔径有限的传感器阵列,提升每个阵列元素所捕获的声学信息是增强方向角估计性能的有效途径。声学矢量传感器便是这一策略的典型代表。这类传感器通常包含一个声压通道以及两到三个正交方向的粒子速度通道,能够同时测量同一空间位置处的声压和粒子速度分量[1]、[2]。凭借多个输出通道,声学矢量传感器阵列相比具有相同配置的标量声学传感器阵列,能够提供更丰富的方向信息,并实现更高的参数估计精度[2]。针对声学矢量传感器阵列,Nehorai等人提出了长向量模型[1],将每个输出通道视为独立传感器的输出。基于该模型,许多原本用于标量声学传感器阵列的方向角估计算法可被扩展到声学矢量传感器阵列。Li等人则提出了一种基于特征波束分解与合成的超定向模型,该模型可便捷地应用于圆形矢量传感器阵列[3]。不过,由于实际制造限制,大多数声学矢量传感器仅能检测声压和一阶振动速度分量,这限制了其性能的进一步提升。
为克服这一局限,可通过对圆形或球形声压传感器阵列应用相位模式信号处理技术,提取更高阶的声学信息[4]、[5]、[6]、[7]、[8]。通过对圆形或球形孔径进行空间采样,接收到的声压场可被分解为不同的相位模式,从而在紧凑的传感器结构中获取多阶声场分量。基于这些相位模式分量,可在模态域内进行波束形成与方向角估计。相位模式波束形成通常基于入射平面波的空间傅里叶分析,将传感器加权函数展开为傅里叶级数[9]、[10]。通过将接收数据从声压域转换为相位模式域,相位模式波束形成能够在小孔径条件下实现高定向性[4]、[11]、[12]、[13],良好的角度分辨能力[14]、[15],以及优异的宽频带频率不变性[16]。Wang等人[17]将超定向波束形成技术扩展到相位模式域,提升了该波束形成方法的鲁棒性。Teutsch对相位模式域内的阵列处理进行了系统性研究,并将基于旋转不变性技术的信号参数估计方法应用于圆形阵列[14]。Sun等人则利用球形阵列,在相位模式域下对室内混响条件下的方向角估计进行了实验分析[15]。除了相位模式域处理外,人们还研究了用于实现高定向波束形成的紧凑型小孔径阵列。近期研究探讨了基于特征波束的稳健超定向波束图案合成方法,适用于任意小孔径阵列[18],以及类似圆形传感器阵列的稳健超定向实现方案[19],这些研究表明紧凑型圆形或类圆形阵列在高频向声学传感领域具有巨大潜力。然而,现有研究大多将圆形或球形标量传感器阵列视为完整的接收阵列,很少有研究将此类紧凑型圆形或球形阵列视为独立的阵列元素。Lai[20]基于正交空间谐波与奈奎斯特采样定理,研究了高阶组合传感器,并将其响应表示为不同模态阶数的圆柱谐波的线性组合。这项工作为高阶声学传感提供了理论框架,但该传感器模型主要从理论层面进行研究,尚未给出用于阵列方向角估计的实际应用结果。与之不同,本文所研究的高阶声学传感器阵列是由标量声学传感器构成的小孔径环形阵列,多个此类阵列可进一步按特定配置排列,从而充分利用传感器间的空间孔径以及多阶模态信息。
与声学矢量传感器阵列类似,本文所研究的高阶声学传感器阵列也具有多通道输出结构,因为每个阵列单元都能输出不同阶数的多模态信号。不过,尽管长向量模型为将传统标量阵列的方向角估计方法扩展到多通道传感器阵列提供了便捷途径,但它会将多通道观测值向量化处理,可能无法完全保留接收数据固有的多维结构。这一局限会限制对不同传感器输出维度之间耦合关系的利用,进而影响估计性能。为更好地利用此类多维结构,人们将基于张量的信号模型引入阵列信号处理领域。参考文献[21]中提出了一种基于高阶奇异值分解的张量多信号分类方法,用于极化源的参数估计,参考文献[22]进一步分析了该方法的理论优势。与将多维数据展平为向量的长向量模型不同,张量分解能够保留不同数据维度之间的固有多线性耦合关系[23]。基于张量的方法也被应用于多通道声学矢量传感器阵列[24]。Miron等人提出了针对声学矢量传感器阵列的张量处理方法[25]。此外,Zhang等人还为混合标量-矢量传感器阵列开发了基于张量的方向角估计方法,证明张量建模能够有效保留并利用传感器的多维输出结构,从而提升海洋环境下的方向角估计性能[26]。Liu等人提出了基于广义T-SVD与PARAFAC建模的二维方向角估计框架,展示了张量低秩结构在多维角度估计方面的应用潜力[27]。为应对相干源场景,Ling等人提出了一种基于托普利茨矩阵的张量分解方法,通过结合结构重建与张量子空间处理,提升去相关性与方向角估计性能[28]。这些研究表明,张量信号模型能够在数据的存储与处理过程中保留其多维结构,且能为利用多通道阵列观测数据中的固有多线性关系提供有效工具。这一特性非常适合高阶声学传感器阵列,因为其接收数据既包含不同传感器间的空间信息,也包含每个传感器内部的模态信息。
如前文所述,本文所研究的高阶声学传感器阵列由标量声学传感器构成的小型圆形阵列实现,根据相位模式理论,其接收到的压力信号可被分解为多阶模态分量。这样一来,该阵列能够提供多通道声学观测数据,其中既包含不同阵列单元间的空间信息,也包含每个阵列单元内部的模态信息。与传统声学矢量传感器通常仅能提供声压和一阶粒子速度信息不同,高阶声学传感器阵列能够从接收到的压力场中提取更高阶的声学场信息。通过将多个高阶声学传感器阵列排列成阵列,接收到的数据既包含传感器间的空间信息,也包含传感器内部的模态信息,形成了天然的多维结构。因此,关键问题在于如何为高阶声学传感器阵列构建合适的信号模型,并有效利用这种多维结构进行方向角估计。为此,本文为高阶声学传感器阵列建立了基于张量的信号模型,并基于该模型提出了基于HOSVD的张量MUSIC方法,用于高阶声学传感器阵列的方向角估计。通过数值仿真验证了该方法的有效性及性能优势,实验结果进一步对其进行了确认。
本文其余部分的结构如下:第二节介绍高阶声学传感器阵列的概念,建立其基于张量的信号模型,并阐述相关的理论基础;第三节描述了基于该模型的高阶声学传感器阵列方向角估计的张量MUSIC方法;第四节通过数值仿真评估该方法的性能,将其与传统的声压阵列处理方法及声学矢量传感器阵列的结果进行对比;第五节展示实验结果;最后,第六节对全文进行总结。
信号模型
本节考虑由L个高阶声学传感器阵列构成的二维平面线性阵列。假设共有J个来自不同方向的远场不相关源信号入射到该阵列上,这些方向的方位角分别为θj∈0°,180°,j=1,2,?,J,其中θj表示第j个源的方位角。
高阶声学传感器阵列的方向角估计
本节提出了与张量模型相对应的高阶声学传感器阵列的典型基于子空间的方向角估计算法。基于特征值分解的子空间算法能够突破瑞利极限,实现超分辨率的方向角估计,典型的方法包括MUSIC[30]、[31]方法和ESPRIT[32]方法。在本节中,基于MUSIC方法提出了适合张量结构的张量MUSIC方法。
仿真
本节通过数值仿真评估高阶声学传感器阵列的性能,并将其与声学矢量传感器阵列的性能进行比较。除非另有说明,本节所有仿真均采用以下设置:高阶声学传感器阵列为五元均匀线性阵列,每个阵列单元由若干个均匀分布在一个小圆周上的声压传感器构成。参考信号的波长设为1.5米,各个高阶声学传感器阵列单元之间的间距为半波长。
实验结果
为评估使用高阶声学传感器阵列的所提方法的实际性能,本文进行了水槽实验。本节对利用高阶声学传感器阵列采集的水槽实验数据进行了处理。实验中所用的高阶声学传感器阵列由六个3高阶声学传感器阵列单元组成,呈均匀线性阵列排列。每个3高阶声学传感器阵列单元由六个标量声学传感器构成,这些传感器均匀分布在半径为0.06米的圆形孔径上。
结论
本文设计了高阶声学传感器阵列,并建立了其基于张量的模型。与声学矢量传感器相比,高阶声学传感器具有更简单的物理结构,能够提供更丰富的声学信息。随后,本文提出了基于张量MUSIC的方法,用于高阶声学传感器阵列的方向角估计。该张量模型能够有效利用接收信号的多维结构。数值仿真结果表明,高阶声学传感器阵列的方向角估计性能优于声学矢量传感器阵列。实验结果也表明……
作者贡献声明
郝新凯:软件设计、方法论研究、形式化分析、概念构建。王勇:论文撰写与编辑、项目管理、资金申请、数据整理。刘艳明:数据整理、形式化分析、实验研究。高汉林:论文初稿撰写、项目指导、软件开发、资源协调。杨奕鑫:结果可视化、方法验证。
利益冲突声明
作者声明不存在任何可能影响本文研究工作的已知财务利益或个人关系。
致谢
本研究部分得到了汉江国家实验室联合培养基金项目(编号HJLJ20240302)、国家自然科学基金(项目编号12422414、62431023),以及浙江省“先锋”和“领雁”研发计划(项目编号2024C03275(SD2))的支持。
郝新凯|王勇|刘艳明|高汉林|杨奕鑫
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号