基于张量数据模型的声矢量传器阵列信号方位估计算法研究.pdfVIP

基于张量数据模型的声矢量传感器阵列信号方位估计算法研究

摘要

传统的声矢量传感器阵列信号处理算法将获得的信号展开成矩阵或长矢量形式，破

坏了声矢量传感器阵列获得信息的多维结构特点，为解决此问题，本文选择高维数据运

算领域的代表方法——张量作为数据的表达形式,从张量数据模型角度出发，研究基于

张量数据模型的声矢量传感器阵列信号方位估计算法，使得获得声源信息中的多维结构

信息能够被充分利用，从而达到提高方位估计算法精度的目的。

本文首先对张量数据模型与常规多重信号分类（MUSIC）算法和旋转不变子空间

（ESPRIT）算法的融合进行研究，得到基于张量数据模型的MUSIC算法和ESPRIT算

法，相较于常规MUSIC算法和ESPRIT算法而言，经张量数据模型改进后的算法具有

估计精度更高的优势，但因计算过程从低维拓展到高维，同时也带来计算复杂度过高的

问题。

针对基于张量数据模型的MUSIC算法因数据模型维度拓展，需要更高维度的谱峰

搜索，从而导致算法计算量庞大，基于张量数据模型的ESPRIT算法无法自动匹配二维

方位估计结果的问题，本文继而对基于自协方差张量模型平行因子（PARAFAC）分解的

DOA估计算法进行研究。通过分析可知，该算法虽无需上文中提到的高维谱峰搜索和

参数配对过程，但存在低信噪比下进行PARAFAC分解时易陷入局部最优解从而导致方

位估计失效的问题。

针对基于自协方差张量模型PARAFAC分解的DOA估计算法低信噪比下估计失效

的问题，本文相继对基于张量数据模型直接三线性PARAFAC分解的DOA估计算法和

基于张量数据模型快速PARAFAC分解的DOA估计算法进行研究。上述两种算法利用

不同的方法对因子矩阵进行初始估计，从而避免因随机初始化因子矩阵导致PARAFAC

分解结果陷入局部最优解的问题，且后者相较于本文中研究的其他基于张量数据模型处

理的相应算法可大幅降低计算复杂度，经仿真分析和外场试验数据处理证实这两种算法

相关理论分析的正确性。

关键词：声矢量传感器阵列；张量模型；PARAFAC；DOA

基于张量数据模型的声矢量传感器阵列信号方位估计算法研究

ABSTRACT

Thetraditionalacousticvectorsensorarraysignalprocessingalgorithmexpandsthe

obtainedsignalsintomatrixorlongvectorforms,whichdisruptsthemulti-dimensional

structuralcharacteristicsoftheinformationobtainedbytheacousticvectorsensorarray.To

solvethisproblem,thispaperselectstherepresentativemethodinthefieldofhigh-dimensional

dataoperation-tensorasthedataexpressionform,andintegratesthetensormodelwiththe

traditionalacousticvectorsensorarraysignalprocessingalgorithm,Enablethefullutilization

ofmultidimensionalstructuralinformationinobtainingsoundsourceinformation,thereby

achievingthegoalofimprovingtheaccuracyofdirectionestimationalgorithms.

Thisarticlefirststudiesthefusionalgorithmoftensordatamodelwithconventional

multiplesignalclass