曾祥旭，章新華，李鵬，焦義民

?

基于干擾方位跟蹤的自適應干擾抑制方法

曾祥旭1，章新華2，李鵬3，焦義民1

(1. 海軍大連艦艇學院研究生隊，遼寧大連 116018；2. 海軍大連艦艇學院軍事海洋系，遼寧大連 116018；3. 哈爾濱工程大學水聲工程學院，黑龍江哈爾濱 150001)

針對復雜海洋環(huán)境中聲吶探測弱目標易被強干擾淹沒的問題，提出一種對被動聲吶探測到的強干擾源進行跟蹤抑制的方法，通過對觀測數(shù)據(jù)的互譜密度矩陣(Cross Spectral Density Matrix，CSDM)進行特征分解，根據(jù)干擾方位范圍的先驗知識，對干擾源的方位進行跟蹤，依據(jù)方位信息選擇代表強干擾的特征向量，依此根據(jù)不同的算法重構剔除了干擾信息的CSDM。數(shù)值仿真和海試數(shù)據(jù)驗證結果表明，該方法能夠在已知干擾初始方位區(qū)域的情況下自適應地抑制強干擾，較好地保留并提取目標信息，檢測出感興趣的目標。該方法為后續(xù)的目標識別與跟蹤提供了有利條件。

自適應干擾抑制；干擾方位跟蹤；互譜密度矩陣；特征分解

0 引言

在復雜的海洋環(huán)境中，尤其在海面干擾數(shù)目多、干擾強度大的情況下，被動聲吶探測范圍內(nèi)的感興趣弱目標信號往往被強干擾所淹沒，傳統(tǒng)的目標檢測算法無法有效地檢測出弱目標。研究如何得到具有更高信干比與信噪比的信號，從而提高對弱目標的檢測能力具有重大意義。

在以前的研究工作中，提出了一種基于強干擾抑制的弱目標檢測方法，其思想源于Cox在2000 年提出的一種子空間的自適應干擾抑制方法[1]：在短時間內(nèi)(較少的采樣次數(shù))干擾強度遠大于目標信號強度時，大特征值對應的就是強干擾占主導的特征向量，通過重構剔除該部分特征向量的互譜密度矩陣來對強干擾進行抑制?；趶姼蓴_抑制的弱目標檢測方法通過常規(guī)波束形成得到空間上的能量分布從而預估計強干擾個數(shù)，將這幾個能量最強的信號當作干擾并利用特征子空間進行抑制，提高了對弱目標的檢測能力。通過數(shù)值仿真與海試數(shù)據(jù)驗證了該方法的可行性和有效性，其優(yōu)勢在于，不需要任何關于干擾或是目標的先驗信息，普適性較強。但是該方法仍然存在一些缺陷。

在以前的研究工作中發(fā)現(xiàn)在寬帶環(huán)境下使用該方法進行寬帶非相干處理時，由于水下目標的線譜分量存在，在某些子頻帶，能量最強的幾個信號不一定就是干擾，也有可能是感興趣的水下弱目標。這意味著該方法在這些子頻帶上將要抑制的幾個最強的信號也有可能包含感興趣目標，所以該方法在寬帶環(huán)境下有效抑制強干擾的同時也會抑制感興趣弱目標的能量，在檢測目標信號的性能上具有局限性?；诖?，本文在對干擾方位進行跟蹤的基礎上，對每一個子帶上的干擾進行針對性較強的抑制，可以有效地保留目標的信息，提高了目標檢測性能。

1 數(shù)據(jù)模型

2 自適應干擾跟蹤抑制方法

根據(jù)上述陣列數(shù)據(jù)模型，其各個頻率分量對應的基陣接收數(shù)據(jù)波束形成的空間功率譜估計為[3]

其中，使用常規(guī)波束形成(Conventional Beam Forming，CBF)[4]方法時，

使用最小方差無失真響應(Minimum Variance Distortionless Response，MVDR)[5]方法時，

其中，為寬帶處理的頻點數(shù)。

根據(jù)特征分解方法[7]，互譜密度矩陣可以分解成以下的形式：

并且其子矩陣滿足：

在實際應用中，我們往往無法實時、精確地知道干擾的真實方位，但是由于干擾的能量往往比較大，相比弱目標跟蹤更為容易，由此可以通過對干擾源進行跟蹤得到干擾所在方位的范圍。

由式(14)即可得到對干擾方位區(qū)域內(nèi)的干擾進行了抑制的空間功率譜估計，可表示為

寬帶處理的空間譜估計由各頻率分量空間譜求和再平均得到：

3 數(shù)值仿真與理論分析

本節(jié)通過數(shù)值仿真來分析自適應干擾跟蹤抑制方法的有效性。在MVDR方法的基礎上，對應用該方法處理前后的處理結果進行比較。仿真過程中假設48陣元、相鄰陣元間距為5 m的水平均勻線列陣，信源采用單頻信號，聲速為1 500 m/s。仿真中用零均值高斯白噪聲模擬陣元噪聲，并且各陣元間噪聲相互獨立，噪聲與信號、信號與信號以及信號與干擾之間都相互獨立。兩個信噪比為-5 dB的目標分別位于40°和90°；兩個干噪比分別為30 dB和25 dB的強干擾位于43°和85°；三個干噪比為5 dB的干擾分別位于20°、60°和110°。

仿真中，已知干擾范圍為83°～87°與41°～45°，得到該方法應用前后的MVDR歸一化空間功率譜估計如圖1、2所示。

比較圖1和圖2可知，利用該方法進行干擾抑制前后的空間功率譜估計，使用MVDR方法得到的結果中，空間譜圖中的目標峰值完全被強干擾的旁瓣掩蓋，無法檢測出目標信號；經(jīng)過本文方法處理后MVDR得到的結果中，有效抑制了在43°和85°方位的兩個強干擾，準確地檢測出了在40°和90°方位的兩個弱目標。數(shù)值仿真結果表明，本文提出的自適應干擾跟蹤抑制方法能夠有效地抑制強干擾、檢測弱目標，極大地提高了輸出信干比和信噪比。

圖1 干擾抑制前MVDR歸一化功率譜估計

圖2 干擾抑制后MVDR歸一化功率譜估計

該方法需要初始干擾方位范圍的先驗信息，后續(xù)的干擾方位范圍可以通過在本文的前期工作中對干擾源的有效跟蹤得到。相比常規(guī)的對目標進行跟蹤檢測的方法，由于干擾的能量強度往往較大，對干擾的跟蹤抑制較為容易實現(xiàn)，這是該方法的優(yōu)勢所在，并且相比較前期工作提出的基于強干擾抑制的弱目標檢測方法，該方法可以更好地保留目標信息。

4 海試數(shù)據(jù)驗證

海上數(shù)據(jù)采集過程中，陣列為48陣元、2 m陣元間隔的拖曳線陣，聲速約為1 500 m/s，處理頻段滿足半波長。圖3是CBF與本文方法對實際水中目標估計的方位歷程對比。

從圖3對海上實測數(shù)據(jù)的處理結果來看，被動聲吶探測海域內(nèi)同時存在多個強度不一、軌跡不同的強干擾。常規(guī)波束形成方法對于強干擾的航跡檢測非常清晰，而對于123°左右的感興趣弱目標的檢測比較模糊，對于其余空間方位的弱信號的檢測能力也非常有限。而通過對初始方位為48°和93°左右的強干擾源進行跟蹤抑制，可以看出幾個強干擾的歷程被明顯抑制，而123°左右的感興趣弱目標的軌跡得到了明顯增強。

(a) CBF歷程圖

(b) 干擾源跟蹤抑制歷程圖

圖3 使用CBF和本文提出方法的目標方位歷程對比

Fig.3 The comparison between target azimuth histories of using CBF and the proposed method in this paper

5 結論

本文提出了基于干擾方位跟蹤的干擾抑制與目標檢測方法，利用對干擾方位的跟蹤，得到實時的干擾方位區(qū)域估計，通過子空間類干擾抑制方法重構剔除了干擾的CSDM，提高了輸出信干比和處理增益。數(shù)值仿真表明，該方法可以有效地抑制已知初始方位的強干擾，為進一步的目標檢測提供了有利條件。

本文方法需要對干擾方位進行跟蹤，而后自適應地進行干擾抑制，運算量較大，并且該方法在目標與干擾交叉的情況下也有局限性，會同時對干擾以及鄰近方位的目標進行抑制。在后續(xù)研究中，將在本方法的基礎上，通過水面水下的起伏特性差異來抑制水面干擾，檢測水下目標，進一步提高干擾抑制能力。

[1] Cox H. Multi-rate adaptive beamforming(MRABF)[C]//Proc. Sensor Array and Multichannel Signal Processing Workshop, Cambridge MA, 2000(13): 306-309.

[2] 王永良, 陳輝, 彭應寧. 空間譜估計與算法[M]. 北京: 清華大學出版社, 2004: 18-81. WANG Yongliang, CHEN Hui PENG Yingning. Spatial spectrumestimation and algorithm[M]. Beijing: Tsinghua University Press, 2004: 18-81.

[3] 陳陽. 水聲陣列信號處理理論及實驗研究[D]. 哈爾濱: 哈爾濱工程大學, 2009. CHEN Yang. Theoretical and experimental study on underwater acoustic array processing[D]. Harbin: Harbin Engineering University, 2009.

[4] 孫超. 水下多傳感器陣列信號處理[M]. 西安: 西北工業(yè)大學出版社, 2007: 230-277. SUN Chao.Underwater multi sensor array signal processing[M]. Xian: Northwestern Polytechnical University Press, 2007: 230-277.

[5] Capon J. High-resolution frequency-wavenumber spectrum analysis [J]. Proceedings of the IEEE, 1969, 57(8): 1408-1418.

[6] Gorodnitsky I F, Geoge J S, Rao B D. Neuromagnetic source imaging with focuss: A recursive weighted minimum norm algorithm[J]. J. Electroenceph Clinical Neurophysiol, 1995, 95(4): 231-251.

[7] 張賢達. 矩陣分析與應用[M]. 北京: 清華大學出版社, 2004. ZHANG Xianda. Matrix analysis and application[M]. Beijing: Tsinghua University Press, 2004.

[8] 岳劍平. 水下目標被動跟蹤研究[D]. 哈爾濱: 哈爾濱工程大學, 2004. YUE Jianping. The study on passive tracking of underwater moving target[D]. Harbin: Harbin Engineering University, 2004.

A method of adaptive interference suppression based on interference azimuth tracking

ZENG Xiang-xu1, ZHANG Xin-hua2, LI Peng3, JIAO Yi-ming1

(1. Graduate Student Division, Dalian Navy Academy, Dalian 116018, Liaoning, China;2. Department of Military Oceanography, Dalian Navy Academy, Dalian 116018, Liaoning, China;3. Department of Underwater Acoustic Engineering, Harbin Engineering University, Harbin 150001, Heilongjiang, China)

For sonar detection in real ocean environment, the target of interest is often submerged in strong interferences. In this paper, a method with the feature that some of the most powerful interferences detected by the sonar can be adaptively tracked and suppressed is proposed. According to the priori information of these strong interference azimuth ranges, we use the eigen-decomposition of the cross-spectral density matrix(CSDM) of observation data adaptively to track these strong interferencesand choose the eigenvectors representing the strong interferences. Then the CSDM that eliminates the interference information is reconstructed by using different algorithms. The validation results of numerical simulation and sea trial data show that this method can effectively suppress interferences, extract the target information and detect the target of interest.Moreover, this method can provide favorable conditions for subsequent target recognition and tracking.

adaptive interference suppression;interference azimuth tracking; cross-spectral density matrix; eigen- decomposition

TN911.7

A

1000-3630(2017)-03-0293-04

10.16300/j.cnki.1000-3630.2017.03.017

2016-10-04;

2016-12-08

國家自然科學基金資助項目(61271443)

曾祥旭(1994－), 男, 江西于都人, 碩士研究生, 研究方向為水聲信號處理。

曾祥旭, E-mail: 1092075664@qq.com