基于声强引导的局部网格细化稀疏贝叶斯学习方法，利用单个声矢量传感器实现宽带到达方向估计

《Journal of Marine Science and Engineering》：Acoustic-Intensity-Guided Local Grid-Refinement Sparse Bayesian Learning for Broadband Direction-of-Arrival Estimation Using a Single Acoustic Vector Sensor

　　

摘要

利用单个声学向量传感器进行宽带到达方向估计是被动水下源定位及水下声学信号处理中的重要课题，尤其对于紧凑型水下平台及被动声学监测应用而言更为重要。然而，传统的基于网格的稀疏贝叶斯学习方法在真实方向位于相邻预设网格点之间时会出现网格不匹配问题。虽然密集网格可降低这种不匹配现象，但会增加计算成本并影响字典的连贯性。为解决这一问题，本文提出了一种基于声强引导的局部网格细化贝叶斯学习方法，称为AI-LGR-SBL。该方法首先利用压力和粒子速度数据构建声强信息并识别潜在源区域，然后在贝叶斯学习迭代过程中，以初步得到的方向信息作为引导来选择与目标相关的频谱峰值，仅在对选定的方向周围进行局部网格细化。针对单源和双源场景的仿真结果表明，AI-LGR-SBL能够产生更清晰的空间频谱，且估计误差更低。与传统基于网格的贝叶斯学习方法相比，AI-LGR-SBL在低信噪比环境下可将均方根误差降低约10%，而在较高信噪比环境下则可降低4–7%。与全局密集网格贝叶斯学习方法相比，它在单源及功率相等的双源场景下分别能将平均运行时间缩短约47.3%和43.6%。湖泊试验数据进一步证明了该方法的可行性，它能够实现清晰的方位-时间轨迹，并有效进行子网格级频谱峰值细化，适用于利用单个声学向量传感器进行宽带水下到达方向估计及被动源定位。