Page 78 - 应用声学2019年第4期

538 2019 年 7 月

5.2 基于 P -(V r + V ϕ ) 的不同解相干算法的空
间谱图

图 8 给出了不同信噪比条件下 P-(V r + V ϕ )-
EVR、P-(V r + V ϕ )-FBSS和P-(V r + V ϕ )-Toep方法
的空间谱图。由图 8 实验结果可知，P-(V r + V ϕ )-
Toep 方法没有明显谱峰，无法准确估计两个目标
信号方位；在信噪比 SNR = −5 dB 和 −10 dB 时，
P-(V r + V ϕ )-FBSS方法有两个明显的谱峰；当SNR
图 6 实验所采用的声矢量圆阵 下降至−15 dB时，P-(V r +V ϕ )-FBSS方法无法准确
Fig. 6 UCAVSA with 8 acoustic vector sensors 有效地估计出两个目标方位，而 P-(V r + V ϕ )-EVR
and its radius r = 0.35 m 方法仍可以准确估计两目标信号方位，有效地分辨
两目标。实验数据处理结果表明，P-(V r + V ϕ )-EVR
5.1 不同处理方法的空间谱图
方法具有更强的噪声抑制能力和解相干能力。
图 7 给 出 了 不 同 信 噪 比 条 件 下 P-P-EVR、
P-(V r +V φ )-EVR
PV -PV -EVR，P-V c -EVR和 P-(V r +V ϕ )-EVR方法 P-(V r +V φ )-FBSS
P-(V r +V φ )-Toep
的空间谱图。由图 7 实验结果可知，P-P-EVR 方法
无法估计两个相干目标方位；在信噪比SNR = 0 dB 0
-5
时，PV -PV -EVR 方法有两个谱峰，但当信噪比 -10
SNR = −5 dB 和 −10 dB 时，PV -PV -EVR 方法已 ቇᫎ៨/dB -15
-20
经失效，而 P-V c -EVR 和 P-(V r + V ϕ )-EVR 仍可 -25 300 400
-30
-5 200
以有效估计两个目标方位；与 P-V c -EVR 相比，P- -10 0 100 வͯᝈ/(°)
-15
η٪උ/dB
(V r + V ϕ )-EVR 方法具有更尖锐的谱峰和更低的
旁瓣级。实验数据处理结果表明，与声压处理方 图 8 不同信噪比条件下 P-(V r + V ϕ)-EVR、P-
(V r + V ϕ)-FBSS 和 P-(V r + V ϕ)-Toep 方法的空间
法、Nehorai 处理方法相比，声压振速联合处理方法
谱图
具有更强地抑制噪声能力；且与 P-V c -EVR 相比，
Fig. 8 Spatial spectrums of the P-(V r +V ϕ)-EVR,
P-(V r + V ϕ )-EVR方法更适合用于低信噪比条件下
P-(V r + V ϕ)-FBSS, and P-(V r + V ϕ)-Toep versus
的目标方位估计。 SNRs

P-P-EVR 6 结论
PV-PV-EVR
P-V c -EVR
P-(V r +V φ )-EVR 本文将声压与切向、径向振速联合处理和矢
0 量重构技术有效地结合起来，提出了一种声矢量
-5 圆阵宽带相干目标的 MVDR 方位估计方法，称为
ቇᫎ៨/dB -10 P-(V r + V ϕ )-EVR 方法。该方法基于相位模态变换
-15
-20
400 技术，将声矢量圆阵变换为虚拟线阵；利用声压与
-25 200 各振速分量的空间相干特性，构建了虚拟线阵的
0 வͯᝈ/(°)
-5 0
-10 声压 P 与径向、切向振速和 (V r + V ϕ ) 的互协方差
η٪උ/dB
矩阵；由于该互协方差矩阵的最大特征值对应的特
图 7 不同信噪比条件下 P-P-EVR、PV -PV -EVR、
征向量是虚拟线阵上所有宽带相干信号的线性组
P-V c-EVR 和 P-(V r + V ϕ)-EVR 方法的空间谱图
合，从而将该特征向量划分为相互重叠的子向量，
Fig. 7 Spatial spectrums of P-P-EVR, PV -PV -
EVR, P-V c-EVR and P-(V r + V ϕ)-EVR versus 构建前向和后向 Hermitian 矩阵，并通过平均处理
SNRs 得到前后向 Hermitian 矩阵，实现矢量重构；最后