传感器网络中基于节点数据相关的DOA估计

　　0 引言

　　海洋开发和反潜战的需求成为推动水声技术发展的巨大动力[1]，阵列信号处理作为一门新兴的空域信号处理技术被广泛应用。由于水下声信道的带宽窄、背景噪声大、多径效应严重等问题[2]，通过对多个传感器组成阵列接收到的信号进行相关处理能够获取信号的参数，如频率、波达方向(Direction of Arrival，DOA)等。较早的DOA估计算法是常规波束形成算法[3]，但由于阵列物理孔径的限制，空间目标在同一个波束内不可分辨。1967年，Burg[4]提出最大熵法以后，形成了基于非线性方法的现代谱估计技术， 如MEM、MVDR、ARMA、谐波分析法等，单算法假定空间中连续分布的信号为平稳随机过程，具有一定的局限性;20 世纪70年代末形成的比较成熟的DOA算法在假设为高斯噪声模型的条件下产生，如MUSIC、最大似然算法等，而实际应用时噪声或信号可能是高斯分布，也可能是其他分布。基于矢量水听器的声压振速联合处理技术不断丰富[5]，以其组合传感器代替声压传感器组成的阵列，与常规声压传感器阵列相比，可获得4倍数目的输出信号，进而能够精确估计阵元间的相位延迟，减小波阵面方向估计误差[6]。由多个矢量水听器组成的传感器网络利用各点所在位置的声压、振速可以实现DOA估计，各节点的协同合作可以确定目标声源的位置。由于各节点的四路数据两两之间的互相关，其分布形式与两组随机变量之间的互协方差矩阵类似，如果节点间的互相关性不好，将会影响后续DOA算法的效果。

　　本文简要介绍了矢量水听器的特点、节点相关性和DOA算法等理论，然后仿真分析了信号相关性对DOA算法的影响，最后结合实际海试数据对节点数据相关性进行了分析与处理。由于各节点数据包含严重的噪声，其频谱情况很差，经数据处理后改善了节点数据频谱及节点间的互相关性，从而满足DOA算法对数据相关性的要求，达到了预期效果。

　　1 矢量传感器特点和DOA算法

　　1.1 矢量水听器接收信号模型

　　声场兼有声压和振速，由声压和振速组合的矢量水听器接收信号模型如图1所示，其各点输出为声压及正交的三维振速分量。接收信号复包络[7]表示为

　　式中，s0(t)为期望信号，si(t)为干扰信号，包括声压信号及振速信号在x、y、z轴上的分量;n(t)为接收的零均值、空间不相关高斯噪声;βk=[φkθk]^T为第k个源的DOA，J为干扰源数，φk为水平方向方位角，θk为俯仰角;对应方向矢量uk为

　　由多个矢量水听器组成的传感器网络，各节点所在位置的声压和质点振速都体现了目标声源的相对位置信息，相应的DOA算法将这一信息明确提取出来，即获得水平方位角和俯仰角;而对于节点位置已知的传感器网络，通过几何解算能够确定目标声源位置。