本發(fā)明涉及的是一種動態(tài)測向方法，特別是一種在沖擊噪聲環(huán)境下基于量子群搜索機(jī)制的動態(tài)測向方法。
背景技術(shù)：
：：測向通常又被稱為空間譜估計(jì)或doa(directionofarrival)估計(jì)，是陣列信號處理的一個重要研究領(lǐng)域，在衛(wèi)星通信系統(tǒng)、聲源跟蹤、譜估計(jì)和通信等領(lǐng)域都有廣泛的應(yīng)用。經(jīng)過不斷地研究發(fā)展，目前基于高斯模型假設(shè)下的doa測向理論發(fā)展已經(jīng)趨于成熟，然而在實(shí)際應(yīng)用中遇到的許多隨機(jī)信號和噪聲并不是高斯分布的，這些信號存在著顯著的尖峰，并且都可用特征指數(shù)α不同的sαs(symmetricαstable)過程來描述，例如大氣雷電噪聲、通信線路上的瞬間尖峰語音信號和海洋環(huán)境噪聲以及多種人為噪聲等，利用傳統(tǒng)基于二階和高階統(tǒng)計(jì)量的測向方法不能很好地對這些信號進(jìn)行處理，因此在沖擊噪聲環(huán)境下，需要找到一種既能改善分?jǐn)?shù)低階矩測向的性能，又能對動態(tài)目標(biāo)進(jìn)行測向的方法。經(jīng)過對現(xiàn)有技術(shù)文獻(xiàn)的檢索發(fā)現(xiàn)，何勁等在《航空學(xué)報(bào)》(2006,vol.27,no.1,pp.104–108)上發(fā)表的“利用分?jǐn)?shù)低階空時矩陣進(jìn)行沖擊噪聲環(huán)境下的doa估計(jì)”中使用了fstm-music方法和廣義分?jǐn)?shù)低階空時矩陣，對沖擊噪聲情況下的目標(biāo)進(jìn)行doa估計(jì)，在低信噪比的情況下對強(qiáng)沖擊噪聲有一定的抑制作用。單澤彪等在《光學(xué)精密儀器》(2015,vol.23,no.3,pp.838–845)上發(fā)表的“應(yīng)用人工蜂群算法的動態(tài)波達(dá)方向跟蹤”中利用人工蜂群方法和一種可變遺忘因子的自適應(yīng)樣本協(xié)方差矩陣更新方法，可以對動態(tài)目標(biāo)進(jìn)行實(shí)時動態(tài)測向，但是該方法只適用于高斯噪聲環(huán)境且不能實(shí)現(xiàn)陣列擴(kuò)展。已有資料表明，在沖擊噪聲等惡劣噪聲環(huán)境下對動態(tài)目標(biāo)進(jìn)行測向時，尤其是在目標(biāo)數(shù)大于等于陣元數(shù)的條件下，測向的魯棒性很難保證，同時動態(tài)測向的難度也增加。因此在沖擊噪聲環(huán)境下進(jìn)行動態(tài)doa估計(jì)，需要設(shè)計(jì)高性能的魯棒動態(tài)測向方法。在沖擊噪聲環(huán)境下，經(jīng)典智能計(jì)算方法很難擺脫收斂速度和收斂精度之間矛盾的制約，同時在已有的計(jì)算條件下，這些經(jīng)典方法很難在有限的時間里搜索到最優(yōu)解，因此需要設(shè)計(jì)新的智能計(jì)算方法用于求解沖擊噪聲環(huán)境下的魯棒動態(tài)測向問題。在沖擊噪聲環(huán)境下利用music方法進(jìn)行角度估計(jì)時計(jì)算量。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的目的在于提供一種在保證測向魯棒性的同時，還可以根據(jù)搜索邊界自適應(yīng)的確定種群迭代次數(shù)，從而獲得更高的測向性能的基于最小間隙陣列的魯棒動態(tài)測向方法。本發(fā)明的目的是這樣實(shí)現(xiàn)的：步驟一，設(shè)置最小間隙陣列，最小間隙陣列由m個各向同性陣元構(gòu)成，陣列中第m個陣元相對于第一個陣元的間距設(shè)為dm,m＝1,2,...,m，其中d1＝0＜d2＜...＜dm，同時集合ω＝{dm-dz|m,z＝1,2,...,m,m＞z}是一個不連續(xù)的自然數(shù)集合，并且該集合中的不連續(xù)點(diǎn)最少，陣元間距設(shè)置為半波長的整數(shù)倍；設(shè)陣列遠(yuǎn)場有p個窄帶點(diǎn)源以波長為λ的平面波入射，則非均勻特殊陣列接收的快拍數(shù)據(jù)表示為x(k)＝a(θ)s(k)+n(k)，式中a(θ)＝[a(θ1),a(θ2),...,a(θp)]為m×p維信號導(dǎo)向矢量，其中第p個導(dǎo)向矢量為p＝1,2,...,p，θ＝(θ1,θ2,...,θp)為信源方位矢量，x(k)＝[x1(k),x2(k),...,xm(k)]t為m×1維陣列快拍數(shù)據(jù)，其中k為快拍次數(shù)，s(k)＝[s1(k),s2(k),...,sp(k)]t為p×1維信號，n(k)為m×1維服從sαs分布的復(fù)沖擊噪聲，j為復(fù)數(shù)單位，則第k次采樣數(shù)據(jù)的加權(quán)無窮范數(shù)歸一化信號表示為μ為[0,1]間低階參量，接收陣列的無窮范數(shù)分?jǐn)?shù)低階協(xié)方差矩陣為其中運(yùn)算符表示兩個相同維數(shù)的向量對應(yīng)元素相乘，abs()表示對矩陣每個元素取絕對值，h代表共軛轉(zhuǎn)置，β為設(shè)置參數(shù)；設(shè)陣元間距ε＝λ/2，陣元坐標(biāo)d＝[d1,d2,...,dm]＝ε[n1,n2,...,nm]，其中n1,n2,…,nm都為整數(shù)，無窮范數(shù)分?jǐn)?shù)低階協(xié)方差矩陣表示為c(k)＝[c1(k),c2(k),...,cm(k)]，其中m＝1,2,...,m；根據(jù)特殊線陣的特點(diǎn)，非均勻陣列虛擬成更多個陣元的最小間隙陣列，若陣列的最大相關(guān)延遲為mα，則虛擬均勻陣列的陣元個數(shù)為mα個，若令(l-q)ε＝dn-dm，其中e()表示數(shù)學(xué)期望，1≤l，q≤mα，1≤n，m≤m；則擴(kuò)展的最小間隙陣列的擴(kuò)展分?jǐn)?shù)低階協(xié)方差矩陣為其中1≤l≤mα；在第一次快拍時有對進(jìn)行特征分解，將特征值進(jìn)行排序，得到信號子空間特征矩陣us(1)和噪聲子空間特征矩陣un(1)；擴(kuò)展的導(dǎo)向矩陣為w(θ)＝[w(θ1),w(θ2),...,w(θp)]，第p個擴(kuò)展的導(dǎo)向矢量為1≤p≤p。步驟二，初始化搜索空間，初始化成員的量子位置、搜索步長和全局最優(yōu)量子位置，令δ表示量子群搜索的迭代次數(shù)，初始迭代次數(shù)設(shè)為δ＝1；定義為搜索空間，式中h(k)＝[h1(k),h2(k),...,hp(k)]和b(k)＝[b1(k),b2(k),...,bp(k)]分別表示第k次快拍搜索空間上限和搜索空間下限，搜索空間j(k)還表示為hp(k)和bp(k)分別為第k次快拍時對應(yīng)第p維角度搜索區(qū)間的上限和下限，其中p＝1,2,...,p；由h個成員組成群體，每個成員搜索空間的維數(shù)定義為p維，在第δ次迭代，群體中第i個成員的量子位置為第i個成員的搜索步長為其量子位置映射的位置為第i個成員的位置與最小間隙陣列中信源方位矢量θ＝(θ1,θ2,...,θp)相對應(yīng)，i＝1,2,...,h；基于加權(quán)范數(shù)協(xié)方差的多維music測向的極大值方程為則定義第i個成員位置和量子位置的適應(yīng)度函數(shù)為其中trace()為矩陣求跡函數(shù)；根據(jù)適應(yīng)度函數(shù)計(jì)算出每個成員量子位置對應(yīng)適應(yīng)度值，并且將適應(yīng)度最大值對應(yīng)的量子位置記為全局最優(yōu)量子位置終止迭代次數(shù)被設(shè)置為其中，為取整函數(shù)，a為倍數(shù)。步驟三，所有成員在演化前被定義為發(fā)現(xiàn)者和游蕩者，分別根據(jù)發(fā)現(xiàn)者演化規(guī)則和游蕩者演化規(guī)則演進(jìn)搜索步長和量子位置；對于第i,i＝1,2,...,h個成員，產(chǎn)生一個(0,1)間隨機(jī)數(shù)randi，若randi＜0.5，該成員被定義為發(fā)現(xiàn)者，則發(fā)現(xiàn)者的搜索步長演進(jìn)方式為其中為(0,1)間的均勻隨機(jī)數(shù)，為調(diào)節(jié)系數(shù)，其取值范圍為(0,2)，搜索步長的每一維都要限制在一定區(qū)域內(nèi)，即其中i＝1,2,...,h，p＝1,2,...,p，為第p維搜索步長的上限；產(chǎn)生發(fā)現(xiàn)者的量子位置為其中函數(shù)cos()和sin()分別表示對向量中每個元素進(jìn)行正弦和余弦運(yùn)算，sqrt()表示對向量中每個元素開方的函數(shù)，e為1×p維全1向量；反之，若randi≥0.5，則第i個成員定義游蕩者，其搜索步長的更新方式為其中為(0,1)間的均勻隨機(jī)數(shù)，g為1×p維矢量，其中的每個元素是服從標(biāo)準(zhǔn)正態(tài)分布的隨機(jī)數(shù)，其量子位置更新方式為步驟四，計(jì)算第i個成員的適應(yīng)度成員使用貪婪策略選取量子位置，若劣于則將適應(yīng)度函數(shù)最大值對應(yīng)的量子位置記為全局最優(yōu)量子位置步驟五，判斷是否達(dá)到最大迭代次數(shù)，若是，輸出全局最優(yōu)量子位置，執(zhí)行步驟六；否則，δ＝δ+1，返回步驟三；步驟六，進(jìn)行第k+1次快拍采樣；采樣數(shù)據(jù)數(shù)據(jù)為x(k+1)＝[x1(k+1),x2(k+1),...,xm(k+1)]t，其對應(yīng)的加權(quán)無窮范數(shù)歸一化信號表示為則該快拍采樣的無窮范數(shù)分?jǐn)?shù)低階協(xié)方差矩陣為無窮范數(shù)分?jǐn)?shù)低階協(xié)方差矩陣表示為c(k+1)＝[c1(k+1),c2(k+1),...,cm(k+1)]，其中m＝1,2,...,m；根據(jù)特殊線陣的特點(diǎn)，非均勻陣列虛擬成更多個陣元的最小間隙陣列，令(l-q)ε＝dn-dm，其中e()表示數(shù)學(xué)期望，1≤l，q≤mα；1≤n，m≤m；則擴(kuò)展的最小間隙陣列的擴(kuò)展分?jǐn)?shù)低階協(xié)方差矩陣為其中1≤l≤mα；對當(dāng)前采樣的擴(kuò)展分?jǐn)?shù)低階協(xié)方差矩陣進(jìn)行更新：其中μ1為保留系數(shù)對進(jìn)行特征分解，將特征值進(jìn)行排序，得到信號子空間特征矢量矩陣us(k+1)和噪聲子空間特征矢量矩陣un(k+1)；更新角度搜索空間，搜索空間上下邊界更新方式分別為1≤p≤p，其中，km為正整數(shù)，γk為收斂因子；為搜索空間的最小搜索半徑；為第p個方向在第k次采樣時的估計(jì)值；為第p個方向在第k次采樣時對應(yīng)搜索空間的中心值，其更新方式為其中η為影響因子，更新后的搜索空間為步驟七，若已經(jīng)達(dá)到最大快拍采樣數(shù)，執(zhí)行步驟八；否則，令k＝k+1，迭代次數(shù)δ＝1，返回步驟二繼續(xù)估計(jì)動態(tài)目標(biāo)下一個時刻的方向；步驟八，將每個快拍采樣獲得的全局最優(yōu)量子位置都映射為全局最優(yōu)位置即需要跟蹤的動態(tài)目標(biāo)方向值，同時輸出動態(tài)測向結(jié)果。本發(fā)明是在復(fù)雜噪聲環(huán)境和惡劣測向條件下，基于最小間隙陣列和加權(quán)范數(shù)協(xié)方差更新規(guī)則，設(shè)計(jì)了量子群搜索機(jī)制的動態(tài)測向方法，獲得一種魯棒動態(tài)測向方法。本發(fā)明在沖擊噪聲環(huán)境下提出了一種基于擴(kuò)展分?jǐn)?shù)低階協(xié)方差的多維music動態(tài)測向方法，該方法首先對特殊非均勻線陣進(jìn)行設(shè)置，將觀測目標(biāo)鎖定在一個動態(tài)搜索范圍之內(nèi)，再設(shè)計(jì)量子群搜索機(jī)制，在自適應(yīng)確定的搜索空間內(nèi)對動態(tài)目標(biāo)進(jìn)行估計(jì)，從而獲得最優(yōu)角度值。利用量子群智能搜索機(jī)制逐漸縮小搜索范圍，可以有效解決現(xiàn)有搜索方法計(jì)算量大的問題。仿真結(jié)果表明這種沖擊噪聲環(huán)境下的動態(tài)測向方法能夠保證測向的實(shí)時性，而且具備陣列擴(kuò)展的能力以及較好的跟蹤精度，在強(qiáng)沖擊噪聲等其他惡劣噪聲環(huán)境下同樣具有較好的性能。與已有技術(shù)相比，本發(fā)明具有以下優(yōu)點(diǎn)：(1)本發(fā)明不僅適用于沖擊噪聲環(huán)境下的動態(tài)測向問題，同時也適用于高斯噪聲環(huán)境和強(qiáng)沖擊噪聲環(huán)境，新方法可以改善相同陣元數(shù)條件下均勻陣列的動態(tài)波達(dá)方向角估計(jì)性能。(2)在沖擊噪聲環(huán)境下可以實(shí)現(xiàn)陣列擴(kuò)展，能夠?qū)Ω嘈旁催M(jìn)行測向，在陣元數(shù)小于目標(biāo)數(shù)的情況下，也可以對動態(tài)目標(biāo)進(jìn)行測向。(3)本發(fā)明設(shè)計(jì)的量子群搜索方法能夠?qū)討B(tài)目標(biāo)進(jìn)行高精度測向，同時也可以保證測向的魯棒性。附圖說明圖1量子群搜索動態(tài)測向方法示意圖。圖2量子群搜索機(jī)制結(jié)構(gòu)流程圖。圖3a-圖3b特征指數(shù)α＝0.95時，所提量子群搜索動態(tài)測向方法和基于粒子群的分?jǐn)?shù)低階協(xié)方差矩動態(tài)測向方法對2個目標(biāo)的動態(tài)跟蹤情況。圖4a-圖4b特征指數(shù)α＝1.20時，提量子群搜索動態(tài)測向方法和基于粒子群的分?jǐn)?shù)低階協(xié)方差矩動態(tài)測向方法對3個目標(biāo)的動態(tài)跟蹤情況。圖5a-圖5b特征指數(shù)α＝1.55時，提量子群搜索動態(tài)測向方法和基于粒子群的分?jǐn)?shù)低階協(xié)方差矩動態(tài)測向方法對4個目標(biāo)的動態(tài)跟蹤情況。圖6特征指數(shù)α＝1.85時，所提量子群搜索動態(tài)測向方法對5個目標(biāo)的動態(tài)跟蹤情況。圖7特征指數(shù)α＝1.95時，所提量子群搜索動態(tài)測向方法對6個目標(biāo)的動態(tài)跟蹤情況。具體實(shí)施方式下面舉例對本發(fā)明做進(jìn)一步說明。步驟一，設(shè)置最小間隙陣列。最小間隙陣列由m個各向同性陣元構(gòu)成，陣列中第m個陣元相對于第一個陣元的間距設(shè)為dm(m＝1,2,...,m)，其中d1＝0＜d2＜...＜dm，同時集合是一個不連續(xù)的自然數(shù)集合，并且該集合中的不連續(xù)點(diǎn)最少，陣元間距設(shè)置為半波長的整數(shù)倍。假設(shè)陣列遠(yuǎn)場有p個窄帶點(diǎn)源以波長為λ的平面波入射，則非均勻特殊陣列接收的快拍數(shù)據(jù)可以表示為x(k)＝a(θ)s(k)+n(k)，式中a(θ)＝[a(θ1),a(θ2),...,a(θp)]為m×p維信號導(dǎo)向矢量，其中第p個導(dǎo)向矢量為θ＝(θ1,θ2,...,θp)為信源方位矢量，x(k)＝[x1(k),x2(k),...,xm(k)]t為m×1維陣列快拍數(shù)據(jù)，其中k為快拍次數(shù)，s(k)＝[s1(k),s2(k),...,sp(k)]t為p×1維信號，n(k)為m×1維服從sαs分布的復(fù)沖擊噪聲，j為復(fù)數(shù)單位。則第k次采樣數(shù)據(jù)的加權(quán)無窮范數(shù)歸一化信號可以表示為μ為[0,1]間低階參量，接收陣列的無窮范數(shù)分?jǐn)?shù)低階協(xié)方差矩陣為其中運(yùn)算符表示兩個相同維數(shù)的向量對應(yīng)元素相乘，abs()表示對矩陣每個元素取絕對值，h代表共軛轉(zhuǎn)置，β為設(shè)置參數(shù)。假設(shè)陣元間距ε＝λ/2，陣元坐標(biāo)d＝[d1,d2,...,dm]＝ε[n1,n2,...,nm]，其中n1,n2,…,nm都為整數(shù)。無窮范數(shù)分?jǐn)?shù)低階協(xié)方差矩陣可以表示為c(k)＝[c1(k),c2(k),...,cm(k)]，其中m＝1,2,...,m。根據(jù)特殊線陣的特點(diǎn)，非均勻陣列可虛擬成更多個陣元的最小間隙陣列，若陣列的最大相關(guān)延遲為mα，則虛擬均勻陣列的陣元個數(shù)為mα個。若令(l-q)ε＝dn-dm，其中e()表示數(shù)學(xué)期望，1≤l，q≤mα，1≤n，m≤m；則擴(kuò)展的最小間隙陣列的擴(kuò)展分?jǐn)?shù)低階協(xié)方差矩陣為其中1≤l≤mα。在第一次快拍時有對進(jìn)行特征分解，將特征值進(jìn)行排序，得到信號子空間特征矩陣us(1)和噪聲子空間特征矩陣un(1)。擴(kuò)展的導(dǎo)向矩陣為w(θ)＝[w(θ1),w(θ2),...,w(θp)]，第p個擴(kuò)展的導(dǎo)向矢量為1≤p≤p。步驟二，初始化搜索空間，初始化成員的量子位置、搜索步長和全局最優(yōu)量子位置。令δ表示量子群搜索的迭代次數(shù)，初始迭代次數(shù)設(shè)為δ＝1。定義為搜索空間，式中h(k)＝[h1(k),h2(k),...,hp(k)]和b(k)＝[b1(k),b2(k),...,bp(k)]分別表示第k次快拍搜索空間上限和搜索空間下限，搜索空間j(k)還可以表示為hp(k)和bp(k)分別為第k次快拍時對應(yīng)第p維角度搜索區(qū)間的上限和下限，其中p＝1,2,...,p?？紤]由h個成員組成的群體，每個成員搜索空間的維數(shù)定義為p維，在第δ次迭代，群體中第i個成員的量子位置為第i個成員的搜索步長為其量子位置映射的位置為第i個成員的位置與最小間隙陣列中信源方位矢量θ＝(θ1,θ2,...,θp)相對應(yīng)，i＝1,2,...,h?；诩訖?quán)范數(shù)協(xié)方差的多維music測向的極大值方程為則定義第i個成員位置和量子位置的適應(yīng)度函數(shù)為其中trace()為矩陣求跡函數(shù)。根據(jù)適應(yīng)度函數(shù)計(jì)算出每個成員量子位置對應(yīng)適應(yīng)度值，并且將適應(yīng)度最大值對應(yīng)的量子位置記為全局最優(yōu)量子位置終止迭代次數(shù)被設(shè)置為其中，為取整函數(shù)，a為倍數(shù)。步驟三，所有成員在演化前被定義為發(fā)現(xiàn)者和游蕩者，分別根據(jù)發(fā)現(xiàn)者演化規(guī)則和游蕩者演化規(guī)則演進(jìn)搜索步長和量子位置。對于第i(i＝1,2,...,h)個成員，產(chǎn)生一個(0,1)間隨機(jī)數(shù)randi，若該成員被定義為發(fā)現(xiàn)者，則發(fā)現(xiàn)者的搜索步長演進(jìn)方式為其中為(0,1)間的均勻隨機(jī)數(shù)，為調(diào)節(jié)系數(shù)，其取值范圍為(0,2)，搜索步長的每一維都要限制在一定區(qū)域內(nèi)，即其中i＝1,2,...,h，p＝1,2,...,p，為第p維搜索步長的上限。產(chǎn)生發(fā)現(xiàn)者的量子位置為其中函數(shù)cos()和sin()分別表示對向量中每個元素進(jìn)行正弦和余弦運(yùn)算，sqrt()表示對向量中每個元素開方的函數(shù)，e為1×p維全1向量。反之，若則第i個成員定義游蕩者，其搜索步長的更新方式為其中為(0,1)間的均勻隨機(jī)數(shù)，g為1×p維矢量，其中的每個元素是服從標(biāo)準(zhǔn)正態(tài)分布的隨機(jī)數(shù)，其量子位置更新方式為步驟四，計(jì)算第i個成員的適應(yīng)度成員使用貪婪策略選取量子位置，若劣于則將適應(yīng)度函數(shù)最大值對應(yīng)的量子位置記為全局最優(yōu)量子位置步驟五，判斷是否達(dá)到最大迭代次數(shù)，若是，輸出全局最優(yōu)量子位置，執(zhí)行步驟六；否則，δ＝δ+1，返回步驟三。步驟六，進(jìn)行第k+1次快拍采樣，采樣數(shù)據(jù)數(shù)據(jù)為x(k+1)＝[x1(k+1),x2(k+1),...,xm(k+1)]t，其對應(yīng)的加權(quán)無窮范數(shù)歸一化信號可以表示為則該快拍采樣的無窮范數(shù)分?jǐn)?shù)低階協(xié)方差矩陣為無窮范數(shù)分?jǐn)?shù)低階協(xié)方差矩陣可以表示為c(k+1)＝[c1(k+1),c2(k+1),...,cm(k+1)]，其中根據(jù)特殊線陣的特點(diǎn),非均勻陣列可虛擬成更多個陣元的最小間隙陣列。若令(l-q)ε＝dn-dm，其中e()表示數(shù)學(xué)期望，1≤l，q≤mα；1≤n，m≤m；則擴(kuò)展的最小間隙陣列的擴(kuò)展分?jǐn)?shù)低階協(xié)方差矩陣為其中1≤l≤mα。對當(dāng)前采樣的擴(kuò)展分?jǐn)?shù)低階協(xié)方差矩陣進(jìn)行更新：其中μ1為保留系數(shù)對進(jìn)行特征分解，將特征值進(jìn)行排序，得到信號子空間特征矢量矩陣us(k+1)和噪聲子空間特征矢量矩陣un(k+1)。更新角度搜索空間，搜索空間上下邊界更新方式分別為1≤p≤p，其中，km為正整數(shù)，γk為收斂因子；為搜索空間的最小搜索半徑；為第p個方向在第k次采樣時的估計(jì)值；為第p個方向在第k次采樣時對應(yīng)搜索空間的中心值，其更新方式為其中η為影響因子，更新后的搜索空間為步驟七，若已經(jīng)達(dá)到最大快拍采樣數(shù)，執(zhí)行步驟八；否則，令k＝k+1，迭代次數(shù)δ＝1，返回步驟二繼續(xù)估計(jì)動態(tài)目標(biāo)下一個時刻的方向。步驟八，將每個快拍采樣獲得的全局最優(yōu)量子位置都映射為全局最優(yōu)位置即需要跟蹤的動態(tài)目標(biāo)方向值，同時輸出動態(tài)測向結(jié)果?；诹孔尤核阉鳈C(jī)制的動態(tài)測向方法的參數(shù)設(shè)置如下：最小間隙陣列的陣元個數(shù)為5個，快拍數(shù)為400，種群規(guī)模為30，調(diào)節(jié)系數(shù)影響因子η＝0.8，收斂因子γk＝0.995，β＝0.5，收斂半徑a＝4，μ＝0.9，保留系數(shù)μ1＝0.9。圖3a-圖3b；圖4a-圖4b和圖5a-圖5b分別為特征指數(shù)為α＝0.95、α＝1.20以及α＝1.55時，廣義信噪比為15db時，利用所設(shè)計(jì)的動態(tài)測向方法和山東大學(xué)學(xué)報(bào)“沖擊噪聲背景下的動態(tài)doa跟蹤”所使用的基于粒子群的分?jǐn)?shù)低階協(xié)方差矩動態(tài)測向方法相比較，被比較的測向方法可記為flompso。由圖可知，在沖擊噪聲環(huán)境下，所設(shè)計(jì)的量子群搜索動態(tài)測向方法的測向性能要優(yōu)于基于粒子群的分?jǐn)?shù)低階協(xié)方差矩動態(tài)測向方法。由圖6和圖7可知，所設(shè)計(jì)的量子群搜索動態(tài)測向方法在目標(biāo)數(shù)大于等于陣元數(shù)的情況下能夠?qū)討B(tài)目標(biāo)進(jìn)行測向，從而實(shí)現(xiàn)了陣列擴(kuò)展。仿真結(jié)果表明，本發(fā)明提出的一種基于量子群搜索機(jī)制的動態(tài)測向方法，在沖擊噪聲環(huán)境下能夠?qū)討B(tài)目標(biāo)進(jìn)行有效測向，同時也能實(shí)現(xiàn)陣列擴(kuò)展，在目標(biāo)數(shù)大于陣元數(shù)的情況下仍能進(jìn)行動態(tài)測向。當(dāng)前第1頁12當(dāng)前第1頁12