本發(fā)明屬于陣列信號(hào)測(cè)向領(lǐng)域，具體涉及一種基于小生境差分進(jìn)化的多重信號(hào)分類(lèi)譜峰搜索方法。

背景技術(shù)：

多信號(hào)到達(dá)方向的估計(jì)是陣列信號(hào)處理的一個(gè)主要研究方向，在雷達(dá)、聲納、通信等許多領(lǐng)域都有著重要的應(yīng)用。近三十年來(lái)，以多重信號(hào)分類(lèi)法(Multiple Signal Classification，MUSIC)作為代表的一類(lèi)基于特征子空間分析的到達(dá)方向估計(jì)技術(shù)得到人們的廣泛重視。多重信號(hào)分類(lèi)法的估計(jì)精度和分辨率都較高，其性能接近Crammer-Rao限，而且適用于任意幾何構(gòu)型的陣列。多重信號(hào)分類(lèi)法估計(jì)多信號(hào)到達(dá)方向可以看作是由兩個(gè)階段組成：第一個(gè)階段是由天線陣的響應(yīng)估計(jì)出信源個(gè)數(shù)和信號(hào)空間譜；第二個(gè)階段則是搜索與信號(hào)到達(dá)方向?qū)?yīng)的空間譜的極值點(diǎn)，簡(jiǎn)稱(chēng)譜峰搜索。譜峰搜索屬于多模態(tài)問(wèn)題，是對(duì)所有天線陣可探測(cè)方向的遍歷搜索過(guò)程，在需要高精度結(jié)果的情況下，搜索的步長(zhǎng)必須很小，由此導(dǎo)致計(jì)算量大和搜索速度慢。

技術(shù)實(shí)現(xiàn)要素：

(一)要解決的技術(shù)問(wèn)題

本發(fā)明的目的是提出一種基于小生境差分進(jìn)化的多重信號(hào)分類(lèi)譜峰搜索方法，以解決多重信號(hào)分類(lèi)法中譜峰搜索的多模態(tài)問(wèn)題。

(二)技術(shù)方案

為解決上述技術(shù)問(wèn)題，本發(fā)明提出一種基于小生境差分進(jìn)化的多重信號(hào)分類(lèi)譜峰搜索方法，該方法包括如下步驟：

(1)針對(duì)q個(gè)遠(yuǎn)場(chǎng)均勻橫電磁波入射到M個(gè)陣元的陣列的情形，建立陣列接收數(shù)據(jù)模型X(t)＝A(θ)S(t)+N(t)；其中：

A(θ)＝[a(θ₁),a(θ₂),…,a(θ_q)]是天線陣列的空域?qū)蚴噶烤仃嚕?/p>

是第i個(gè)信號(hào)的導(dǎo)向矢量，i＝1,2,…,q；上角標(biāo)^T表示矩陣的轉(zhuǎn)置；

φ_m(θ_i)是第i個(gè)信號(hào)s_i(t)入射到第m個(gè)陣元上時(shí)，相對(duì)于參考陣元的滯后相位；

S(t)＝[s₁(t) s₂(t) … s_q(t)]^T是波達(dá)方向?yàn)棣?sub>1,θ₂,…,θ_q的入射信號(hào)矢量；

N(t)＝[n₁(t) n₂(t) … n_M(t)]^T是加性零均值白噪聲矢量，功率為

(2)計(jì)算X(t)的協(xié)方差矩陣R＝E[X(t)X^H(t)]；

(3)對(duì)協(xié)方差矩陣R進(jìn)行特征分解其中∑_S為信號(hào)特征值組成的對(duì)角陣，Σ_N為噪聲特征值組成的對(duì)角陣，得到M×q維信號(hào)子空間矩陣U_S和M×(M-q)維噪聲子空間矩陣U_N，空間譜函數(shù)的q個(gè)極大值點(diǎn)為所需估計(jì)的q個(gè)遠(yuǎn)場(chǎng)入射信號(hào)的波達(dá)方向；

(4)針對(duì)于空間譜函數(shù)以基于小生境差分進(jìn)化的搜索方法代替原有固定步長(zhǎng)搜索，設(shè)置種群數(shù)目p_num及總迭代次數(shù)total，并對(duì)初始種群進(jìn)行初始化，得到初始種群個(gè)體{⁰x₁,⁰x₂,…,⁰x_{p_num}}，其中左上角標(biāo)識(shí)表示該種群樣本是迭代第幾次的樣本；

(5)開(kāi)始迭代過(guò)程，計(jì)算交叉概率CR(n)及縮放因子F(n)，其中n表示第n次迭代，n∈[0,total]；每一代的F(n)及CR(n)通過(guò)下式給出：

其中n是當(dāng)前進(jìn)化代數(shù)；F_min,F_max限定了縮放因子F(n)的取值范圍滿(mǎn)足F(n)∈[F_min,F_max]；CR_min,CR_max限定了交叉概率CR(n)的取值范圍 滿(mǎn)足CR(n)∈[CR_min,CR_max]；

(6)通過(guò)自適應(yīng)小生境識(shí)別方法，將種群{ⁿx₁,ⁿx₂,…,ⁿx_{p_num}}中的每一個(gè)體歸類(lèi)至各自的小生境中，并保留每個(gè)小生境的中心點(diǎn)；

(7)對(duì)每個(gè)小生境中的每一個(gè)種群個(gè)體進(jìn)行差分進(jìn)化操作；

(8)若進(jìn)化后個(gè)體的適應(yīng)度大于父代個(gè)體的適應(yīng)度，則用進(jìn)化后的種群個(gè)體代替父代個(gè)體；

(9)重復(fù)步驟(5)至(8)，直至迭代次數(shù)達(dá)到total；此時(shí)每個(gè)小生境的中心點(diǎn)x_c1,x_c2,…,x_cq即為待估計(jì)的q個(gè)入射信號(hào)的波達(dá)方向。

進(jìn)一步地，步驟(1)中，第i個(gè)信號(hào)入射到天線陣列原點(diǎn)，設(shè)第m個(gè)陣元在坐標(biāo)系中的位置坐標(biāo)為第i個(gè)信號(hào)在第m個(gè)陣元處所產(chǎn)生的相對(duì)于參考陣元的時(shí)延為對(duì)應(yīng)的相位差為 λ為信號(hào)波長(zhǎng)，c為光速。

進(jìn)一步地，步驟(2)中，通過(guò)有限長(zhǎng)的觀測(cè)數(shù)據(jù)來(lái)近似得到協(xié)方差矩陣R，根據(jù)最大似然原理，R的估計(jì)值滿(mǎn)足其中L是采樣快拍數(shù)。

進(jìn)一步地，步驟(3)中，根據(jù)信號(hào)與噪聲不相關(guān)的性質(zhì)，協(xié)方差矩陣R滿(mǎn)足其中矩陣R_S為q個(gè)信號(hào)的功率組成的對(duì)角陣I_M為M×M維的單位陣，結(jié)合矩陣特征分解可知A^HU_N＝0，即q個(gè)信號(hào)的波達(dá)方向θ₁,θ₂,…,θ_q滿(mǎn)足A^H(θ_i)U_N＝0,i＝1,2,...,q，

則譜函數(shù)存在q個(gè)極大值點(diǎn)。

進(jìn)一步地，步驟(4)中，根據(jù)處理速度及精度要求，選取種群數(shù)目p_num和總迭代次數(shù)total，完全隨機(jī)地在待估計(jì)參數(shù)θ的取值范 圍內(nèi)，選取p_num個(gè)樣值點(diǎn){⁰x₁,⁰x₂,…,⁰x_{p_num}}，作為初始種群，其中θ參數(shù)為一維時(shí)，取值范圍滿(mǎn)足θ∈(-90°,90°)；θ(α,β)參數(shù)為二維時(shí)，取值范圍滿(mǎn)足α∈(0,360°),β∈(0,90°)。

進(jìn)一步地，步驟(6)的具體步驟如下：

a)將種群中所有個(gè)體設(shè)置為未標(biāo)記狀態(tài)，計(jì)算種群中每?jī)蓚€(gè)個(gè)體之間的距離|ⁿx_i-ⁿx_j|，i≠j；

b)通過(guò)計(jì)算種群中每一個(gè)個(gè)體的個(gè)體適應(yīng)度^my_i；

c)在未標(biāo)記的個(gè)體中，找出適應(yīng)度最大的個(gè)體記為x_c，并標(biāo)記此個(gè)體；

d)將所有未標(biāo)記的個(gè)體，按照與x_c的距離從小到大的先后順序排列，設(shè)該序列為H＝{x₁,x₂,…,x_b}，b為未標(biāo)記個(gè)體的總數(shù)；若b≤1，則識(shí)別結(jié)束，未標(biāo)記個(gè)體為非小生境個(gè)體；

e)從x₂開(kāi)始，依次檢測(cè)H中后一個(gè)個(gè)體x_l+1的適應(yīng)度y_l+1，是否大于前一個(gè)個(gè)體x_l的適應(yīng)度y_l；若y_l+1≤y_l，則檢測(cè)下一個(gè)個(gè)體；若H中不存在后一個(gè)個(gè)體的適應(yīng)度大于前一個(gè)個(gè)體的適應(yīng)度的情況，則所有個(gè)體均在一個(gè)小生境內(nèi)，x_c為該小生境的中心點(diǎn)個(gè)體，識(shí)別結(jié)束；

f)若y_l+1＞y_l，則將前一個(gè)個(gè)體x_l向x_c方向移動(dòng)一微小距離，判斷移動(dòng)后的實(shí)驗(yàn)個(gè)體x'的適應(yīng)度y'是否小于移動(dòng)前的前一個(gè)個(gè)體適應(yīng)度y_l；

f1)若y'≥y_l，則將前一個(gè)個(gè)體x_l向后一個(gè)個(gè)體x_l+1方向移動(dòng)一微小距離，判斷移動(dòng)后的實(shí)驗(yàn)個(gè)體x”適應(yīng)度y”是否小于移動(dòng)前的前一 個(gè)個(gè)體適應(yīng)度y_l；

f11)若y”≥y_l，跳至g)步驟；

f12)若y”＜y_l，則x_c作為小生境的中心點(diǎn)個(gè)體，前一個(gè)個(gè)體x_l作為該小生境的邊界個(gè)體，標(biāo)記該小生境內(nèi)的所有個(gè)體x₁,x₂,…,x_l；跳回c)步驟；

f2)若y'＜y_l，則判斷此時(shí)l是否等于1，即x_l是否是距離x_c最近的個(gè)體；

f21)若l＝1，則標(biāo)記x_c為非小生境個(gè)體，跳至g)步驟；

f22)若l≠1，則x_c作為小生境的中心點(diǎn)個(gè)體，標(biāo)記前一個(gè)個(gè)體x_l之前的所有個(gè)體x₁,x₂,…,x_l-1為該小生境內(nèi)的個(gè)體；跳回c)步驟；

g)若此時(shí)l＝b-1，則識(shí)別結(jié)束；否則令l＝l+1，繼續(xù)e)步驟檢測(cè)下一個(gè)個(gè)體。

進(jìn)一步地，步驟(7)具體步驟如下：

a)設(shè)定固定的變異概率P，并且對(duì)于每個(gè)小生境境內(nèi)的所有種群個(gè)體，依次進(jìn)行以下操作；

b)生成隨機(jī)數(shù)rand₁∈(0,1)；

c)若rand₁＜CR(n)，則跳至d)步驟；若rand₁≥CR(n)，則不產(chǎn)生下一代種群個(gè)體，用該本代種群個(gè)體代替下一代種群個(gè)體，跳至a)步驟；

d)生成隨機(jī)數(shù)rand₂∈(0,1)；

e)若rand₂＜P，則在該小生境境內(nèi)隨機(jī)選取的三個(gè)種群個(gè)體 ⁿx_a,ⁿx_b,ⁿx_c；若rand₂≥P，則在所有種群個(gè)體中隨機(jī)3個(gè)種群個(gè)體 ⁿx_a,ⁿx_b,ⁿx_c；

f)計(jì)算下一代種群個(gè)體ⁿ⁺¹x_i＝ⁿx_a+F(n)×(ⁿx_b-ⁿx_c)；

g)計(jì)算進(jìn)化個(gè)體ⁿ⁺¹x_i的適應(yīng)度

(三)有益效果

本發(fā)明首先將差分算法進(jìn)行改進(jìn)，將差分的變異操作分為境內(nèi)變異和全局變異，并使其參數(shù)自適應(yīng)變化，用于提高全局搜索能力并加快局部收斂速度，再將差分算法與小生境技術(shù)結(jié)合，來(lái)解決多模態(tài)搜索問(wèn)題。相比于傳統(tǒng)多重信號(hào)分類(lèi)算法中的固定步長(zhǎng)式的譜峰搜索方法，本方法能夠發(fā)揮差分進(jìn)化類(lèi)方法的優(yōu)勢(shì)，能夠有效降低運(yùn)算量，提高搜索速度，并且隨著迭代次數(shù)的增多，處理精度能夠不斷提高。

附圖說(shuō)明

圖1為本發(fā)明實(shí)施例中空間信號(hào)入射示意圖；

圖2為本發(fā)明實(shí)施例中自適應(yīng)小生境識(shí)別流程圖。

具體實(shí)施方式

為使本發(fā)明的目的、內(nèi)容、和優(yōu)點(diǎn)更加清楚，下面結(jié)合附圖和實(shí)施例，對(duì)本發(fā)明的具體實(shí)施方式作進(jìn)一步詳細(xì)描述。

本發(fā)明實(shí)施例提出一種基于小生境差分進(jìn)化的多重信號(hào)分類(lèi)譜峰搜索方法，該搜索方法包括如下步驟：

(1)針對(duì)q個(gè)遠(yuǎn)場(chǎng)均勻橫電磁波入射到M個(gè)陣元的陣列的情形，建立陣列接收數(shù)據(jù)模型X(t)＝A(θ)S(t)+N(t)。

其中，A(θ)＝[a(θ₁),a(θ₂),…,a(θ_q)]是天線陣列的空域?qū)蚴噶烤仃嚕?/p>

是第i個(gè)信號(hào)的導(dǎo)向矢量，i＝1,2,…,q；上角標(biāo)^T表示矩陣的轉(zhuǎn)置；

φ_m(θ_i)是第i個(gè)信號(hào)s_i(t)入射到第m個(gè)陣元上時(shí)，相對(duì)于參考陣元的滯后相位；

第i個(gè)信號(hào)入射到天線陣列原點(diǎn)，如圖1所示。設(shè)第m個(gè)陣元在坐標(biāo)系中的位置坐標(biāo)為根據(jù)幾何關(guān)系，第i個(gè)信號(hào)在第m個(gè)陣元處所產(chǎn)生的相對(duì)于參考陣元的時(shí)延為對(duì)應(yīng)的相位差為 λ為信號(hào)波長(zhǎng)，c為光速。

S(t)＝[s₁(t) s₂(t) … s_q(t)]^T是波達(dá)方向?yàn)棣?sub>1,θ₂,…,θ_q的入射信號(hào)矢量；

N(t)＝[n₁(t) n₂(t) … n_M(t)]^T是加性零均值白噪聲矢量，功率為

(2)計(jì)算X(t)的協(xié)方差矩陣R＝E[X(t)X^H(t)]。

在實(shí)際應(yīng)用工程中，無(wú)法直接得到R的理論值，通過(guò)有限長(zhǎng)的觀測(cè)數(shù)據(jù)來(lái)近似得到協(xié)方差矩陣R，根據(jù)最大似然原理，R的估計(jì)值滿(mǎn)足其中L是采樣快拍數(shù)。

(3)對(duì)協(xié)方差矩陣R進(jìn)行特征分解其中Σ_S為信號(hào)特征值組成的對(duì)角陣，Σ_N為噪聲特征值組成的對(duì)角陣，得到M×q維信號(hào)子空間矩陣U_S和M×(M-q)維噪聲子空間矩陣U_N，空間譜函數(shù)的q個(gè)極大值點(diǎn)為所需估計(jì)的q個(gè)遠(yuǎn)場(chǎng)入射信號(hào)的波達(dá)方向。

其中，根據(jù)信號(hào)與噪聲不相關(guān)的性質(zhì)，協(xié)方差矩陣R滿(mǎn)足 其中矩陣R_S為q個(gè)信號(hào)的功率組成的對(duì)角陣 I_M為M×M維的單位陣，結(jié)合矩陣特征分解 可知A^HU_N＝0，即q個(gè)信號(hào)的波達(dá)方向θ₁,θ₂,…,θ_q滿(mǎn)足A^H(θ_i)U_N＝0,i＝1,2,...,q，則譜函數(shù)存在q個(gè)極大值點(diǎn)。

(4)針對(duì)于空間譜函數(shù)以基于小生境差分進(jìn)化的搜索方法代替原有固定步長(zhǎng)搜索，設(shè)置種群數(shù)目p_num及總迭代次數(shù)total，并對(duì)初始種群進(jìn)行初始化，得到初始種群個(gè)體{⁰x₁,⁰x₂,…,⁰x_{p_num}}，其中左上角標(biāo)識(shí)表示該種群樣本是迭代第幾次的樣本。

根據(jù)處理速度及精度要求，選取種群數(shù)目p_num和總迭代次數(shù)total，完全隨機(jī)地在待估計(jì)參數(shù)θ的取值范圍內(nèi)，選取p_num個(gè)樣值點(diǎn){⁰x₁,⁰x₂,…,⁰x_{p_num}}，作為初始種群，其中θ參數(shù)為一維時(shí)，取值范圍滿(mǎn)足θ∈(-90°,90°)；θ(α,β)參數(shù)為二維時(shí)，取值范圍滿(mǎn)足α∈(0,360°),β∈(0,90°))

(5)開(kāi)始迭代過(guò)程，計(jì)算交叉概率CR(n)及縮放因子F(n)，其中n表示第n次迭代，n∈[0,total]。

差分進(jìn)化算法的搜索性能取決于算法全局探索和局部開(kāi)發(fā)能力的平衡，而這在很大程度上依賴(lài)于算法的控制參數(shù)的選取?？s放因子F用于控制差異向量的縮放程度。F越大，父代差分向量的貢獻(xiàn)就越大，就越有利于進(jìn)行全局搜索，種群的多樣性保持的就越好；反之，就越有利于局部搜索，收斂的也越快。

同理，交叉概率CR越大，變異個(gè)體對(duì)實(shí)驗(yàn)個(gè)體的貢獻(xiàn)就越大，越有利于局部搜索，收斂的也越快；反之，有利于進(jìn)行全局搜索和種群的多樣性保持。對(duì)于多峰值問(wèn)題，在迭代開(kāi)始階段應(yīng)主要進(jìn)行全局搜索，以保持種群的多樣性，所以CR的取值應(yīng)較小，F(xiàn)應(yīng)該大，然后隨著迭代次數(shù)的增加進(jìn)行局部搜索，以收斂到每個(gè)最優(yōu)解，CR的取值應(yīng)較大，F(xiàn)應(yīng)該小。因此，可以采用遞減的縮放因子F和遞增的交叉概率CR，以平衡全局搜索和局部搜索。每一代的F(n)及CR(n)通過(guò)下式給出：

其中n是當(dāng)前進(jìn)化代數(shù)；F_min,F_max限定了縮放因子F(n)的取值范圍滿(mǎn)足F(n)∈[F_min,F_max]；CR_min,CR_max限定了交叉概率CR(n)的取值范圍滿(mǎn)足CR(n)∈[CR_min,CR_max]。

(6)通過(guò)自適應(yīng)小生境識(shí)別方法，將種群{ⁿx₁,ⁿx₂,…,ⁿx_{p_num}}中的每一個(gè)體歸類(lèi)至各自的小生境中，并保留每個(gè)小生境的中心點(diǎn)。

其中，自適應(yīng)識(shí)別小生境方法通過(guò)個(gè)體適應(yīng)度(即空間譜函數(shù)值)的走勢(shì)來(lái)判斷此個(gè)體是處于山坡上還是波谷，從而進(jìn)一步判斷每個(gè)小生境的范圍。方法流程如圖2所示，具體步驟如下：

a)將種群中所有個(gè)體設(shè)置為未標(biāo)記狀態(tài)，計(jì)算種群中每?jī)蓚€(gè)個(gè)體之間的距離|ⁿx_i-ⁿx_j|，i≠j；

b)通過(guò)計(jì)算種群中每一個(gè)個(gè)體的個(gè)體適應(yīng)度^my_i；

c)在未標(biāo)記的個(gè)體中，找出適應(yīng)度最大的個(gè)體記為x_c，并標(biāo)記此個(gè)體；

d)將所有未標(biāo)記的個(gè)體，按照與x_c的距離從小到大的先后順序排列，設(shè)該序列為H＝{x₁,x₂,…,x_b}，b為未標(biāo)記個(gè)體的總數(shù)；若b≤1，則識(shí)別結(jié)束，未標(biāo)記個(gè)體為非小生境個(gè)體；

e)從x₂開(kāi)始，依次檢測(cè)H中后一個(gè)個(gè)體x_l+1的適應(yīng)度y_l+1，是否大于前一個(gè)個(gè)體x_l的適應(yīng)度y_l；若y_l+1≤y_l，則檢測(cè)下一個(gè)個(gè)體；若H中不存在后一個(gè)個(gè)體的適應(yīng)度大于前一個(gè)個(gè)體的適應(yīng)度的情況，則所有個(gè)體均在一個(gè)小生境內(nèi)，x_c為該小生境的中心點(diǎn)個(gè)體，識(shí)別結(jié)束；

f)若y_l+1＞y_l，則將前一個(gè)個(gè)體x_l向x_c方向移動(dòng)一微小距離，判斷移動(dòng)后的實(shí)驗(yàn)個(gè)體x'的適應(yīng)度y'是否小于移動(dòng)前的前一個(gè)個(gè)體適應(yīng)度y_l；

f1)若y'≥y_l，則將前一個(gè)個(gè)體x_l向后一個(gè)個(gè)體x_l+1方向移動(dòng)一微小距離，判斷移動(dòng)后的實(shí)驗(yàn)個(gè)體x”適應(yīng)度y”是否小于移動(dòng)前的前一個(gè)個(gè)體適應(yīng)度y_l；

f11)若y”≥y_l，跳至g)步驟；

f12)若y”＜y_l，則x_c作為小生境的中心點(diǎn)個(gè)體，前一個(gè)個(gè)體x_l作為該小生境的邊界個(gè)體，標(biāo)記該小生境內(nèi)的所有個(gè)體x₁,x₂,…,x_l；跳回c)步驟；

f2)若y'＜y_l，則判斷此時(shí)l是否等于1，即x_l是否是距離x_c最近的個(gè)體；

f21)若l＝1，則標(biāo)記x_c為非小生境個(gè)體，跳至g)步驟；

f22)若l≠1，則x_c作為小生境的中心點(diǎn)個(gè)體，標(biāo)記前一個(gè)個(gè)體x_l之前的所有個(gè)體x₁,x₂,…,x_l-1為該小生境內(nèi)的個(gè)體；跳回c)步驟；

g)若此時(shí)l＝b-1，則識(shí)別結(jié)束；否則令l＝l+1，繼續(xù)e)步驟檢測(cè)下一個(gè)個(gè)體。

(7)對(duì)每個(gè)小生境中的每一個(gè)種群個(gè)體進(jìn)行差分進(jìn)化操作。

通過(guò)自適應(yīng)小生境識(shí)別方法可以粗略的判斷出每個(gè)小生境內(nèi)的峰值點(diǎn)，因此迭代時(shí)應(yīng)主要進(jìn)行境內(nèi)搜索，即只在小生境內(nèi)進(jìn)行差分進(jìn)化，以快速找到每個(gè)小生境的峰值點(diǎn)。但由于可能存在某個(gè)小生境的中心點(diǎn)被誤判為另一個(gè)小生境境內(nèi)點(diǎn)或是由于種群隨機(jī)分配導(dǎo)致某個(gè)小生境未被覆蓋的情況，因此應(yīng)當(dāng)以一定的概率進(jìn)行全局搜索，來(lái)增加種群的多樣性，避免漏峰現(xiàn)象。具體步驟如下：

a)設(shè)定固定的變異概率P，并且對(duì)于每個(gè)小生境境內(nèi)的所有種群個(gè)體，依次進(jìn)行以下操作；

b)生成隨機(jī)數(shù)rand₁∈(0,1)；

c)若rand₁＜CR(n)，則跳至d)步驟；若rand₁≥CR(n)，則不產(chǎn)生下一代種群個(gè)體，用該本代種群個(gè)體代替下一代種群個(gè)體，跳至a)步驟；

d)生成隨機(jī)數(shù)rand₂∈(0,1)；

e)若rand₂＜P，則在該小生境境內(nèi)隨機(jī)選取的三個(gè)種群個(gè)體 ⁿx_a,ⁿx_b,ⁿx_c；若rand₂≥P，則在所有種群個(gè)體中隨機(jī)3個(gè)種群個(gè)體 ⁿx_a,ⁿx_b,ⁿx_c；

f)計(jì)算下一代種群個(gè)體ⁿ⁺¹x_i＝ⁿx_a+F(n)×(ⁿx_b-ⁿx_c)；

g)計(jì)算進(jìn)化個(gè)體ⁿ⁺¹x_i的適應(yīng)度

(8)若進(jìn)化后個(gè)體的適應(yīng)度大于父代個(gè)體的適應(yīng)度，則用進(jìn)化后的種群個(gè)體代替父代個(gè)體；

(9)重復(fù)步驟(5)至(8)，直至迭代次數(shù)達(dá)到total；此時(shí)每個(gè)小生境的中心點(diǎn)x_c1,x_c2,…,x_cq即為估計(jì)的q個(gè)入射信號(hào)的波達(dá)方向。

根據(jù)本發(fā)明的上述實(shí)施例，以通過(guò)多重信號(hào)分類(lèi)譜峰搜索方法得到的空間譜函數(shù)中的多個(gè)極大值點(diǎn)作為所需估計(jì)的多個(gè)遠(yuǎn)場(chǎng)入射信號(hào)的波達(dá)方向。并且針對(duì)上述空間譜函數(shù)，以基于小生境差分進(jìn)化的搜索方法代替原有固定步長(zhǎng)搜索，進(jìn)行種群初始化和迭代，并以最終獲得的每個(gè)小生境的中心點(diǎn)作為待估計(jì)的q個(gè)入射信號(hào)的波達(dá)方向。

以上所述僅是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出，對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人員來(lái)說(shuō)，在不脫離本發(fā)明技術(shù)原理的前提下，還可以做出若干改進(jìn)和變形，這些改進(jìn)和變形也應(yīng)視為本發(fā)明的保護(hù)范圍。