亚洲成年人黄色一级片,日本香港三级亚洲三级,黄色成人小视频,国产青草视频,国产一区二区久久精品,91在线免费公开视频,成年轻人网站色直接看

基于特征空間分解的多重變跡快速自適應(yīng)波束合成方法與流程

文檔序號:12659178閱讀:來源:國知局

技術(shù)特征:

1.一種基于特征空間分解的快速自適應(yīng)波束合成方法,其特征在于:該自適應(yīng)波束合成方法包括以下步驟:

在一定的成像條件下,將用于波束合成的對應(yīng)各通道回波信號的自相關(guān)矩陣進行特征空間分解,根據(jù)給定閾值挑選出其中較大的特征向量構(gòu)造信號子空間,將MV波束合成得到的權(quán)值向量投影到此信號子空間得到新的權(quán)值向量;將此權(quán)值向量進行主成分分析,將得到的主成分作為用于所述成像條件下進行基于特征空間的最小方差自適應(yīng)波束合成的權(quán)值向量。

2.根據(jù)權(quán)利要求1所述一種基于特征空間分解的快速自適應(yīng)波束合成方法,其特征在于:所述自適應(yīng)波束合成方法具體包括以下步驟:

1)在給定的成像條件下,進行MV波束合成求得各通道權(quán)值向量wMV;

2)計算權(quán)值向量的協(xié)方差矩陣RW

<mrow> <msub> <mi>R</mi> <mi>W</mi> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mi>Q</mi> <mo>-</mo> <mn>1</mn> </mrow> </mfrac> <munderover> <mo>&Sigma;</mo> <mrow> <mi>q</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <mi>Q</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <mo>&lsqb;</mo> <msub> <mi>w</mi> <mi>q</mi> </msub> <mo>-</mo> <mi>&mu;</mi> <mo>&rsqb;</mo> <msup> <mrow> <mo>&lsqb;</mo> <msub> <mi>w</mi> <mi>q</mi> </msub> <mo>-</mo> <mi>&mu;</mi> <mo>&rsqb;</mo> </mrow> <mi>H</mi> </msup> </mrow>

其中,wq是第q個MV波束合成權(quán)值向量,μ是所有權(quán)值向量樣本的均值,Q為權(quán)值向量樣本數(shù),Q大于或等于空間平滑所設(shè)定的子陣元數(shù)目L;

3)對RW進行特征分解:RW=VΛVH;Λ是對角矩陣,該對角矩陣主對角線上的值由RW的特征值按照降序組成,V由RW的特征向量組成,組成V的特征向量彼此正交,且與Λ中的特征值一一對應(yīng);

4)根據(jù)wMV=Vβ,將求最優(yōu)權(quán)值的問題轉(zhuǎn)化為求最優(yōu)β的問題,即:

minβHR1β,滿足βHv1=1

其中R1=VHRV,R=E[y·yH]是指用于求解wMV時的各通道信號的協(xié)方差矩陣,y為經(jīng)過延時處理之后用于波束合成的各通道信號;v1=VHa,a為方向向量;

5)根據(jù)拉格朗日乘子法求得:

<mrow> <mi>&beta;</mi> <mo>=</mo> <mfrac> <mrow> <msubsup> <mi>R</mi> <mn>1</mn> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> <msub> <mi>v</mi> <mn>1</mn> </msub> </mrow> <mrow> <msubsup> <mi>v</mi> <mn>1</mn> <mi>H</mi> </msubsup> <msubsup> <mi>R</mi> <mn>1</mn> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> <msub> <mi>v</mi> <mn>1</mn> </msub> </mrow> </mfrac> </mrow>

6)將R1重寫為R1=E[u·uH],其中u=VHy=[u1,u2,…,uP]T,然后對R1進行空間平滑處理和深度方向的樣本值平均:

<mrow> <msub> <mover> <mi>R</mi> <mo>^</mo> </mover> <mn>1</mn> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mo>(</mo> <mi>P</mi> <mo>-</mo> <mi>L</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> <mo>(</mo> <mn>2</mn> <mi>K</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> </mfrac> <mover> <mi>u</mi> <mo>^</mo> </mover> <msup> <mover> <mi>u</mi> <mo>^</mo> </mover> <mi>H</mi> </msup> </mrow>

其中P為用于波束合成的陣元總數(shù)目,L為空間平滑處理中設(shè)定的子陣元數(shù)目,L≤P/2,K為深度方向上用于平均處理的點數(shù);然后用代替其中為加載量,Δ1=1/P;選擇V能量集中的前I個主成分代表MV波束合成的權(quán)值空間滿足I<L;

7)計算

其中:中插入一個列,與其他向量正交,且該列的每個元素值均為

8)將進行特征分解:ΛS是對角矩陣,該對角矩陣主對角線上的值由的特征值按照降序組成,VS的特征向量組成,組成VS的特征向量彼此正交,且與ΛS中的特征值一一對應(yīng);

9)構(gòu)造信號子空間ES:設(shè)定ΛS中特征值的閾值為最大特征值的δ倍,從而從Vs中選擇對應(yīng)特征值大于此閾值的特征向量來構(gòu)造信號子空間ES

10)計算權(quán)值向量wEIBMV

3.根據(jù)權(quán)利要求2所述一種基于特征空間分解的快速自適應(yīng)波束合成方法,其特征在于:所述δ為0.1-0.4。

4.一種基于特征空間分解的多重變跡快速自適應(yīng)波束合成方法,其特征在于:包括以下步驟:

1)進行波束合成之前改變換能器的工作模式,即以M個陣元為間隔,將換能器中用于波束合成的全部陣元分為兩組,在用第一組陣元進行波束合成時,將第二組陣元對應(yīng)的通道信號設(shè)為零值,在用第二組陣元進行波束合成時,將第一組陣元對應(yīng)的通道信號設(shè)為零值;然后計算兩組陣元波束合成后的數(shù)據(jù)的互相關(guān)系數(shù),通過改變M的值,得到多個互相關(guān)系數(shù)值;

2)在全陣元工作模式下進行波束合成得到輸出數(shù)據(jù);將輸出數(shù)據(jù)與1)中得到的對應(yīng)于不同M值的各個互相關(guān)系數(shù)分別相乘后疊加再按最大值進行歸一化處理,得到第一組輸出數(shù)據(jù)集;

3)在全陣元工作模式下進行波束合成,將求得的權(quán)值向量在合成波束所用陣元的方向分為左右對稱的兩部分,左側(cè)陣元的權(quán)值保持不變,右側(cè)陣元的權(quán)值變?yōu)樵档南喾磾?shù),用形成的新的權(quán)值向量對每個通道進行加權(quán),得到第二組輸出數(shù)據(jù)集;

4)將2)和3)中得到的兩組輸出數(shù)據(jù)集相減后按最大值進行歸一化處理,得到成像射頻數(shù)據(jù);

所述1)、2)以及3)中,波束合成均采用基于特征空間分解的快速自適應(yīng)波束合成方法,該自適應(yīng)波束合成方法在一定的成像條件下,將用于波束合成的對應(yīng)各通道回波信號的自相關(guān)矩陣進行特征空間分解,根據(jù)給定閾值挑選出其中較大的特征向量構(gòu)造信號子空間,將MV波束合成得到的權(quán)值向量投影到此信號子空間得到新的權(quán)值向量;將此權(quán)值向量進行主成分分析,將得到的主成分作為用于所述成像條件下進行基于特征空間的最小方差自適應(yīng)波束合成的權(quán)值向量。

5.根據(jù)權(quán)利要求4所述一種基于特征空間分解的多重變跡快速自適應(yīng)波束合成方法,其特征在于:所述自適應(yīng)波束合成方法具體包括以下步驟:

1)在給定的成像條件下,進行MV波束合成求得各通道權(quán)值向量wMV;

2)計算權(quán)值向量的協(xié)方差矩陣RW

<mrow> <msub> <mi>R</mi> <mi>W</mi> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mi>Q</mi> <mo>-</mo> <mn>1</mn> </mrow> </mfrac> <munderover> <mo>&Sigma;</mo> <mrow> <mi>q</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <mi>Q</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <mo>&lsqb;</mo> <msub> <mi>w</mi> <mi>q</mi> </msub> <mo>-</mo> <mi>&mu;</mi> <mo>&rsqb;</mo> <msup> <mrow> <mo>&lsqb;</mo> <msub> <mi>w</mi> <mi>q</mi> </msub> <mo>-</mo> <mi>&mu;</mi> <mo>&rsqb;</mo> </mrow> <mi>H</mi> </msup> </mrow>

其中,wq是第q個MV波束合成權(quán)值向量,μ是所有權(quán)值向量樣本的均值,Q為權(quán)值向量樣本數(shù),Q大于或等于空間平滑所設(shè)定的子陣元數(shù)目L;

3)對RW進行特征分解:RW=VΛVH;Λ是對角矩陣,該對角矩陣主對角線上的值由RW的特征值按照降序組成,V由RW的特征向量組成,組成V的特征向量彼此正交,且與Λ中的特征值一一對應(yīng);

4)根據(jù)wMV=Vβ,將求最優(yōu)權(quán)值的問題轉(zhuǎn)化為求最優(yōu)β的問題,即:

minβHR1β,滿足βHv1=1

其中R1=VHRV,R=E[y·yH]是指用于求解wMV時的各通道信號的協(xié)方差矩陣,y為經(jīng)過延時處理之后用于波束合成的各通道信號;v1=VHa,a為方向向量;

5)根據(jù)拉格朗日乘子法求得:

<mrow> <mi>&beta;</mi> <mo>=</mo> <mfrac> <mrow> <msubsup> <mi>R</mi> <mn>1</mn> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> <msub> <mi>v</mi> <mn>1</mn> </msub> </mrow> <mrow> <msubsup> <mi>v</mi> <mn>1</mn> <mi>H</mi> </msubsup> <msubsup> <mi>R</mi> <mn>1</mn> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> <msub> <mi>v</mi> <mn>1</mn> </msub> </mrow> </mfrac> </mrow>

6)將R1重寫為R1=E[u·uH],其中u=VHy=[u1,u2,…,uP]T,然后對R1進行空間平滑處理和深度方向的樣本值平均:

<mrow> <msub> <mover> <mi>R</mi> <mo>^</mo> </mover> <mn>1</mn> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mo>(</mo> <mi>P</mi> <mo>-</mo> <mi>L</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> <mo>(</mo> <mn>2</mn> <mi>K</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> </mfrac> <mover> <mi>u</mi> <mo>^</mo> </mover> <msup> <mover> <mi>u</mi> <mo>^</mo> </mover> <mi>H</mi> </msup> </mrow>

其中P為用于波束合成的陣元總數(shù)目,L為空間平滑處理中設(shè)定的子陣元數(shù)目,L≤P/2,K為深度方向上用于平均處理的點數(shù);然后用代替其中為加載量,Δ1=1/P;選擇V能量集中的前I個主成分代表MV波束合成的權(quán)值空間滿足I<L;

7)計算

其中:中插入一個列,與其他向量正交,且該列的每個元素值均為

8)將進行特征分解:ΛS是對角矩陣,該對角矩陣主對角線上的值由的特征值按照降序組成,VS的特征向量組成,組成VS的特征向量彼此正交,且與Λs中的特征值一一對應(yīng);

9)構(gòu)造信號子空間ES:設(shè)定ΛS中特征值的閾值為最大特征值的δ倍,從而從Vs中選擇對應(yīng)特征值大于此閾值的特征向量來構(gòu)造信號子空間ES

10)計算權(quán)值向量wEIBMV

6.根據(jù)權(quán)利要求5所述一種基于特征空間分解的多重變跡快速自適應(yīng)波束合成方法,其特征在于:所述互相關(guān)系數(shù)值的個數(shù)小于等于P/2。

7.根據(jù)權(quán)利要求4所述一種基于特征空間分解的多重變跡快速自適應(yīng)波束合成方法,其特征在于:對于二維面陣超聲換能器,將二維面陣分為x軸與y軸,然后分別按照步驟1)至步驟4)在x軸及y軸方向進行波束合成。

當(dāng)前第2頁1 2 3 
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評論。精彩留言會獲得點贊!
1