阵列信号处理---频率-波数响应和波束方向图

news/2025/2/12 10:13:44/

波束延迟求和器

阵列是由一组全向阵元组成,阵元的位置为 p n p_n pn,如下图所示:

阵元分别在对应的位置对信号进行空域采样,这样就产生了一组信号信号为 f ( t , p ) f(t,p) f(t,p),具体表示如下:

f ( t , p ) = [ f ( t , p 0 ) , f ( t , p 1 ) , … , f ( t , p N − 1 ) ] T f(t,p) = \big[f(t,p_0),f(t,p_1),…,f(t,p_{N-1})\big]^T f(t,p)=[f(t,p0)f(t,p1)f(t,pN1)]T

对每个阵元的输出用一个线性时不变滤波器进行处理,该滤波器的冲激响应为 h n ( τ ) h_n(\tau) hn(τ),并对所有滤波器求和,得到阵列的输出 y ( t ) y(t) y(t),如下图所示:

其中, h n ( τ ) = 1 N δ ( τ + τ n ) h_n(\tau)=\frac{1}{N}\delta(\tau+\tau _n) hn(τ)=N1δ(τ+τn)

假设观察间隔无限长,则 y ( t ) y(t) y(t)可以写为卷积积分的形式:

y ( t ) = ∑ n = 0 N − 1 ∫ − ∞ ∞ h n ( t − τ ) f n ( τ , p n ) d τ y(t)=\sum_{n=0}^{N-1}\int_{-\infty}^{\infty}h_{n}(t-\tau)f_n(\tau,p_n)d\tau y(t)=n=0N1hn(tτ)fn(τ,pn)dτ

用矢量表示为

y ( t ) = ∫ − ∞ ∞ h ( t − τ ) f ( τ , p ) d τ y(t)=\int_{-\infty}^{\infty}\pmb{h}(t-\tau)\pmb{f}(\tau,\pmb{p})d\tau y(t)=h(tτ)f(τ,p)dτ

其中

h ( τ ) = [ h 0 ( τ ) , h 1 ( τ ) , … , h N − 1 ( τ ) ] T \pmb{h}(\tau)=\big[h_{0}(\tau),h_{1}(\tau),…,h_{N-1}(\tau)\big]^T h(τ)=[h0(τ)h1(τ)hN1(τ)]T

在频域表示为

Y ( ω ) = ∫ − ∞ ∞ y ( t ) e − j ω t d t = H ( ω ) F ( ω ) Y(\omega)=\int_{-\infty}^{\infty}y(t)e^{-j\omega t}dt=\pmb{H}(\omega)\pmb{F}(\omega) Y(ω)=y(t)etdt=H(ω)F(ω)

例子:

假如输入是一个平面波,传播方向为 α \alpha α,时域频率为 ω \omega ω f ( t ) f(t) f(t)是在坐标系原点接收到的信号,则

f ( t , p ) = [ f ( t − τ 0 ) , f ( t − τ 1 ) , … , f ( t − τ N − 1 ) ] T f(t,\pmb{p}) = \big[f(t-\tau_0),f(t-\tau_1),…,f(t-\tau_{N-1})\big]^T f(t,p)=[f(tτ0)f(tτ1)f(tτN1)]T

其中,

τ n = α T p n c \tau_n = \frac{\alpha^Tp_n}{c} τn=cαTpn

c c c表示介质中的传播速度, α \alpha α是球坐标系下的一个单位矢量,表示为

α = [ − s i n θ c o s ϕ , − s i n θ s i n ϕ , − c o s θ ] T \alpha=[-sin\theta cos\phi,-sin\theta sin\phi,-cos\theta]^T α=[sinθcosϕsinθsinϕcosθ]T

假设阵元的位置如下所示:

波的入射方位角为45°,俯仰角为45°,波的频率为300Hz,传播速度为340m/s,时域采样率为20KHz,对每个不同阵元接收到的时域信号f显示,结果如下:

代码如下:

clc;
close all;
clear all;P = [0,0,-1; %p00,0,-0.5; %p10,0,0; %p20,0,0.5; %p30,0,1]; %p4%阵元位置
figure(1);
scatter3(P(:,1),P(:,2),P(:,3),...'MarkerEdgeColor','k',...'MarkerFaceColor',[0 .75 .75])
view(135,10);
xlim([0,2]);ylim([0,2]);zlim([-2,2]);
title('阵元阵列示意图')theta = 0; %平面波的入射方位角
phi = 45; %平面波的入射俯仰角a = [-sind(phi)*cosd(theta);-sind(phi)*sind(theta);-cosd(phi)]; %a为单位矢量
c = 340; %传播速度
tau = P * a / c; %波到每个阵元上的时延f0 = 300; %波的频率
fs = 20000; %采样频率
t = 0 : 1/fs : 2/f0; %绘制2个周期
figure(2);
for i = 1:1:5subplot(5,1,i);T = t-tau(i);S(i,:) = cos(2*pi*f0*T);plot(T,S(i,:));title(['P',num2str(i),'阵元接收到信号'])
end

在这种情况下,将每个阵元的输入信号平移,使其在时间上对齐,然后将其相加。操作流程如下图,其中包含了归一化的因子 1 / N 1/N 1/N,使其输出为 f ( t ) f(t) f(t)。其中

h n ( τ ) = 1 N δ ( τ + τ n ) h_n(\tau)=\frac{1}{N}\delta(\tau+\tau_n) hn(τ)=N1δ(τ+τn)

延迟-求和波数形成器

阵列流形矢量

定义为包含阵列的所有空间特征,表示如下

v k ( k ) = [ e − j k p 0 , e − j k p 1 , … , e − j k p N − 1 ] T \pmb{v}_k(k)=\big[e^{-jkp_0},e^{-jkp_1},…,e^{-jkp_{N-1}}\big]^T vk(k)=[ejkp0ejkp1ejkpN1]T

下标 k k k表示参数属于 k k k空间

其中 k k k为波数,定义如下

k = 2 π λ α k=\frac{2\pi}{\lambda}\alpha k=λ2πα

波束的幅度为:

∣ k ∣ = 2 π λ |k|=\frac{2\pi}{\lambda} k=λ2π

频率-波数响应函数

将平面波信号扩展到空时信号,则基函数为 ω \omega ω和波束 k k k的函数,具体形式如下:

f ( t , p ) = e j ω t v k ( k ) \pmb{f}(t,\pmb{p})=e^{j\omega t}\pmb{v}_k(k) f(t,p)=etvk(k)

阵列处理器对一个平面波的响应为,在时域表达上为:

y ( t , k ) = H T ( ω ) v k ( k ) e j ω t y(t,\pmb{k})=\pmb{H}^T(\omega)\pmb{v}_k(k)e^{j\omega t} y(t,k)=HT(ω)vk(k)et

对应到频域上为:

y ( ω , k ) = H T ( ω ) v k ( k ) y(\omega,\pmb{k})=\pmb{H}^T(\omega)\pmb{v}_k(k) y(ω,k)=HT(ω)vk(k)

阵列的空时处理完全由上式可以描述,定义为:

Υ ( ω , k ) = H T ( ω ) v k ( k ) \Upsilon (\omega,k)=H^T(\omega)v_k(k) Υ(ω,k)=HT(ω)vk(k)

波束方向图

一个阵列的波束方向图定义的背景是平面波在一个局部均匀的介质中传播,约束为波动方程,波束方向图是用入射方向表示的频率-波数响应函数,表达如下:

B ( ω : θ , ϕ ) = Υ ( ω , k ) ∣ k = 2 π λ α ( θ , ϕ ) B(\omega:\theta,\phi)=\Upsilon (\omega,k)|_{k=\frac{2\pi}{\lambda}\alpha(\theta,\phi)} B(ω:θ,ϕ)=Υ(ω,k)k=λ2πα(θ,ϕ)

从上式可以看到,波数方向图是频率-波数响应在一个半径为 2 π / λ 2\pi/\lambda 2π/λ的球上的值。


http://www.ppmy.cn/news/1254660.html

相关文章

网站优化如何做?SEO怎么做?

网站刚上线肯定没有收录,没有排名,这是一个积累内容的阶段。这个阶段的seo优化该怎么做呢?小马识途营销顾问建议从以下几方面展开。 一、网站代码优化 1、设置Robot.txt文件,告诉搜索引擎哪些目录文件可以抓取,哪些目录…

TCP显式编码报文长度发送与接收

报文格式最重要的是如何确定报文的边界。常见的报文格式有两种方法,一种是发送端把要发送的报文长度预先通过报文告知给接收端;另一种是通过一些特殊的字符来进行边界的划分。 这篇文章中讲的是发送报文长度的方法。报文类型如下: 第一部分…

深度学习记录--logistic回归损失函数向量化实现

前言 再次明确向量化的目的:减少for循环的使用,以更少的代码量和更快的速度来实现程序 正向传播的向量化 对于,用向量化来实现,只需要就可以完成,其中,, ps.这里b只是一个常数,但是依然可以加在每个向量里(python的…

2000-2021年上市公司过度负债数据

2000-2021年上市公司过度负债数据 1、时间:2000-2021年 2、指标: 证券代码、证券简称、会计期间、上市日期、行业代码、行业名称、是否剔除ST或*ST股、是否剔除当年新上市、已经退市或被暂停退市的公司、产权性质、盈利能力、杠杆率行业中位数、成长性…

蓝桥杯第1037题子串分值和 C++ 字符串 逆向思维 巧解

题目 思路和解题方法 方案一——遍历哈希表 仅能过60%样例,大多数同学都用的该方法&#xff0c;就不过多赘述 #include <iostream> #include <unordered_map> using namespace std; int main() {string s;cin >> s;int n s.size();int res n;for (int i 0…

前端页面转pdf

首先&#xff0c;需要安装两个库 html2canvasjspdf 先引入这个公用的html转pdf的方法 /**path:src/utils/htmlToPdf.jsname:导出页面为pdf格式 **/ import html2Canvas from "html2canvas1.4.1"; import JsPDF from "jspdf2.5.1";const htmlToPdf {get…

sCrypt 现已支持各类主流前端框架

sCrypt 现已支持各类主流前端框架&#xff0c;包括&#xff1a; ReactNext.jsAngularSvelteVue 3.x or 2.x bundled with Vite or Webpack 通过在这些支持的前端框架中集成sCrypt开发环境&#xff0c;你可以直接在前端项目里访问合约实例和调用合约&#xff0c;方便用户使用Se…

Nacos2.x配置中心源码分析

概述 源码注释参考 git 仓库&#xff0c;对应流程图后续补充&#xff1b; 启动 nacos nacos 启动类&#xff1a; // com.alibaba.nacos.NacosSpringBootApplication(scanBasePackages "com.alibaba.nacos") ServletComponentScan EnableScheduling public class…