1.基于均匀圆阵EPUMA的相干信号零陷加深方法，其特征在于，所述方法包括：步骤1，对阵列接收信号协方差矩阵进行特征值分解，并重构托普利兹协方差矩阵进行解相干处理；

步骤2，利用最小二乘循环迭代方法估计线性预测系数，使重构后的协方差矩阵满秩，达到去相干的目的；

步骤3，通过代价函数估计出期望的空间谱，具体是通过控制零陷深度系数b的值，使空间谱密度函数形成期望的主旁瓣比，达到语音增强的目的。

2.根据权利要求1所述的基于均匀圆阵EPUMA的相干信号零陷加深方法，其特征在于，所述方法采用如下的信号模型：假设麦克风阵列是由M元阵元构成的均匀圆阵，当有K(K＜M)个远场宽带信号输入，麦克风阵列的输出为：X(t)＝AS(t)+N(t),t＝1,...,L  (1)T T

式中，X(t)＝[x1 x2 … xM]为阵列的M×1维输出数据矩阵；S(t)＝[s1 s2 … sK] 为远场信号的K×1维数据矩阵；L是快拍数；N(t)＝[n1 n2 … nM]T为M×1维噪声数据矩阵，设定噪声分量是一个与信号互不相干且均值为零的高斯白噪声，其协方差为σn2IM，其中σn2为噪声功率，IM为M×M的单位矩阵，假设该麦克风圆阵位于XOY平面，首阵元位于X轴上，以原点为参考点，均匀圆阵的DOA具有二维形式，来波信号在XOY平面的投影与X轴夹角称为方位角，信号与Z轴夹角为俯仰角，则俯仰角 和方位角θ∈[-π，π]；

若平面波传播方向为：

则各阵元相对于圆心的相位差为：

其中，第m个阵元与首元夹角 由此得到阵列导向矩阵：

其中，

R为均匀圆阵的半径，λ为信号的载波波长，阵列接收信号X(t)的协方差矩阵为：其中，E[·]表示期望，(·)H表示共轭转置，x(t)为阵列接收信号的时域形式。

3.根据权利要求2所述的基于均匀圆阵EPUMA的相干信号零陷加深方法，其特征在于，步骤1对阵列接收信号协方差矩阵进行特征值分解，并重构Toeplitz协方差矩阵进行解相干处理的方法包括：其中，US＝[u1 … uK]是信号子空间，Un＝[uK+ 1 … uM]是噪声子空间， 与 是相应的信号与噪声特征值，ΛS＝diag(λ1 … λK)是包含K个特征值的对角矩阵，且由于均匀圆形阵列的导向矢量不具备范德蒙矩阵形式，所以其原始阵列的子阵不具备旋转不变的特性，因此可以利用模式空间变换的方法将均匀圆形阵列等效为理想的均匀线阵，根据线性预测理论，Us中的每个元素都可以表示为与P∈[K,M-1]关联的线性组合，m＝P+1,...,M，k＝1,...,K写成矩阵形式为：

Fkc-gk＝ΟM-P，  (7)

其中ΟM-P是一个(M-P)×1维的0向量，

c＝[c1 … cP]T,gk＝-[[uk]P+1…[uk]M]T.

是线性预测系数；

令ek＝Fkc-gk，则式(7)可写成

其中，

在实际情况中，阵列所接收到信号的协方差矩阵是无法通过计算得到的，可以通过设定快拍数L得到阵列接收数据的协方差矩阵的估计值为：对 特征值分解得到：

当期望信号与干扰相干时，接收数据协方差矩阵 会出现秩亏，故构造Toeplitz矩阵来做解相干处理，ek＝B(c)uk＝0M-P,k＝1,...,K  (12)其中，B(c)的定义为： 通过利用B(c)可重

构协方差矩阵 其包含所有期望与干扰的方位信息使重构托普利兹矩阵满秩，结果 的秩与信号的相干性无关，从而达到去相干的目的。

4.根据权利要求3所述的基于均匀圆阵EPUMA的相干信号零陷加深方法，其特征在于，步骤2利用最小二乘循环迭代方法估计线性预测系数的方法包括：DOA估计精度取决于线性预测系数 的精度，本方法构造目标函数 使其最小化得到线性预测系数 其中加权系数 结合式(9)利用无约束极小化方法得到：利用最小二乘循环迭代方法来估计初代线性预测系数，命名为估计初始的加权系数：

其中，

将(14)式代入(13)中，得到估计的初代 经过多次迭代运算直到达到性能指标。

5.根据权利要求4所述的基于均匀圆阵EPUMA的相干信号零陷加深方法，其特征在于，步骤3通过控制零陷深度系数b的值，使空间谱密度函数形成期望的主旁瓣比，方法包括：经过解相干改进，基于空间谱密度函数 估计方法，得到

表示对空间谱密度函数做b次幂运算，b为零陷深度调节变量，一般取大于1的数；在空间谱密度函数中，干扰分量 一般情况下要大于期望信号分量 对空间谱密度函数做b次幂运算之后，新的干扰分量 远大于新的信号分量 而干扰的强度正比于干扰零陷的深度，因此，随着b的增大，干扰分量的强度也变大，自适应波束形成在干扰方向的零陷深度也随之加深，但b的取值不宜大于5，否则会导致接收信号失真。