一种基于方向响应函数的MUSIC改进测向算法

提出了一种新的DOA估计算法,称之为SMUSIC测向算法.算法充分利用了阵列自相关函数的标准子空间处理模型和另一种信号加干扰的处理模型之间的线性代数结构特点.SMUSIC算法具有能同时估计来波方向和每个信号的功率的特点.仿真结果证明了SMUSIC算法比传统的MUSIC算法的优越的性能.     

改进SSMUSIC超分辨多径时延估计算法

传统的MUSIC超分辨时延估计技术是直接基于测量数据,其性能往往只对宽带且频谱近似平坦的信号较优,而对窄带信号估计性能较差。针对上述问题,本文通过利用谐波频率估计模型和DOA (Direction of Arrival)估计模型之间的等价性,将时延估计问题转化为谐波频率估计问题,提出了一种改进SSMUSIC(Signal Subspace Scaled Multiple Signal Classification)超分辨多径时延估计算法。改进后的算法采用平滑的思想和SSMUSIC算法的思想构造协方差矩阵和MUSIC谱,实现了对多径时延的超分辨估计。仿真表明,该算法能够实现对窄带信号多径时延超分辨估计且具有DP(Direct-Path)不模糊和谱峰陡峭的特点,估计性能优于传统的超分辨算法。      

一种适用于小样本的迭代多重信号分类算法

当样本数不足时,由采样协方差矩阵特征分解得到的噪声子空间偏离其真实值,使得多重信号分类(MUSIC)算法目标角度(DOA)估计性能下降。为了解决这个问题,该文提出了一种迭代算法通过校正信号子空间来提高MUSIC算法性能。该方法首先利用采样协方差矩阵特征分解得到的噪声子空间粗略估计目标角度;其次基于信源的稀疏性和导向矢量的低秩特性,由上一步得到的目标角度以及其邻域角度对应的导向矢量构造一个新的信号子空间;最后通过解一个优化问题来校正信号子空间。仿真结果表明,该算法有效地提高了子空间估计精度。基于新的信号子空间实现MUSIC DOA估计可以使得性能得到改善,且在低样本数下改善尤为明显。     

加权伪噪声子空间投影的修正MUSIC算法

多重信号分类（multiple signal classification: MUSIC）方法通过计算搜索导向矢量与噪声或信号子空间的距离来估计波达方向,对采样协方差矩阵的依赖性较大。在小快拍或存在强弱临近信号条件下,采样协方差矩阵的估计值与真实值通常存在较大差异,导致估计的噪声或信号子空间发生畸变,严重恶化了MUSIC方法的波达角估计性能。针对该问题,本文提出采用加权伪噪声子空间投影的改进方法（称为wpnMUSIC）。该方法在修正数据相关矩阵的基础上估计与搜索导向矢量对应的伪噪声子空间并利用其在伪噪声子空间的投影值对MUSIC空间谱进行加权处理,在保持子空间处理方法高分辨能力的同时改善了对小快拍和强弱信号的稳健性。理论分析和仿真实验表明本文方法对强弱临近目标的分辨能力优于MUSIC方法。      

一种子空间识别DOA估计算法的研究

在传统MUSIC的基础上介绍了SSMUSIC,并以ULA为例,通过计算机模拟发现SSMUSIC比传统的MUSIC具有更好的角度分辨力。但是当阵列入射信号相干时,SSMUSIC的估计性能明显下降。为了解决此问题,首先对数据协方差矩阵进行前后向平滑,再用SSMUSIC进行波达方向（DOA）估计。计算机仿真结果表明,引入了前后向平滑后,提高了SSMUSIC的解相干能力。     

基于子空间旋转变换的低复杂度波达角估计算法

多重信号分选(MUltiple SIgnal Classification, MUSIC)算法是波达方向(Direction-Of-Arrival, DOA)估计的最重要算法之一,但庞大的计算量使其工程实用性大打折扣。为降低MUSIC的计算量,该文基于子空间旋转(Subspace Rotation Technique, SRT)变换思想提出了一种高效改进算法,即SRT-MUSIC算法。SRT-MUSIC利用秩亏特性对噪声子空间矩阵按行分块并以旋转变换得到降维噪声子空间,进而基于该降维噪声子空间与导向矢量的正交性构造空间谱估计信号DOA。理论分析表明:SRT-MUSIC能有效避免空间谱搜索中的冗余运算,从而成倍降低算法的计算量。对于大阵元、少信号情况,所提算法计算效率优势更为明显。仿真实验证明了SRT-MUSIC的有效性和高效性。     

一种基于短采样数据的快速超分辨SSMUSIC算法

基于多级维纳滤波(MSWF)理论,针对跳频通信或突发短时通信等情形下所造成的短采样数据,提出了利用CSA MSWF和Lanczos Algorithm快速实现在有限数据长度相较经典MUSIC算法角度估计性能更优、角度分辨率更高、算法鲁棒性更好的SSMUSIC算法。本文提出的MSWF SSMUSIC方法,不仅保持了SSMUSIC算法在短采样、低信噪比情形下角度估计性能更优、角度分辨率更高、算法鲁棒性更好等优点,而且避免了SSMUSIC算法为求得信号子空间、噪声子空间、协方差矩阵信号部分所对应的大特征值及噪声功率的估计而必须对高维协方差矩阵进行特征分解所带来的大的计算量的问题,扫除了SSMUSIC算法在短数据情形下由理论走向实际工程应用的主要障碍。仿真实验证明了该方法的有效性和可行性。     

相干声波信号DOA单快拍矢量平滑估计与跟踪算法

本文研究了基于声矢量传感器阵列的相干信号波达方向(DOA)估计和跟踪问题.首先,根据中心对称均匀线阵方向矩阵的平移不变特性,提出了一种增强阵列有效孔径的单快拍矢量平滑估计算法(PVFSIA),该算法可以用于相干信号的DOA快速估计.在此基础上,提出了基于迭代的相干信号DOA跟踪算法,该算法无需奇异值分解和矩阵求逆运算,...     

适用任意阵列的变换域二维波达角快速估计算法

 MUSIC(Multiple Signal Classification)算法是波达角(the Direction of Arrival,DOA)估计的经典算法之一,但其在二维DOA估计中因需进行二维谱峰搜索而计算量十分巨大.为降低MUSIC算法的计算量,本文在引入变换域DOA概念的基础上提出了一种能够适用于任意阵列结构的二维DOA快速估计算法,即变换域MUSIC(transformed domain-MUSIC,TD-MUSIC)算法.理论分析和仿真实验表明:该算法不但将空间谱峰搜索的范围减小一半而且具有更低维度的噪声子空间,因而其计算量远小于 MUSIC算法.同时,新算法具有比MUSIC更高的空间分辨率.     

声矢量阵张量分解MUSIC算法

矢量水听器同时、共点测量声场中的声压和振速分量,因此相对于声压水听器能够获取更多的声场信息,多重信号分类算法(MUSIC)是一种具有高分辩能力的方位估计算法,本文对声矢量阵接收信号三阶张量建模,并通过高阶奇异值分解得到信号张量子空间,从而结合MUSIC算法对声源进行方位估计。基于三阶张量奇异值分解得到的信号子空间相比于传统的矩阵奇异值分解得到的信号子空间能够更好地抑制噪声,并且体现了多维数据之间的关联关系,因此方位估计精度更高。计算机仿真结果表明:矢量阵张量分解MUSIC算法性能优于传统矢量阵MUSIC方法。      

基于空间重采样的宽带DOA估计新算法及其性能分析

首先介绍了宽带阵列信号模型,然后给出了一种基于空间重采样的新的宽带信号相干子空间处理算法。该算法将均匀线阵看成是连续线阵的离散采样,在各个频率点调整阵列空间采样率,将各频率分量的方向向量聚焦到参考频率上,聚焦后得到单一频率点的数据协方差矩阵,再应用窄带MUSIC算法进行DOA估计,无需预估计波达方向,因此可以避免角度预估计对测向性能的影响。仿真实验表明新算法的性能要优于其他典型算法(TCT,RSS和TLS算法)。文中还给出了分辨率与阵元个数、信噪比之间关系。     

电磁矢量传感器阵列信号波达方向 估计:双模MUSIC

 针对电磁矢量传感器阵列信号波达方向(DOA)估计问题,提出了一种基于张量模型的双模MUSIC算法,并讨论了双模MUSIC角度参数和极化参数的分离问题,提出一种低维双模MUSIC算法.(低维)双模MUSIC算法利用了张量信号子空间与两个噪声子空间的双模正交性,通过连续两次子空间投影完成DOA估计.计算机仿真结果表明,(低维)双模MUSIC算法性能要明显优于传统基于矩阵模型的MUSIC方法.     

用一种新的空时导向矢量联合估计CDMA信号波达方向与多径时延

本文针对CDMA系统提出了一种不需要训练信号而直接对接收的正常通信信号进行处理,实现感兴趣用户的波达方向(DOA)与多径时延联合估计的新方法.该方法是一种基于空时二维的MUSIC方法,首先建立了一种新的数据结构,并对其形成的相关矩阵进行特征分解,然后采用构造的新导向矢量对特征空间进行搜索.这种方法克服了要求接收信号数小于阵元数的局限,能有效估计时延不同、波达方向相差很小的多径信号的参数.     

采用单次快拍数据实现相干信号DOA估计

该文针对均匀线性阵列的相干信号DOA估计问题,提出了一种基于单次快拍数据的解相干算法,该算法直接利用快拍数据构造一个Toeplitz矩阵,经理论推导,该Toeplitz矩阵的秩不受信号的相干性影响,仅和入射信号的个数有关,因此对该矩阵进行特征值分解可得到正确的信号子空间和噪声子空间,结合MUSIC,ESPRIT等子空间算法,即可实现对相干信号的DOA估计。数值仿真验证了该算法的有效性。     

一种基于逐次搜索的快速MUSIC方法

MUSIC方法是一种经典的阵列波达方向(DOA)估计子空间方法,在高信噪比时,该方法有很好的性能,但随信噪比的降低,算法性能下降很快,特别是其分辨概率下降很快。其主要原因是低信噪比和DOA相邻较近时,信号源之间的空间相关性较强。逐次消除空间相关性并逐次搜索DOA的改进MUSIC方法,提高了分辨概率。为降低运算量,采用多级维纳滤波代替特征值分解过程。文中方法具有一般性,适合于基于子空间方法的一大类DOA估计。仿真结果证明了方法的有效性。     

低信噪比下相干信号的DOA估计的白噪声滤除方法

在波达方向估计中,“相干”和“信噪比”一直引人关注。相干会使多重信号分类等算法失效,究其原因就是信源协方差矩阵的秩亏缺。低信噪比使阵列协方差矩阵的主次特征值区分困难,造成信号和噪声的子空间划分错误。针对相干,人们往往都是从“解相干”的角度出发,通过各种手段使信源的协方差矩阵能够满秩,但并未对秩亏缺特性加以利用。基于此,本文给出了一种在低信噪比下对相干源的波达方向估计的噪声消除方法,在仅有加性白噪声的环境下,利用相干信号协方差矩阵不能满秩的特点,通过求解方程组,用求的值代替估计的协方差矩阵的相关对角元素（即对角加载处理）,置换被噪声污染的对角元素,进而可以滤除掉白噪声的影响。仿真结果证实了方法的有效性。      

无参考信号条件下基于MSWF的DOA估计算法

现有基于多级维纳滤波(MSWF)的子空间法波达方向(DOA)估计算法复杂度较低,但需要先验的参考信号.论文从MSWF求解线性预测问题入手,将基于MSWF的线性预测和子空间两种不同的DOA估计方法结合起来,提出了一种实用的低复杂度DOA估计算法.该算法无需构造专门的参考信号,在低信噪比或信源数估计不准的情况下,算法依然具有较好的稳健性和估计性能.仿真实验验证了本文的结论.     

Novel angle estimation for bistatic MIMO radar using an improved MUSIC

In this article, we study the problem of angle estimation for bistatic multiple-input multiple-output (MIMO) radar and propose an improved multiple signal classification (MUSIC) algorithm for joint direction of departure (DOD) and direction of arrival (DOA) estimation. The proposed algorithm obtains initial estimations of angles obtained from the signal subspace and uses the local one-dimensional peak searches to achieve the joint estimations of DOD and DOA. The angle estimation performance of the proposed algorithm is better than that of estimation of signal parameters via rotational invariance techniques (ESPRIT) algorithm, and is almost the same as that of two-dimensional MUSIC. Furthermore, the proposed algorithm can be suitable for irregular array geometry, obtain automatically paired DOD and DOA estimations, and avoid two-dimensional peak searching. The simulation results verify the effectiveness and improvement of the algorithm.     

柱面共形阵列高性能低复杂度DOA估计算法

针对柱面共形阵列的波达方向(DOA)估计问题,从信号子空间的角度分析了在阵元遮挡下应用多重信号分类(MUSIC)算法的性能缺陷。在此基础上提出通过偏置常数的方法克服经典MUSIC算法的阵元遮挡问题。进一步提出一种基于数据自适应子阵分割的快速DOA估计算法,该方法先利用稀疏采样的偏置MUSIC算法进行DOA预估,依此确定所需要的子阵及二维搜索区域,确定MUSIC算法的搜索范围,进而得到高精确度的DOA估计。利用子阵分割的方法进行DOA估计,避免了经典MUSIC算法因阵元遮挡导致运算量大、精确度低等问题。仿真结果表明,该方法能大幅度降低运算复杂度,同时提高DOA估计精确度。     

Oblique Projections for Direction-of-Arrival Estimation With Prior Knowledge

Estimation of directions-of-arrival (DOA) is an important problem in various applications and a priori knowledge on the source location is sometimes available. To exploit this information, standard methods are based on the orthogonal projection of the steering manifold onto the noise subspace associated with the a priori known DOA. In this paper, we derive and analyze the Cramer-Rao bound associated with this model and in particular we point out the limitations of this approach when the known and unknown DOA are closely spaced and the associated sources are uncorrelated (block-diagonal source covariance). To fill this need, we propose to integrate a priori known locations of several sources into the MUSIC algorithm based on oblique projection of the steering manifold. Finally, we show that the proposed approach is able to almost completely cancel the influence of the known DOA on the unknown ones for block-diagonal source covariance and for sufficient signal-to-noise ratio (SNR).