基于改善特征值离散度的信源数目估计

相比于传统的信源数目估计方法,基于特征值差值法的信源数目估计具有较小运算量的优点,但是因为在低信噪比时效果差,且在色噪声下效果不稳定等多种缺点一直未能在实际中应用。因此分析了特征值离散度对差值法估计的影响,提出一种基于对数函数拟合改善特征值发散程度的方法,并利用拟合特征值进行差值法进行估计。该算法很大程度上减少了相邻信源特征值之间的差值,使信源特征值和噪声特征值之间的差值更加明显,大大提升了差值法的估计性能,同时保证了较小的运算量。经实验仿真表明,该方法在白噪声和色噪声下都能进行稳定估计,在较低信噪比和低快拍数下依然具有良好估计性能的优点。     

基于EMD的单通道信源数估计方法

为了获取单通道接收信号的信源数目,针对普通信源数估计方法不能直接用于单通道接收信号的问题,提出了基于经验模态分解(empirical mode decomposition, EMD)的信源数估计方法。将单通道信号通过EMD处理,得到多个固有模态函数(intrinsic-mode function, IMF),据此构造数据协方差矩阵。对所构造的协方差矩阵进行特征值分解,采用基于信息论的AIC和MDL准则估计信源数。为进一步提高算法估计性能,引入对角加载技术对矩阵特征值进行平滑处理。仿真实验结果表面,本文提出的方法能够适用于单通道信源数估计,对角加载技术能够显著提高算法检测性能。     

基于SVD的二维子空间拟合DOA估计

改进传统子空间拟合波达方向(DOA)估计方法,以快拍数据矩阵的奇异值分解代替接收数据协方差矩阵的特征值分解,用奇异值和奇异值矢量进行信源数估计,避免协方差矩阵估计,减少运算量和矩阵估计误差。根据已有子空间拟合的一维修正变化投影(MVP)算法原理,推导出二维MVP算法实现步骤,对基于均匀圆阵的接收信号进行二维DOA估计。     

基于稀疏表示和约束优化的波达方向估计方法

对于噪声环境中信号源的波达方向(DOA)估计,传统的多信号分类(MUSIC)算法只对不相干信号有效,且所需较多样本。针对此问题,将进行DOA估计的搜索范围看作冗余字典,从而待估计的DOA成为该冗余字典中的某些元素,可以由冗余字典对其进行稀疏表示;其次,利用单次快拍数据,应用二阶锥(SOC)约束优化的方法对该稀疏表示问题进行描述,并进而转化为标准的二阶锥形式,采用有效的优化工具SeDuMi来实现DOA的估计。仿真结果表明,与现有的子空间方法相比,该方法只需单拍数据即可得到较好的估计结果,且无需对信源个数有先验知识,同时适用于相干和非相干信号。     

一种基于多重特征融合的信源个数估计方法

针对加权盖尔圆估计准则不能充分利用增广加权盖尔圆矩阵信息的不足,在该准则基础上提出一种融合多重特征的信源个数估计方法。利用阵列天线的接收信号构建增广加权盖尔圆矩阵,从中获取用于描述信源个数的盖尔圆心值、盖尔圆半径和加权盖尔圆半径等多重特征构建高维特征向量,并将其标记后代入支持向量机中,训练可进行信源个数估计的分类器数学模型。实验结果表明,该方法不仅能够在信源数只比阵元数少一个的情况下准确估计信源个数,其在低信噪比和小快拍数的环境下也同样具有良好性能。     

一种新的DOA估计的高分辨率算法

波达方向估计（DOA）在阵列信号处理中非常重要,而传统算法如多重信号分类算法（MUSIC）需要对阵列接收数据的协方差矩阵进行特征分解,并在全空域进行谱峰搜索,运算量巨大,尤其是二维DOA估计算法还存在稳健性较差的问题。提出了一种基于最小互熵谱分析的DOA算法,该算法只需要一次较少阵元的阵列采样（快拍）数据即可得到具有高分辨率的谱分析结果。进一步采用倒谱法,通过逆FFT变换提高了最小交叉熵谱分析算法的收敛速度。数值仿真结果表明,该算法较常规空间谱估计方法有更高的分辨力和更小的运算量,能够对阵列信号进行实时处理。算法不依赖于预先估计的信源数目,具有较好的宽容性,较高的分辨力以及极低的旁瓣电平。     

基于盲波束成形的异步CDMA信号伪码估计

在分析阵列天线接收的异步CDMA信号的基础上,利用信号子空间与用户特征序列的关系,提出一种新的基于盲波束成形的伪码序列盲估计算法,能在波达方向未知的情况下,估计各个用户的扩频序列。算法克服了子空间盲波束成形算法信源个数必须小于阵元个数且信源波达方向不能靠近的缺点。同时提出一种基于盲波束形成的多用户检测算法,在低信噪比条件下,性能相比于单天线多用户检测性能有很大提高。     

水下运动阵列多目标检测和方位估计一体化方法

水下多目标的远程检测和方位估计是是水下阵列信号处理的两个关键问题。传统的方法是将这两个方面分开处理,先通过某种检测方法来检测目标个数,然后再利用某种方位估计方法来确定各个目标的方位。这样前面目标检测的结果的好坏就直接影响到后面目标方位估计的性能。针对低信噪比下传统检测方法的性能差且不能同时给出方位估计的问题,提出了一种基于水下运动阵列合成孔径技术的多目标检测和方位估计一体化新方法SATDE。该方法充分利用水下运动阵列合成孔径技术来提高阵增益和角度分辨率,并利用体现信号能量的MVDR空间谱函数来确定目标的个数及方位。仿真结果表明,对于相干信号来说,提出的方法在低信噪比下的检测性能显著优于AIC和MDL等传统方法,并且可以同时给出正确的方位估计。     

镜向多路径模型在低角跟踪中的应用

在存在多路径反射的低角跟踪中，当信源相关时，传统的多信号分类（MUSIC）算法和其它一些超分辨技术一样，空间谱估计性能会明显变差。为了克服这一缺点，用一组模拟镜向多路径的特殊向量代替波达矢量（DOA）。把镜像多路径模型应用在最大似然（ML）估计中，其性能得到了很大的改善。最后，应用同一镜像多路径模型，对MUSIC算法和ML算法的性能进行比较，给出仿真结果，结果表明，应用同一镜向多路径模型，且其它条件相同的情况下，在高信噪比时，ML算法和MUSIC算法性能相当，但在低信噪比时，由于ML算法需要的快拍数少而更有效，且计算量小。     

基于迭代自适应方法的近场源二维参数联合估计

针对近场源波达方向（DOA）和距离的联合估计问题，提出一种近场迭代自适应算法（NF-IAA）。首先通过划分二维网格表示出近场区域内信源所有可能的位置，每个位置都看作存在一个潜在的信源入射到阵列上，表示出阵列输出的数据模型；然后通过循环迭代利用上一次谱估计的结果构建信号的协方差矩阵，将协方差矩阵的逆作为加权矩阵估计出每个位置对应的潜在信源能量；最后绘制出三维能量谱图，由于只有真实存在的信源能量不为0，因此谱峰对应的位置即为真实存在信源的位置。仿真实验表明在10个快拍条件下，NF-IAA的DOA分辨概率达到了90%，而二维多重信号分类（2D-MUSIC）算法只有40%；当快拍数降至2时，2D-MUSIC算法已经失效，而NF-IAA仍然能很好地分辨出3个入射信源并且准确地估计出位置参数。随着快拍数和信噪比（SNR）的增加，NF-IAA的估计性能一直优于2D-MUSIC。实验结果表明，NF-IAA具备少快拍条件下高精度、高分辨地估计近场源二维位置参数的能力。