实值GEESE算法对相干信号的DOA估计

本文基于信号子空间特征向量的广义特征值算法(Generalized Eigenvalues Utilizing Signal Subspace Eigenvectors,GEESE),结合空间平滑技术和实值分解技术,提出一种实值GEESE算法.通过结合空间平滑技术,较好的解决了信号源相关的来波方向(DOA)估计问题;通过结合实值分解技术,降低了计算量,并且提高了算法的精度.计算机仿真结果表明,采用了实值技术的算法对相干信号的DOA估计有估计精度高.计算量小的特点.     

基于主分量分析的宽带DOA估计自聚焦算法

提出了一种基于主分量分析(PCA)的CSM类宽带DOA估计自聚焦算法,利用子空间投影变换将信号分离后应用PCA算法快速估计信号DOA,通过不断更新聚焦方向实现自聚焦.与已有算法相比,该算法不受DOA初始值的影响,有更好的聚焦精度.聚焦矩阵更新过程中无需再做奇异值分解,用PCA迭代算法替代特征分解过程,计算量小.仿真实验结果表明,该算法以较小的计算代价实现了较好的估计精度.     

基于稀疏电磁矢量传感器阵列的相干目标DOA自适应估计和跟踪

研究了利用阵元稀疏分布的电磁矢量传感器阵列对相干目标二维波达方向(DOA)进行自适应估计和跟踪的问题.首先,提出了一种新的解相干预处理方法--极化差分平滑算法(PSDA),并结合传播算子给出一种相干目标DOA的估计方法(PSDA-propagator),无需特征值分解以获得信号/噪声子空间,与基于极化平滑算法(PSA)的同类子空间方法相比,提出的方法在非均匀噪声环境有更好的估计性能.其次,为了实现DOA的自适应估计或对时变DOA的跟踪,论文结合最小均方(LMS)或归一化最小均方(NLMS)算法估计瞬时传播算子,并且通过近似牛顿(approximate Newton)算法更新方位角/仰角的估计.实验结果显示了算法有良好的自适心估计和跟踪性能.     

基于宽带聚焦矩阵和高阶累积量的OFDM信号的来波方向估计

为了解决正交频分复用(OFDM)宽带信号处理的问题,研究了基于宽带聚焦矩阵和高阶累积量的波达方向(DOA)估计方法。前者是通过傅里叶变换将宽带阵列数据分解为若干窄带信号,再利用一种聚焦矩阵将不同频带下的方向矩阵变换到同一参考频率下,然后用多重信号分类(MUSIC)算法来估计DOA;高阶累积量算法是通过聚焦操作,把各个窄带频率处的阵列输出矢量变换到聚焦频率处,然后求其累积量矩阵。对各个累积量矩阵进行加权平均并特征值分解,再应用MUSIC算法估计DOA。理论分析和仿真结果表明,两种方法都能够精确地估计OFDM信号的DOA,四阶累积量方法的空间分辨率比聚焦矩阵方法有所提高。四阶累积量算法扩展了阵列孔径,信噪比(SNR)较低的时候也有很好的适应性。     

一种L型阵列的相干分步降维DOA估计方法*

针对相干信号二维波达方向(Direction Of Arrival,DOA)估计运算复杂度高的问题,本文提出了一种基于前后向空间平滑的分步降维MUSIC算法。该算法首先通过前后向空间平滑技术去相干,然后通过一维空间谱搜索得到一维入射角,最后通过最小二乘法得到二维入射角,进而得到相干信号的DOA。仿真实验表明该方法可以实现对相干信号的二维DOA估计,且具有较好的DOA估计性能,同时降低了运算复杂度。     

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。     

MIMO阵列中基于PM和降维变换的高效DOA估计算法

在这篇论文中,我们讨论MIMO阵列中的高效DOA估计方法。由于PM算法不需要对互相关矩阵进行特征值分解,也不需要对接收的数据进行奇异值分解,因此它的计算量可以显著的变小。因此MIMO阵列中基于PM算法和降维变换的DOA估计方法被提出了,而且这种提出的算法比PM算法有更低的计算复杂度。这种算法在没有频谱搜索的情况下效果很好。此外,它比PM算法的角度估计性能稍好。DOA估计中的估计误差的方差和克拉美罗界也可以导出。仿真结果验证了提出的算法的有效性。     

基于声矢量阵小样本数据的DOA估计研究

根据水下目标在其到达方位(DOA)搜索空间的稀疏性,采用稀疏分解理论实现了小样本、低信噪比条件下的声矢量阵DOA估计。通过分析,构造出基于声矢量阵阵列流型形式的过完备原子库,并采用正交匹配追踪算法得到目标的DOA估计。通过仿真,基于稀疏分解的声矢量阵DOA估计算法对单快拍数据进行处理,即可得到比较准确的DOA估计结果。对湖试数据进行了处理,验证了算法的有效性和优越性。     

贝叶斯高分辨方位估计新方法

针对贝叶斯方位估计方法计算量大的问题,将马尔可夫蒙特卡罗方法与贝叶斯方位估计方法相结合,提出一种基于Metropolis-Hastings抽样的贝叶斯方位估计方法(Bayesian DOA Estimator Basedon Metropolis-Hasting Sampling,简称MHB)。MHB方法将贝叶斯算法的空间谱函数作为信号的概率分布函数,并利用Metropolis-Hastings抽样方法从该概率分布函数中抽样。研究结果表明,MHB方法不但保持了贝叶斯方位估计方法的优良性能,而且大大减小了计算量。     

基于分数阶傅里叶变换的宽带LFM相干信号二维DOA估计

在分数阶傅里叶(FRF)域从离散角度推导了二维DOA估计数学模型,并在此模型基础上提出基于分数阶Fourier变换的二维相干信号DOA估计新算法.该方法利用分数阶傅里叶变换良好的能量聚集性,在分数阶傅里叶(FRF)域构造前后向空间平滑DOA矩阵.通过对DOA矩阵进行特征值分解,估计信号子空间和噪声子空间,由信号子空间的特征值和特征向量得到宽带LFM相干信号的二维到达角,避免了二维谱峰搜索和交叉项,也无需参数配对.理论推导与实验仿真验证了算法的有效性.     

一种相干分布式信号二维DOA快速估计方法

基于L型线阵,提出了一种估计相干分布源二维波达方向(DOA)的快速算法。通过对两组平移子阵的广义方向矢量做泰勒近似获得关于分布源中心DOA的两个旋转不变矩阵,利用传播算子法求解旋转不变矩阵从而估计出分布源的中心DOA。该算法避免了常规子空间算法中的谱峰搜索和对高维样本协方差矩阵做特征分解,显著降低了计算量。算法在小角度扩展情形下有优异的估计性能,且低信噪比时的估计性能优于一维交替搜索算法。此外,算法无需知道分布源的角分布形式,是一种盲估计。仿真结果验证了算法的有效性。     

一种基于预估计的稀疏表示DOA估计快速算法

稀疏表示DOA估计算法具有很高的分辨率,但是其计算量较大.为此,提出一种基于预估计的稀疏表示DOA估计快速算法.首先,利用阵列协方差矩阵特征向量的性质,通过DFT对入射信号进行DOA预估计;其次,利用预估计结果降低过完备字典的长度;最后,进行稀疏分解得到DOA估计的精确结果.由于采用的字典长度较短,该算法的计算量非常小.仿真实验结果表明,该算法具有较高的成功概率、较快的估计速度和较低的估计误差.因此,提出的算法在工程实际中应用前景广阔.     

一种新的宽带DOA估计自聚焦算法

具有较高精度的宽带信号波达方向（DOA）快速估计算法是其实用化所要解决的重要问题。提出了一种新的相干子空间（CSM）类宽带DOA估计自聚焦算法。算法利用子空间投影变换将信号分离后分别处理,通过不断更新聚焦方向实现自聚焦。与已有算法相比,不受DOA初始值的影响,有更小的聚焦误差;不同目标在聚焦矩阵更新过程中无需再做奇异值分解,有较低的实时计算量。仿真实验表明,算法以较小的计算代价实现了近乎最优的聚焦性能,有较高的DOA估计精度。     

一种新的高分辨稳定阵列信号估计算法

为提高信号的分辨率,提出了一种新的基于均匀线阵的高分辨稳定的阵列信号方向(DOA)估计方法。主要利用阵列接受数据的自相关矩阵进行特征分解,得到最大特征值所对应的最大特征向量。按一定的方式对最大特征向量数据进行重排,构成新的矩阵,通过SVD分解获取信号的噪声子空间,然后利用特征空间的正交性进行DOA估计。新方法由于新构矩阵的特殊性能实现相干和非相干信号的同时分辨,能克服常用阵列信号估计MUSIC法信噪比门限较高以及常用解相干平滑算法(FBSS)无法完全利用阵列接受数据自相关矩阵的固有缺陷。大量的计算机仿真实现表明,方法是一种高分辨、高稳定性的DOA估计算法。     

基于子空间跟踪的ESPRIT空间谱估计算法

在实际中接收天线与辐射源之间通常存在相对运动,此时传统的高分辨算法性能将严重下降,针对上述问题提出一种自适应信号波达方向即DOA估计算法。新算法以快速稳定的信号子空间跟踪算法为基础,结合ESPRIT算法实现DOA估计,不需要特征值分解,计算复杂度小。仿真实验显示新算法比基于幂迭代的动目标DOA估计算法具有更好的估计性能。     

限定GA搜索空间的WSF求解算法

波达方向（DOA）估计在无线传感器网络中得到了广泛的应用,本文针对DOA中加权子空间拟合（WSF）算法多维非线性优化计算量大的问题,提出一种限定遗传搜索空间的WSF求解算法.该方法将旋转不变子空间（ESPRIT）与无偏估计量的理论最小误差（TME）相结合来限定遗传算法的搜索空间,通过缩短遗传算法的基因长度来降低加权子空间拟合算法的求解复杂度.仿真结果表明,该算法的估计性能与WSF基本相同,与其它的一些智能优化算法相比,显著的降低了算法的计算量.     

基于稀疏重建的信号DOA估计

从稀疏信号重建角度提出了一种改进的波达方向(DOA)估计方法。由于最小冗余线阵(MRLA)能以较少的阵元数获得较大的阵列孔径,将MRLA与l1-SVD方法相结合估计信号的DOA。仿真结果表明,经多次实验验证,所提方法是有效的,相比l1-SVD方法可以估计出更多信源的DOA,并且可以用较少的阵元数估计更多的信源DOA,具有信源过载能力。     

基于修正后矩阵分解的最优协方差DOA估计

针对传统来波方向（direction-of-arrival,DOA）估计在信号相干、低信噪比与噪声非均匀环境下性能差的问题,基于修正后的矩阵分解,提出一种利用凸优化的协方差矩阵最优DOA估计方法。修正后的矩阵分解方法,解相干的同时克服了孔径损失;然后,利用凸优化,重构出无噪声的协方差矩阵;最后,利用最小化搜索计算出DOA。仿真结果表明,所提算法与矩阵分解（matrix decomposition,MD）算法、基于◢l▼1▽范数的奇异值分解（l◣▼1▽-norm singular vector decomposition,◢l◣▼1▽-SVD）算法以及基于空间平滑的协方差秩最小化估计（spatial smoothing based covariance rank minimization,SS-CRM）算法比较,能更好地抑制非均匀噪声,且在低信噪比条件下,依然性能良好。     

基于高效核偏最小二乘的质量相关故障检测

核偏最小二乘(KPLS)是一种多元统计方法, 广泛应用于过程监控, 然而, KPLS采用斜交分解, 导致质量相关空间存在冗余信息易引发误报警. 因此, 本文提出了高效核偏最小二乘(EKPLS)模型, 所提方法通过奇异值分解(SVD)将核矩阵正交分解为质量相关空间和质量无关空间, 有效降低质量相关空间中的冗余信息, 并采用主成分分析(PCA)按方差大小将质量相关空间分解为质量主空间和质量次空间. 此外, 为进一步降低由质量无关故障引发的误报警, 提出基于质量估计的正交信号修正(OSC)预处理方法, 并结合EKPLS模型提出了OSC-EKPLS算法. OSCEKPLS通过质量估计值对被测数据进行OSC预处理, 降低了计算复杂度和误报率. 最后, 通过数值仿真和田纳西–伊斯曼过程验证了OSC-EKPLS具有良好的故障检测性和更低的误报率.     

低信噪比条件下的高分辨DOA估计算法

提出一种基于多级维纳滤波器（MSWF）的信号波达方向（DOA）估计算法。通过测试信号子空间的估计值与噪声子空间的正交性实现DOA粗估计,通过测试MSWF分解的互相关函数实现信号DOA的精估计。仿真实验表明,在低信噪比条件下,该算法比已有的子空间类算法有更好的分辨率和误差性能。