一种对称α稳定噪声中的DOA估计新方法

本文研究了对称α稳定(SαS)噪声环境中窄带信号源的DOA估计问题。SαS过程能很好地描述许多具有冲激特性的信号和噪声,但其二阶和高阶统计量不存在。利用SαS过程的性质,提出了一种基于数据矩阵加权的子空间类DOA估计新方法。该方法与分数低阶矩法作了比较,仿真结果显示了所给算法的优越性。     

冲激噪声中的谐波恢复

谐波恢复是信号处理中的基本问题,在各种情况下的谐波恢复问题被广泛地研究了。SαS过程由于能很好地描述许多具有冲激特性的信号,因而受到了日益重视。文研究了复各向同性的白SαS噪声中的谐波恢复问题,利用SαS过程的性质,给出了一种基于子空间方法的频率估计算法。该算法与数据矩阵法和分数低阶矩法作了比较,仿真结果显示了所给算法的优越性。     

影响DOA精度因素的研究

在信号DOA估计中，基于子空间旋转不变性的TLS-ESPRIT算法深受欢迎。文中首先介绍了TLS-ESPRIT算法并简要的对该算法进行分析。同时针对空间存在单信号和多信号两种情况，分析了影响TLS-ESPRIT算法精度的因素，主要讨论了入射角大小和空间存在多信号源对算法估计精度的影响，在计算机上进行了仿真研究，并得出结论。同时给出了提高TLS-ESPRIT算法适用范围，减小误差的有效方法。     

混合噪声下基于Viterbi同步压缩S变换的FM信号分析

该文针对同步压缩S变换(SSST)在混合噪声下的失真问题,提出一种新型稳健性广义同步压缩S变换(GSST)。该方法首先改进Viterbi算法以提高S变换在混合噪声下的时频分析性能,在获取调频(FM)信号的相位轨迹信息后,利用同步压缩技术提高时频聚集性。仿真实验表明,在α-高斯混合噪声环境下,该方法能够在低信噪比下精确获取FM信号的时频信息,有效改善了传统同步压缩算法的稳健性和适用性。     

稳定分布噪声下基于粒子滤波的多径时变信道盲均衡算法

提出了一种基于粒子滤波的多径时变信道盲均衡算法,并在此基础上进行扩展,提出了一种基于延迟抽样的盲均衡算法。新算法的贡献可总结为：推导出对称α稳定分布（SαS）噪声下对传输码元进行最大后验估计的盲贯序算法;对SαS分布噪声进行高斯近似并递推出信道及噪声未知参数的联合后验分布。仿真结果表明,所提出的算法是有效的,特别是在较强脉冲噪声情况下要优于其他算法。     

加权空间平滑TLS-ESPRIT算法性能分析

针对常规TLS-ESPRIT算法不能处理相干信源测向的问题,在空间平滑TLS-ESPRIT算法的基础上,提出了加权空间平滑TLS-ESPRIT算法。通过对原始阵列进行特殊结构的子阵划分,直接利用子阵输出的自相关和互相关信息求得加权矩阵,充分利用阵列输出的自相关和互相关信息,提高了信号子空间与噪声子空间的正交性,从而实现相干信源的解相干。仿真结果表明,新算法在不同信噪比和快拍数下,都优于空间平滑TLS-ESPRIT算法,对相干信号的DOA估计具有更好的处理效果。     

Alpha稳定分布噪声条件下的广义S变换时频分析

在分析Alpha稳定分布噪声干扰下的非高斯信号时,基于传统二阶广义S变换时频算法效果显著退化。针对该问题,提出了基于分数低阶的广义S变换时频分析（FLO-GST）算法。该算法将分数低阶谱理论和常规广义S变换时频分布算法有机结合,同时优化窗口调节因子改善时频聚集性,得到较好的时频图谱。通过计算机仿真,并与其他时频算法进行对比,结果表明,该算法能有效抑制脉冲噪声干扰,更好的描述稳定分布噪声下非平稳信号的时频图谱,具有良好的韧性。      

对称α稳定分布中预处理的共变时差估计

针对传统共变算法在对称α稳定分布(SαS)噪声中方差趋于无穷,实际应用效果不佳的缺点,本文提出了一种基于预处理的共变时差估计算法,该算法将接收信号通过任意满足奇对称单调增的有界函数进行预处理后,再使用共变算法,理论证明了改进算法方差降为了有限值,从而提高了时差估计精度及算法实际应用价值。最后提出了两种满足上述条件的预处理函数,并对其和已有的反正切函数进行仿真,验证了本文算法在SαS分布噪声环境下提高算法估计精度的有效性和在高斯噪声环境下的适用性。     

基于分数低阶协方差的AR SαS模型α谱估计

根据自回归(AR) SαS模型的α谱,分析了基于分数低阶矩(FLOM)法估计AR SαS模型参数的不足.提出了一种基于分数低阶协方差(FLOC)的AR SαS模型参数估计方法,并给出了基于FLOC的AR SαS模型α谱方法.分别对AR SαS模型参数的估计、α稳定分布噪声中单一正弦信号的估计和两个正弦信号的分辨进行了仿真.仿真结果表明,基于FLOC的AR SαS模型α谱估计方法对于不同的α值均具有较好的韧性.特别是在α值较小,即α稳定分布噪声概率密度函数(PDF)拖尾比较严重时,本文所提出的基于FLOC的AR SαS模型α谱估计方法,其性能明显优于基于FLOM的AR SαS模型α谱估计方法.     

一种基于多循环频率的韧性时延与多普勒频移联合估计算法

本文提出了一种基于分数低阶循环模糊函数的多循环频率时延与多普勒频移联合估计算法.该方法将分数低阶矩与循环平稳特性相结合,能够在SαS(Symmetric α Stable)脉冲噪声条件下检测信号的循环平稳特性.算法充分利用了信号的循环频率信息,具备较强的抑制干扰能力.仿真结果表明,在脉冲噪声和干扰环境中本文提出的算法均...     

一种改进的ESPRIT方法

提出一种改进型的ESPRIT算法,对传统ESPRIT算法作以改进,提高了ESPRIT方法的性能,在小信噪比、多信号源的情况下提高了算法的测角精度.通过计算机仿真对改进算法的效果作了验证,验证了算法的有效性.     

ESPRIT算法估计性能分析

波达方向估计(DOA)技术渐渐成为移动通信中研究的热点,而ESPRIT算法是一种典型算法。在对ESPRIT算法进行分析的基础上,介绍了几种ESPRIT算法,并从信噪比、阵元数等不同情况下对几种算法的性能进行了仿真分析。     

基于ESPRIT宽带信号测向技术研究

研究了基于ESPRIT宽带信号测向技术,采用信号子空间变换方法分别对2个平移矩阵聚焦处理,并利用窄带ESPRIT测向方法计算出来波方向,提出利用ESPRIT与聚焦处理相结合测向的方法,解决了ESPRIT宽带信号测向精度差问题。通过聚焦处理有效抑制噪声,提高信噪比,从而获得高精度、高分辨率的渐进无偏估计信号方向。计算机仿真验证了算法的有效性。     

自适应频率和二维波达方向角跟踪估计算法

运用特征子空间分析方法的关键问题在于信号或噪声子空间的估计,在实际中有些信号的统计特性通常是随时间变化的,这时需要随时根据新的阵列接收数据对信号或噪声子空间进行更新,以得到参数的实时估计值,在该文中建立了多维信号参量联合估计的3D Unitary ESPRIT算法,然后提出了基于球面平均 ULV分解的子空间跟踪算法,将子空间跟踪算法与多维信号多量联合估计算法相结合,得到多维时变信号参数的跟踪估计算法,仿真计算结果验证了该算法的有效性。     

Modified ESPRIT (M-ESPRIT) algorithm for time delay estimation in both any noise and any radar pulse context by a GPR radar

This paper presents M-ESPRIT, a modified version of the ESPRIT algorithm, for the purpose of time delay estimation of backscattered radar signals. The proposed algorithm takes both the transmitted pulse shape and any noise into account. It can process raw data from experimental device without the preprocessing which would be required with the conventional ESPRIT algorithm.     

一种新的子空间跟踪方法在DOA估计中的应用

介绍了一种新的子空间跟踪方法(双迭代最小二乘(Bi—LS)子空间跟踪方法)在DOA估计中的应用。特征子空间方法的关键是对信号或噪声子空间的估计。在实际中，有些信号的统计特性是时变的，为得到参数的即时估计值，需要随时根据新的阵列接受数据对信号或噪声子空间进行更新。将Bi—LS子空间跟踪算法和自适应ESPRIT算法相结合，形成一种快速递推的自适应ESPRIT算法，对时变信号DOA进行跟踪估计。其计算复杂度小，仿真结果验证了该算法的有效性。     

一种低复杂度的ESPRIT新算法

该文提出了一种基于QR分解的Power-ESPRIT (以下简称QP-ESPRIT算法) 新算法。首先使用采样数据协方差矩阵的幂(Power)获得噪声子空间的估计,然后对噪声子空间进行QR分解并使用R矩阵估计信源个数,提出了无特征分解的信源个数检测算法SDWED算法。进而,信号子空间的特征向量就可以由Q矩阵确定,从而应用ESPRIT算法获得信源波达方向的估计。该算法不需要预先知道信源个数的先验知识以及分离信号与噪声特征值的门限。在确定信源个数和子空间估计的同时,本文算法与传统的基于奇异值分解算法相比,具有近似性能时却拥有较低的计算复杂度。仿真结果证明了该方法的有效性。     

Multiresolution ESPRIT algorithm

Multiresolution ESPRIT is an extension of the ESPRIT direction finding algorithm to antenna arrays with multiple baselines. A short (half wavelength) baseline is necessary to avoid aliasing, and a long baseline is preferred for accuracy. The MR-ESPRIT algorithm allows the combination of both estimates. The ratio of the longest baseline to the shortest one is a measure of the gain in accuracy. Because of various factors, including noise, signal bandwidth, and measurement error, the achievable gain in accuracy is bounded     

基于最小冗余线阵的共轭循环ESPRIT算法

本文提出了一种基于最小冗余线阵的共轭循环ESPRIT算法。理论分析和计算机仿真实验均表明:该算法具有良好的DOA估计性能,增大了阵列孔径,抗噪能力强,分辨率高,可以用较少的阵元估计更多的信号源方向。计算机仿真实验验证了算法的有效性,并比较了该算法与共轭循环ESPRIT算法的DOA估计性能。     

The forward-backward averaging technique applied to TLS-ESPRITprocessing

Certain array geometries greatly simplify and enhance high resolution array processing. Two techniques are used-the ESPRIT algorithm, which employs two shifted but otherwise identical subarrays, and forward-backward averaging, which can be applied to axis-symmetrical arrays. The former has been shown to provide an efficient solution to bearing estimation while the latter incorporates the a priori knowledge about the symmetry, effectively increasing the number of data vectors available and decorrelating coherent or highly correlated signals. A combination of the two techniques implies a special array geometry that includes uniformly spaced linear arrays. The resulting algorithm yields parameter estimates that are constrained on the unit circle, satisfying the postulated data model provided merely that the arguments of these estimates are distinct. However, if the arguments of some parameter estimates coincide in a given scenario, the ESPRIT algorithm does not yield different results for distinct signals and these estimates can be rejected. Perhaps the most significant advantage of combining forward-backward averaging with ESPRIT parameter estimation is the substantial reduction in computational complexity that can be achieved. Based on the centro-Hermitian property of the data and noise covariance matrices, the computational complexity of the ESPRIT solution is reduced almost by a factor of four and the algorithm can be formulated entirely over the field of real numbers