基于联合对角化的近场源三维参数估计

提出了一种基于联合对角化的近场源频率、到达角（DOA）和距离的联合估计算法。首先利用二阶统计量构造白化矩阵,再基于白化后的接收数据构造一组高阶累积量矩阵,利用联合对角化方法来得到高阶累积量矩阵的对角结构信息以及对角化矩阵来分别估计阵列流形和信号源的频率,进而由阵列导向矢量结合对应的信号源频率联合估计信号源的到达方向和距离。与基于高阶累积量的类 ESPRIT方法相比,算法可以提高阵元利用率,具有更好的估计效果,同时不需要谱峰搜索且各参数自动配对,计算机仿真结果验证了该方法的有效性。     

基于联合对角化的近场源三维参数估计

提出了一种基于联合对角化的近场源频率、到达角(DOA)和距离的联合估计算法。首先利用二阶统计量构造白化矩阵,再基于白化后的接收数据构造一组高阶累积量矩阵,利用联合对角化方法来得到高阶累积量矩阵的对角结构信息以及对角化矩阵来分别估计阵列流形和信号源的频率,进而由阵列导向矢量结合对应的信号源频率联合估计信号源的到达方向和距离。与基于高阶累积量的类ESPRIT方法相比,算法可以提高阵元利用率,具有更好的估计效果,同时不需要谱峰搜索且各参数自动配对,计算机仿真结果验证了该方法的有效性。     

基于联合对角化的近场源参数估计

该文提出了一种基于联合对角化的近场源信号到达方向和距离的联合估计算法。首先利用二阶统计量构造白化矩阵,再基于阵列接收数据的高阶累积量矩阵的对角结构信息利用联合对角化方法估计近场信号的阵列方向矩阵,从而由阵列导向矢量联合估计信号源的到达方向和距离。与高阶ESPRIT方法相比,该方法能够提高阵元利用效率,同时不需要参数配对算法。计算机仿真实验证实了所给算法的有效性。     

基于均匀圆阵的近场源三维参数估计

基于均匀圆阵,提出一种近场源距离-方位角-俯仰角联合估计算法。利用阵元观测数据,构造一组高阶累积量矩阵,通过矩阵联合对角化技术得到阵列流形矩阵的估计。根据阵列流形矩阵的估计以及近场和远场条件下方位角相同的结论,获得方位角的估计。利用阵列流形矩阵和方位角的估计,得到距离和俯仰角的估计。该方法无需二维频域峰值搜索或参数配对。计算机仿真验证了算法的有效性。     

非正交联合对角化盲分离算法的可辨识性研究

该文从非正交联合对角化的唯一性条件出发,研究了盲分离算法的可辨识性问题。由接收信号的二阶统计量和高阶累积量分别组成的目标矩阵具有可对角化的结构,因此可以用非正交联合对角化的方法解决盲分离问题。指出非正交联合对角化的唯一存在条件是:由对角矩阵中相同位置的对角元素所组成的向量两两线性无关。从该条件出发推导出基于二阶统计量的非正交联合对角化算法实现盲分离的充分必要条件是源信号自相关函数的形状不同,基于高阶累积量的算法实现盲分离的充分必要条件是源信号中没有高斯信号,从而为运用非正交联合对角化解决盲分离问题提供了理论指导。数值仿真试验验证了结论的正确性。     

基于虚拟时间延迟阵元的极化敏感阵列的多参数联合估计

本文提出了一种基于虚拟时间延迟单元的极化敏感阵列模型,根据该阵列的接收数据构造高阶累积量矩阵,利用高阶累积量的阵列扩展特性构造双平行线阵,最后采用DOA矩阵法实现信号的频率、方向角和极化参数的联合估计,并通过MATLAB进行了仿真验证.该方法不需要参数配对且可应用于任意高斯噪声的环境中.     

基于高阶累积量虚拟阵列扩展的DOA估计

该文提出了一种基于高阶累积量虚拟阵列扩展的DOA估计新方法。该方法基于高阶累积量孔径扩展的性质,由实际阵元的坐标与方向矢量直接计算出虚拟阵元的坐标与方向矢量,利用两种阵元的坐标之间的关系构造四阶或六阶协方差矩阵,运用MUSIC方法对非高斯独立信号源进行DOA估计。该方法在任意阵列的情况下,对非高斯独立信号源进行一维与二维DOA估计,均能准确地估计出多于实际阵元数目的方向角与仰角。实验表明,该方法简单、有效地扩展了阵列孔径,提高了阵列的空间分辨能力,有效地抑制了高斯噪声的干扰,降低了高阶累积量协方差矩阵的计算量。     

一种基于高阶累积量的近场源距离、频率和方位联合估计算法

本文提出了一种基于高阶累积量的近场源距离、方位及频率三维参数联合估计方法,该方法利用构造的累积量矩阵的特征分解获得信号子空间,三维参数估计分别由构造的矩阵的特征值直接估计得到,算法计算简单而无需任何搜索且适于任意高斯噪声环境,与现有的方法相比,本文算法由于无需利用阵列的中心对称结构,因而有效的避免了阵列的孔径损失.最后,计算机仿真实验验证了算法的性能.     

一种基于平行因子分析的近场源定位新方法

本文提出了一种基于平行因子分析的近场窄带信源频率、距离及二维到达角联合估计新算法.首先给出一种新的十字阵列;然后结合Toeplitz矩阵的结构特点,选择特定序号阵元输出计算的高阶累积量巧妙构造5个Toeplitz矩阵;接着在高阶累积量域构造平行因子分析模型,分析了该模型低秩分解的唯一性,并从其分解得到的矩阵中联合估计信源参数.与现有方法相比,该算法有效降低了阵列的孔径损失,无须参数配对.仿真结果表明该算法是有效的.     

基于高阶累积量的正交空时分组码盲识别

针对多输入多输出(Multiple-Input-Multiple-Output,MIMO)系统中的空时码盲识别问题,提出一种基于高阶累积量的正交空时分组码(Orthogonal Space-Time Block Code,OSTBC)盲识别方法.推导给出了接收信号的两种高阶累积量公式,该高阶累积量包含发射信号信息,由此提出识别OSTBC信号的两个特征参数;利用MIMO信道估计得到空间信道矩阵,并提出了两种特征参数的估计方法;最后,利用最小距离准则实现对OSTBC信号的分类识别.仿真结果表明:所提出方法的正确识别率高于已有的识别方法,具有良好的识别性能.     

一种新的联合对角化盲源分离算法分析

盲源分离是一种多通道的信号处理方法。应用盲源分离理论,可以在不知道传输通道的情况下,仅依靠采集到的信号,提取出各种源信号。构建累积量联合矩阵,进行对角化处理,得到分离矩阵,是一种很常见的盲源分离方法。针对通常算法精度不高的问题,提出了一种将基于二阶累积量和基于四阶累积量综合在一起的盲源分离算法。该方法结合了两种方法的优点,既考虑了二阶时空间上的不相关,又考虑了四阶累积量度量的独立性。     

Nonorthogonal Joint Diagonalization by Combining Givens and Hyperbolic Rotations

A new algorithm for computing the nonorthogonal joint diagonalization of a set of matrices is proposed for independent component analysis and blind source separation applications. This algorithm is an extension of the Jacobi-like algorithm first proposed in the joint approximate diagonalization of eigenmatrices (JADE) method for orthogonal joint diagonalization. The improvement consists mainly in computing a mixing matrix of determinant one and columns of equal norm instead of an orthogonal mixing matrix. This target matrix is constructed iteratively by successive multiplications of not only Givens rotations but also hyperbolic rotations and diagonal matrices. The algorithm performance, evaluated on synthetic data, compares favorably with existing methods in terms of speed of convergence and complexity.      

Joint blind source separation by generalized joint diagonalization of cumulant matrices

In this paper, we show that the joint blind source separation (JBSS) problem can be solved by jointly diagonalizing cumulant matrices of any order higher than one, including the correlation matrices and the fourth-order cumulant matrices. We introduce an efficient iterative generalized joint diagonalization algorithm such that a series of orthogonal procrustes problems are solved. We present simulation results to show that the new algorithms can reliably solve the permutation ambiguity in JBSS and that they offer superior performance compared with existing multiset canonical correlation analysis (MCCA) and independent vector analysis (IVA) approaches. Experiment on real-world data for separation of fetal heartbeat in electrocardiogram (ECG) data demonstrates a new application of JBSS, and the success of the new algorithms for a real-world problem.     

基于累量的近场源快速定位算法

本文提出了一种基于累量的近场源参数快速估计方法。具体地,本文首先构造了一个累量矩阵,对其进行奇异值分解后,利用得到的右奇异向量和左奇异向量分别使用类Root-MUSIC方法得到了近场波达方向和距离估计的闭式解。该方法利用高阶累量矩阵,减少了阵列孔径损失,提高了能分辨的最大信源数,而且与其他基于高阶累积量的方法相比,该方法在近场的波达方向与距离的估计过程中只需要构造一个累量矩阵和进行一次奇异值分解,并且使用闭式解完全避免了峰值搜索,大大降低了运算量,同时还提高了估计的分辨概率和精度。此外,该方法在几乎没有增加额外计算量的情况下可以推广到混合场源的情况。仿真结果表明,该算法的分辨率和精度都有较大的优越性。      

基于联合矩阵对角化的双基地MIMO雷达DOD-DOA估计

针对双基地MIMO雷达收发角(DOD-DOA)估计问题,该文提出一种基于联合矩阵对角化的快速多目标收发角估计算法。该算法首先根据匹配滤波输出的数据结构,利用奇异值分解和秩1矩阵判断定理将收发角度估计问题转化为联合矩阵对角化问题,然后采用单次-扫描迭代算法对其求解,得到收发阵列流型矩阵,最后通过谱分析方法估计收发角。该算法充分利用匹配滤波输出的所有信息,无需2维谱峰搜索,每次迭代均可得到精确的闭式解,且收发角自动配对。与现有算法相比,该算法不仅提高了角度估计精度,而且有效降低了运算量。仿真结果证明了所提算法的有效性。     

互耦条件下基于4阶累积量的双基地MIMO雷达角度估计

发射和接收阵列的互耦效应将使得双基地多输入多输出(MIMO)雷达的角度估计算法性能下降。针对阵列互耦效应和高斯色噪声并存情况,该文提出一种基于4阶累积量组合矩阵构造的收发角度估计方法。该方法首先根据收发互耦矩阵的Kronecker乘积特点,并结合互耦矩阵带状、对称的Toeplitz变换性质,充分利用所有的接收数据,构造出多组发射和接收4阶累积量矩阵,通过组合收发累积量矩阵进一步构造出4阶块累积量矩阵,并利用矩阵的奇异值分解,提取出发射和接收旋转不变因子。理论和仿真结果表明:在强互耦效应情况下,所提算法能够有效估计出高斯色噪声背景下目标的收发角度,并实现自动配对。在强互耦情况下,所提算法的估计性能优于其他算法。     

利用盲源分离算法实现DOA估计

提出一种基于快速盲源分离算法实现波达方向（DOA）估计的方法。构造了具有对角化结构的相关矩阵组,引入解盲源分离问题的联合对角化代价函数,采用一种快速的复数域乘性迭代算法求解代价函数,得到混迭矩阵逆的估计,进而实现DOA估计。与同类算法相比,该算法具有更广的适用性和更精确的DOA估计性能。仿真实验结果验证了算法的快速收敛性和优越的估计性能。