基于解相干的改进MUSIC算法DOA估计

MUSIC算法是一种子空间分解算法。在非相干的情况下,经典MUSIC算法能准确进行波达方向（DOA）估计,但当信号源在相干的情况下时算法失效。在对经典MUSIC算法进行理论分析研究的基础上,对其阵元接收数据阵做相应变换,得到共轭重构后的协方差矩阵,通过特征值分解再进行DOA估计。就经典的MUSIC和改进算法的DOA估计性能进行了仿真分析。结果表明,改进后的算法在信号源相干的情况下也能精确地估计信号的波达方向。     

米波雷达低角跟踪环境下的修正MUSIC算法

在经典的MUSIC算法的基础上,结合米波雷达低角跟踪的特点,提出了一种对接收数据的协方差矩阵进行重构的新的修正MUSIC算法,然后分析了其解相干的原理.最后用MATLAB软件对其性能与MMUSIC(Modified MUSIC,MMUSIC)算法进行了仿真比较,结果表明对于2个以上的相干信号源,MMUSIC算法已失效,但新算法仍可准确地估计出各个相干信号源的DOA,并且对于2个相干信号源,其估计精度、估计的稳定性和估计的成功概率也明显高于MMUSIC算法.从而证明了该算法的有效性。     

基于相干对消的噪声子空间自适应估计

MUSIC算法的运算量主要集中在特征值分解和空间谱的搜索两部分,为避免进行特征 值分解,将相干信号自适应对消的思想用于噪声子空间的估计。由于阵元输出信号完全相干 ,视一个阵元输出为参考信号,其它阵元输出能够完全对其进行对消,得到的系数矩阵作为 噪声子空间的估计。基于LMS算法,给出了算法的矩阵形式,得到的噪声子空间估计算法的 运算量大大降低,且以迭代的方式进行,适合应用于运动信号源的跟踪,在阵元数较大时能 很好地逼近MUSIC算法性能。为减少空间谱搜索过程的计算量,对搜索过程先用系数矩阵的 一列进行搜索,然后采用其它列对搜索峰值进行验证。仿真结果显示算法具有很好的空间谱 估计性能和DOA跟踪性能。     

基于共轭数据重排的快速MUSIC算法

针对MUSIC算法运算量大,无法分辨相干源的情况,文中提出了基于共轭数据重排的快速MUSIC算法.该算法利用数据的共轭重排在不损失阵列有效孔径的情形下可以对信源解相干,然后通过阵列协方差矩阵的一个子阵来得到信号子空间,避免了特征分解,获得了MUSIC算法的快速实现.计算机仿真结果证实了该算法的正确性和有效性.     

相干信号源DOA估计的一种改进SVD算法

多重信号（MUSIC）算法是波达方向（DOA）估计中的一种标志性算法,在理想条件下具有良好的性能,但是当信号源相干时,算法的性能就会变得很差。为了使其在低信噪比、小角度条件下对相干信号源有着更好的分辨能力和稳定性,通过对解相干重要算法——矢量奇异值（SVD）算法的研究,并针对SVD算法在低信噪比、小角度条件下分辨能力的不足,提出了一种改进的矢量奇异值算法（NSVD）,即利用信号协方差矩阵的最大特征矢量,按一定规则构造出新矩阵,然后对矩阵进行修正,再利用奇异值分解算法估计出信号相关信息。最后通过大量的计算机仿真证明了算法的良好性能。     

一种新的波达方向估计子空间算法研究

MUSIC算法是一种属于特征结构的子空间超分辨方法。该算法性能优良，但需要进行矩阵特征分解，运算量大。对波达方向估计问题进行了研究并提出了一种新的子空间算法。该算法利用总体最小二乘（TLS）方法取代特征分解得到噪声子空间,运算复杂度低于MUSIC算法，使其实时实现成为可能。总体最小二乘处理减轻了噪声的影响,该算法性能与MUSIC算法相当。理论分析和计算机仿真结果表明此方法是有效的。     

基于Toeplitz矩阵重构的相干信源二维DOA估计算法

针对空间相干信源的二维DOA估计问题,提出一种基于Toeplitz矩阵重构的新算法。采用垂直放置的L形阵列,通过对重构的Toeplitz矩阵进行特征分解,得到对应的噪声子空间,并用MUSIC算法进行有限次一维搜索,先后估计出俯仰角和相应的方位角。与空间平滑处理算法相比,不减少阵元的有效孔径,具有更强解相干能力,估计性能也优于后者。最后计算机仿真结果证实了算法的有效性和可行性。     

冲激噪声下相干信源的求根MUSIC算法

由于在冲激噪声背景下,MUSIC算法对信源波达方向估计将失去韧性,且无法解相干,运算量较大,为此对前后向平滑算法和修正的MUSIC算法进行了改进,提出相干信源波达方向估计新算法。简要分析了线阵模型以及共变,将阵列输出矩阵从二阶原点矩扩展到低阶矩,通过分析共变矩阵,得到基于共变矩阵的空间谱,再将谱峰搜索转变为多项式求根,最后可得相干信源波达方向估计。通过仿真,在冲激噪声或高斯噪声下,改进算法可以对相干信源的波达方向进行正确估计。算法性能分析表明改进算法具有良好的稳健性。     

基于特征矢量稀疏分解的DOA估计方法

论文提出了一种基于特征向量稀疏分解的DOA估计方法。依据阵列协方差矩阵的最大特征向量是所有信号导向矢量的线性组合这一性质。利用阵列协方差矩阵的最大特征向量建立稀疏模型进行DOA估计。该方法能有效降低噪声的影响,避免估计信号源数目,增强了算法的鲁棒性。理论分析和仿真实验,验证了本文方法具有较高的精度、较好的分辨力、对相干信号也具有优越的适应能力,性能优于MUSIC算法。     

估计间隔较近信源的修正MUSIC算法

针对信源间隔比较近情况下波达方向(DOA)估计性能下降的问题,提出一种修正MUSIC(MMUSIC)算法。该算法通过利用协方差矩阵的共轭信息,重构协方差矩阵,再由奇异值分解(SVD),构造低秩矩阵,用这两个矩阵噪声子空间的平均构造空间谱,通过谱峰搜索估计出信源的DOA。相比于经典MUSIC算法和空间平滑类算法,该算法能有效解相干,且不损失阵列孔径,而且提高了在信源间隔比较近且信噪比低条件下DOA分辨能力。计算机仿真验证了该算法的有效性。     

多维延时相关MUSIC方法:一种求解脑电逆问题的新方法

将经典的多信号分类算法(MUSIC)用于研究脑电逆问题时存在两个问题:对有色噪音敏感和不能识别相干源.近年人们提出了利用延时相关、高阶累积量或假设已知噪音协方差来缓解有色噪音对算法的影响.对于相干源,则有人提出了递归的多维MUSIC方法.本文在这些工作的基础上建立了一种基于延时相关阵的、叠代的多维MUSIC算法.仿真数据及实际脑电应用研究表明,该方法能在压制有色噪音的同时识别多个相干源,因而具有明显的意义.     

High-resolution direction finding: the missing data case

This paper considers the problem of estimating the direction-of-arrival (DOA) of one or more signals using an array of sensors, where some of the sensors fail to work before the measurement is completed. Methods for estimating the array output covariance matrix are discussed. In particular, the maximum-likelihood (ML) estimate of this covariance matrix and its asymptotic accuracy are derived and discussed. Different covariance matrix estimates are used for DOA estimation together with the MUSIC algorithm and with a covariance matching technique. In contrast to MUSIC, the covariance matching technique can utilize information on the estimation accuracy of the array covariance matrix, and it is demonstrated that this yields a significant performance gain     

一种改进MUSIC算法的FPGA实现

MUSIC[1]算法具有很高的分辨力、估计精度及稳定性,但是由于需要对采样协方差矩阵进行特征分解,运算量巨大,难以利用FPGA实时实现。通过对等距线阵特点及MUSIC算法的研究,发现可以利用局部协方差矩阵构造信号子空间,进一步得到噪声子空间进行谱峰搜索,从而大大降低了算法的复杂度,计算机仿真验证了该算法的有效性。利用FPGA对该算法进行了硬件实现,测试的估计精度和实时性良好,对工程应用具有重要的指导意义。     

A new subspace identification algorithm for high-resolution DOA estimation

In this paper, we propose a new direction of arrival (DOA) estimator for sensor-array processing. The estimator is based on a linear algebraic connection between the standard subspace model of the array correlation matrix and a special signal-plus-interference model, which we develop in this paper. The estimator we propose is a signal subspace scaled MUSIC algorithm, which we call SSMUSIC. It is not a subspace weighted MUSIC, because the scaling depends on the eigenstructure of the estimated signal subspace. SSMUSIC has the advantage of simultaneously estimating the DOA and the power of each source. We employ a second-order perturbation analysis of the estimator and derive stochastic representations for its bias and squared-error. We compare the new DOA estimator with the MUSIC estimator, based on these representations. Numerical results demonstrate the superior performance of SSMUSIC relative to MUSIC and the validity of the perturbation results.     

基于稀疏互质电磁矢量阵列的MUSIC算法

为增加传统MUSIC算法可分辨的信号源数,该文构造了一对具有互质关系的2维稀疏电磁矢量阵列,并基于此阵列提出了一种基于3维平滑的MUSIC算法。该算法利用两个阵列间的互质关系形成具有更多自由度的互质差合成阵列,并基于3维(2维空域加极化域)平滑算法恢复其自相关矩阵的秩,达到应用于传统MUSIC算法的目的。该算法的最大优势是仅使用二阶统计量即可系统地增加了原阵列的自由度。计算机仿真结果表明所提算法能估计多于物理阵元数的信号且分辨率高。     

一种估计多信号频率的快速子空间方法

多重信号分类（Multiple Signal Classification,MUSIC）法在估计多信号频率时需要对采样数据序列的自相关矩阵进行特征值分解，并准确划分出信号和噪声子空间，使得其计算量比较大。利用自相关矩阵的Toeplitz特性快速计算其逆矩阵，通过计算逆矩阵的多次幂来逼近噪声子空间，避免了MUSIC法的特征值分解和估计信号个数的过程。在谱峰搜索环节，采用先粗估计频率值再在小区间进行精细搜索的策略，能够避免搜索无用的频率范围。计算量比较分析以及与理论克拉美罗界（Cramer-Rao Bound,CRB）的对比验证结果表明，快速方法性能与MUSIC法相当，能够较好地逼近CRB，且计算量更小，适合实时性要求高的应用场合。     

Statistical analysis of MUSIC and subspace rotation estimates ofsinusoidal frequencies

Consideration is given to the analysis of the large-sample second-order properties of multiple signal classification (MUSIC) and subspace rotation (SUR) methods, such as ESPRIT, for sinusoidal frequency estimation. Explicit expressions for the covariance elements of the estimation errors associated with either method are derived. These expressions of covariances are then used to analyze and compare the statistical performances of the MUSIC and SUR estimation (SURE) methods. Both MUSIC and SURE are based on the eigendecomposition of a sample data covariance matrix. The expressions for the estimation error variances derived are used to study the dependence of MUSIC and SURE performances on the dimension of the data covariance matrix used     

基于MUSIC算法的L型阵列MIMO雷达降维DOA估计

该文提出一种基于MUSIC算法的L型阵列多输入多输出雷达降维波达方向(DOA)估计算法。该算法首先针对L型阵列导向矢量的结构,构造出一个降维矩阵,将回波信号转换到低维空间。然后利用二次优化方法将2维DOA估计分解为两个1维DOA估计。最后利用MUSIC空间谱估计其中1维角度,并利用求得的角度回代谱函数,对另1维角度进行求根估计。该算法将2维空间谱搜索降为1维搜索,极大地降低了运算复杂度。理论分析和仿真结果验证了该算法的准确性和可行性。