色噪声下基于差分聚焦的宽带DOA估计方法

针对色噪声下宽带阵列波达方向(DOA)估计精度差及稳健性不足的问题,本文结合协方差矩阵差分理论及特征向量空间聚焦算法提出有效解决方案.算法首先按照协方差矩阵差分理论求解差分矩阵,并对差分协方差矩阵进行特征分解,取正特征值部分对应的特征向量重构观测模型,消除色噪声及“伪峰”影响;然后,针对新观测模型,构建新的信号自相关矩阵;在此基础上,推导了不需角度预估的宽带DOA估计方法原理,即以不同频点处特征向量信号子空间为基础,求解聚焦矩阵;此外,为避免特征分解过程中零特征值所对应的特征向量对算法分辨门限的影响,依照特征值递减序列对特征向量矩阵进行重新排列,由非显著部分与信号阵列流型矩阵之间的正交性关系,重构聚焦矩阵.最后,仿真比较分析了所提算法与在噪声背景下的测向精确性、分辨能力、算法稳健性及复杂度方面的性能.理论分析及仿真结果表明,本文方法在色噪声背景下估计精度高、稳健性好,且不需要进行角度预估,复杂度低,实用性较强.     

利用空间平滑的协方差秩最小化DOA估计方法

针对传统波达方向角估计算法在相干信号及非均匀噪声下估计精度差、分辨率低的问题,基于空间平滑方法,提出一种接收信号协方差矩阵秩最小化波达方向估计方法．在传统空间平滑方法的基础上,所提算法将接收信号协方差矩阵分别左右乘交换矩阵以得到空间后向平滑协方差矩阵;而后基于平滑矩阵的低秩性,将协方差矩阵重构为无噪声协方差矩阵;最后利用传统MUSIC算法实现波达方向估计．仿真结果表明,与传统MUSIC算法、基于矩阵补全理论的MUSIC算法和秩迹最小化算法相比,所提算法能较好地抑制非均匀噪声影响,且在相干条件下具有较好的波达方向估计性能．     

非平稳噪声下稀疏表示的DOA估计算法

为提高非平稳噪声下远场非相干窄带信号波达方向（DOA）的估计精度,提出了一种基于稀疏重构的DOA估计算法.采用类协方差差分算法构造差分矩阵,抑制非平稳噪声的影响;基于类旋转不变子空间参数估计算法基本原理构造稀疏表示模型与权函数;利用加权l₁范数对模型求解,实现DOA估计.仿真结果表明,与传统的协方差差分算法、噪声协方差矩阵估计算法、秩迹最小化算法以及稀疏重构算法相比,所提算法不仅能较好地抑制非平稳噪声的影响,而且在低信噪比、低快拍数情况下具有较强的稳健性和较高的估计精度.     

基于酉变换的虚拟阵列DOA估计算法

为了估计相干信源的波动方向,提出基于酉变换的虚拟阵列DOA估计算法．该算法通过阵列虚拟平移形成虚拟阵列对相干信号进行解相干,并利用酉变换将虚拟阵列接收数据的协方差矩阵从复数域变换到实数域,然后利用该实数矩阵进行波达方向估计．计算机仿真表明算法在低信噪比情况下具有很好的解相干特性和估计性能．该算法避免了阵列孔径损失,可在小采样拍数情况下实现相干信源的DOA估计,且运算在实数域进行,大大降低了运算复杂度．     

矢量重构解相干的波达方向估计新方法

针对相干信号波达方向(Direction of Arrival, DOA)估计问题,提出一种新的矢量重构解相干方法——变参考阵元数据互相关矢量重构算法。算法依次改变阵列参考阵元,求得所有阵元接收数据与对应参考阵元接收数据之间的互相关信息,并以此作为重构矩阵的列矢量构造一个等效协方差矩阵,然后基于MUSIC和ESPRIT算法,估计相干信号的波达方向。数学推导和理论分析表明,重构的矩阵能对相干信号完全解相干。算法不损失阵列孔径,在低信噪比和少量快拍数据条件下,估计性能要优于Toeplitz矩阵重构算法和前后向空间平滑算法。     

基于均匀线阵的改进MUSIC算法

在相干信源下,传统的MUSIC（MUltiple SIgnal Classification）算法不能准确地估计波达方向。为此,在对传统的MUSIC算法进行研究的基础上,提出了一种改进的MUSIC算法。该算法是将阵元接收的数据做相应的变换,从而得到新的阵列数据,再通过求互协方差等运算,得到新的数据协方差矩阵。同时,对该算法和传统的MUSIC算法进行了仿真,对其DOA（Direction-of-Arrival）估计性能进行比较。仿真实验表明,改进后的算法在相干信源的情况下具有很好的去相干性能,而且没有阵列孔径的损失。能精确地估计信号的波达方向。     

非均匀噪声环境下基于矩阵补全的DOA估计方法

针对传统的信号波达方向（DOA）估计算法无法适用于实际应用中非均匀噪声、数据不完整等情况的问题,提出了一种结合矩阵补全理论和最大似然交替投影算法的DOA估计方法。在背景噪声为非均匀噪声的情况下,该方法通过对只有部分元素已知的阵列协方差矩阵进行矩阵补全,将稀疏矩阵重构为无噪声协方差矩阵,然后利用最大似然交替投影算法实现对DOA的估计。实验仿真表明:该DOA估计方法能够有效恢复不完整数据并抑制非均匀噪声的影响,而且在低信噪比条件下,仍具有较好的DOA估计性能。     

相干/同向信号波达方向与多普勒频率的联合估计

针对相干/同向信号波达方向(DOA)与多普勒频率的联合估计问题,提出了一种基于特征空间的修正二维MUSIC联合估计算法。首先,建立包含DOA和多普勒频率信息的广义阵列信号模型,通过共轭重构对阵列接收信号的协方差矩阵进行修正,使其有效适用于相干/同向信号下DOA与多普勒频率的联合估计。同时,在二维MUSIC算法的基础上,提出了一种基于特征空间的DOA与多普勒频率联合估计算法,该算法充分利用了信号子空间和噪声子空间的信息,并且可以对源信号功率进行估计。对该算法加以修正后同样可以应用于相干/同向信号的DOA与多普勒频率联合估计,且可以得到比修正二维MUSIC算法更好的估计效果。最后,通过仿真试验验证了本文算法的有效性。     

基于托普利兹矩阵集重构的相干信源波达方向估计

针对常规相干信源波达方向估计托普利兹矩阵重构算法仅利用部分阵列接收数据的互相关或协方差矩阵进行重构,信息利用不完整且部分算法需去噪声处理等问题,提出一种改进托普利兹矩阵重构算法。利用阵元接收数据矢量构造包含阵元完整相关矩阵信息的托普利兹矩阵集,通过Hermitian转置矩阵修正及正反向平滑运算得到满秩矩阵,并结合运算量低的ESPRIT算法实现相干信号角度估计,同时避免去噪声处理。计算机仿真结果验证了算法的有效性。     

基于实值信号子空间的虚拟阵列解相干算法

针对存在相干信源时,传统的DOA估计算法失效问题,提出一种基于实值特征子空间的虚拟阵列解相干算法.该算法根据虚拟阵列变换的思想,利用阵列接收数据构造虚拟子阵,实现对信号的解相干处理,并将协方差矩阵从复数域变换为实数域,获得一个实值信号子空间,最后利用实数域ESPRIT (Unitary ESPRIT)估计信号波达方向.该方法避免了阵列孔径损失,保持了阵列的空间分辨率,估计精度高,利用个阵元可估计个信源,且引入实数域处理和无需空间谱搜索,运算量小.计算机仿真验证了该方法的有效性和优越性.     

色噪声环境下的快速DOA估计算法

提出了一种色噪声环境下的DOA估计新算法。该算法通过协方差矩阵差法进行预处理，克服了色噪声对空间谱估计的影响。由于不需对变换后的数据矩阵进行特征分解，所以该方法具有计算量小的优点。计算机仿真结果证实了这一算法的有效性。     

基于改进3D-ESPRIT算法的三维GTD模型参数估计

三维旋转不变子空间（3D-ESPRIT）算法估计三维几何绕射理论（GTD）的散射中心模型时,参数精度不高,噪声鲁棒性较差,为此,提出一种改进的3D-ESPRIT算法.通过构建原始回波数据的共轭矩阵、对协方差矩阵叠加、取平均、平方处理,可提高对目标原始回波数据的利用率,并增大信号特征值与噪声特征值之间的差距,增大了信噪比,从而提高参数的估计精度.基于不同算法估计得到的三维GTD模型参数,比较了不同算法估计的参数均方差.仿真结果表明,改进算法的参数估计性能及噪声鲁棒性均优于经典3D-ESPRIT算法和改进的免配对3D-ESPRIT算法.     

基于延时相关预处理的MUSIC算法

针对MUSIC算法的分辨力受信噪比、快拍数及阵元数等因素限制的问题,利用各阵元接收数据的延时相关函数重新构造协方差矩阵,提出了基于延时相关预处理的MUSIC算法.根据阵元间的延时相关函数与原阵列流型及信号延时相关函数的关系,推导了4个与原阵列流型相同（共轭）的延时相关函数矩阵,分别对各矩阵求协方差并按规则求和得到新的协方差矩阵,之后对协方差矩阵进行特征分解,根据信号子空间处理稳健性高和噪声子空间处理估计精度高的特点构造谱函数进行谱峰搜索,实现DOA估计.通过仿真实验验证了本文算法的可行性和有效性.     

色噪声下圆阵的相干源DOA估计快速算法

提出了色噪声下基于圆阵的相干源快速算法。该方法首先利用模式转换技术将阵元空间内的均匀圆阵转换为模式空间的均匀线阵,再利用前后向平滑技术,对信源进行解相干,然后基于转换矩阵法,通过对阵列数据相关矩阵进行预处理,克服了色噪声对方位估计的影响,最后利用线性运算代替特征分解来得到噪声子空间,实现了子空间算法的快速估计。计算机仿真结果证实了该方法的正确性和有效性。     

色噪声下圆阵的全加权MUSIC算法

针对色噪声下多重信号分类(Mutiple Signal Classification,MUSIC)算法方位估计的不准确问题,提出一种预处理修正的全加权MUSIC算法。该算法利用估计的噪声相关矩阵对圆阵接收数据进行预处理后即可消除色噪声对方位估计的影响,然后应用修正的全加权MUSIC算法,在不需要知道信源数目的条件下就可实现目标的准确估计。仿真结果证实该方法有效。     

一种采用协方差矩阵稀疏表示的DOA估计方法

提出一种新的基于样本协方差矩阵稀疏表示的联合波达方向估计方法.该方法对传统的基于协方差矩阵稀疏表示的模型进行改进,仅利用协方差矩阵的部分信息来进行波达方向估计,无须已知噪声功率,以极小的孔径损失换取算法的稳健性.虽然是基于样本统计信息(即协方差矩阵)的波达方向估计方法,但是其原理与传统的角度高分辨估计方法(MUSIC,CAPON)不同,该算法对具有任意相关性的信号源能进行有效的波达方向估计,不需要进行去相关处理,且具有很高的分辨力及估计精度.     

2-D DOA estimation of coexisting uncorrelated and coherent signals

The common two dimensional (2-D) direction of arrival (DOA) estimation algorithms for coexisting uncorrelated and coherent signals are based on the complex array structure, such as the uniform rectangular array, so the computational complexity is high and the array aperture is not utilized efficiently. By taking advantage of the L-shape array and adopting an efficient method to eliminate the Gaussian noise, a new 2-D DOA estimation method is proposed. Firstly, the DOAs of the uncorrelated signals are estimated and the influence of the coherent signals is eliminated by utilizing its characteristics. Then, the data covariance matrix containing the coherent information only is obtained by exploiting the Toeplitz property of the uncorrelated signals, and the DOAs of the coherent signals are estimated by the direction finding method based on the compressed sensing theory. Theoretical analysis and simulation results show that the proposed method has a small computational load, high array aperture as well as excellent estimation performance.     

基于协作功率被动调整的 MIMO 系统安全容量算法

在由一个发射者、一个合法接收者、一个窃听者以及一个协作者组成的高斯MIMO系统窃听信道,发射者发射保密消息给合法接收者,同时协作者发射独立于保密消息信号的协作干扰信号,以此来干扰非法接收者对保密消息的接收。利用正定矩阵的性质获得了基于功率被动调整的协作干扰信号协方差矩阵的次优解,随后通过将高斯干扰信号看作高斯背景噪声,更新了发射者的发射协方差矩阵。仿真结果表明,该算法能够进一步提高MIMO系统的安全容量。     

Knowledge-aided Bayesian Rao detection approach in compound Gaussian noise

An asymptotically likelihood covariance matrix is usually used to detect a target in compound Gaussian noise. However, it is influenced greatly by the training sample support, and it ignores the prior distribution of the covariance matrix. For this problem, this paper proposes the knowledge-aided Bayesian Rao detection. The covariance matrix in compound Gaussian noise is modeled as a random matrix, the prior distribution of which satisfies the complex inverse Wishart distribution. With prior distribution, the maximum a-posterior estimation of the covariance matrix is derived. Then, Rao detection is obtained based on the maximum a-posterior estimation. Finally, the performance of the knowledge-aided Bayesian Rao detection approach is evaluated by Monte Carlo simulation. The simulation results show that the detection performance of the proposed approach outperforms the traditional detection approaches when the number of training samples is small in a complex Gaussian noise scenario.