一种新的稀疏重构的DOA估计算法

为提高低信噪比和较少快拍数条件下远场窄带信号波达方向的估计精度,提出一种新的基于加权l₁范数的稀疏重构波达方向的估计算法．该算法首先采用前后向空间平滑技术获得阵列输出数据协方差矩阵;其次构造出改进Capon算法空间谱函数中的倒谱系数矢量,设计得到符合加权l₁范数的权值矩阵;最后通过奇异值分解对接收数据进行降维处理,获得基于稀疏重构的加权l₁ 范数约束问题模型．仿真结果表明,在低信噪比或快拍数较少的情况下,该算法能够有效地抑制空间谱伪峰和保证较强的稳健性,且信源不需要进行相关处理,仍能获得很高的估计精度．     

基于加权l1范数稀疏信号表示的DOA估计

为了在小样本、低信噪比以及高信源相关性的条件下都能对波达方向(direction of arrival,DOA)进行精确估计,基于压缩感知理论,利用目标信号空间分布的稀疏性,提出了基于加权l_1范数稀疏信号表示的DOA估计算法.该算法对l_1-奇异值分解(singular value decomposition,SVD)算法进行改进,对接收矩阵进行预处理,根据子空间的正交性确定加权矩阵,以加权l_1范数作为最小化的目标函数进行优化得到稀疏信号,进而得到信号的DOA.仿真结果表明,通过加权处理的l_1范数下稀疏信号重构方法能有效抑制偏差,在低信噪比下能够准确稳定地估计出DOA,并且能够提高估计精度.     

最小L1范数实现周期非均匀采样与重构研究

根据周期非均匀采样需要多个采样通道的特点,利用联合子空间理论将采样与重构转换为矩阵向量运算。结合最小L1范数算法,提出了一种针对稀疏信号的周期非均匀采样与重构方法,分析了最小L1范数算法在周期非均匀采样系统中的完整重构条件。最后,以多带正弦信号为例,分别从可完整重构概率和系统整体验证两个方面证明了该方法能够实现稀疏信号的采样与重构。     

基于似P范数FOCUSS的稀疏信号盲分离

把似P范数FOCUSS方法应用于稀疏信号盲分离中,采用k均值聚类算法来估计混合矩阵;然后利用似P范数FOCUSS方法来求解具有线性约束优化问题的稀疏源信号,从而给出了一种基于似P范数FOCUSS方法的稀疏信号盲分离算法。该算法计算量小,精度较高。仿真结果表明该算法是有效的,具有良好的分离性能。     

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.     

采用加权L1范数稀疏模型构造DOA估计的方法

在以GPS辐射源发出信号作为探测信号的无源雷达系统中,针对回波通道内强干扰低信噪比情况下的多目标波达方向(DOA)估计问题,根据GPS辐射信号以及无源雷达系统特点,提出一种采用改进加权L1范数的约束模型构造DOA估计的方法。先采用批处理抵消算法(extensive cancellation algorithm,ECA)估计目标信号的时延和多普勒频移等参数,消除直达波和多径干扰,然后利用改进权值的L1范数作为约束条件,建立稀疏模型进行DOA估计,在低信噪比环境中无需估计干扰参数,以较低的计算复杂度进行准确DOA估计。仿真结果表明:该方法减少了计算复杂度,在相同配置下运行时间比MUSIC-like方法降低了1.18 s;同时也提高了准确性,其均方误差较MUSIC-like方法和Candes方法降低了0.5°~3.7°,低信噪比环境下分辨概率较MUSIC-like方法和Candes方法提高了0.4~0.6。     

冲击噪声下任意稀疏结构的MMV重构算法

针对现有多测量向量(multiple measurement vectors,MMV)模型稀疏重构算法在冲击噪声背景下存在的鲁棒性不强、适用性不广等问题,本文提出了一种冲击噪声下任意稀疏结构的MMV模型(ASS-MMV)稀疏重构算法。该算法利用Lorentzian范数和矩阵平滑零范数正则化构造稀疏优化目标函数,建立冲击噪声背景下ASS-MMV重构模型;结合固定步长公式和具有充分下降性质的共轭梯度算法,在统一参数框架下并行重构,以提高算法收敛速度和运行效率。仿真结果表明:本文算法能够在冲击噪声背景下高质量的重构任意稀疏结构的MMV信号,对噪声具有一定的鲁棒性,并且收敛速度较快、计算开销更小。     

一种基于稀疏重建的高分辨力方向估计方法

该文针对高分辨力是源定位技术的重要目标,充分利用目标信号在空间域内的稀疏特性,提出了一种基于稀疏重建算法的波达方向估计方法.基于数据相关矩阵建立系统方程,以增加采样数和稀疏度的比值,并将系统维度降至最低.源的空间稀疏性由1-范数约束,通过凸优化算法重建信号的空间谱.此外,采用了局部网格细化方法,增加分辨力的同时降低对计...     

一种稀疏孔径逆合成孔径雷达成像算法

针对逆合成孔径雷达成像在稀疏孔径条件下存在方位向分辨率低、易受噪声干扰等问题,利用目标二维分布的稀疏性将成像问题转换为多测量向量模型下稀疏信号的重构问题,采用零范数最小均方法并行处理以提高运行效率,使用最优步长公式代替固定步长以避免步长设置不当对收敛速度和性能的影响,并利用平滑零范数法逼近零范数以提高重构精度和抗噪性能。相较于已有算法,新算法能够获得更高质量的目标图像,对噪声鲁棒性强,并且计算量更低。仿真和实测数据的处理结果,验证了该算法的有效性。     

基于加权1范数稀疏信号重建的DoA估计

针对l₁范数下奇异值分解的l₁-SVD稀疏信号重建的波达方向估计方法存在求解量的稀疏性较差且空间谱中存在较多的伪峰,不能准确估计波达方向的问题,对接收信号矩阵进行预处理,并使用信号子空间设计权值矢量得到更好的稀疏性和更好地逼近l₀范数,利用得到的权值矢量对l₁-SVD算法中解矢量的各个元素进行加权,以得到的加权l₁范数作为最小化的目标函数进行优化.仿真结果表明,提出的算法在快拍数、正则化参数和信噪比等条件改变的情况下能有效抑制伪峰,并准确稳定地估计出波达方向.     

非重构压缩样值跳频信号时频联合估计算法

针对宽带跳频信号的参数进行精确快速的估计,提出一种非重构压缩样值跳频信号时频联合估计算法。首先在非重构原始信号的前提下,通过研究信号的压缩数字特征,发现信号频率发生改变的位置,然后对该位置所在的数据段进行重构得到其频域系数,即可达到估计跳频频率、跳频周期以及跳频跳变时刻的目的。仿真结果表明,当信噪比为10d B,压缩比为1/4时,该算法估计出跳频信号的跳变时刻与Wigner算法达到相同误差条件下,所需处理的采样点个数为Wigner算法的1/4;比完全重构信号后估计算法误差小,所需重构的采样点个数为完全重构的1/4。该算法相对于传统的时频特征算法和基于压缩感知的完全重构估计算法,运算复杂度低,实时性较好。     

A Time-Frequency Associated MUSIC Algorithm Research on Human Target Detection by Through-Wall Radar

In this paper, a time-frequency associated multiple signal classification (MUSIC) algorithm which is suitable for through-wall detection is proposed. The technology of detecting human targets by through-wall radar can be used to monitor the status and the location information of human targets behind the wall. However, the detection is out of order when classical MUSIC algorithm is applied to estimate the direction of arrival. In order to solve the problem, a time-frequency associated MUSIC algorithm suitable for through-wall detection and based on S-band stepped frequency continuous wave (SFCW) radar is researched. By associating inverse fast Fourier transform (IFFT) algorithm with MUSIC algorithm, the power enhancement of the target signal is completed according to the distance calculation results in the time domain. Then convert the signal to the frequency domain for direction of arrival (DOA) estimation. The simulations of two-dimensional human target detection in free space and the processing of measured data are completed. By comparing the processing results of the two algorithms on the measured data, accuracy of DOA estimation of proposed algorithm is more than 75%, which is 50% higher than classical MUSIC algorithm. It is verified that the distance and angle of human target can be effectively detected via proposed algorithm.     

二维面阵子空间重构快速估计方法

针对当前进行二维面阵高精度波达方向估计时计算复杂度较高的问题,提出了一种适用于二维面阵的高精度低计算复杂度的快速估计方法。这种方法首先利用面阵子阵间的旋转不变关系完成二维角度预估;然后将预估角度作为先验信息,利用子阵的信号子空间重构面阵的信号子空间,并进行梯度搜索,实现对二维角度的精确估计。其中,利用子阵的信号子空间对面阵的信号子空间进行重构,有效地降低了进行子空间估计时的计算复杂度;采用梯度搜索的办法进行局部搜索,使得搜索时的计算复杂度大幅下降,获得了与经典二维MUSIC算法一致的估计精度。计算机仿真结果验证了所提算法的有效性。     

一种宽带信号方位估计算法

为了削弱宽带信号方位估计算法在不同程度上受到阵元数目、预角度估计、多次求逆矩阵、多次特征值分解或奇异值分解等因素的制约,提出了一种在传感器阵列存在误差的情况下,采用统计方法的宽带信号方位估计算法.该算法先将传感器阵列接收的宽带信号转换到频率域内;在考虑阵列互耦的情况下,采用统计的方法,推导出阵列流形与噪声子空间正交的结论;最后,利用统计结果和窄带方位估计的方法对宽带信号进行方法估计.仿真试验表明,统计方法计算宽带信号方位具有较好的分辨率和噪声不敏感性,对于任意阵列形式具较低的计算复杂度.采用统计方法求取宽带信号方位具有较高的测向精度和和系统鲁棒性.     

基于张量域降噪的宽带DOA估计

针对低信噪比条件下远场宽带信号波达方向(DOA)估计精度低的问题,提出了一种基于张量域降噪的宽带DOA估计算法。首先,联合各子频带数据构造张量信号;然后进行高阶奇异值分解,并利用最小描述长度准则分离信号与噪声;其次,改进协方差矩阵拟合算法,利用L1范数对信号功率进行约束,获得L1约束问题模型并求解;最后,对所有窄带估计结果进行融合得到宽带信号DOA。仿真结果表明,该算法可有效地降噪,同时较求根多重信号分类算法和旋转不变子空间参数估计算法,该算法对DOA估计无需预知信源数目,且在低信噪比条件下具有较小的均方根误差。     

一种新的盲联合角度-时延估计方法

提出一种新的盲联合角度-时延的估计方法,对阵列天线输出的过采样样本的Fourier变换后信号进行分析,结果表明,此信号具有三线性模型特征.为此,提出一种改进的三线性交替最小二乘(ITALS)算法,对波达方向(DOA)和时延联合估计.该算法利用方向矩阵和时延矩阵的Vanderm onde特征、基于最小二乘原理对方向矩阵和时延矩阵进行重构,以及对DOA和时延估计.仿真结果表明,ITALS方法具有较好DOA和时延联合估计性能,且在过载系统下仍有较好的性能.ITALS方法随着天线数增加联合估计性能变好;而且该方法无须信道衰落系数,是一种盲、鲁棒的联合处理方法.     

基于DPCA-FrFT算法的SAR运动目标参数估计

在双通道的工作模式下,结合DPCA技术和分数阶傅立叶变换实现了对SAR运动目标的定位和两个方向(方位向和地面距离向)上速度的估计。首先建立了双通道SAR系统对运动目标的回波信号模型,阐述了动目标DPCA信号为线性调频信号这个特点,并且根据这个特点采用了分数阶傅立叶变换对其进行检测和参数估计。由于DPCA技术具有良好的杂波对消功能以及FrFT对chirp信号的良好检测效果,在不同信噪比情况下,DPCA-FrFT算法都能有效地抑制静止背景、获得良好的测速和定位效果。仿真结果证明了该算法的正确性和有效性。     

虚拟孔径高分辨测角方法

针对天线阵列中阵元个数有限而导致波达方向DOA估计分辨率较低的问题,该文提出了一种基于宽频跳变信号相位补偿的虚拟孔径重构方法.该方法通过利用宽频跳变信号,将多个频点的信号向量加入补偿相位形成虚拟导向矢量,从而形成远大于物理孔径的虚拟孔径,实现高分辨DOA估计.仿真实验结果表明,该文所提的虚拟阵列重构方法可有效地提高DO...