基于混合型MUSIC算法对相干信源DOA估计

在实际通信环境中,由于传播环境的复杂性使空间中存在大量的相干信号,从而导致信源协方差矩阵的秩亏缺。为使得矩阵的秩恢复到等于信号源数并解决相干信源波达方向（direction of arrival ,DOA）估计问题,提出了一种混合型MUSIC算法。该算法通过前后向空间平滑技术对天线阵列进行预处理,并将得到的新协方差矢量矩阵应用于改进的IMUSIC算法进行信号数据处理分析,得到相干信号的DOA角度估计。仿真结果表明,在信噪比低的情况下,信号间隔很小且存在相关信号时,混合型MUSIC算法能准确地估计出信源的DOA,验证了该算法的高分辨率和高性能。     

一种相干信号DOA估计的新方法研究

针对自适应阵列信号处理中的关键问题之一波达方向(DOA)估计,首先介绍了阵列信号处理中DOA估计的一般处理方法,如先对信号进行解相干处理后用经典MUSIC算法进行估计,然后给出了一种用于相干信号DOA估计的基于扩展卡尔曼滤波理论的新方法,并通过详细理论分析与一般的相干信号DOA估计的处理方法比较表明,不依赖于输入信号的协方差矩阵的特征值属性,能够利用较少的阵元对相干信号DOA和功率同时进行准确估计,仿真效果良好,证明有实用性,对自适应阵列信号处理中对相干信号干扰的研究有一定意义.     

宽带混合信号的快速DOA估计算法

针对均匀线列阵,在宽带混合信号(不相关和相干信号共存)情形下,提出了一种DOA快速估计新算法。利用阵列协方差矩阵的Hermitian性,通过酉变换将各频点的复数据矩阵映射为实矩阵,通过实值化的TOFS法先直接估计出宽带非相关信号的DOA;然后利用空间差分技术,在各个频点上得到只含相干信号的数据协方差矩阵;通过Toeplitz矩阵重构,在不降低阵列孔径的条件下,可实现相干信号的解相干,再利用实值TOFS法可得到相干信号的DOA。由于算法是并行分别对不相关和相干信号进行DOA估计,在信源过载(信号数大于阵元数)的情形下,算法依然有效,同时由于实值化,算法的计算复杂度较小。仿真结果验证了算法的有效性。     

一种混合源环境下的波达方向估计方法

提出了一种基于均匀线阵的混合源波达方向DOA估计的新方法。该方法首先利用传统MUSIC方法估计出非相干信号源的DOA,然后对整个阵列数据协方差矩阵进行差分消除不相关源信号和噪声的影响,再对此差分矩阵进行特殊的空间平滑去相干,利用重建的数据协方差矩阵估计相干源的DOA。此方法的特点是分别估计不相关信号和相干信号的DOA,优点是在可估计出多于阵元数信号的前提下具有较高的DOA估计精度和稳健性。理论分析和仿真结果表明此方法的估计性能优于空间差分平滑算法。     

近场相干声源三维定位MUSIC算法

近场环境下传统多重信号分类(Multiple Signal Classification,MUSIC)算法无法对相干声源进行三维位置估计,针对该问题论文提出了一种近场相干声源三维定位算法.首先建立了近场球面波信号接收模型,其次结合空间平滑算法和修正MUSIC算法将矩形阵列分割成数个子阵列,对其协方差矩阵和求复共轭并左右同乘单位矩阵,以此来解决相干信号协方差矩阵秩亏损的问题,最后使用三维MUSIC算法完成近场声源三维位置估计.仿真表明:论文算法可有效地对相干信号进行解相干处理并准确地完成近场相干声源的三维位置估计.     

基于新型聚焦矩阵的宽带信号DOA估计

针对宽带信号波达方向(DOA)估计问题,分析聚焦变换的原理,提出一种基于阵列输出信号协方差矩阵的聚焦算法.通过对不同频率和聚焦频率下的输出信号协方差进行特征分解,分别求取其大特征值对应的特征向量.根据最佳聚焦矩阵的求解条件,求出聚焦矩阵的表达式.该方法无需进行方位角度预估计,可以处理相干宽带信号源的DOA估计问题.通过实验仿真和性能分析验证了该算法的有效性.     

基于改进加权空间平滑的凸优化协方差估计

针对相干信号受到非均匀噪声的干扰,在低信噪比环境中常规DOA估计存在估计效果较差甚至失效的情况,基于改进加权空间平滑,提出一种使用凸优化构造最优权重矩阵的方法。改进加权空间平滑算法解相干的同时构造权重矩阵,再用凸优化重构无噪声权重矩阵,将平滑过的协方差矩阵加权,并用MUSIC算法进行DOA估计。仿真结果证实,所提方法相对于空间平滑（spatial smoothing,SS）、基于特征空间MUSIC的空间平滑估计（spatial smoothing and eigen space based MUSIC,SS-ESMUSIC）以及接收信号协方差矩阵秩最小化（spatial smoothing based covariance rank minimization,SS-CRM）算法能更好地抑制非均匀噪声和解相干,且减少了低信噪比的干扰,展现出更优良的分辨力和准确性。     

采用单次快拍数据实现信源DOA估计

针对均匀线性阵列DOA估计中的实时性和解相干问题,提出了一种基于单次快拍数据的估计算法,通过对阵列接收的单次快拍数据进行相关处理后重构Toeplitz矩阵,并证明该矩阵的秩不受信号相干性的影响。通过特征值分解,得到对应的信号子空间和噪声子空间,结合MUSIC算法和ESPRIT算法实现了对相干和非相干信号的DOA估计。算法不损失阵列孔径,具有更好的实时性和抗噪声干扰的能力;在低信噪比条件下,仍具有较好的估计性能。最后计算机仿真结果证实了算法的有效性和可行性。     

一种新的高分辨稳定阵列信号估计算法

为提高信号的分辨率,提出了一种新的基于均匀线阵的高分辨稳定的阵列信号方向(DOA)估计方法。主要利用阵列接受数据的自相关矩阵进行特征分解,得到最大特征值所对应的最大特征向量。按一定的方式对最大特征向量数据进行重排,构成新的矩阵,通过SVD分解获取信号的噪声子空间,然后利用特征空间的正交性进行DOA估计。新方法由于新构矩阵的特殊性能实现相干和非相干信号的同时分辨,能克服常用阵列信号估计MUSIC法信噪比门限较高以及常用解相干平滑算法(FBSS)无法完全利用阵列接受数据自相关矩阵的固有缺陷。大量的计算机仿真实现表明,方法是一种高分辨、高稳定性的DOA估计算法。     

估计相干与非相干信源的ESPRIT方法研究

在目前信号波达方向（Direction-Of-Arrival,DOA）估计中,常规ESPRIT算法是一种速度快、精度高的常用算法,但对于低信噪比下混合信号（同时含有相干与非相干信号）,常规ESPRIT算法难以估计出它们的DOA。结合解相干MUSIC和常规ESPRIT算法的优点,提出了一种新的估计相干与非相干信源的ESPRIT方法,新方法充分利用数据协方差矩阵的自相关和互相关信息来重构含有信号方位数据的新矩阵,再从它的特征值中解得信号的到达角。计算机仿真结果验证该方法在混合信号估计中的优越性和可靠性。     

Spatial smoothing based methods for direction-of-arrival estimation of coherent signals in nonuniform noise

Spatial smoothing techniques have been widely used to estimate the directions-of-arrival (DOAs) of coherent signals. However, in general these techniques are derived under the condition of uniform white noise and, therefore, their performance may be significantly deteriorated when nonuniform noise occurs. This motivates us to develop new methods for DOA estimation of coherent signals in nonuniform noise in this paper. In our methods, the noise covariance matrix is first directly or iteratively calculated from the array covariance matrix. Then, the noise component in the array covariance matrix is eliminated to achieve a noise-free array covariance matrix. By mitigating the effect of noise nonuniformity, conventional spatial smoothing techniques developed for uniform white noise can thus be employed to reconstruct a full-rank signal covariance matrix, which enables us to apply the subspace-based DOA estimation methods effectively. Simulation results demonstrate the effectiveness of the proposed methods.     

基于Toeplitz矩阵重构的无人机相干信号DOA估计算法

针对实时监管无人机的需求设计了基于Toeplitz矩阵重构的二维相干DOA 估计算法,建立了虚拟线阵模型来 接收无人机相干信号,通过对协方差矩阵进行矩阵重构来实现信号解相干,构建了Toeplitz矩阵,通过计算空间谱实现对无人 机信号的二维DOA 估计,仿真分析表明本文方法的DOA 估计准确率较高,性能较好。     

一种改进的信号子空间聚焦宽带DOA估计算法

信号子空间聚焦（FSS）算法可实现宽带相干信号的波达方向（DOA）估计,但其在短快拍条件下存在估计精度差、分辨率低的问题。提出一种改进的信号子空间聚焦（MFSS）算法。根据波长间隔与阵元间距的匹配度选取最佳参考频点及子频带,通过Hankel矩阵奇异值分解重构子频带的协方差矩阵,并利用信号子空间聚焦法构造聚焦协方差矩阵,使用Root-正交传播算子实现DOA估计。实验结果表明,相比FSS、MTOPS、LR-MUSIC算法,MFSS算法复杂度较低,能够有效提高估计精度和速度。     

基于FFT的子孔径MUSIC波达方向估计

针对现 有的很多波达方向估计算法涉及到数据协方差矩阵的估计及其特征分解,甚至是求逆,导致 运算复杂度高的问题,提出了基于快速傅里叶变换的子孔径MUSIC波达方向估计算法 。首先将等距线阵的接收数据矢量均匀划分为4个子矢量,然后对各个子矢量分别求FFT。将 FFT的结果相干积累,并找到最大峰值点。最后,利用子矢量FFT的结果中与最大峰值点对应 的数据构造新的降维矢量,借助MUSIC算法进行波达方向估计。该方法避免了直接接收数据 的协方差矩阵估计和特征分解,有效地降低了运算量和计算复杂度,在阵元数和快拍数都较 多的情况下优越性尤为明显。计算机仿真验证了所提方法的有效性和优越性。     

基于均匀圆阵的改进UCA-ESPRIT算法

波达方向(DOA)估计是阵列信号处理的研究热点和难点之一。基于阵列天线, 利用空间谱估计理论进行DOA估计,提出一种改进算法——I-UCA-ESPRIT。首先根据均匀圆阵(UCA)的中心对称性,将输入信号进行重新排列;然后将重新排列的信号进行实值转换,并对相关矩阵进行特征值分解;最后引入SVD算法,以求解来波信号的方位角和俯仰角。仿真结果表明,该算法不仅适用于DOA估计的非相干信号和相干信号,且优于UCA-RB-MUSIC算法和UCA-ESPRIT算法。     

Direction of arrival estimation with antenna arrays based on fuzzy cerebellar model articulation controller neural network

Direction of arrival (DOA) estimation has been a challenging problem in many applications such as wireless communication, radar, sonar, and navigation. However, it is difficult to improve the angle resolution and reduce the computational complexity of super‐resolution methods. To solve these problems, the DOA estimation is viewed as a mapping problem, which can be modeled using a suitable artificial neural network trained with input‐output pairs. This article presents the use of a fuzzy cerebellar model articulation controller (FCMAC) neural network for the DOA estimation under a linear antenna array. The FCMAC neural network is a special feedforward neural network based on local approximation that can be adapted to solve the multidimensional nonlinear fitting problem. A new preprocessing scheme has been used in both training and test phase. It use magnitude and phase angles instead of the real and imaginary parts of the array covariance matrix to be the input of neural network. The proposed method avoids complex matrix eigen‐decomposition, such as multiple signal classification, and offers fast computation rate. The performance of FCMAC neural network is compared with the conventional subspace methods and the radial basis function neural network in the cases of noisy environment and coherent signal. Simulation results indicate that FCMAC neural network produces up to 61% lower error, 60% higher angle resolution, and 99% lower calculation time than other three methods, which indicates the superior performance of the proposed DOA estimation method under coherent signals and different noise levels.