实值GEESE算法对相干信号的DOA估计

本文基于信号子空间特征向量的广义特征值算法(Generalized Eigenvalues Utilizing Signal Subspace Eigenvectors,GEESE),结合空间平滑技术和实值分解技术,提出一种实值GEESE算法.通过结合空间平滑技术,较好的解决了信号源相关的来波方向(DOA)估计问题;通过结合实值分解技术,降低了计算量,并且提高了算法的精度.计算机仿真结果表明,采用了实值技术的算法对相干信号的DOA估计有估计精度高.计算量小的特点.     

电磁矢量阵中基于PARALIND分解的相干DOA估计算法

将电磁矢量传感器阵列参数估计问题与平行线性相关剖面模型(Parallel profiles with linear dependencies, PARALIND)相结合,利用PARALIND分解,提出了一种线性电磁矢量阵中相干信号波达方向(Direction of arrival, DOA)估计算法。该算法能够实现对电磁矢量阵中相干信源的角度估计,同时能得到相应的相干系数矩阵,其估计过程无需谱峰搜索,对均匀线阵以及非均匀线阵都适用。该算法角度估计性能优于传统的前后向平滑借助旋转不变性进行信号参数估计(Forward backward spatial smoothing-estimation of signal parameters via rotational invariance techniques, FBSS-ESPRIT)算法和前后向平滑传播算子(Forward backward spatial smoothing-propagator method, FBSS-PM)算法,且对于角度相隔较近的相干信源,该算法也能进行有效的辨识与估计。     

互耦效应下多组相干源的波达方位估计算法

对于实际环境中存在的多径现象和阵元间的互耦效应,提出一种互耦效应下针对相干源的波达方向估计算法。首先,通过波达方向矩阵法利用二阶矩求出互耦效应下的广义导向矢量;然后对广义导向矢量进行 子空间平滑,通过矩阵变换得到一个线性约束下的规划问题,实现相干源方位和互耦系数的级联估计。该算法只需利用二阶矩求得广义导向矢量,相比常规的四阶累积量方法,减少了计算量;本文算法在解互耦和解相干过程中都没有损失阵列孔径,极大提高了阵元利用效率。计算机仿真结果验证了该算法的有效性。     

一种虚拟阵列扩展解相干的DOA算法

在移动通信阵列信号处理中,由于多径传播等因素的影响,存在大量相干信号源,现有解相干DOA算法大多会损失阵列的有效孔径,而阵列孔径大小直接限制了空间分辨率及所能估计的信号源个数。针对上述情况,提出一种虚拟阵列扩展的改进双向空间平滑算法(Virtual-array SS,VSS),利用入射信号的非圆对称性,阵列扩展后得到新的虚拟阵列,并做相应的预处理后再利用双向空间平滑算法对该虚拟阵列进行处理。大量仿真结果表明,VSS算法是一种具有高分辨率、高统计稳定性、计算量相对增加较小的解相干DOA算法。     

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。     

一种利用非圆信号特点的实值DOA估计算法

针对非圆信号波迭方向(DOA)估计问题,提出了一种ESPRIT类的实值DoA估计算法.根据信号源为实数的特点,分别求取接收数据的实部和虚部,形成实值数据,并对其加以重新组合,提高了数据利用率,减少了运算量,在此基础上利用新构造数据的结构特点形成一个实值对角矩阵,进而得到一种ESPRIT类的DOA估计算法.该算法通过使用两个选择矩阵获得旋转因子,避免了信道附加相位对DOA估计的影响.仿真实验表明,该算法具有分辨力高、估计精度高以及稳健性强等优点.     

基于RBF神经网络的弱信号DOA估计方法*

提出了一种利用智能学习方式解决强信号条件下弱信号的波达方向估计问题的新方法。通过理论推导发现协方差矩阵的特征值与来波信号功率之间存在一定的关系,将含功率信息的协方差矩阵的特征值加入到含方位信息的协方差矩阵上三角部分共同作为样本特征,构建基于RBF神经网络的弱信号DOA估计模型,解决了现有的智能学习方法难以对强信号条件下弱信号的来波方位估计问题,相比于利用解析计算的方法,本方法不需要已知强信号的来波方位并对其进行干扰抑制,计算量更小、DOA估计精度更高。仿真实验验证了新方法的有效性。     

实值化的修正传播算子测向算法

针对修正传播算子测向算法运算量大的问题,提出了实值化的修正传播算子算法。本算法利用酉变换将修正的传播算子变换成实矩阵,通过实值化的谱峰搜索取得了降低运算量的效果,并且保持了与修正传播算子算法一致的测向性能。最后,通过仿真比较了实值化的修正传播算子算法、修正传播算子算法、传播算子算法及多重信号分类算法的性能,验证了本算法在运算量和测向性能方面的优越性。     

基于内插阵列变换的扩展传播算子实值算法

针对内插阵列变换(VIA)思想在非圆信号波达方向(DOA)估计算法中的应用问题,提出一种基于内插阵列变换的扩展传播算子实值算法——VIA-EPM实值算法。利用真实阵列流型与虚拟阵列流型之间的变换矩阵,将真实阵列输出转换为虚拟阵列输出,再根据信号源为实数的特点,分别求取虚拟阵列输出的实部和虚部,将其串联组合,扩展阵列输出的维数,通过对扩展阵列输出矩阵进行分块并得出扩展传播算子,进而得到一种传播算子(PM)类的DOA估计算法。仿真实验表明：存在阵元位置误差的情况下,VIA-EPM实值算法通过对阵元位置校准数据进行内插阵列变换,取得与阵元位置校准的扩展传播算子实值算法(EPM实值算法)相当的估计性能,保持了阵列扩展能力、高估计精度以及高分辨力;并且在二维阵元位置误差情况下,其估计性能明显优于阵元位置未校准的EPM实值算法。结合VIA-EPM实值算法的计算复杂度分析可以看出：它同时获得了内插阵列变换技术以及信号非圆特性的优势;与复运算相比,其复杂度也相对降低。     

基于数据重构的宽带相干源MVDR算法

研究了基于数据重构的宽带相干源最小方差无畸变响应（MVDR）算法, 以采样定理为基础, 将同一时刻不同阵元的输出看做是连续线列阵的采样, 将时域的数据重构方法引入空间的阵元域数据, 从而实现宽带相干源的方位估计, 并提出了一种聚焦误差求取方法, 用于分析宽带相干源MVDR算法的性能。计算机仿真了FFT插值法和数据重构法的方位估计结果, 表明对于宽带MVDR算法, 数据重构方法比起FFT插值法具有更好的分辨概率和更低的均方根误差。     

基于实值遗传算法与TAFSVM的遥感图像分类

支持向量机已经被成功应用于遥感图像分类。一种新型具有良好特性的支持向量机--全间隔自适应模糊支持向量机被提出。这种新型的支持向量机具有通过训练集的模糊性来增强泛化能力;对不平衡训练集具有自适应性,对正负数据采用不同的损失算法,可以提高正确分类率;通过引进全间隔算法来代替软间隔算法,可以得到更低的泛化误差等优良特性,符合遥感图像数据的内在规律。并且运用实值遗传算法对其进行参数优选,得到一种新的分类器——AGATAFSVM。最后将该分类器应用于遥感图像分类。实验结果表明,该分类器非常适用于遥感图像分类,分类精度和稳定性明显高于径向基神经网络分类器、 最近邻分类器和标准支持向量机。     

基于波场模型的宽带相干源方位估计优化方法

阵列流形内插方法（AMI）是一种基于波场模型的宽带聚焦方法。它无须角度预估, 可以应用于任意已知结构的阵列, 但其采样矩阵的截断点数通常选取较大, 尤其在均匀线阵列下大大增加了运算量。针对这个问题, 提出了一种采样矩阵优化方法, 该方法利用贝塞尔函数的性质, 重新构造了采样矩阵, 使得新的采样矩阵在不损失信号信息的前提下, 最大限度地降低运算量, 从而有效缩短了运算时间。计算机仿真实验结果表明了该方法只需和阵元个数相同的截断点数就可以有效地实现方位估计, 并获得与阵列流形内插方法相当的方位估计性能。     

高效相干源DOA估计的ESPRIT新方法*

ESPRIT算法是一种速度快、精度高的常用算法,但它不能解相干。针对此缺陷,提出了一种新的高效相干源DOA估计的改进ESPRTIT方法,新方法对数据协方差矩阵的最大特征值对应的特征向量按一定方式进行重排处理,以此来重构需要解相干矩阵。它不仅解决了常规ESPRIT算法不能解相干的问题,同时相对常规ESPRIT算法计算过程大大简化。计算机仿真实验证明了该方法在解相干方面的良好性能,为解相干的ESPRIT算法在阵列信号处理的超高分辨领域开辟了新的途径。     

基于快怕矩阵重构的宽带相关信号DOA估计

针对相关信号空间平滑算法中阵列孔径损失的问题,提出了一种有效的去相关算法.该算法将直接数据快拍及其共轭反置矩阵构造一新的矩阵,通过对原数据矩阵和新矩阵的协方差矩阵的奇异值分解,再采用MUSIC算法对相关信号进行DOA估计,没有阵列孔径损失.仿真实验通过与MMUSIC算法和ISM算法及CSM算法相比较,验证了该算法的有效性.     

基于智能支持向量回归的瓦斯涌出量预测

进行瓦斯涌出量预测是保障安全生产的一个很重要步骤。由于瓦斯涌出量的非线性、不确定性,其预测是很复杂的一个问题。提出一种新的RGASVR智能模型,即基于实值遗传算法参数优选的支持向量回归模型,并且将提出的模型应用于瓦斯涌出量预测。实验结果表明,所提出的模型比BP神经网络、标准支持向量回归有更高的预测精度,具有较强的实用价值。     

基于改进遗传算法的稀疏重构算法

稀疏重构算法中凸松弛法在恢复效率方面、贪婪追踪法在恢复精度方面存在不足,基于遗传算法迭代优化的思想,结合模拟退火以及多种群算法的优势,提出了基于模拟退火遗传算法和基于多种群遗传算法的启发式稀疏重构算法。所提算法均从传统遗传算法易陷入局部最优解的缺陷出发,分别通过保持个体间的差异性和提高种群多样性来搜索待求稀疏信号的全局最优解,并通过理论分析证明了所提算法参数选取及搜索策略的有效性。此外,以阵列信号处理中空间信源的波达方向（DOA）估计问题为例,验证所提算法的有效性。仿真结果表明,相较于正交匹配追踪OMP算法和基于l1范数奇异值分解的l1-SVD算法,所提算法提高了DOA估计的精度,且降低了运算复杂度,使其快速收敛至全局最优解。     

基于时间平滑和Toeplitz矩阵重构的复相干信号DoA估计

针对相干多径环境,分别利用时间平滑和Toeplitz矩阵重构算法实现了复相干信号的波达方向(DoA)估计,并进一步通过数学分析和计算机仿真对这两种算法的性能进行了对比,得出结论：时间平滑算法和Toeplitz矩阵重构算法对复相干信号的DoA估计均具有效性,Toeplitz矩阵重构算法性能相对较好,但有一定阵列孔径损失;而基于时间平滑算法无阵列孔径损失,可估计M-1个多径信号(M为阵元数),但计算量偏大。