强干扰背景下相干弱信源DOA估计方法

当2个信号功率相差较大时,常规的空间谱估计算法往往不能估计出弱信源的波达方向(Direction of Arrival,DOA)。针对该问题,文中基于强干扰和弱信源对应的特征矢量具有保向正交性这一特性,提出了一种强干扰背景下相干弱信源DOA估计方法——特征矢量剔除法。相比于其他算法,该算法最大的优点是无需预知强干扰的方位及数目信息,实施简单,运算量较小。计算机仿真结果证明了所提算法的正确性和有效性。     

色噪声背景下相干信源DOA估计的空间差分平滑算法

文中提出了一种色噪声背景下相干信源波达方向(DOA)估计的新算法-空间差分平滑(SDS)算法.SDS算法利用均匀线阵协方差矩阵的Toeplitz分解特性,差分平滑运算,将非相干信源与相关(或相干)信源分开分辨,从而重复利用阵列接收数据,可分辨更多信源.SDS算法可对消空间色噪声,适用于更广泛的未知噪声背景及低信噪比环境.相比常规谱估计算法,SDS算法具有更强的信源过载能力及阵元节省能力,利用少数阵元进行迭代空间平滑运算,还可明显减小SDS算法的计算量.计算机仿真结果证明了SDS算法理论的正确性和有效性.     

强干扰背景下二维弱信号DOA估计的修正投影阻塞法

针对强干扰背景下的二维微弱信号波达方向(Direction of Arrival, DOA)估计问题,提出了一种基于修正投影阻塞的算法。该算法通过构造干扰子空间的正交投影矩阵作为干扰阻塞矩阵,对接收阵列信号做预处理,从而达到抑制干扰的目的。本文对提出的修正投影阻塞法进行了理论分析,并在常见二维阵型(如面阵、十字阵、Y阵)上进行仿真和性能对比,仿真结果表明:该方法无需已知干扰角度,在多个干扰条件下能有效估计弱信号的波达方向,且不损失自由度。      

强干扰及非平稳噪声复合背景下相干信源的DOA估计方法

针对传统算法在强干扰及非平稳噪声复合背景下相干信源波达方向(DOA)估计精度低、鲁棒性不强等问题,文中提出了基于修正投影阻塞算法和Toeplitz矩阵重构的相干弱目标DOA估计。首先,通过接收信号的协方差矩阵进行特征值分解,构造与干扰导向矢量正交的修正投影矩阵作为干扰阻塞矩阵;然后,对接收阵列信号做预处理重新形成协方差矩阵,并对此矩阵进行Toeplitz重构解相干;最后,使用传播算子算法对重构后的协方差矩阵进行DOA估计,降低复杂度。仿真证明:该算法在复合背景下对相干信号的DOA估计比传统算法有着更高的精度和鲁棒性。     

强干扰/信号背景下的DOA估计新方法

本文针对无源阵列雷达背景提出一种可抑制固定方位强入射干扰/信号的DOA估计方法——干扰阻塞法.该方法充分利用无源阵列环境中存在几个固定方位的强多径干扰/信号的先验知识构造矩阵阻塞抑制已知方位的强干扰/信号,从而能够实时对特定区域内低信噪比信号的方位估计.该方法相对信号分离的松驰算法、高阶累积量算法及循环平稳类算法而言,具有运算量小的优势.     

利用空间平滑差分算法进行DOA估计

针对色噪声背景下的相干信源波达方向估计问题,提出了一种空间平滑差分算法。该算法通过对空间平滑矩阵进行差分运算来对消色噪声,并采用PM算法进行方向估计。在去除噪声、减小计算量的同时,可估计较多的信源。由于算法对非相关信源和相关(或相干)信源同时估计,因此减小了算法实际实现的复杂度。计算机仿真结果证明了空间平滑差分算法理论的正确性和有效性。     

冲击噪声背景下相干信号源的DOA估计方法

针对冲击噪声背景下相干信号源的波达方向(Direction of Arrival,DOA)估计问题,提出一种基于时延分数低阶矩的分组解相干算法——FLOM-TDD(Fractional Lower Order Moment Time Delay Decorrelation)。首先基于两个时延不同的分数低阶矩矩阵,利用DOA矩阵方法得到每组相干源的广义导向矢量;然后根据多径衰减的特征,对每组相干源进行时域解相干,得到相干源的波达方向估计。该方法适用于冲击噪声背景下的波达方向估计而且可以估计大于阵元数目的相干源,计算机仿真分析验证了算法的性能优势。     

一种基于Toeplitz矩阵重构的相干信源DOA估计算法

提出一种基于Toeplitz矩阵重构的相干信号源DOA估计算法。首先对各个阵元的接收数据与参考阵元（第一个阵元）的接收数据的相关函数进行排列,形成Hermitian Toeplitz矩阵,然后通过奇异值分解可以得到信号子空间和噪声子空间,从而实现相干信源的DOA估计。该算法在不减少阵列有效孔径的情况下,增加了可估计相干信号源数目,并在低信噪比条件下能够得到较好的估计性能,计算机仿真结果证实了算法的有效性。     

宽带强干扰背景下的弱信号源DOA估计方法

在宽带弱信号DOA估计中,当强干扰与弱信号的方向角很接近时,弱信号被强干扰所掩盖而无法检测出弱信号的方向。文中提出了一种先对数据进行干扰相消预处理,再采用MUSIC算法估计弱信号DOA的方法。仿真结果证明了该方法的有效性。     

六角形阵列相干信号二维DOA估计

提出了一种基于扩展重构相关矩阵去相干的二维DOA估计算法。针对六角形阵列的结构特点,首先对各个阵元的接收数据求其共轭矩阵来扩展阵列,扩展后的阵列分为3个六角形子阵列,以此为基础,求得各子阵列的自相关矩阵及互相关矩阵来扩展重构相关矩阵,从而实现解相干的目的,最后利用二维MUSIC算法进行DOA估计。该算法在不减少阵列有效孔径的前提下,增加了可估计相干源数目,并且能够得到较好的估计性能。最后,通过计算机仿真证实了该算法的有效性。      

基于自适应迭代的强弱信号波达方向估计

针对强弱信号难以同时检测与估计的问题,本文提出一种基于自适应迭代的强弱信号波达方向估计方法.首先将空间角度离散化,根据信号相消的性质构造空间谱函数,然后通过自适应迭代抑制强信号的能量,最后计算不同角度对应的空间谱函数,利用其谱峰估计信号的波达方向.理论分析和仿真实验表明,本文方法无需信号源的先验信息,在低信噪比和少量快拍数的条件下,可以实现强弱信号DOA的高分辨估计,有效提高弱信号的检测概率和估计精度.     

针对相干信号DOA估计的改进MUSIC算法

针对相干信号波达方向(Direction of Arrival, DOA)估计,提出了一种改进的多重信号分类(Multiple Signal Classification, MUSIC)算法。首先,利用信号协方差矩阵的两个最大特征值所对应的特征向量,构造出两个Toeplitz矩阵;然后,利用前后向空间平滑思想得到这两个矩阵的无偏估计并求和;最后,利用MUSIC算法从中估计出相干信号DOA。和已有方法相比,该方法无需损失阵列孔径且具有更优的DOA估计性能。     

车载雷达架设控制系统集成设计

针对强相干干扰背景中弱信号的波达方向(DOA)估计问题,提出了一种基于迭代算法的弱信号DOA估计新算法。首先估计强相干干扰的波达方向,然后将阵列划分成两个子阵,进行子阵波束形成来抑制干扰并提高待估计的弱信号的信干噪比,最后利用子阵相位中心偏移进行DOA估计,为提高弱信号的DOA估计精度对以上过程进行迭代运算。该算法在强相干干扰环境下能有效进行弱信号DOA估计,而且估计精度较高。理论分析和计算机仿真结果验证了算法的正确性和有效性。     

一种互耦和相干源条件下的DOA估计方法

空间平滑算法是一种常用的解相干处理方法,而阵元间互耦的存在会导致空间平滑算法失效,从而无法准确估计相干源DOA。针对这个问题,文中提出了一种新的DOA估计方法。该方法基于信号子空间和噪声子空间的正交性原理,利用入射信号源中的独立信号源可以有效估计出互耦矩阵,再通过估计的互耦矩阵对接收数据协方差矩阵进行互耦补偿,克服了互耦对空间平滑算法的影响,从而保证了相干源DOA能准确估计。计算机仿真实验表明了该方法的有效性。     

一种新的高效DOA估计算法

文中提出了一种新的相干信号波达方向（DOA）的估计算法,它综合了两种代表算法即SVD算法和Toeplitz算法的优点,在低信噪比条件下能有效地估计相干信源,估计精度更高,并简单介绍了SVD和Toeplitz算法。最后用大量的计算机仿真实验来说明新方法的性能：即低信噪比情况下（-5dB）,且信号源夹角为10°时,SVD算法已基本失效,Toeplitz算法的分辨误差很大,达到1.5°,而TSVD方法仍能精确地分辨出信号源,成功率为100%。     

一种新的互耦条件下宽带信号DOA估计算法

基于一致聚焦和Khatri-Rao子空间的思想,提出了一种新的互耦条件下宽带信号DOA 估计算法。首先,通过在阵列两端设置辅助阵元来补偿各个频率处的互耦效应;接着,对补偿后的协方差矩阵进行一致聚焦操作,并重排成一个高维矩阵;最后,通过搜索Khatri鄄Rao 子空间谱估计出宽带信号的DOA。算法适用于互耦未知的场合,对宽带信号频率谱是否平坦没有要求,且在互耦自由度较小时能够分辨多于阵元数的宽带信号。计算机仿真结果证明了算法的有效性。     

宽带DOA估计的频域时延补偿算法

针对宽带波达方向（Direction of Arrival,DOA）估计中导向矢量的频率不一致问题,提出一种新算法.首先对搜索方向信号进行时延补偿,使其与法线方向信号具有相同的阵列时延特征,同时将其它方向信号当作噪声处理,然后计算子空间的正交性并将其作为该搜索方向上空间谱值,最后给出快速算法以降低运算量.由于滤波器的群时延值不能任意改变,采用频域方法实现时延补偿.新算法不需要预估信号源数目和DOA初值,且仿真结果表明：在信号源互不相关和功率谱密度分布平坦的前提下,新算法分辨率更高、估计误差更小.