一种改进的信源数估计算法

均匀线阵的信号源个数的估计是阵列信号处理中一个重要研究课题,也是雷达、通信等领域基本任务之一。文章依据阵列信号协方差的特征值,对信号所对应的特征值进行了适当的放大,增加了信号与噪声之间的差距,更准确地估计信源个数。实验表明,改进的信源数估计方法在小快拍数和低信噪比的情况下,检测性能优于现有的算法。     

一种强干扰条件下微弱信号DOA估计的新方法

给出了一种基于均匀线性阵列的既能抑制强烈干扰,又能同时进行微弱信号DOA估计的算法。在已知强干扰源个数和入射方向的前提下,先使用改进的波束形成方法,在子阵上进行波束形成以抗干扰,再对加权后的子阵进行微弱信号的DOA估计。该方法的优点是当干扰和希望信号处在同一个波束内时,不需要提高信号的信噪比就可以正确地估计出信号的入射方向。理论分析和计算机仿真都表明该算法是有效的。     

复杂电磁环境下稳健的信号源个数估计方法

为了实现低信噪比条件下以及复杂电磁环境中对阵列接收信号源个数的有效估计,利用雷达和通信信号普遍具有的循环平稳特性,借助时域平滑的思想建立了能够分离循环统计相干信号的伪数据矩阵模型,并将基于信息论准则的源个数估计方法引入对循环平稳信号的处理中,提出了一种环境适应能力更强、性能更优的循环平稳信号源个数估计方法,仿真实验验证了新方法的优良性能。     

基于CS和OMP的宽带LFM信号源个数估计算法

多分量LFM信号源个数估计是进行后续信号处理的基础。考虑到压缩测量值较好地保留了原信号的特征信息,基于压缩感知部分重构的思想,提出了一种基于压缩感知和OMP分解的信源个数估计算法,算法在基于OMP的信号重构算法上改进而来,以归一化残差为迭代终止的条件,引入一种自适应阈值选择策略,根据迭代分解次数进行信号源个数估计。仿真结果表明,在信噪比为-3db左右、压缩比大于0.25的情况下,该算法进行信源个数估计的成功率高于90%。     

离散傅里叶变换及变参考阵元特征法在相干信号估计中的应用

本文讨论理想条件下均匀线阵(ULA)对相干入射信号的高分辨测向问题。在分析经典多重信号分类法(MUSIC)对相干信号测向失效原因的基础上提出新算法,它利用1）离散傅里叶变换(DFT)估计入射信号数目;2）变参考阵元重构入射信号功率矩阵估计入射信号方位角。通过与经典MUSIC算法比较验证了该算法对相干入射信号估计的可行性,并经过进一步分析得出如下结论:1）文中介绍的算法在不减少阵列有效口径前提下能够对高度相干信号进行高分辨测向;2）在低信噪比条件下能够精确估计入射信号方位角;3）随着阵列中阵元数目的增加,阵列分辨率逐渐提高。      

一种基于直线特征的信源个数估计新算法

在空间谱估计技术中,估计信号源个数是一个关键问题,其漏警或虚警会直接影响到测向算法的准确度.然而现有的信号源估计方法在低信噪比、色噪声环境下估计成功概率低且运算复杂,针对该缺点,文中提出一种基于直线特征的信源个数估计新算法.在低信噪比、色噪声环境下通过计算机仿真表明了该算法的正确性和有效性.     

一种基于子空间分析的快速信源个数估计方法

针对阵列信号处理中传统信源个数估计方法如基于Akaike信息论准则方法(AIC)、最小描述长度准则方法(MDL)等特征值分解类算法计算量大,且在小快拍数、低信噪比时性能下降甚至无法正确估计的问题,提出了一种基于子空间分析的快速信源个数估计方法。该算法首先利用多级维纳滤波器(MWF)对信号进行快速的子空间估计,然后计算阵列信号协方差在子空间匹配滤波器中的投影值,通过分析其正交性来估计信源个数。研究结果表明,该算法不但在小快拍数、低信噪比时相较于传统特征值分解类算法具有更优异的性能,并且计算量大大降低。     

基于TOEPLITZ重构的压缩感知嵌套阵列DOA估计

针对传统稀疏阵列波达方向（DOA）估计算法在小快拍数、低信噪比和多信源数等条件下的估计精度不高的问题,提出了一种基于TOEPLITZ重构的压缩感知嵌套阵列DOA估计方法。首先利用TOEPLITZ重构方法将虚拟阵列的输出信号向量构建成满秩协方差矩阵,然后利用信号在空间域的稀疏性,将阵列协方差矩阵进行稀疏表示,通过噪声子空间和信号子空间的正交关系构建权值向量,对稀疏向量进行加权约束,最后通过求解最优化方程获取入射信源的DOA估计。仿真结果表明,本文方法比传统稀疏阵列DOA估计算法在低信噪比、小快拍数和多信源数下具有更好的DOA估计性能。     

一种低信噪比下的信号源数检测新方法

空间信号源数检测是阵列信号处理的关键问题之一,该文针对低信噪比下传统检测方法的性能差的问题,提出了一种基于近似特征向量的检测新方法DTAE(Detection Technique based on Approximate Eigenvectors)来改善低信噪比下传感器阵列的信源数检测性能。该方法首先利用波束形成器在空间做预扫描来估计信号群中心的位置,以这些位置作为参考方向计算接收数据协方差矩阵的特征向量的近似值,然后使用特征向量的近似值对阵列输出数据加权,最后计算加权输出数据的频域峰值-平均功率比值从而估计信号源的个数。仿真结果表明,提出的新方法在低信噪比下的检测性能显著优于AIC(Akaike Information Criterion)等方法,有一定的工程应用价值。     

基于子空间匹配追踪的LFM信号的DOA估计

DOA估计是阵列信号处理中的热点。文中针对LFM信号的DOA估计算法采样数据量大,在低信噪比情况下估计效果不理想的问题,提出了基于子空间匹配追踪的LFM信号的DOA估计。该方法通过子空间匹配追踪算法将信号投影在子空间上,求出最大投影,最终估计出LFM信号的DOA。此外,改进后的空间匹配追踪算法,还解决了原算法收敛速度慢、会出现过匹配现象的问题。经仿真验证对比,该算法估计DOA的过程中匹配次数远小于匹配追踪的过程中,且在较低的信噪比下能估计出DOA。     

基于定向天线的导航信号参数估计方法研究

为了实现非合作导航信号的监测,必须估计非合作导航信号的多普勒频率、伪码速率、伪码周期、信号功率和码序列等多个参数。提出一套非合作导航信号盲检测与参数盲估计方法,利用导航信号循环平稳特性估计信号频率、码速率和信号功率,再根据周期信号自相关方法估计伪码周期,最后使用滑动相关和数据累加方法估计信号码序列。仿真结果验证了提出方法的正确性。     

多相编码信号谱相关特征检测与参数估计

基于时域和频域2种循环谱密度估计方法,研究和总结了多相编码信号的循环谱特征及其与信号参数的关系。提出了一种没有先验知识条件下多相编码信号参数提取方法。首先介绍了多相编码信号的表示形式,然后使用循环谱密度函数估计方法分析了信号的循环谱特征,在此基础上提出了基于循环谱特征的信号参数提取方法。通过对6个典型多相编码信号参数提取相对误差的计算,验证了该算法的有效性。     

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。     

Improved statistical sparse decomposition principle method for underdetermined blind source signal recovery

Aiming at the statistical sparse decomposition principle (SSDP) method for underdetermined blind source signal recovery with problem of requiring the number of active signals equal to that of the observed signals, which leading to the application bound of SSDP is very finite, an improved SSDP (ISSDP) method is proposed. Based on the principle of recovering the source signals by minimizing the correlation coefficients within a fixed time interval, the selection method of mixing matrix's column vectors used for signal recovery is modified, which enables the choose of mixing matrix's column vectors according to the number of active source signals self-adaptively. By simulation experiments, the proposed method is validated. The proposed method is applicable to the case where the number of active signals is equal to or less than that of observed signals, which is a new way for underdetermined blind source signal recovery.     

基于固有时间尺度分解的电台瞬态特征提取

在实际接收到的电台瞬态信号通常都表现出非平稳性或非线性,可以通过对此类信号的瞬时参数的估计达到信号检测及电台个体识别的目的。然而,利用传统的方法如希尔伯特变换或小波变换对这些非平稳信号进行处理时常常会遇到困难。提出一种基于固有时间尺度分解的非平稳信号瞬时参数提取及电台个体识别方法,仿真试验结果证明了该方法的有效性。     

基于特征波束形成的强弱信号波达方向与信源数估计方法

该文针对强弱信号并存时信源数和弱信号波达方向难以准确估计的问题,提出了一种基于特征波束形成的强弱信号波达方向与信源数同时估计方法。首先估计空域协方差矩阵,对其特征分解后按特征值从大到小调整特征矢量;然后从第1个特征矢量开始,由提出的估计式得到各特征波束的空间谱;最后,通过计算各空间谱的最大值与旁瓣谱峰平均值的比例判断有无信源,最大谱峰对应的角度即为该信源的波达方向估计。与RELAX和JJM方法相比,所提方法无需迭代步骤,无需强信号波达方向精确的先验知识,具有运算量小和弱信号估计精度高的优点,仿真和实测数据处理结果证明了方法的有效性和优越性。     

基于概率表达式的MPRM电路功耗计算方法

采用基于信号概率的功耗计算模型进行MPRM（Mixed Polarity Reed-Muller）电路功耗优化,信号概率计算是功耗计算的关键.提出一种基于概率表达式的MPRM电路功耗计算方法.该方法兼顾信号概率计算的时间效率和准确性,对MPRM电路中不存在空间相关性的信号通过在电路中传播信号概率的方式计算其信号概率,存在空间相关性的信号则利用概率表达式计算其信号概率,并在电路中传播概率表达式以解决空间相关性问题,在此基础之上根据基于信号概率建立的解析动态功耗和静态功耗计算模型计算电路功耗.为进一步提高时间效率,该方法采用二元矩图表示概率表达式.使用基准电路对所提出方法进行了验证,并与其他采用不同信号概率计算方法的MPRM电路功耗计算方法进行了比较.结果表明所提出方法准确有效.     

多载波CDMA系统信道估计改进算法研究

首先介绍了基于导频信号的辅助信道估计过程，并据此给出了信道模型。通过对基于导频信号信道估计算法分析，提出改进算法。即在导频位置信道响应处乘以一相位旋转因子以消除插值算法带来的相移影响的改进算法。     

自适应估计信号个数的频谱信号提取算法

无线电监测频谱数据中包含有大量的信号,准确提取这些信号有利于掌握全频段的频谱使用情况。实际信号的频谱由于受噪声干扰,会出现信号频带内个别频点能量值低于检测门限的情况,此时传统的门限检测算法会将该信号错估为多个信号,产生多个虚假的相邻信号间隔,导致频谱信号提取的准确率下降。对此,根据虚假相邻信号间隔特点,提出一种自适应估计信号个数的频谱信号提取算法,该算法可自动、准确估计频谱监测数据中电磁信号的个数,并将对应的信号及频谱信息提取出来。实验结果表明,该方法具有自适应性、强鲁棒性和高准确性,有效提高了频谱信号提取的准确率,为军、民电磁环境的识别与掌握提供基础的电磁信号数据支撑。     

Computationally Efficient ESPRIT Method for Direction Finding

In this paper,a low complexity ESPRIT algorithm based on power method and Orthogo- nal-triangular (QR) decomposition is presented for direction finding,which does not require a priori knowledge of source number and the predetermined threshold (separates the signal and noise ei- gen-values).Firstly,according to the estimation of noise subspace obtained by the power method,a novel source number detection method without eigen-decomposition is proposed based on QR de- composition.Furthermore,the eigenvectors of signal subspace can be determined according to Q matrix and then the directions of signals could be computed by the ESPRIT algorithm.To determine the source number and subspace,the computation complexity of the proposed algorithm is approximated as (2log_2 n 2.67)M~3,where n is the power of covariance matrix and M is the number of array ele- ments.Compared with the Single Vector Decomposition (SVD) based algorithm,it has a substantial computational saving with the approximation performance.The simulation results demonstrate its effectiveness and robustness.