基于COLD阵列的联合稀疏重构信号DOA估计方法

针对窄带和宽带两种情形,提出了一种基于同点正交磁环偶极子矢量天线（Co-centered orthogonal loop and dipole,COLD）阵列的联合稀疏重构信号波达方向（Direction-of-arrival,DOA）估计方法。该方法首先构造极化-空间域协方差矩阵,并对其第一列进行稀疏表示,在此基础上利用COLD阵列可视为相互垂直的磁环阵列和偶极子阵列这一特点,采用l2-范数约束下的凸优化（l1-范数）联合稀疏重构技术实现信号DOA估计。仿真实验表明,该方法较之现有方法具有分辨力高、估计精度高等优点。     

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。     

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SVD的二维子空间拟合DOA估计

改进传统子空间拟合波达方向(DOA)估计方法,以快拍数据矩阵的奇异值分解代替接收数据协方差矩阵的特征值分解,用奇异值和奇异值矢量进行信源数估计,避免协方差矩阵估计,减少运算量和矩阵估计误差。根据已有子空间拟合的一维修正变化投影(MVP)算法原理,推导出二维MVP算法实现步骤,对基于均匀圆阵的接收信号进行二维DOA估计。     

基于稀疏表示的信号DOA估计

将信号DOA的估计问题转换为一个联合稀疏表示的求解问题.通过对接收数据矩阵的奇异值分解实现各时间和频率快拍数据的联合;然后通过求解一个平滑l0范数稀疏约束的联合优化问题实现信号源DOA的估计.基于稀疏表示的信号DOA估计方法不仅能够有效地减少数据量,而且具有以下优点:更好的抗噪声性能、更高的计算效率、适用于相关和非相关信号.通过与其他DOA估计方法的比较,表明了该方法的有效性和优越性.     

基于修正后矩阵分解的最优协方差DOA估计

针对传统来波方向（direction-of-arrival,DOA）估计在信号相干、低信噪比与噪声非均匀环境下性能差的问题,基于修正后的矩阵分解,提出一种利用凸优化的协方差矩阵最优DOA估计方法。修正后的矩阵分解方法,解相干的同时克服了孔径损失;然后,利用凸优化,重构出无噪声的协方差矩阵;最后,利用最小化搜索计算出DOA。仿真结果表明,所提算法与矩阵分解（matrix decomposition,MD）算法、基于◢l▼1▽范数的奇异值分解（l◣▼1▽-norm singular vector decomposition,◢l◣▼1▽-SVD）算法以及基于空间平滑的协方差秩最小化估计（spatial smoothing based covariance rank minimization,SS-CRM）算法比较,能更好地抑制非均匀噪声,且在低信噪比条件下,依然性能良好。     

导向矢量失配情况下基于稀疏表示的波达方向估计算法

提出了一种传感器阵列导向矢量失配情况下的基于稀疏表示的信号源波达方向DOA估计算法。针对一些实际环境中噪声重尾现象严重的特点,采用合成圆对称广义高斯噪声分布对其进行模拟。考虑到实际环境中传感器自身运动以及外界环境因素的改变可能会导致传感器导向矢量产生波动,利用加权最小二乘法对波动生成的增益值进行最优估计。然后,构建信号模型的分数低阶矩FLOM矩阵,进行矢量化处理,以提高其数组维数。最后,利用稀疏表示方法重构信号模型,将信号源DOA估计转化为二阶锥规划问题进行求解,并采用奇异值分解降低运算量。仿真结果表明,本算法的信号源DOA估计具有很高的分辨率,且有效地避免了导向矢量失配对DOA估计产生的影响。     

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.     

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。     

基于模式空间算法的声源二维DOA估计

针对传统高分辨率谱估计法估计远场声源波达方向（direction of arrival, DOA）时计算量大、对相干信号估计失准的问题,本文提出一种改进的基于圆形麦克风阵列和四阶累积量的声源二维DOA估计算法。该算法结合了圆阵定位无死角的优势和矩阵虚拟扩展获得更多声源定位信息的长处。首先利用模式空间变换将均匀圆形阵列（UCA）虚拟化成2K+1个均匀线性阵列（ULA）,并应用空间平滑技术将虚拟线性阵列划分成L个子阵;接着利用四阶累积构造方法提取有效阵元信息并去掉冗余数据,通过重构矩阵得到新的接收数据;最后通过Music-like算法搜索谱峰获得声源信号的方位角和俯仰角。仿真结果表明,在信噪比较低时,相比传统的高分辨谱估计算法,本文算法可实现对远场相干信号的高精度估计;同时本文算法也具有更低的均方根误差性能,且能有效减少运行时间。     

基于声矢量阵小样本数据的DOA估计研究

根据水下目标在其到达方位(DOA)搜索空间的稀疏性,采用稀疏分解理论实现了小样本、低信噪比条件下的声矢量阵DOA估计。通过分析,构造出基于声矢量阵阵列流型形式的过完备原子库,并采用正交匹配追踪算法得到目标的DOA估计。通过仿真,基于稀疏分解的声矢量阵DOA估计算法对单快拍数据进行处理,即可得到比较准确的DOA估计结果。对湖试数据进行了处理,验证了算法的有效性和优越性。     

基于稀疏表示和约束优化的波达方向估计方法

对于噪声环境中信号源的波达方向(DOA)估计,传统的多信号分类(MUSIC)算法只对不相干信号有效,且所需较多样本。针对此问题,将进行DOA估计的搜索范围看作冗余字典,从而待估计的DOA成为该冗余字典中的某些元素,可以由冗余字典对其进行稀疏表示;其次,利用单次快拍数据,应用二阶锥(SOC)约束优化的方法对该稀疏表示问题进行描述,并进而转化为标准的二阶锥形式,采用有效的优化工具SeDuMi来实现DOA的估计。仿真结果表明,与现有的子空间方法相比,该方法只需单拍数据即可得到较好的估计结果,且无需对信源个数有先验知识,同时适用于相干和非相干信号。     

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。     

一种高性能的二维波达方向估计算法

在二维虚拟ESPRIT算法的基础上,提出了一种高性能的改进算法。改进方法依照子阵数据直接空间平滑的思想对子阵数据进行预处理,用虚拟阵列变换技术实施阵列变换,采用波达方向矩阵法的思路计算二维角度参数。仿真结果表明,相比于空域平滑的DOA矩阵法和空域平滑的二维虚拟ESPRIT算法,该方法在低信噪比情况下对相干信号源具有更好的估计性能,对独立信号源,能够估计出超过子阵阵元数的信号。     

基于互质阵的循环平稳信号低复杂度欠定DOA估计算法

针对现有大多数循环平稳信号DOA估计算法复杂度较高、估计精度低无法实现对有用信号的欠定估计问题,提出了一种基于互质阵的循环平稳信号低复杂度、欠定DOA估计算法.算法的主要思想是利用互质阵良好的稀疏特性,通过矢量化处理构造虚拟阵列模型,扩展阵列孔径,实现阵列自由度的提升.首先,算法构造了互质阵输出的循环自相关矩阵,然后进行矢量化处理得到最大连续虚拟阵元部分,给出其谱峰搜索的表达式.最后,为降低计算复杂度,对算法进行改进,应用多项式求根的方法直接求解DOA估计值.仿真结果表明,所提算法能实现对有用信号的欠定估计,计算复杂度较低,且相比于大多数的循环平稳信号DOA估计算法,所提算法估计自由度和估计精度有了进一步的提升.     

A sparse direction-of-arrival estimation algorithm for MIMO radar in the presence of gain-phase errors

In this paper, the problem of direction-of-arrival (DOA) estimation for monostatic multiple-input multiple-output (MIMO) radar with gain-phase errors is addressed, by using a sparse DOA estimation algorithm with fourth-order cumulants (FOC) based error matrix estimation. Useful cumulants are designed and extracted to estimate the gain and the phase errors in the transmit array and the receive array, thus a reliable error matrix is obtained. Then the proposed algorithm reduces the gain-phase error matrix to a low dimensional one. Finally, with the updated gain-phase error matrix, the FOC-based reweighted sparse representation framework is introduced to achieve accurate DOA estimation. Thanks to the fourth-order cumulants based gain-phase error matrix estimation, and the reweighted sparse representation framework, the proposed algorithm performs well for both white and colored Gaussian noises, and provides higher angular resolution and better angle estimation performance than reduced-dimension MUSIC (RD-MUSIC), adaptive sparse representation (adaptive-SR) and ESPRIT-based algorithms. Simulation results verify the effectiveness and advantages of the proposed method.     

基于改进MUSIC算法的宽带信号DOA估计

现有的波达方向（DOA）估计算法在估计被动探测系统中的宽带信号方位时,存在DOA估计结果偏差大、运算复杂度高等问题,难以满足信号实时处理的要求。为提高多源信号DOA估计的空间分辨率,提出一种基于S变换且不需要预估信号源个数的多重信号分类改进算法。根据宽带信号的频域特征,利用S变换处理阵列接收信号,得到多分辨的时频谱矩阵,同时构建时频域的阵列信号数据模型,结合信号功率谱矩阵呈联合对角化结构的特点,设计基于S变换的子空间谱估计公式。在此基础上,通过谱峰搜索进行DOA估计,实现多源宽带信号的声源定位。仿真结果表明,在信噪比范围为-15～10 dB的条件下,该算法的估计成功率始终保持在90%以上,相比TCT、CS＿TCT、CWT＿MUSIC算法,其具有较优的估计性能,并且无需预估信号源数。     

改进SA-SP算法的路面不平度信号压缩感知采集研究

为大幅度减少采集路面不平度信号的存储空间,提高采集速度,基于压缩感知理论针对标准路面的不平度信号进行压缩采样和重构。首先验证了B级路面不定度信号在频域下的近似稀疏性,并进行了信号的压缩采样。针对现阶段凸优化方法和常用的三种贪婪算法的不足,提出一种改进的模拟退火算法与子空间追踪算法相结合的稀疏度自适应匹配追踪算法,利用改进的模拟退火算法快速搜索匹配最优的稀疏度,并采用子空间追踪算法快速重构信号。仿真实验对比五种重构方法,结果表明,凸优化方法精度较高,耗时过长;OMP算法和SP算法耗时极短,但需要预先进行实验来估测信号的稀疏度,实用性低;SAMP算法能实现稀疏度的自适应匹配,但匹配的误差较大,且耗时较长;提的新方法具有良好的精度和较快的执行速度,R-squares和耗时的均值分别为0.9837和2.77 s,稀疏度估测效果较好,且采样点数的增加不影响算法重构信号的速度。