利用局域子空间投影提高子空间类DOA 估计算法的谱分辨力

本文提出一种新的用于子空间类DOA估计算法的阵列协方差矩阵噪声子空间投影矢量的选取方法——局域子空间投影(LSP).该投影矢量选取方法有利于压低真实信源方位附近,非信源方位对应的谱曲线高度,从而提高子空间类高分辨DOA估计算法的分辨力.LSP算法的估计偏差和信噪比分辨门限明显低于MUSIC算法,而估计方差几乎与MUSIC相同.计算机仿真结果证明了文中对LSP算法性能理论分析的正确性和LSP算法的有效性.     

一种未知信源数的高分辨DOA估计算法

众多性能优良的超分辨波达方向(DOA)估计算法通常需要预先判定信源数目,然而,现有的信源数估计算法在有限采样快拍条件下,估计性能随着信噪比的降低而下降,错误概率也相应增加,最终导致DOA估计失败。该文提出一种超分辨的DOA估计算法,此算法不需要预判信源个数和进行特征值分解,同时在时变环境中,针对快拍数较少的情况下,依然保持较高的角度分辨能力,可以被认为是综合了Capon法和MUSIC法的优点。通过对实验数据和实测数据的计算机仿真及性能分析可得,与传统算法相比较,该算法有很好的鲁棒性和可行性。     

估计间隔较近信源的修正MUSIC算法

针对信源间隔比较近情况下波达方向(DOA)估计性能下降的问题,提出一种修正MUSIC(MMUSIC)算法。该算法通过利用协方差矩阵的共轭信息,重构协方差矩阵,再由奇异值分解(SVD),构造低秩矩阵,用这两个矩阵噪声子空间的平均构造空间谱,通过谱峰搜索估计出信源的DOA。相比于经典MUSIC算法和空间平滑类算法,该算法能有效解相干,且不损失阵列孔径,而且提高了在信源间隔比较近且信噪比低条件下DOA分辨能力。计算机仿真验证了该算法的有效性。     

基于互相关协方差矩阵的改进多重信号分类高分辨波达方位估计方法

针对经典高分辨波达方位(DOA)估计方法在低信噪比下分辨性能较差的问题,该文提出一种适用于主动探测系统的基于互相关矩阵的改进多重信号分类(MUSIC)高分辨方位估计方法(I-MUSIC)。该方法首先利用主动声呐发射信号已知的特性,将发射信号与阵元接收信号进行互相关,利用互相关序列形成新的空域协方差矩阵,再进行特征分解。理论分析表明,互相关处理在抑制噪声的同时保留了阵元之间的相位信息,可以得到比MUSIC方法更准确的子空间划分,进而提高低信噪比方位估计性能。在此基础上,提出一种基于相关时间门限的改进MUSIC高分辨方位估计(T-MUSIC)方法,通过对互相关序列设置时间门限进一步提高方位估计信噪比。仿真结果表明,与MUSIC方法相比,I-MUSIC与T-MUSIC可以分别使低信噪比时的估计性能提高3 dB和6 dB,相应平均估计误差分别为原方法的77%和53%。在阵元间接收噪声存在相关性时,T-MUSIC与I-MUSIC方法相比可获得8 dB的估计增益,估计性能更优。I-MUSIC与T-MUSIC应用于多目标主动探测,可大幅提高探测系统在低信噪比下的方位估计性能。     

相干信号MUSIC谱估计的空间平滑技术

相干信源DOA估计是阵列信号处理的一个研究热点。以MUSIC算法为代表的子空间类高分辨DOA估计算法对于非相干或相关程度较小的空间信源具有良好的分辨性能,且运算量较小。但它们优良的分辨性能却会随空间信源间的相关程度的增加而逐渐恶化,直至失效。本文对空间前向平滑技术和前/后向空间平滑技术了深入的研究和仿真,仿真结果表明该算法对相干信源的DOA有较好的估计性能。     

基于TOFS的宽带信号波束空间DOA估计

频域子空间正交性测试(TOFS)方法是宽带信号DOA估计的一类重要算法。TOFS无需进行聚焦,避免了角度的预估计,在中等信噪比时性能较优,但该方法信噪比门限较高。文中利用均匀线阵模型,将波束空间方法应用于TOFS算法,在降低分辨信噪比门限的同时减少了TOFS算法的运算复杂度。通过仿真验证了新方法性能优于TOFS算法。     

一种适用于小样本的迭代多重信号分类算法

当样本数不足时,由采样协方差矩阵特征分解得到的噪声子空间偏离其真实值,使得多重信号分类(MUSIC)算法目标角度(DOA)估计性能下降。为了解决这个问题,该文提出了一种迭代算法通过校正信号子空间来提高MUSIC算法性能。该方法首先利用采样协方差矩阵特征分解得到的噪声子空间粗略估计目标角度;其次基于信源的稀疏性和导向矢量的低秩特性,由上一步得到的目标角度以及其邻域角度对应的导向矢量构造一个新的信号子空间;最后通过解一个优化问题来校正信号子空间。仿真结果表明,该算法有效地提高了子空间估计精度。基于新的信号子空间实现MUSIC DOA估计可以使得性能得到改善,且在低样本数下改善尤为明显。

     

MUSIC算法的DoA估计时间分析

在基于波束赋形(Beamforming)的无线通信系统中,使用MUSIC算法的波达方向(Direction of Arrival,DOA)估计具有良好的性能。但是,对于MUSIC算法在低信噪比下Do A估计时间和精度之间的关系,却一直未有深入研究。因此,对均匀圆阵数学模型和MUSIC算法进行分析,研究样本数量与DOA估计精度的关系。仿真结果表明,在低信噪比下,DOA估计性能下降,通过增加估计协方差矩阵的样本数量,可以提高MUSIC算法的性能。根据仿真结果,拟合发现DOA估计角度分辨率达到1度,所需样本数量和信噪比的关系服从负指数分布。     

基于模式空间的均匀圆阵方位估计性能研究

在建立了均匀圆阵数学模型的基础上,将模式空间与经典高分辨方位估计算法——多重信号分类法（MUSIC）应用到均匀圆阵方位估计（DOA）中;详细推导了模式空间虚拟均匀线阵的形成过程,并通过计算机仿真给出了MUSIC算法在虚拟均匀线阵下的方位估计成功概率、估计方差、估计偏差等随信噪比变化时的变化情况。仿真结果表明,随着信噪比的增加,基于模式空间将均匀圆阵变成虚拟线阵,方位估计性能有了明显提高。     

基于信号子空间抽取的DOA估计

本文提出了一种新的DOA(direction of arrival)估计方法,通过对信号子空间进行抽取,形成信号子空间的两个子集,由于两个子集包含有来波方向信息,采用最小二乘算法,能估计出信号的DOA。该方法的分辨性能和LS-ESPRIT算法的性能相当,但运算量比LS-ESPRIT以及MUSIC的要小很多。计算机仿真试验证实了方法的有效性。     

低信噪比中MUSIC算法研究

MUSIC（Multiple Signal ClaSSification）是一种超分辨率的DOA（Direction of hrrival）估计算法,其分辨率随着天线接收信号的信噪比的增大而增大。在低信噪比条件TMUSIC算法的分辨率快速下降,为解决此问题提出了一种改进的MUSIC算法,使它在低信噪比条件下有较高的分辨率。通过计算机仿真验证了改进后的算法在低信噪比条件下具有很高的分辨率,在信噪比高的条件下其分辨率也大于基本的MUSIC算法。     

两信号源的相关性对MUSIC算法分辨性能的影响

 平均信噪比分辨门限是特征结构算法分辨性能的一种度量,本文给出了含有两信号源相关性的MUSIC算法的平均信噪比分辨门限表达式.模拟结果表明,当两信号源正相关时,MUSIC算法分辨性能会下降;当负相关时,在一定条件下,MUSIC算法分辨性能会提高.本文也讨论了当两信号源的功率差异、方向夹角、阵元数和采样的快拍数变化时,相关性对算法分辨性能的影响的变化规律.     

基于噪声子空间特征值重构的DOA估计算法

该文针对非等功率信号波达方向(DOA)估计问题,提出一种基于噪声子空间特征值重构(Eigenvalue Reconstruction of Noise Subspace, ERNS)的超分辨算法。算法对接收信号自相关矩阵进行特征值分解,通过重构噪声空间特征值以及引入虚拟信源来构造新的接收信号自相关矩阵,对该矩阵进行特征值分解得到新的噪声空间特征值。当虚拟信源与实际信源入射方向相同时,新噪声空间特征值与重构后噪声空间特征值保持不变,利用这一特性来估计信源入射方向。该文给出算法的原理及实现步骤,并通过仿真进行原理验证与性能分析,仿真结果表明与其他子空间算法和MUSIC 算法相比,ERNS算法能够提高弱信号估计成功的概率。     

Near-field multiple source localization by passive sensor array

The localization of multiple near-field sources in a spatially white Gaussian noise environment is studied. A modified two-dimensional (2-D) version of the multiple signal classification (MUSIC) algorithm is used to localize the signal sources; range and bearing. A global-optimum maximum likelihood searching approach to localize these sources is discussed. It is shown that in the single source situation, the covariances of both the 2-D MUSIC estimator and the maximum likelihood estimator (MLE) approach the Cramer-Rao lower bound as the number of snapshots increases to infinity. In the multiple source situation, it is observed that for a high signal-to-noise ratio (SNR) and a large number of snapshots, the root mean square errors (RMSEs) of both localization techniques are relatively small. However, for low SNR and/or small number of snapshots, the performance of the MLE is much superior that of the modified 2-D MUSIC     

一种快速DOA估计算法

MUSIC算法需要将天线阵列接收数据的协方差矩阵进行特征分解,并在全空域进行谱峰搜索。该算法具有很高的分辨力、估计精度及稳定性,但是运算量巨大,难以实时实现。通过对等距线阵特点及MUSIC算法的研究,提出了一种无需特征分解和在全空域进行谱峰搜索的快速算法,算法采取降维处理的方法快速估计信号子空间,然后根据基于阵列一次快拍的FFT算法粗略估计的局域信号空间进行谱峰搜索,从而有效降低了算法的计算量,理论分析和计算机仿真结果证明了该算法的有效性。     

MUSIC算法的性能比较

智能天线的核心技术之一是波达方向估计,在无线通信中具有重要作用。MUSIC算法是一种经典的DOA估计算法,但因其计算量大、对于相干及小信噪比信号无法分辨等缺陷,故有较多的改进算法被提出。文中研究了求根MUSIC算法、基于空间平滑技术的MUSIC算法、改进MUSIC算法及修正MUSIC算法。通过仿真分析了角度间隔、信噪比、信号相干对改进MUSIC算法分辨率的影响。以上几种改进MUSIC算法进一步发挥了该算法高分辨率的优势,且有利于其在智能天线方面的应用。     

基于张量四元数极化平滑的极化-DOA估计

为了解决相干信号的极化平滑算法在小快拍数和低信噪比条件下估计性能较差的问题,结合四元数的正交特性和协方差张量方法,提出了一种基于张量四元数的极化平滑多重信号分类（Multiple Signal Classification,MUSIC）解相干算法。首先,为了充分利用接收数据样本中的多维结构信息,建立了由张量四元数表示的柱面共形阵列极化平滑信号模型;其次,将平滑后的张量协方差矩阵通过高阶奇异值分解得到信号子空间;最后,通过极化秩亏MUSIC算法对入射相干信号分别进行二维波达方向（Direction of Arrival,DOA）估计和极化参数估计。仿真结果表明,该算法在小快拍数和低信噪比条件下具有更高的估计精度和分辨能力。     

基于相位匹配原理的稳健方位估计

文中介绍了一种新的信号方位估计原理--相位匹配原理(PMT),该原理计算简单、且不受噪声相关特性的影响。论文提出了一个新的基于矩阵范数的判别准则,该准则极大地改进了方位的估计精度和方差,并保持了算法计算简单的特点。仿真结果表明改进后的准则在高信噪比下接近MUSIC的估计性能,在低信噪比下却超过MUSIC估计,而且其估计性能不受未知相关噪声的影响。     

基于波束域的子空间正交性测试宽带DOA估计方法研究

投影子空间正交性测试(Test of Orthogonality of Projected Subspace:TOPS)算法通过测试宽带信号各频率点上噪声子空间和信号子空间之间的正交性对目标方位进行到达角估计(DOA:direction-of-arrival)。此算法对参考频点上的信号子空间的估计依赖性较大,因此存在较多伪峰,低信噪比条件下性能差等缺点。针对该问题,提出一种基于波束域的宽带DOA估计方法。该方法通过将阵列接收信号转换到波束域,在波束域中利用信号带宽内各频率分量的波束域方向向量与噪声子空间之间的正交关系构造判决向量,根据判决向量搜索空间谱的极大值对应的角度进行DOA估计。该方法不需要进行角度预估,避免了TOPS算法中常出现的伪峰,降低了信噪比分辨门限,减少了计算量,具有较好的估计效果。将该方法分别运用到均匀圆阵和线阵上,通过仿真对比和海试实验数据的处理,证明了本文所提方法的有效性。      

DOA估计的几种特征结构算法的性能比较

Pisarenko算法、多信号分类（MUSIC）算法、最小模算法和ORPD算法是来波到达方向（DOA）估计中常用的四种特征结构算法。在不同的信噪比及阵元数目条件下,对这几种算法的分辨性能作了比较。仿真结果表明：MUSIC算法是最稳定的一种算法;在预知大致方位的前提下。ORPD算法分辨性能最好;对于提高各种算法的分辨能力,改善信噪比相对增加阵元数目更有效。