电磁矢量互质阵中基于降维Capon的DOA和极化估计算法

将传统电磁矢量均匀阵列推广为电磁矢量互质阵列,突破了阵元间距不大于半波长的限制。提出了电磁矢量互质阵列中基于降维Capon的波达方向（Direction of arrival,DOA）和极化联合估计算法。该算法无需假设已知极化信息,且只需一维搜索,避免了多维搜索,可实现DOA和极化参数自动配对;与相同阵元数的均匀阵列相比,明显提高了角度估计性能,并拓展了天线孔径,具有相对较高的自由度,且降低了运算复杂度。相同阵列及参数条件下,本文算法的角度估计性能优于ESPRIT算法和三线性分解算法。     

非均匀矢量阵列的定向性能仿真与分析

关于探测水下声目标,针对常规波束形成空间分辨力受到限制的问题,现有波达方向(DOA)估计算法主要适用于等距均匀声压线阵,在非等距或不规则阵列中由于阵列空间结构的不均匀性而受到限制,不能满足实际需求.为解决非均匀结构矢量阵列的DOA估计,提出四种常见非均匀结构矢量传感器阵列的时延表达式,形成各阵列导向向量,通过选择各阵列中性能最优的阵元结构设置,统计了各阵列DOA估计性能随信噪比和快拍数变化的成功概率和均方误差,仿真结果表明,非均匀线阵在低信噪比和小快拍的情况下具有更高的估计性能,为波达方向定位提供了依据.     

基于最小冗余线阵的二维DOA估计方法

针对传感器阵列二维DOA估计中阵元数较多且阵元利用率较低的问题,提出了一种低阵元冗余的二维DOA估计方法.该方法通过在最小冗余线阵基础上添加两个导向阵元的方法,将最小冗余线阵的应用拓展到二维DOA估计.同时该方法利用多个时延的阵元输出共轭循环相关函数构造"伪数据阵",在时空域中等效出两个具有旋转不变性的平行子阵,进而运用DOA矩阵法估计信号二维DOA.该方法不仅避免了最优时延选择问题,继承了DOA矩阵法无需谱峰搜索且无需二维角度参数配对等优点.还用较少的阵元获得了较大的阵列有效孔径.仿真结果表明,该方法与CCDM算法相比具有更好的低信噪比适应能力和稳健性.     

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。     

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。     

电磁矢量阵中基于平行因子压缩感知的角度估计算法

将平行因子框架与压缩感知理论相结合,解决了电磁矢量传感器阵列中的波达方向估计问题。首 先将接收信号构建成平行因子模型,然后结合压缩感知理论,对平行因子模型压缩。根据三线性交替最小二乘算法对压缩后的平行因子模型进行分解,最后利用信号的稀疏性,得到波达方向估计。借助压缩过程,本文算法降低了传统的平行因子算法的计算复杂度,节约了 存储空间。本文算法无需谱峰搜索,且同时适用于均匀线阵和非均匀线阵。该算法的角度估计性优于ESPRIT算法,且接近传统的基于平行因子模型的角度估计算法,仿真结果证明该算法的有效性。     

未知互耦下双基地MIMO雷达阵列DOD和DOA估计算法

针对MIMO雷达阵列中存在的互耦效应会严重影响发射角（DOD）和接收角（DOA）估计性能的问题,提出了一种基于ESPRIT算法的双基地MIMO雷达阵列DOA和DOD估计方法。该方法利用阵列流型矩阵的结构特点和均匀线阵互耦矩阵的带状Toeplitz特性,能实现互耦效应未知情况下DOA和DOD的精确估计。本文方法无需对角度进行搜索,计算量小,对角度的估计精度高,特别是在低信噪比环境下依然能取得 较好的估计性能。仿真结果验证了本算法的可行性和正确性。     

一种用于二维DOA估计的新颖Unitary ESPRIT算法

提出了一种基于双均匀线阵的特性新颖的Unitary ESPRIT算法。算法根据阵列接收数据,构造了一种实值数据形式,对其作实值奇异值分解,获得信号子空间。算法利用阵元几何的平移不变特性,构造了包含入射信号方位角和俯仰角的估计量。利用构造的估计量的特征值估计俯仰角信息,利用其对应的特征向量估计方位角信息,自动完成角度的配对。所提方法不仅保持了矩阵DOA估计算法和二维ESPRIT算法的优点,如自动的参数配对、不需要二维谱峰搜索等,而且能够在实数域中直接获得信号子空间,能够有效降低运算量。算法可以增加估计信号个数。仿真实验验证了算法的有效性。     

估计相干与非相干信源的ESPRIT方法研究

在目前信号波达方向（Direction-Of-Arrival,DOA）估计中,常规ESPRIT算法是一种速度快、精度高的常用算法,但对于低信噪比下混合信号（同时含有相干与非相干信号）,常规ESPRIT算法难以估计出它们的DOA。结合解相干MUSIC和常规ESPRIT算法的优点,提出了一种新的估计相干与非相干信源的ESPRIT方法,新方法充分利用数据协方差矩阵的自相关和互相关信息来重构含有信号方位数据的新矩阵,再从它的特征值中解得信号的到达角。计算机仿真结果验证该方法在混合信号估计中的优越性和可靠性。     

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。     

十字阵的单基地MIMO雷达中一种低复杂度的二维DOA估计算法

提出了在单基地多输入多输出(Multiple-input multiple-output,MIMO)雷达中的基于十字阵的一种低复杂度的二维波达方向(Direction of arrival,DOA)估计算法。该算法利用传播算子法(Propagator method,PM)避免了协方差矩阵的构造及其特征值分解,也无需谱峰搜索,从而大大降低了运算的复杂度;同时该算法可实现方位角和仰角的自动配对。本文算法的性能在高信噪比下逼近借助旋转不变技术估计信号参数(Estimation ofsignal parameters via rotational invariance techniques,ESPRIT)算法。文中还推导了目标方位角和仰角的均方误差。仿真结果证明了该算法的有效性。     

Pulse-order recursive method for inverse covariance matrix computation applied to space-time adaptive processing

The conventional space-time adaptive processing(STAP) method such as the typical sample matrix inversion(SMI)-based STAP method is difficult to implement for a practical system because intense computational complexity arises in calculating the inversion of a space-time covariance matrix directly.According to the block Hermitian matrix property of space-time covariance matrix,a new pulse-order recursive method is proposed in this paper to calculate the inverse covariance matrix for the STAP adaptive weight,which can reduce the computational complexity significantly.The proposed method requires initially calculating the inverse covariance matrix of the first pulse-order recursively based on the block Hermitian matrix property.In the following,the inversion of space-time covariance matrix is obtained recursively based on the previous pulse-order inverse covariance matrix.Next,the STAP adaptive weight is calculated based on the inversion space-time covariance matrix previously obtained.Compared with the conventional SMI-based STAP algorithms,the computational complexity of the proposed method is reduced to more than 50% for the same clutter suppression performance.This method can be applied to practical systems benefiting from small computational complexity and stable clutter suppression performance.     

Computationally efficient 2D direction finding and polarization estimation with arbitrarily spaced electromagnetic vector sensors at unknown locations using the propagator method

This paper proposes a computationally efficient method for estimating angle of arrival and polarization parameters of multiple farfield narrowband diversely polarized electromagnetic sources, using arbitrarily spaced electromagnetic vector sensors at unknown locations. The electromagnetic vector sensor is six-component in composition, consisting of three orthogonal electric dipoles plus three orthogonal magnetic loops, collocating in space. The presented method is based on an estimation method named propagator, which requires only linear operations but no eigenvalue decomposition or singular value decomposition into the signal and noise subspaces, to estimate the scaled electromagnetic vector sensors' steering vectors and then to estimate the azimuth arrival angle, the elevation arrival angle, and the polarization parameters. Comparing with its ESPRIT counterpart [K.T. Wong, M.D. Zoltowski, Closed-form direction finding and polarization estimation with arbitrarily spaced electromagnetic vector-sensors at unknown locations, IEEE Trans. Antennas Propagat. 48 (5) (2000) 671–681], the propagator method has its computational complexity reduced by this ratio: the number of sources to sextuple the number of vector sensors. Simulation results show that at high and medium signal-to-noise ratio, the proposed propagator method's estimation accuracy is similar to its ESPRIT counterpart.     

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。     

Robust adaptive beamforming using a novel signal power estimation algorithm

Recently, many robust adaptive beamforming (RAB) methods based on covariance matrix reconstruction have been proposed. Motivated by the idea, in this paper, a novel and efficient signal power estimator is devised to reconstruct the interference-plus-noise covariance (INC) matrix, with the corresponding RAB algorithm proposed. Firstly, the steering vectors of the incoming sources are derived using the Capon spatial spectrum and known array geometry. Secondly, a set of linear equations is established based on the signal subspace projection, from which the powers of the incoming sources are estimated. Based on the presumed angular sector of the signal-of-interest (SOI), the steering vectors and powers of the SOI and interferences are distinguished, and the INC matrix is then reconstructed. Finally, the beamformer is determined by the estimated INC matrix and SOI steering vector. The proposed algorithm is computationally more efficient than other reconstruction-based methods because there are closed-form solutions for the signal powers. Simulation results indicate that our proposed algorithm performs better than the existing methods at high signal-to-noise ratios (SNRs), and achieves nearly optimal performance across a wide range of SNR.     

基于干扰噪声矩阵重构的自适应波束形成算法

针对在自适应波束形成中,当采样次数较少或期望信号导向矢量存在误差以及训练数据中含有期望信号成分时导致波束输出信干噪比(SINR)下降的问题,提出了一种重构干扰噪声协方差矩阵并且估计期望信号导向矢量的稳健自适应波束形成方法。在期望信号波达方向的角度范围已知的条件下,首先利用多重信号分类（MUSIC）空间谱在不含期望信号的区域重构出干扰噪声协方差矩阵;然后推导了避免期望信号的导向矢量的估计值收敛到任一干扰的导向矢量或它们的线性组合的约束条件;进而以此约束条件和阵列输出功率最大化条件建立了期望信号导向矢量估计的优化问题,并使用凸优化软件估计出最优的期望信号导向矢量。讨论了该方法的计算复杂度并通过仿真实验验证了其有效性和优越性。仿真结果表明,当期望信号和干扰源存在随机指向误差和局部散射的情况下,所提方法在很大的输入信噪比范围内的输出信干噪比仍接近理论值,优于其他自适应波束形成方法。