一种恒定束宽波束域加权子空间谱估计新方法

恒定束宽波束域噪声是空间相关的非白噪声，这给宽带波束域高分辨方位估计方法的性能带来影响。在分析恒定束宽波束域噪声特性的基础上，提出了一种恒定束宽波束域加权子空间谱估计新方法，该方法综合应用宽带波束域协方差矩阵的特征值和特征向量正确地表示了波束域噪声子空间，有效地抑制了宽带波束域相关、非白噪声的影响，改善了宽带波束域高分辨方位估计方法的性能。计算机仿真验证了新方法的有效性，分辨概率曲线和均方误差曲线表明，新方法的分辨门限比只使用协方差矩阵特征向量的宽带波束域MUSIC方法下降超过1dB。     

基于阵列误差校正的波束域方位估计算法实验研究

针对阵列误差的存在会导致波束域高分辨方位估计算法性能下降的问题,给出了一种基于阵列误差校正的波束域处理方法。该方法利用单个校正源,根据实际测量数据,在获取基阵实测阵列流形的基础上,实现了对阵列误差的校正,进而利用波束域MUSIC算法估计出信号的方位。实验结果验证了基于实测阵列流形的阵列误差校正方法可以有效增强波束域高分辨算法对阵列误差的稳健性。     

线阵相干源方位估计的波束域WSF算法实验验证

波束域加权子空间拟合（ｗｅｉｇｈｔｅｄ ｓｕｂｓｐａｃｅ ｆｉｔｔｉｎｇ－－ＷＳＦ）算法保留了阵元域ＷＳＦ算法最佳的目标方位估计性能,而其运算量则有所降低。本针对声呐系统中常用的线阵,通过计算机模拟实验和消声水池物理仿真实验研究了波束域ＷＳＦ算法解相干信源的性能。计算机模拟结果表明波束域ＷＳＦ算法可在低至－８ｄＢ的信噪比上分辨半常规束宽的强相关等功率信源,而水池实验则进一步表明算法可分辨不等功率     

一种基于波束域最大非冗余矩阵的四阶高分辨DOA估计算法

在非白噪声背景下,基于二阶统计量的高分辨方法性能较差。基于四阶累积量的高分辨方法能较好地抑制空间高斯噪声,但其运算量较大。文献[9]提出了一种基于四阶累积量的波束域MUSIC方法,降低了运算量,但其四阶累积量矩阵仍存在较多的冗余元素。为了进一步降低运算量,提出了一种波束域最大非冗余四阶累积量矩阵。仿真分析和实验结果表明,与波束域四阶累积量MUSIC方法相比,论文所提方法在保证估计性能的同时减小了运算量。     

水下多传感器基阵波束域高分辨方位估计方法及实验研究

针对水声设备的实际应用，给出了基于实测基阵阵列流形的波束域高分辨方位估计的MUSIC方法。在预形成多波束时，该方法采用适用于任意阵形的自适应波束优化技术，针对水下实际阵列设计超低旁瓣波束以抑制水面上分布的强干扰。为了减小实际阵列模型和理想阵列模型失配所带来的不利影响，在多波束设计时，利用实测阵列流形代替理想阵列流形进行设计，消声水池实验结果验证了该方法可以有效地降低系统中由于阵列模型失配所造成的波束域MUSIC方位估计方法的性能损失。     

基于信号相位匹配的相干源高分辨方位估计算法

介绍了信号相位匹配的基本原理，给出了利用该原理进行高分辨方位估计的算法，以及不同情况下算法仿真的结果。仿真结果表明这种方位估计算法具有指向性尖锐、无旁瓣的特点，特别在小角度相干源分辨方面具有独特的性能。     

矢量传感器阵列高分辨率方位估计技术研究

矢量传感器能同时共点拾取声场中的声压和三路相互正交的振速信息,获得额外的信息量,它的出现引起了国内外的关注.为了改善波束域高分辨率方法的性能,获得矢量传感器阵列对多目标的足够精度的分辨能力,在研究矢量传感器阵列目标估计基础上,首次在矢量传感器阵列处理领域将矢量阵波束形成与波束域目标估计算法结合起来,实现了高精度目标方位估计,与常规阵元域和波束域方法相比,提高了多目标估计性能,降低了输入信噪比门限,增大了阵列输出增益,减小了计算量.仿真验证了该算法的优越性.     

声矢量阵波束域宽带聚焦MUSIC算法

和阵元域处理相比，波束域处理具有计算量小，分辨信噪比门限低的优点．同时，声矢量传感器拾取了更多的声场信息，联合处理这些信息可以提高声呐的性能．把声压阵的波束域高分辨算法的思想和相干子空间方法(CSM)的思想引入到声矢量阵列信号处理，在Michael Zoltowsk提出的矢量阵的数学模型的基础上推导出了声矢量阵波束域宽带聚焦MUSIC算法，并作了计算机仿真研究，仿真的结果表明：基于矢量阵的波束域宽带聚焦MUSIC、算法无论是在分辨信噪比门限还是在角度分辨能力上都要优于声压阵波束域宽带聚焦MUSIC算法，而二者的计算量相当，和矢量阵阵元域宽带聚焦MUSIC算法相比，矢量阵波束域处理的计算量要远远小于阵元域处理。     

高精度目标方位估计新方法

高精度目标方位估计新方法黄建国，谢一清随着现代科学技术的飞速发展及精确制导设备性能的不断提高，对目标定向精度的要求也越来越高。目前常用的水下目标探测装置多为相控阵多波束系统（ＭＢＳ），它们是以输出最大的波束的主极大方向来作为目标方位的估计［２］。虽然...     

一种有效的高分辨阵列处理新算法

提出了一种高分辨阵列信号处理的新方法。该方法基于噪声在空间有限范围内相关的合理假设，采用两个子阵有效地消除了噪声的影响，使算法不需要特写的噪声假设模型。此外，该处不需要进行任何特征值分解就可快速实现高分辨波达方向估计。     

DOA高分辨估计的两种贝叶斯算法的性能比较

结合贝叶斯定理和信号处理中的谱分析理论,给出了DOA估计的地斯高分辨技术实现的实算法,并推导出算方法的计算方法,通过理论分析和计算机仿真对两种算法进一步地进行分析和比较,不仅反映了该技术的高分辨特性,而且显示实算法用于DOA估计时存在着严惩的缺陷,证明了对复算法研究的必要性,同时也体现了复算法比实算法更加有效,特别是复算法可以估计线列阵法线方向的来波,并且利用复算法估计的空间角谱关于阵列法向是不对称的,消除了实算法所估计的对称谱对真实DOA估计的影响,同时复算法具有更高的分辨率。     

高分辩DOA估计的子空间方法

首先对基阵所张成的空间、信号子空间和噪声子空间给出了定义.通过这些定义对用于高分辩DOA估计的子空间方法,阐述了一个较为系统的理论,并且应用这个理论,对几种典型的子空间方法进行了分析.指出了用子空间方法进行DOA估计的关键是:第一,如何将基阵张成的空间划分为信号子空间和噪声子空间;第二.如何利用信号子空间和(或)噪声子空间估计信号方向矢量.给出了在已知信号子空间和噪声子空间的条件下,满足方位估计唯一性的控制矢量条件,并且给出了证明.     

基于修正MUSIC算法的宽带相干源波达方向估计

提出了一种基于修正MUSIC算法的宽带相干源DOA估计方法。对每一子带的接收数据阵进行共轭重构，利用平均的阵列相关矩阵代替传统的阵列相关矩阵进行子空间方法处理，由各子带结果的综合得到信号的DOA估计。数据阵共轭重构的实质是前后向空间平滑，因此可以解相干源问题。中算法取子阵与原阵列相同，因此不会损失阵列孔径。由于空间平滑包含了平均的意义，因此新算法还可以提高对非相干源的估计性能。仿真结果验证了新方法的有效性。     

基于四阶累积量的波束域MUSIC方法

在非白噪声背景下,基于二阶统计量的高分辨方法性能较差.基于四阶累积量的高分辨方法能较好地抑制空间高斯噪声,但其运算量较大.为了解决这一矛盾,文章提出了一种基于四阶累积量的波束域MUSIC方法.仿真分析和实验结果表明,与阵元域四阶累积量MUSIC方法相比,论文所提方法降低了分辨门限,减小了估计偏差和均方根误差,同时减小了运算量.     

FD模型的误差分析及性能改进

以宽带ＦＤ（ＦｒｅｑｕｅｎｃｙＤｅｐｅｎｄｅｎｔ）模型为基础,讨论了该模型中源真实方位对方位估计性能的影响,指出源方位远离阵法线方向时,估计误差增大,分辨性能下降。通过分析空间协方差矩阵的特征结构,从数学上解释了此现象产生的原因,从而提出聚焦ＦＤ算法（ＦＦＤ：ＦｏｃｕｓｅｄＦｒｅｑｕｅｎｃｙＤｅｐｅｎｄｅｎｔ）作为改进。理论与仿真证明了聚焦的有效性。     

矢量水听器扩展孔径线阵方位估计技术

矢量水听器由声压水听器和质点振速水听器复合而成,可以同时测量声场中的声压和质点振速的正交分量,将矢量水听器布成阵列对目标方位进行估计.在不增加阵元个数的情况下,可以把阵布成稀疏阵来增加阵孔径,提高对目标方位的估计精度.按照耐奎斯特空间采样定理,阵元间距超过半波长将会带来方位估计的周期性模糊.该研究利用扩展孔径矢量线阵对目标进行方位估计,以及研究如何去掉方位估计中的周期性模糊,最终获得目标方位的高精度无模糊估计.研究结果表明,在相同的信噪比条件下,利用扩展孔径矢量线阵可获得比具有相同输出路数的声压阵更好的方位估计性能.     

Wideband Direction-of-Arrival Estimation Based on Deep Learning

The performance of traditional high-resolution direction-of-arrival (DOA) estimation methods is sensitive to the inaccurate knowledge on prior information, including the position of ar-ray elements, array gain and phase, and the mutual coupling between the array elements. Learning-based methods are data-driven and are expected to perform better than their model-based counter-parts, since they are insensitive to the array imperfections. This paper presents a learning-based method for DOA estimation of multiple wideband far-field sources. The processing procedure mainly includes two steps. First, a beamspace preprocessing structure which has the property of fre-quency invariant is applied to the array outputs to perform focusing over a wide bandwidth. In the second step, a hierarchical deep neural network is employed to achieve classification. Different from neural networks which are trained through a huge data set containing different angle combinations, our deep neural network can achieve DOA estimation of multiple sources with a small data set, since the classifiers can be trained in different small subregions. Simulation results demonstrate that the proposed method performs well both in generalization and imperfections adaptation.