一种新的二维快速波达方向估计方法——虚拟累量域波达方向矩阵法

本文利用3个具有特别位移特性的任意子阵元阵列和累量,构造出了虚拟累量域波达方向矩阵.利用虚拟累量域波达方向矩阵的特征值的幅值和相位信息,就可以求出信号源的方位角和俯仰角.因为子阵列结构是任意的,因此选择适当的子阵列就获得很好的估计效果.而由于采用了累量,因此新方法对高斯噪声不敏感.     

基于高阶循环平稳特性的二维波达方向估计算法

本文提出了一种利用虚拟双线性平行阵的循环累量域二维波达方向 （ＤＯＡ）估计算法。该算法构造了一个虚拟ＤＯＡ循环矩阵（ＶＤＯＡ Ｃｙｃｌｉｃ　Ｍａｔｒｉｘ）,井基于此矩阵进行ＤＯＡ估计。理论分析表明,通过对虚拟ＤＯＡ循环矩阵的特征值分解,就可以得到源信号的二维ＤＯＡ估计。同时由于循环累量对高斯噪声的自然盲性和对信号的选择性,该算法具有循环域和累量域ＤＯＡ估计算法的良好性能。该算法的另一特点是可以提供虚拟扩展孔径,提高了ＤＯＡ估计的性能．     

累量域波达方向估计的稳健性

本文提出了一种用于等距线阵的四阶累量域波达方向（ＤＯＡ）估计算法，并着重研究了算法的稳健性（Ｒｏｂｕｓｔｎｅｓｓ）．该算法利用了空间累量阵中的所有非冗余累量元素，并将相位相同的累量元素做平滑处理，Ｔｏｅｐｌｉｔｚ化后形成新的虚拟协方差矩阵，方向估计基于此阵．分析表明，该算法对阵列误差有较强的容差性，加之累量对高斯噪声的自然盲性，因而算法具有稳健性．该算法的另一个特点是可以提供虚拟扩展孔径（扩展近两倍），从而提高了算法的估计性能和分辨能力．仿真实验验证了分析结果，表明了算法良好的性能．     

基于空间特征的多用户循环累量域波达方向估计算法

本文提出了一种基于空间特征的多用户相干源ＤＯＡ估计算法。该算法构造了循环累量域窨特征矩阵,通过对空间特征矩阵的特征分解估计多用户信号的空间特征,并利用前后向平滑空间特征协方差矩我用户信号的ＤＯＡ。理论分析表明：该算法能估计共信道多用户相干信号的ＤＯＡ,并自动分组。它的另一个特点是具有ＤＯＡ估计的选择性。     

基于DOA矩阵法的矢量传感器阵列二维波达方向估计

DOA矩阵法是一种二维波达方向估计方法,该方法具有分辩率较高、计算量较少的特点。该文将DOA矩阵法扩展至矢量传感器阵列的波达方向估计,推导出相应的计算公式,分析了算法计算复杂度。算法分析表明,相对于ESPRIT算法,DOA矩阵法计算复杂度大大降低。Monte Carlo仿真结果表明,与ESPRIT算法相比,DOA矩阵法估计的均方根偏差和均方根标准方差相对大一些,所需的最低快拍数也增加。     

基于MIMO雷达虚拟阵列的二维波达方向估计算法

基于L型配置MIMO雷达系统,提出了一种利用MIMO雷达单次回波的二维波达方向估计新算法。该算法通过单次回波信号形成的虚拟阵列数据来构造两个具有特定关系的矩阵,再用这两个矩阵构造一个波达方向矩阵,根据该矩阵的特征值和特征向量之间的关系,导出了目标方位角和高低角的闭式解。该算法不涉及二维谱峰搜索,计算量小,且不存在参数的配对问题;此外,当发射阵元数大于2时,其估计的最大目标数可大于或等于接收阵元数。计算机仿真结果证明了该算法的正确性和可行性。     

基于累量的方向估计与阵列校正

本文提出了一种基于最大非冗余四阶累量集合的方向估计阵列校正方法，该方法利用了四阶累量阵的所有非冗余信息，并具有对加性高斯噪声不敏感，比传统协方差方法有较强的分辩性能和容差性能的特点。     

一种快速的二维高分辨波达方向估计方法混合波达方向矩阵法

本文利用两个具有位移特性的二维传感器子阵列信息构成一种新的矩阵混合波达方向矩阵。混合波达方向矩阵的特征值和特征矢量分别为信号源方位角与高低角的混合方向元素和方位角与高低角的混合方向矢量。合理选择子阵列构造可以解决兼并信号源分辨问题和降低阵列孔径损失。     

一种快速的二维高分辨波达方向估计方法——混合波达方向矩阵法

本文利用两个具有位移特性的二维传感器子阵列信息构成一种新的矩阵－混合波达方向矩阵。混合波达方向矩阵的特征值和特征矢量分别为信号源方位角与高低角的混合方向元素和方位角与高低角的混合方向矢量。合理选择子阵列构造可以解决兼并信号源分辨问题和降低阵列孔径损失。     

利用矩阵滤波技术估计信号二维波达方向

现有的基于子空间的波达方向估计算法都要求不相关信号源的数目小于阵元数目,但当信号源数目很多时,算法失效.为此,提出了一种具有过载估计能力的二维波达方向估计方法,先利用矩阵滤波技术接收数据进行预处理,使信号子空间限定在一个较小的区域内,把区域外的信号抑制掉,从而减小了有效的信号源数目,然后可以采用现有算法进一步估计二维波达方向.矩阵滤波器的设计过程也可以归结为一个最小二乘问题,效率很高.计算机仿真验证了算法的有效性.     

不同阵列流形下的二维DOA估计性能

研究了几种不同二维阵列流形,通过一个统一的模型,仿真分析了简单的二维阵列、均匀方阵、均匀圆阵、随机方阵和半圆阵的到达方向（DOA）估计性能。从仿真结果可以得出,均匀方阵的DOA估计性能较好,均匀圆阵相位易于控制,半圆阵与圆阵的DOA估计性能差别很小,但是半圆阵减少了大量的阵元数。     

采用Radon-Wigner变换的二维波达方向估计

针对宽带多线性调频信号2维波达方向(2-D DOA)估计精度低的问题,该文提出了一种基于Radon-Wigner变换(RWT)的2-D DOA估计方法。该方法利用RWT在多目标环境下能够有效抑制交叉项干扰和噪声,具有很好的时频汇聚性特点,通过峰值搜索确定目标个数并重构信号阵列,最后利用MUSIC空间谱分析方法实现了对多个LFM信号的2-D DOA估计。仿真实验表明,基于RWT的DOA估计方法能对非平稳信号进行有效的2-D DOA估计。     

一种可自动配对的二维波达方向估计算法

针对非相关远场窄带信号,提出了一种基于L阵模型的低复杂度高分辨二维波达方向估计算法。该方法通过利用互相关矩阵以及L阵的几何结构,消除了附加噪声的影响,且对于方位角和俯仰角的求取仅仅需要一维估计,同时该算法只需对一个低维矩阵进行特征值分解,减少了运算负担,该算法利用特征值求取俯仰角,利用相应的特征向量构造出的虚拟阵列响应矩阵求取与俯仰角配对的方位角。仿真进一步证明了算法的有效性,通过仿真还可以看出,该文所提方法在低信噪比、小快拍数和较小角度间距的情况下都具有良好的性能。     

互质阵中基于降维求根的波达角估计算法

该文提出互质阵中基于降维求根的波达角(DOA)估计算法。互质阵包含两个稀疏均匀线性子阵,拥有互质的阵元间距和阵元数目。该算法基于子阵间的互协方差,利用较长子阵中的旋转不变性扩展较短子阵的虚拟孔径。然后通过矩阵分块构造噪声子空间,并将来自两个子阵的2维参数估计问题降维为1维求根问题,获得自动配对的2维模糊参数估计。最后由这2维模糊参数可恢复出两组参数,根据互质性从两组参数估计的交集中可以获得无模糊的高分辨率DOA估计。相比互质阵中的联合多重信号分类(MUSIC)算法和联合旋转不变技术(ESPRIT)算法,该算法无需特征分解,复杂度低,但可获得更精确的DOA估计,处理更多的信源,并且对色噪声有更强的鲁棒性。多个仿真结果均验证了所提算法的有效性。     

适用于二维阵列的无格稀疏波达方向估计算法

针对现有的适用于2维阵列的无格稀疏波达方向(DOA)估计方法性能不足的问题,该文提出一种新的方法。对2维阵列,从原子L0范数出发,证明其值等于一个以矩阵秩为目标函数的半定规划(SDP)问题的最优解。对该矩阵使用第1类有限阶贝塞尔函数近似表达,构造新的秩优化SDP问题。根据低秩矩阵恢复理论,对该SDP问题的目标函数使用log-det函数方法平滑替代,然后使用优化最小(MM)算法求解,最后通过(半)正定Toeplitz矩阵的范德蒙分解方法实现无格DOA估计。在MM算法求解模型时,使用样本协方差矩阵构造初始优化问题,减少算法迭代。仿真实验结果表明,相较于基于网格的MUSIC和其他无格DOA估计方法,该文方法具有更好的均方根误差(RMSE)性能与对相邻源的分辨能力;在快拍数充足且信噪比(SNR)较高时,适当的第1类贝塞尔函数阶数选择可以实现与较大阶数接近的RMSE性能,同时能减少运行时间。

     

基于Toeplitz协方差矩阵重构的互质阵列DOA估计方法

针对基于互质阵列的欠定DOA估计方法对于虚拟阵元非连续部分利用率不高的问题,该文提出一种基于Toeplitz协方差矩阵重构的DOA估计方法。首先,从互质阵列差联合阵的角度分析虚拟阵元分布特性,结合其与协方差矩阵中各元素得到的波程差存在对应关系,将协方差矩阵进行扩展得到一个数据缺失的高维协方差矩阵;然后,根据矩阵填充理论,用迹范数代替秩范数进行松弛,对缺失元素进行填充;最后,利用现有root-MUSIC方法进行DOA估计。理论分析和仿真结果表明,该方法提升了虚拟阵元的利用率,从而增加了虚拟孔径和可估计信号数,同时无需对角度域进行离散化处理,有效消除了模型失配的影响,并且避免了正则化参数选取问题,提高了估计精度和分辨率。     

非均匀噪声条件下的互质阵列欠定DOA估计方法

针对基于互质阵列的欠定DOA估计方法在非均匀噪声条件下性能下降的问题,该文提出一种基于协方差矩阵重构和矩阵填充的鲁棒DOA估计方法。首先,将接收数据协方差矩阵分解,得到包含非均匀噪声项的对角阵;然后,选取对角线元素中的最小值,替换其余对角线元素,进而得到重构后的数据协方差矩阵;最后,对重构后的协方差矩阵进行扩展和矩阵填充,结合子空间方法进行DOA估计。理论分析和仿真结果表明,相对于现有方法,该文方法有效地抑制了非均匀噪声的影响,有更好的DOA估计性能。