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。     

一种低复杂度的ESPRIT新算法

该文提出了一种基于QR分解的Power-ESPRIT (以下简称QP-ESPRIT算法) 新算法。首先使用采样数据协方差矩阵的幂(Power)获得噪声子空间的估计,然后对噪声子空间进行QR分解并使用R矩阵估计信源个数,提出了无特征分解的信源个数检测算法SDWED算法。进而,信号子空间的特征向量就可以由Q矩阵确定,从而应用ESPRIT算法获得信源波达方向的估计。该算法不需要预先知道信源个数的先验知识以及分离信号与噪声特征值的门限。在确定信源个数和子空间估计的同时,本文算法与传统的基于奇异值分解算法相比,具有近似性能时却拥有较低的计算复杂度。仿真结果证明了该方法的有效性。     

基于协方差匹配SLO算法的MIMO雷达DOA估计

利用加权平滑l0范数(Smoothed l0, SL0)算法估计MIMO雷达目标DOA时,需要把协方差矩阵进行矢量化来获得相应的稀疏重构模型,并利用信号和噪声子空间的正交性来构造加权向量。然而当存在相干信源时,MIMO雷达协方差矩阵的秩将退化,这会使得稀疏重构模型的误差较大以及无法正确区分信号和噪声子空间,导致加权SL0算法的DOA估计性能恶化。针对上述问题提出了一种基于协方差匹配SL0算法的MIMO雷达DOA估计方法。该方法利用协方差匹配准则重构出一个满秩的协方差矩阵,恢复MIMO雷达协方差矩阵的Toeplitz特性,并利用协方差逆矩阵的高阶幂来近似噪声子空间从而计算加权向量。仿真分析表明,该方法能够在无需预知信源数目的情况下有效地完成对相干信号的DOA估计。     

基于Nyström的一种新颖的DOA估计算法

针对阵列信号处理领域中的超分辨子空间类算法需计算阵列输出的协方差、 协方差矩阵的特征分解及进行谱峰搜索得到波达方向(Direction of Arrival,DOA)估计,计算量较大则实际应用可能受限,提出了一种低计算复杂度的新颖的无需谱峰搜索的DOA估计算法.通过Nystr?m方法得到逼近的信号子空间,避免了直接对所...     

低复杂度相干分布源中心DOA估计方法

传统的相干分布源波达方向(DOA)估计方法一般都需要谱搜索或对高维样本协方差矩阵进行特征分解,计算复杂度较高.针对上述问题,本文利用均匀线阵提出了一种低复杂度相干分布源中心波达方向估计方法.所提方法利用了平移阵列的旋转不变性质并结合传播算子法来估计分布源的中心波达方向.相比于常规子空间方法,本方法无需任何谱峰搜索和对样本协方差矩阵进行特征分解,计算复杂度更低.方法在小角度扩展条件下的估计性能良好,其性能甚至接近于DSPE算法.而且方法与分布源角分布的具体形式无关,是一种盲的估计.仿真结果证实了方法的有效性.     

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。

     

基于子空间迭代的快速高分辨技术

本文应用子空间迭代技术于多源定向问题中，可以快速得到信号或噪声子空间，而无需对原协方差矩阵做特征分解。理论分析与计算机模拟表明：该方法性能与Ｍｕｓｉｃ相近，然而计算量却大大减小。     

快速子空间分解方法及其维数的快速估计

提出一种快速子空间分解方法.该方法只需要知道某一期望信号的训练信号就可以实现信号子空间和噪声子空间的快速估计.给出快速确定子空间维数的方法.子空间维数的估计和子空间的快速分解是同时进行的.本文方法只需要多级维纳滤波器的前向递推,不需要估计协方差矩阵和对其作特征值分解,所以运算量可以明显地降低,而估计的性能接近于常规方法.最后,仿真结果验证了方本文法的有效性.     

基于在线Music算法的DOA估计

基于模式识别领域中的CCIPCA算法,该文给出了一种低运算量的在线Music算法。它无需估计协方差矩阵和对其进行特征值分解,信号子空间的估计与快拍数据的接收是同时进行的,而且只需存储当前的快拍数据,因此大大降低了存储量及运算量的要求;并针对上述算法在小快拍情况下性能较差的缺点,利用数据复用的方法有效提高了其估计性能。最后,计算机仿真验证了该文方法的有效性。     

一种快速的特征空间自适应波束形成算法

特征空间自适应波束形成（EBAB）算法的权向量是线性约束最小方差（LCMV）波束形成器的权向量在信号干扰子空间上的投影,因此需要计算量巨大的特征分解。基于信号干扰子空间投影矩阵可利用阵列协方差矩阵进行高精度的有理近似的思想,提出一种快速计算自适应权向量的算法。理论分析和计算机仿真表明,在信号干扰子空间维数已知时,该算法的性能同EBAB算法一致,同时该算法对子空间维数过估计不敏感。     

OFDM系统中基于PM的时延估计算法

在正交频分复用(OFDM)系统的超分辨时延估计中,针对多重信号分类(MUSIC)算法的特征分解计算复杂度较高的问题,给出一种基于传播算子(PM)的时延估计算法。对OFDM系统进行信道估计,根据信道估计结果计算协方差矩阵,并利用协方差矩阵计算PM,然后根据PM构造出噪声子空间并将其标准正交化,最后利用伪谱函数进行时延估计。仿真结果和复杂度分析表明,在复杂度大幅度下降的条件下,所提算法与MUSIC性能相当,且逼近克拉美罗界。     

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。     

基于逼近噪声子空间的求根时延估计算法

多重信号分类(MUSIC)时延估计算法需要多径数估计,且其特征分解和谱峰搜索的计算复杂度较高。针对此问题,给出了一种基于逼近噪声子空间的求根时延估计算法。该算法利用协方差矩阵逆的高次幂逼近噪声子空间与其自身共轭转置的积,并构造多项式等式,以多项式求根的方式避免谱峰搜索,从而降低了计算复杂度。仿真结果表明,在无需多径数估计和复杂度低于MUSIC算法的条件下,所提算法的性能与MUSIC算法的性能相当,并且逼近克拉美罗界。     

采用降秩多级维纳滤波器的二维DOA估计快速算法

针对双平行线阵的二维波达方向(DOA)估计问题,为有效降低计算复杂度,提出了一种基于降秩多级维纳滤波器(MSWF)的快速算法。首先利用MSWF的前向递推实现信号子空间的快速估计,无需估计协方差矩阵和特征分解;然后,通过MUSIC算法对方位角和俯仰角的估计进行分维估计,使二维DOA估计退化为两个一维DOA估计问题,且方位角和俯仰角自动配对,进一步降低了运算量。仿真结果表明,该方法的估计精度优于同样基于双平行线阵提出的波达方向矩阵法(DOAM),俯仰角兼并时同样适用,计算复杂度低,适用于实时性要求高的应用背景。     

多级维纳滤波在子空间类测向算法中的应用

以MUSIC为代表的子空间类测向算法运算量很大。利用多级维纳滤波的正交分解特性,提出一种快速估计子空间的方法,避免了协方差矩阵的特征值分解,降低该算法的运算复杂度。采用多级维纳滤波的前向递推,将予空间的估计变成一系列的简单运算,提高处理速度．     

High-resolution direction finding: the missing data case

This paper considers the problem of estimating the direction-of-arrival (DOA) of one or more signals using an array of sensors, where some of the sensors fail to work before the measurement is completed. Methods for estimating the array output covariance matrix are discussed. In particular, the maximum-likelihood (ML) estimate of this covariance matrix and its asymptotic accuracy are derived and discussed. Different covariance matrix estimates are used for DOA estimation together with the MUSIC algorithm and with a covariance matching technique. In contrast to MUSIC, the covariance matching technique can utilize information on the estimation accuracy of the array covariance matrix, and it is demonstrated that this yields a significant performance gain     

Performance comparison of subspace rotation and MUSIC methods fordirection estimation

The statistical performance of subspace rotation (SR) methods (such as the Toeplitz approximation method and a variant of ESPRIT) for direction estimation using arrays composed of matched sensor doublets is studied. The distributional properties of these methods are established, and a compact explicit formula for the covariance matrix of their estimation error is provided. Next, using this formula and a similar formula for MUSIC covariance matrix, it is shown that the SR methods are statistically less efficient than MUSIC, at least for a sufficiently large number of snapshots. The difference in statistical performance between the commonly used SR method and MUSIC may be substantial if the number of sensors in the array is large. An optimally weighted SR method which may approach the MUSIC level of statistical performance for one direction parameter (specified by the user) is introduced     

A subspace method for direction of arrival estimation ofuncorrelated emitter signals

A novel eigenstructure-based method for direction estimation is presented. The method assumes that the emitter signals are uncorrelated. Ideas from subspace and covariance matching methods are combined to yield a noniterative estimation algorithm when a uniform linear array is employed. The large sample performance of the estimator is analyzed. It is shown that the asymptotic variance of the direction estimates coincides with the relevant Cramer-Rao lower bound (CRB). A compact expression for the CRB is derived for the ease when it is known that the signals are uncorrelated, and it is lower than the CRB that is usually used in the array processing literature (assuming no particular structure for the signal covariance matrix). The difference between the two CRBs can be large in difficult scenarios. This implies that in such scenarios, the proposed methods has significantly better performance than existing subspace methods such as, for example, WSF, MUSIC, and ESPRIT. Numerical examples are provided to illustrate the obtained results