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。     

信源数估计算法性能比较

经典MUSIC算法的性能直接依赖于信号源数目的估计,过估计和欠估计对MUSIC算法的DOA估计都有影响,尤其欠估计影响更大。基于所设计的均匀圆阵列,分别在高斯白噪声及色噪声情况下,对AIC准则、MDL准则和NMGDE法等信源数估计方法进行了性能比较。仿真结果表明,在白噪声环境下,在一定信噪比及快拍数下,MDL和NMGDE法均有很好地检测概率;而在色噪声环境下,AIC及MDL准则都失效,而NMGDE法却仍有较高地检测概率。     

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.     

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。     

基于快速运动目标定位的改进MUSIC算法

针对MUSIC算法对接收信号信噪比要求高,同时在目标源方位快速变化的情况下稳定性差的问题,提出一种基于宽带导向的MUSIC自适应波束形成方法 STMU(Steered MUSIC)。该方法首先构造时延后的频域协方差矩阵,利用特征分解方法求取具有正交性的噪声子空间,利用噪声子空间自身的正交特性获得来波方向波束,从而进行波达方向的估计。从系统测试运行的数据结果可以看出,MUSIC算法能够被STMU方法优化,在低信噪比环境下,针对宽带信号有明显的分辨率提升作用;当目标源方位快速变化的时候,MUSIC信号处理方法明显弱于STMU的信号处理方法,尤其体现在方位分辨率与信号检测方面。     

基于MUSIC及其改进算法的空间信号到达方向估计方法研究

本文首先介绍了多重信号分类(MUSIC)算法的原理和步骤,给出了不同快拍数和不同信噪比条件下基于MUSIC算法的空间信号到达方向(DOA)估计的仿真和分析,提出了DOA估计系统在工程设计中需要注意的问题和解决办法。随后,针对实际工程中复杂电磁环境下的信号源相干问题,研究了一种基于空间平滑的改进MUSIC算法的原理和步骤,并对传统MUSIC算法与改进MUSIC算法对相干信源的DOA估计性能进行了仿真对比和分析。仿真结果表明,与传统MUSIC算法相比,基于空间平滑改进的MUSIC算法能有效改善对相干信号源的测量性能,得到正确的DOA估计结果。     

认知无线电中OFDM信号信噪比盲估计

针对认知正交频分复用(OFDM,orthogonal frequency division multiplexing)系统中低信噪比多径信道下传统的OFDM信号信噪比盲估计算法的估计性能差,计算复杂度高的问题,提出一种新的OFDM信号信噪比盲估计方法,该方法首先利用自相关函数的特性粗略估计出信道阶数,确定循环前缀部分中不受符号间干扰的数据区间,然后根据选定区间的数据的自相关函数值估计接收信号的信号功率,最后利用循环前缀数据为部分有用数据的复制这一特性估计出噪声功率,从而估计出接收信号的信噪比。仿真实验结果表明,提出的方法无需任何先验信息,在低信噪比多径信道下具有良好的估计性能,且计算复杂度低,更适合于认知OFDM系统。     

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。     

基于二元矢量阵的相干源分辨性能研究

相干源的存在使矢量阵的高分辨方位估计性能严重恶化。分析了单矢量传感器的阵列流型,结合空间平滑算法的应用条件,给出了基于二元矢量阵的最小方差无失真响应(MVDR)和多重信号分类(MUSIC)解相干算法,研究了算法的性能。理论分析和仿真实验证明该算法可实现对相干源的到达方向(DOA)估计,在相同信噪比条件下,相较于MVDR算法、MUSIC算法具有更好的方位分辨力,受到相干源之间方位夹角的影响更小,而且对相干源之间的强度差异不敏感。     

AOA估计中的MUSIC算法

随着阵列信号处理技术的不断发展,到达角估计(Angle Of Arrival)的研究在移动通信系统中具有重要意义。通过分析经典MUSIC算法,针对其搜索空间较大,受噪声影响较大的因素,提出改进的根值MUSIC算法。对影响MUSIC算法性能的信噪比、采样数、阵元数、入射角度等因素以及根值MUSIC算法进行仿真,仿真结果表明改进的根值MUSIC算法是有效的。     

一种基于经验模态分解的信噪比盲估计新算法

为了增强未知样式信号的信噪比估计性能,提出了一种基于经验模态分解（EMD） 的信号信噪比估计新算法,通过固有模态函数（IMF）分量平均周期判断信号与噪声界限。 给出了经验模态分解估计法的工作原理和流程图,分析了经验模态分解估计法的性能。仿真 结果表明,与信号空间分解法一样,经验模态分解估计法能够实现盲信号信噪比估计,后者 估计均方误差比前者要小,在0 dB信噪比下均方误差不超过0.3 dB。     

Switching Equalization Algorithm Based on a New SNR Estimation Method

It is well-known that turbo equalization with the max-log-map （MLM） rather than the log-map （LM） algorithm is insensitive to signal to noise ratio （SNR） mismatch. As our first contribution, an improved MLM algorithm called scaled max-log-map （SMLM） algorithm is presented. Simulation results show that the SMLM scheme can dramatically outperform the MLM without sacrificing the robustness against SNR mismatch. Unfortunately, its performance is still inferior to that of the LM algorithm with exact SNR knowledge over the class of high-loss channels. As our second contribution, a switching turbo equalization scheme, which switches between the SMLM and LM schemes, is proposed to practically close the performance gap. It is based on a novel way to estimate the SNR from the reliability values of the extrinsic information of the SMLM algorithm.     

一种改进的基于奇异值分解的信源数目估计算法

信源数目估计问题在盲源分离中具有重要的意义。研究了传感器数目大于信源数目时的源数估计问题。首先分析了用奇异值分解法进行信源数目估计的优势与不足,然后提出了一种改进的基于奇异值分解的信源数目估计算法。该算法首先对含噪混合信号进行奇异值分解,然后检测信号分量与噪声分量之间的转折点,将信号分量与噪声分量区分开来,从而得到信号源的数目。实验仿真表明,该算法在低信噪比以及采样点数较少时仍然具有好的性能。     

一种基于能量跳跃的脉冲超宽带TOA估计

基于到达时间估计(TOA)的脉冲超宽带(IR-UWB)测距理论上可达到厘米级的精度.当无法估计接收信噪比时,基于门限的TOA估计精度受到门限设置的限制.本文提出了一种基于能量跳跃函数(FEE)的最大能量跳跃(MEL)TOA估计算法.该算法将最大径之前一段时间内FEL取值最大的时刻作为TOA的估计,估计过程中不需要设置门限.本文通过仿真分别在CMl和CM2信道模型中比较了MEL和几种常用算法的绝对平均误差(MAE).仿真结果表明,在多径信道环境尤其是非视距(NLOS)环境中,MEL算法的估计精度比门限比较(TC)算法和最大值回推(MES-SB)算法有较大的提高,而且接收信噪比越高MEL算法的优势越明显,在信噪比高于12dB时估计精度提高约3至4纳秒.     

基于整体经验模态分解的信噪比估计方法

为了提高未知样式信号的信噪比估计性能,提出一种基于噪声辅助的信噪比估计新算法,通过固有模态函数（IMF）分量平均周期的变化判断信号与噪声界限,给出了基于噪声辅助估计法的工作原理和流程图,分析了基于噪声辅助估计法的性能。仿真结果表明,基于噪声辅助估计法能够实现盲信号信噪比估计,在0 dB信噪比下均方误差不超过0.2 dB。     

加权系数平均法改进的小波域LMMSE信道估计算法

针对传统LMMSE算法需要知道信道特性的问题,提出了一种加权系数平均法改进的小波域LMMSE信道估计算法.运用离散小波变换对LS初始估计和预滤波处理后的信号实行阈值量化去噪处理,然后结合时域信道能量分布的稀疏性特征,利用加权系数平均法求出各子载波的频域响应,从而克服了传统LMMSE算法需要预先知晓信道统计特性的缺陷.对算法的BER和MSE性能进行实验仿真,结果表明:文中所提改进算法的信道估计整体性能显然会更优于LS、SVD-LMMSE以及加权平均改进后的LMMSE算法.另外,在信噪比较低且信道统计特性未可知的状况下,文中算法要优于传统的LMMSE算法,并能够较好地降低噪声的影响,有效提升信道估计的精确度.     

The Data-Reusing MCC-Based Algorithm and Its Performance Analysis

Maximum correntropy criterion (MCC) provides a robust optimality criterion for non-Gaussian sig-nal processing. In this paper, the weight update equation of the conventional MCC-based adaptive filtering algorithm is modified by reusing the past K input vectors, forming a class of data-reusing MCC-based algorithm, called DR-MCC algorithm. Comparing with the conventional MCC-based algorithm, the DR-MCC algorithm provides a much better convergence performance when the input data is correlated. The mean-square stability bound of the DR-MCC algorithm has been studied theoretically. For both Gaussian noise case and non-Gaussian noise case, the ex-pressions for the steady-state Excess mean square error (EMSE) of DR-MCC algorithm have been derived. The re-lationship between the data-reusing order and the steady-state EMSEs is also analyzed. Simulation results are in agreement with the theoretical analysis.     

噪声功率不确定性区间估计和降低SNR WALL恶化的能量检测算法

能量检测是认知无线电系统中广泛采用的空闲频谱检测方案,但其性能受到噪声功率不确定性(NPU)的严重影响。该文提出一种新颖的复杂度较低的NPU区间估计算法,并且从理论上分析了估计的噪声功率对能量检测信噪比墙(SNR WALL)恶化的影响,得出了SNR WALL恶化性定理。进一步基于门限修正提出一种改进的能量检测算法以消除SNR WALL恶化。仿真结果表明,该算法能较为精确地估计NPU区间,并且验证了SNR WALL恶化性定理的正确性;同时,改进的能量检测算法性能要优于稳健的统计方案(RSA)能量检测的结果,并且改进后降低了SNR WALL恶化,提高了检测的鲁棒性。     

基于信噪比门限判断和小波变换的SAR干涉图滤波法

该文首先研究了一种基于离散小波变换(DWT)的干涉图滤波算法,对该算法的噪声模型和处理流程进行了详细的分析,并在其基础上做了基于静态小波变换(SWT)的改进。接着利用实测数据对这两种方法做了实验,通过对实验结果的分析,提出了一种高噪声环境下,在保证残点数降低率的同时,还能提高干涉条纹质量的滤波方法。在此滤波方法的基础上, 进一步提出了基于信噪比门限判断的干涉图两级处理滤波法,并对其处理流程做了详细的讨论。利用实测数据对该方法进行了仿真,实验结果验证了该方法的有效性。     

一种三阶多项式相位信号去噪的字典学习算法

在加性高斯白噪声的影响下,对于三阶多项式相位信号(CPS),经典的字典学习算法,如K-means Singular Value Decomposition(K-SVD), 递归最小二乘字典学习算法(RLS-DLA)和K-means Singular Value Decomposition Denoising (K-SVDD)得到的学习字典,通过稀疏分解,不能有效去除信号的噪声。为此,该文提出了针对CPS去噪的字典学习算法。该算法首先利用RLS-DLA对的字典进行学习;其次采用非线性最小二乘(NLLS)法修改了该算法对字典更新的部分;最后对训练后的字典通过对信号的稀疏表示得到重构信号。对比其它的字典学习算法,该算法的信噪比(SNR)值明显高于其它算法,而均方误差(MSE)显著低于其它算法,具有明显的降噪效果。实验结果表明,采用该算法得到的字典通过稀疏分解,信号的平均信噪比比K-SVD, RLS-DLS和K-SVDD高出9.55 dB, 13.94 dB和9.76 dB。