空间非平稳噪声下圆阵的DOA估计

提出了空间非平稳噪声环境下基于圆阵的DOA估计算法.针对噪声为空间非平稳的情况,通过有效估计的加性色噪声相关矩阵对阵列数据相关矩阵进行预白化处理,克服了空间非平稳噪声对空间谱估计的影响误差,进而实现了非平稳噪声环境下圆阵DOA的精确估计,计算机仿真结果证实了该算法的正确性和有效性.     

空间非平稳噪声下的宽带DOA估计算法

投影子空间正交性测试(TOPS)法是利用子空间的正交性实现宽带信号DOA估计,而在空间非平稳噪声环境下子空间的正交性条件不再满足,尤其是在低信噪比或低快拍条件下子空间估计将出现较大误差,TOPS算法性能将急剧下降。针对该问题,提出了一种空间非平稳噪声下宽带DOA估计算法。该算法首先通过构造特殊对角矩阵将噪声从数据协方差矩阵中剔除,从而克服非平稳噪声对DOA估计的影响;然后利用平方TOPS法实现宽带信号DOA估计,消除了传统TOPS算法中的伪峰。该算法适用于空间非平稳噪声背景及低信噪比环境,提高了对角度相近目标的分辨性能;仿真实验表明了该算法的有效性。     

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。     

基于互相关抽样分解的分布式非圆信号DOA快速估计

在非相干分布式非圆信号波达方向(DOA)估计中,针对利用信号非圆特性后输出矩阵维数扩展带来的较大运算量问题,该文提出一种基于互相关抽样分解的DOA快速估计算法。该算法仅需要从子阵间的扩展互相关矩阵中抽样出少量行元素和列元素,构成两个低维子矩阵,进而通过低秩近似分解便可快速地同时求出左右奇异矢量,即分别对应两个子阵的信号子空间,避免了计算整个互相关矩阵及其奇异值分解运算;最后利用两个子阵信号子空间的旋转不变性通过最小二乘得到DOA估计。仿真分析表明,当行列抽样数大于信源数的两倍时,所提算法与直接基于互相关矩阵奇异值分解的非相干分布式非圆信号DOA估计算法性能相近,但复杂度得到了大幅度降低;而相比于传统的低复杂度非相干分布源DOA估计算法,所提算法利用信号非圆特性具有更高的估计性能。     

频域交织子空间法估计DS信号TDOA

频域超分辨率算法用于通信信号到达时间(差)(TOA/TDOA)测量时遇到2个问题:一是噪声采样呈现非白和非平稳特性;二是带限通信信号频域采样点数少,可以利用的信息量有限。针对这2个问题,提出了适合直扩信号到达时间(差)估计的频域交织子空间法,并证明交织之后得到相关矩阵的特征结构更适合于子空间法;推导出算法的可行性,最后给出仿真结果。     

一种DOA估计的T差分平滑快速算法

针对未知非平稳噪声背景下相干信源的波达方向估计问题,提出了一种T差分平滑快速(TDSF)算法,算法根据非平稳噪声对角占优的特性,通过构造一个T矩阵,对协方差矩阵进行T变差分平滑运算,可同时分辨相干和非相干信源.算法采用幂迭代法直接获得噪声子空间,无需特征值分解,运算量较小,可有效地消除非平稳复噪声的影响,且不存在伪峰问题,适用于广泛的未知非平稳噪声和低信噪比环境.计算机仿真实验证实了算法的有效性.     

采样数据重构的修正一维噪声子空间算法

阐述了一维噪声子空间算法的基本原理,介绍了将接收数据重构再利用,构造相关矩阵的修正一维噪声子空间算法,在快拍次数有限时,可以明显改善相干信号DOA估计的性能,计算机仿真结果证明该修正算法是有效的。     

空间非平稳噪声环境下阵列通道幅相误差自校正算法

本文针对空间非平稳噪声环境下的阵列通道幅相误差问题提出一种自校正算法.该算法可以有效估计噪声相关矩阵,同时对通道幅相偏差和信源DOA作初步估计;进而在此基础上进行迭代过程,进一步校正通道幅相偏差的同时得到更精确的DOA估计值.理论分析和仿真结果均表明该算法的有效性.     

基于信号子空间的广义回归神经网络频率估计

对淹没在噪声中的载波信号的频率估计可以通过对信号协相关矩阵求取特征向量,分离出信号子空间和噪声子空间,并可基于信号子空间找到与之线性相关,或者基于噪声子空间找到与之正交的载波信号。但要使这两个子空间的矢量函数在某个频率点上得到波峰,仅仅利用噪声子空间的算法,如MUSIC往往需要对一段较大频率范围的频域进行细致搜索,既耗费了大量的时间又会因为搜索步长的选取而造成对识别精度的影响。本文提出一种基于信号子空间的广义回归神经网络频率估计算法,利用广义回归神经网络其极强的非线型拟合和并行计算特性在信号子空间矢量与频率点之间建立良好的非线型映射关系,以达不失估计精度而又提高估计速度的目的。     

非协作通信中的盲信噪比估计算法

为解决调制识别前端的信噪比估计问题,首先给出了一种新的基于子空间分解的盲信噪比估计算法,新算法通过利用信号的过采样率信息构造特定维数的自相关矩阵,避免了原算法中对信号和噪声空间维数的估计.同时为了降低算法计算复杂度,以及更好地跟踪信噪比的变化,给出了另一种基于PASTd的子空间跟踪算法来进行信噪比的跟踪估计.仿真结果表明,与经典的子空间分解算法相比,改进算法在性能上有着显著的优势;同时基于PASTd的信噪比估计算法相比基于子空间分解的估计算法更好地跟踪了信噪比的时变.