基于实值分解技术的Unitary Cyclic ESPRIT算法

针对多径传播环境中的信号到来方向估计问题,提出了一种基于实值分解技术的Unitary Cyclic ESPRIT算法,通过重新构造了循环自相关矩阵的数据模型,使其具有厄尔米特特性,较好地解决了多径传播环境中信号高度相关问题,通过实值分解降低了计算量,而且具有信号选择特性.仿真实验结果证明,与Cyclic ESPRIT算法相比,该算法适应多径传播环境,具有计算量小和性能好等特点.     

宽带信号下的双基地MIMO雷达收发角估计

针对双基地多输入多输出(MIMO)雷达收发角联合估计问题,利用信号的循环平稳特性,构造宽带循环平稳信号下接收数据的循环自相关矩阵。对矩阵进行特征值分解,利用MUSIC, ESPRIT等空间谱估计算法估计出信号的收发角。宽带信号能够携带更多的信息量,利于不断增加的实际需求,而信号的循环平稳特性能够很好地抗干扰以及消除高斯噪声带来的影响。实验仿真结果表明,算法在宽带循环平稳信号下具有良好的角度估计性能。     

脉冲噪声环境下循环ESPRIT新方法

以a稳定分布作为噪声模型,研究了脉冲噪声环境下循环平稳信号的波达方向估计问题.针对在脉冲噪声环境中,基于传统二阶循环统计量的算法效果显著退化的问题,提出了分数低阶循环相关矩阵概念;并在此基础上,提出了分数低阶总体最小二乘(TLS)循环ESPRIT算法的2种形式.计算机仿真表明所提出的算法可有效地估计出脉冲噪声条件下的波达方向,其性能优于传统的基于二阶循环统计量的循环ESPRIT类算法,有潜在的应用前景.     

基于瑞利多径衰落信道的信号包络频谱感知

为提高信号采样值之间的相关性和降低噪声对感知性能的影响,该文提出基于信号包络自相关矩阵的频谱感知算法。首先对采样信号等间隔时长截取,以相邻间隔的采样值计算信号自相关性,并构造出近似自相关矩阵。其次依据矩阵次对角线元素性质构造了统计量。分别计算了该统计量的检测概率分布函数与虚警概率分布函数,分析了频谱感知算法的检测性能,算法优化了信号相关性的计算,降低了噪声对感知性能的影响。最后通过仿真验证了不同参数对检测概率和虚警概率的影响,并提出了进一步提高检测性能的措施。     

多星测控中波达方向估计传播因子虚拟ESPRIT算法

针对多星测控中涉及的阵列天线信号波达方向估计问题,给出了一种新的基于传播因子的二维波达方向估计(2D-DOA)算法--传播因子虚拟ESPRIT算法(PMV-ESPRIT).传统的虚拟ESPRIT算法需要对互相关矩阵进行特征值分解(EVD)或对数据接收矩阵进行奇异值分解(SVD),因此其运算量较大.而新算法基于传播因子方...     

一种快速实值分解Root-MUSIC方位估计算法

针对基阵输出信号的协方差矩阵具有中心-厄尔米特特性,提出了一种基于实值分解技术的Root-MUSIC算法,并给出了一种降阶快速求根方法,这种降阶算法可以降低求解多项武的次数.实值分解技术极大降低了特征分解时的计算量,可分辨多个高度相关或相干信号源.仿真实验结果证明,与传统算法相比,快速实值分解Root-MUSIC算法具有可以分辨相干信号、计算量小和性能好等优点.     

特征结构法在多目标OFDM系统信号分辨中的应用

本文分析了多径环境下 OFDM的信号特征 ,提出利用 OFDM的帧同步信息作为条件 ,应用特征结构法 (即 ESPRIT及 MUSIC算法 )和伪数据相关矩阵方法估计信号的波达方向 ,进行多目标信号分辨。理论分析和计算机仿真实验均表明了这种方法在 OFDM系统目标识别、信号分辨中是可行的     

基于数据共轭重排的修正ESPRIT信号DOA估计算法

本文介绍了将接收数据共轭重排的再利用,构造相关矩阵的修正ESPRIT算法.理论分析和仿真实验表明,该算法同经典的ESPRIT算法相比,在快拍次数有限时,可明显改善信号DOA估计的性能,且其计算量二者基本相当.     

基于实值传播算子的非圆信号DOA估计求根算法

为有效降低非圆信号DOA(direction of arrival)估计算法的计算量,本文提出一种非圆信号DOA估计快速算法,借助实值扩展传播算子和多项式求根方法来降低计算量。首先利用信号非圆特性构造出实值的扩展阵列输出矩阵及扩展协方差矩阵,然后使用扩展传播算子方法代替扩展协方差矩阵的特征分解得到噪声子空间,再利用均匀线阵的多项式求根方法获得目标的DOA估计值。对算法的性能仿真和计算复杂度分析表明,新算法的均方根误差性能与Euler-root-MUSIC、NC-root-MUSIC等快速算法相近,但其计算复杂度小于上述非圆信号DOA估计快速算法。优良的性能和较低的计算量使新算法具有良好的实用价值。      

基于两种神经网络方法分析的DOA估计算法比较

许多高分辨率波达方向估计算法如MUSIC和ESPRIT估计都是以子空间概念为基础并且需要输出相关矩阵的特征值分解,由于数量估计的特征值分解计算,因此提出的PCA和MCA是分别基于信号子空间和噪声子空间的估计算法,算法稳定、收敛,且有自组织特性。仿真实验表明两种神经网络DOA估计算法具有不同的性能。     

Unitary ESPRIT: how to obtain increased estimation accuracy with areduced computational burden

ESPRIT is a high-resolution signal parameter estimation technique based on the translational invariance structure of a sensor array. Previous ESPRIT algorithms do not use the fact that the operator representing the phase delays between the two subarrays is unitary. The authors present a simple and efficient method to constrain the estimated phase factors to the unit circle, if centro-symmetric array configurations are used. Unitary ESPRIT, the resulting closed-form algorithm, has an ESPRIT-like structure except for the fact that it is formulated in terms of real-valued computations throughout. Since the dimension of the matrices is not increased, this completely real-valued algorithm achieves a substantial reduction of the computational complexity. Furthermore, Unitary ESPRIT incorporates forward-backward averaging, leading to an improved performance compared to the standard ESPRIT algorithm, especially for correlated source signals. Like standard ESPRIT, Unitary ESPRIT offers an inexpensive possibility to reconstruct the impinging wavefronts (signal copy). These signal estimates are more accurate, since Unitary ESPRIT improves the underlying signal subspace estimates. Simulations confirm that, even for uncorrelated signals, the standard ESPRIT algorithm needs twice the number of snapshots to achieve a precision comparable to that of Unitary ESPRIT. Thus, Unitary ESPRIT provides increased estimation accuracy with a reduced computational burden     

基于降维波束空间的实值ESPRIT单基地MIMO雷达测角算法

单基地多输入多输出(MIMO)雷达的波达方向(DOA)估计问题是近年来研究的热点。高维度的MIMO雷达数据,导致传统旋转不变性参数估计技术(ESPRIT)算法需要付出较大的运算代价。在低信噪比、低快拍数的条件下,传统ESPRIT算法性能会严重下降。为了克服传统ESPRIT算法的以上缺点,该文提出一种降维波束空间的实值ESPRIT算法。该算法通过转换矩阵,将高维度MIMO雷达数据转换到低维度的数据,从而去除数据中的冗余。然后再将低维数据变换到波束空间,构造实值旋转不变性等式,用以估计目标的角度。仿真结果表明,在低信噪比和低快拍数时,相比于传统ESPRIT算法,该文所提方法具有更好的角度估计性能和更少的运算量。     

虚拟空间平滑算法

根据MASK、BPSK和AM等信号的实值特性,利用阵列接收数据及其共轭信息,构造了虚拟子阵,提出了虚拟空间平滑算法,较好地解决了信号高度相关问题.虚拟子阵具有M个阵元,避免了阵列孔径的损失,使该算法最大可分辨的相干信号数目为M-1.仿真实验证明,与前后空间平滑算法相比,该算法提高了空间分辨率,适应小样本,在一定程度上可以降低了计算量.     

一种空时分布多径信号DOA-时延联合估计的ESPRIT方法

在城市密集环境下,由于局部密集多径反射信号不再符合点目标模型,传统多径参数(波达方向与相对时延)联合估计算法往往失效。针对此类问题本文考虑一种基于空时相干分布的多径模型,并在得到信道估计后将其转化至频率域去卷积获得空时联合信号子空间,由于多径扩展影响该信号子空间不再具有旋转不变结构,本文通过在联合信号子空间中抽取行向量构造不同的矩阵对,使各矩阵对在相位上满足旋转不变性质,然后,利用ESPRIT算法估计中心时延与中心DOA参数。与点目标ESPRIT方法相比该方法能够有效克服多径扩展影响,实现参数自动配对,且具有不敏感于多径分布形式的优点,仿真实验证明了其有效性。     

基于旋转不变技术实现多用户交织OFDM频偏估计

本文提出一种针对多用户交织OFDM载频偏移估计的算法。首先介绍上行链路中交织OFDM的信号结构,利用其周期性质,形成特定的数据矩阵,利用旋转不变技术(ESPRIT)实现载频偏移估计。这种估计方法不需要利用任何训练序列或导频信号,进一步提高了系统频带利用率,降低了计算复杂度。仿真表明,该估计算法在信噪比大于零的情况下也能获得较好的频偏估计。     

用均匀中心对称阵二维西ESPRIT方法实现闭环形式二维角估计

本文提出了适用于一类均匀中心对称阵的二维西ESPRIT方法,它是一种闭环形式的高分辨算法,对信号源方位角和仰角估计实现自动配对.在算法最后阶段构造一个矩阵,其第I个特征值的实部和虚部分别与第I个信号源相对X轴和Y轴的方向余波一一对应.该算法除了初始变换和最后矩阵特征分解外,整个过程都采用高效的实值计算.并推广应用于DFT波束空间,可在较小的空间维数上处理,从而减小计算复杂性.最后对算法做了一阶近似渐进性能分析.仿真结果说明了算法是有效的.     

基于最小冗余线阵的共轭循环ESPRIT算法

本文提出了一种基于最小冗余线阵的共轭循环ESPRIT算法。理论分析和计算机仿真实验均表明:该算法具有良好的DOA估计性能,增大了阵列孔径,抗噪能力强,分辨率高,可以用较少的阵元估计更多的信号源方向。计算机仿真实验验证了算法的有效性,并比较了该算法与共轭循环ESPRIT算法的DOA估计性能。     

恒模特性在DOA中的新应用及其克拉美-罗界研究

研究了恒模特性和DOA估计之间的联系，基于最小二乘恒模和权向量多项式求根提出一种简单有效的LSCM-DOA估计新算法，同时为分析此DOA估计算法的性能，详细推导了恒模信号在任意阵型下的克拉美-罗界。理论分析和实际仿真证明该算法几乎达到其克拉美-罗界，而且性能相对于未应用恒模特性的MUSIC和ESPRIT等算法较优越，尤其在小快拍数和低信噪比情况下取得了良好的效果，并且因为未进行谱峰搜索而将计算复杂度控制在较低范围内。另外，该方法还解决了强信号源未移除时对弱信号源的DOA估计问题。计算机仿真证明了算法理论是正确有效的。     

The forward-backward averaging technique applied to TLS-ESPRITprocessing

Certain array geometries greatly simplify and enhance high resolution array processing. Two techniques are used-the ESPRIT algorithm, which employs two shifted but otherwise identical subarrays, and forward-backward averaging, which can be applied to axis-symmetrical arrays. The former has been shown to provide an efficient solution to bearing estimation while the latter incorporates the a priori knowledge about the symmetry, effectively increasing the number of data vectors available and decorrelating coherent or highly correlated signals. A combination of the two techniques implies a special array geometry that includes uniformly spaced linear arrays. The resulting algorithm yields parameter estimates that are constrained on the unit circle, satisfying the postulated data model provided merely that the arguments of these estimates are distinct. However, if the arguments of some parameter estimates coincide in a given scenario, the ESPRIT algorithm does not yield different results for distinct signals and these estimates can be rejected. Perhaps the most significant advantage of combining forward-backward averaging with ESPRIT parameter estimation is the substantial reduction in computational complexity that can be achieved. Based on the centro-Hermitian property of the data and noise covariance matrices, the computational complexity of the ESPRIT solution is reduced almost by a factor of four and the algorithm can be formulated entirely over the field of real numbers