基于低管秩张量分解的互质阵列自适应波束成形算法

互质阵列因其大阵列孔径和高自由度特性在波束成形领域受到广泛关注.为了充分利用该特性,近年来学者们提出了基于孔洞填充的算法,有效提高了互质阵列波束成形的性能.然而,这些算法存在计算量大、噪声鲁棒性弱等缺点,难以适应复杂多变的实际环境.为此,本文利用张量的多维结构在参数估计上的性能优势,提出了一种基于低管秩张量分解的互质阵列自适应波束成形算法.首先将互质阵列的多采样虚拟信号矩阵重排为张量形式,利用其低管秩特性补全缺失的互相关信息;然后从补全后的张量数据中提取信号参数,并与目标先验进行匹配,最终得到波束成形权矢量.本算法分别利用ADMM和Tucker分解提高了张量补全和分解的运算效率;所设计的目标匹配方案也有效控制了算法误差.仿真结果展示了本算法在性能和计算复杂度相对于现有方法的优势,尤其是在低信噪比和少采样数的情况下.     

基于深度展开ISTA网络的混合源定位方法

针对嵌套阵列下近场和远场混合源定位问题,本文通过构建和训练深度展开迭代收缩阈值算法（Iterative Shrinkage Thresholding Algorithm,ISTA）网络实现混合源的波达方向（direction of arrival,DOA）和距离参数估计。首先考虑到近场源协方差矩阵具有Hermitian矩阵形式,远场源协方差矩阵具有Hermitian和Toeplitz矩阵形式,通过将混合源协方差矩阵进行差分可以得到近场源差分向量,其中近场源差分向量转换到实数域,可以显著降低深度展开ISTA网络的计算复杂度。接着将不同参数下的近场源差分向量和近场源真实空间谱进行配对作为训练样本,对近场源深度展开ISTA网络进行训练,其中深度展开ISTA网络的隐藏层对应模型驱动ISTA方法的迭代步骤。然后利用估计出的近场源DOA和距离参数,通过子空间差分方法得到远场源协方差向量。最后将不同参数下的远场源协方差向量和远场源真实空间谱进行配对作为训练样本,对远场源深度展开ISTA网络进行训练,其中远场源协方差向量同样转换到实数域。在深度展开ISTA网络的训练过程中,损失函数只与重构误差和网络输...