基于贝叶斯压缩感知的子空间拟合离格DOA估计

针对传统的基于稀疏贝叶斯学习（Sparse Bayesian Learning,SBL）的波达方向估计算法对噪声鲁棒性不高的问题,提出了一种基于SBL的子空间拟合离格波达方向(Direction of Arrival,DOA)估计方法。首先对接收数据的协方差矩阵进行特征分解,获得信号的加权子空间,构造等价信号的稀疏表示模型并利用贝叶斯学习算法进行参数求解。同时对于网格划分带来的建模误差问题,采用了离格贝叶斯推导（Sparse Bayesian Inference,SBI）算法进行求解,利用期望最大化算法迭代更新相应的参数。仿真结果表明,相对于传统的DOA方法,该方法具有更好的估计精度。     

电离层虚高误差影响下基于神经网络的单站定位结果修正

针对电离层虚高观测误差使得超视距目标定位精度受到一定限制的问题,提出了一种电离层虚高误差影响下基于神经网络的单站定位误差校正方法。在存在电离层虚高误差的单站定位场景中,利用神经网络对多重信号分类（Multiple Signal Classification,MUSIC）算法的位置估计结果进行修正。仿真实验表明,在信噪比为0 dB的情况下,30 km的电离层虚高误差引起的定位误差能从111 km降到10 km以内。     

一种基于酉变换的均匀线阵DOA估计方法

针对利用传统多信号分类算法（Multiple Signal Classification,MUSIC）求解信号来波方向时,运算复杂且在有限快拍的情况下接收信号的协方差矩阵并非厄米特矩阵的问题,提出了基于酉变换和前后项平均的DOA(Direction of Arrival,DOA)估计算法。利用前后项平均生成协方差矩阵在欧氏距离内最小的厄米特矩阵,对生成的厄米特矩阵进行酉变换,将复数域的运算转变为实数域运算。有效地降低了算法的复杂度,提高了分辨性能,仿真实验验证了该算法的有效性。