基于最大期望算法的多时变信号DOA估计方法

当多个辐射源同时存在并交替发射信号时,接收数据间相互交错,且多个数据间并无显性关联,无源合成阵列每一次测量仅能获取来波的频率、幅度与相位等数据信息。为了同时、高效地实现多个参数的联合估计,提出采用最大期望算法进行估计多个时变信号参数估计的新方案,将一个高维多参数优化问题分解成多个并行的低维问题进行求解。该方法主要包含求解期望值步骤和期望值最大化两个步骤。求解期望值步骤主要建立接收信号与其辐射源的对应关系,即信号分选,而期望值最大化步骤采用最大似然方法估计辐射源的入射角信息。这两个步骤相互迭代,交替进行辐射源信号的分选与测向。同时,还推导出无源合成圆阵相位差数据的最大似然方法进行入射角的精确估计的闭合形式解,并通过接收信号的复数响应进行相位模糊解算,并推导出测向精度的理论下限。最后,通过数值仿真结果验证了该方法的有效性。     

一种频域自适应最大似然时延估计算法

提出了一种基于平方相干函数的频域自适应最大似然时延估计算法。该算法构造了一种广义相位数据最大似然加权函数,并通过自适应估计输入信号的平方相干函数加以实现。算法的性能分析和仿真实验表明,该算法有更好的时延估计精度、收敛速度和跟踪性能,能够有效提高低信噪比环境下的低空目标被动声探测的时延估计性能。     

一种用于CDMA系统的快速信道估计方法

信道估计是CDMA系统中的关键技术 ,涉及到对用户信号传播信道的幅度、相位和延时的估计。提出了对一个进入CDMA系统的新用户进行快速最大似然多径信道参数估计的方法。实验结果对比表明 ,本方法捕获性能好 ,且捕获的速度更快     

基于最大似然估计的PCM-FM信号软件解调方法

利用软件实现信号处理已经成为未来信号处理的发展趋势.针对传统P M-FM信号在低信噪比下难以实现有效解调的问题,结合PCM-FM信号前后符号之间存在相位记忆性的特征,提出了基于最大似然估计的软件解调方法.描述了最大似然估计模型的建立和维特比搜索路径的实现;同时结合软件中数据块式的传输模式和维特比路径搜索的特点,研究了一种基于数据冗余的软件解调实现方式,充分利用了计算机系统并行处理性能,提高了算法的运行效率;并以算法误码率为指标,比较了软件似然估计算法与传统鉴频解调的性能,结果表明在误码率10-2处时算法能够得到约3dB的解调增益.     

MIMO雷达最大似然波达方向估计方法

根据MIMO雷达的工作原理和回波模型,在传统最大似然算法的基础上,提出了MIMO雷达波达方向估计的最大似然方法。通过理论分析,给出了波达方向估计的一致性证明和估计方差的计算公式。理论分析表明,MIMO雷达的最大似然估计方差比传统的相控阵雷达要小,估计性能优于传统相控阵雷达。最后通过蒙特·卡罗实验对不同信噪比、快拍数和接收阵元数等情况下波达方向估计的方差进行了仿真,证实了理论分析的正确性。     

基于蚁群算法的最大似然方位估计快速算法

针对最大似然(maximum likelihood, ML)方位估计方法多维非线性搜索计算量大的问题,将连续空间蚁群算法与最大似然算法相结合,提出基于蚁群算法的最大似然 (ant colony optimization based maximum likelihood, ACOML) 估计新方法。该方法将传统蚁群算法中的信息量留存过程拓展为连续空间的信息量高斯核概率密度函数,得到最大似然方位估计的非线性全局最优解。仿真结果表明,ACOML方法保持了原最大似然方位估计方法算法的优良估计性能,而计算量只是最大似然方法的1/15。     

基于最大似然的同频混合信号联合定时估计算法

针对同频干扰下的混合信号时延估计问题进行研究,提出了一种基于最大似然准则的联合定时估计算法。该算法在推导似然函数的基础上,采用分级搜索方法估计信号时延,能同时实现干扰信号与有用信号的联合定时。相比传统的单信号时延估计,该算法需要有更长的观测数据长度;算法对频偏误差不敏感,在归一化频偏（相对于符号速率）小于2％时性能损失很小。仿真结果验证了算法的有效性。     

随机调制信号参数的统计Cramer-Rao下限及其最大似然估计

随机跳频和随机脉冲重复间隔等随机调制信号的处理可以等价为随机调制信号中的参数估计问题。针对抽象的随机调制复正弦信号模型,借助Fisher信息矩阵推导了其复幅度和调制系数估计的Cramer-Rao下限并分析了其统计特性。求解了单个和多个随机调制复正弦信号的最大似然估计,利用“广义周期图”研究了其分辨及模糊性能,为后续的信号设计与处理提供了理论参考。计算机仿真实验验证了相关结论。     

多载频MIMO雷达的幅相误差校正

建立了多载频（multi carrier frequency, MCF） MIMO雷达的幅相误差模型,并针对其发射和接收阵列的幅相误差耦合到一起的特点,提出了对信号预处理后等效阵列的联合幅相误差进行整体估计来实现误差校正的思想。针对单辅助信源的情况完成了两种误差估计方法：子空间拟合（subspace fitting, SF）法和最大似然（maximum likelihood, ML）法,子空间拟合法利用信号子空间与阵列流型张成空间的对应系列方程求解,而最大似然法利用似然函数最大来得到幅相误差。推导了幅相误差估计的Cramer Rao界（CRB）,并仿真分析了两种方法的估计性能与信噪比、快拍数的关系以及辅助信源的定位误差对估计性能的影响。     

基于最大似然准则的特定辐射源识别

在信号包络存在细微差异前提下,研究了基于最大似然准则的特定辐射源识别算法.先将接收信号进行滤波,滤除带外噪声,以提高信噪比,接着将处理后的具有带限白噪声背景的信号变换到基带并进行卡亨南-洛维展开,在此基础上对信号的似然函数进行处理,得到等效的检验统计量及判决门限,完成特定辐射源的分类识别.计算机仿真表明,被识别信号的互相关系数为0.9932时,在0 dB信噪比条件下,利用单个脉冲信息,平均识别正确率达94%.     

采用信号子空间稀疏表示的DOA估计方法

利用目标辐射源空间分布的稀疏性,提出了一种基于稀疏表示的多快拍联合波达方向(direction of arrival, DOA)估计方法。该方法首先利用采样数据矩阵大奇异值对应的左奇异向量估计信号子空间,然后采用加权迭代最小方差方法对信号空间进行稀疏表示。与传统的角度高分辨估计方法不同,该方法没有利用样本的统计信息,因而对具有任意相关性的信号源能进行有效的波达方向估计,不需要进行去相关处理,且具有很高的分辨力及估计精度。实验表明在该方法能准确的对目标源方位进行估计,且极大地降低了稀疏表示的计算量。     

基于互质阵虚拟阵列空间平滑的相干信号DOA估计方法

针对相干信号波达方向(direction of arrival,DOA)以空间平滑方法为基础的算法中阵列孔径损失严重以及低信噪比环境下算法估计性能较差等问题,提出一种无需信源数先验信息的互质阵列相干信号DOA估计方法.首先,对互质阵列得到的协方差矩阵矢量化,在虚拟阵元空洞位置内插天线零元,重构协方差矩阵为Toeplit...     

基于特征向量空间聚焦的宽带DOA估计方法

针对传统宽带阵列信号波达方向(direction of arrival, DOA)估计方法中由入射角预估带来的DOA估计偏差及其在多径效应等环境下的应用问题,提出基于特征向量空间聚焦的宽带阵列DOA估计方法。首先,考虑多径干扰等对DOA估计算法的影响,对接收信号自相关矩阵进行平滑处理。然后，以平滑自相关矩阵特征向量空间过渡性为基础,构造聚焦矩阵,并证明其完美聚焦性。理论分析及仿真结果表明,该方法无需对入射信号角度值进行预估,有效避免了聚焦误差,算法复杂度较低,提高了估计精度及效率。     

Target estimation using MIMO radar with multiple subcarriers

This paper analyzes the effect of waveform parameters on the joint target location and velocity estimation by a noncoherent multiple input multiple output (MIMO) radar transmitting multiple subcarriers signals. How the number of subcarriers influences the estimation accuracy is illustrated by considering the joint Cramer-Rao bound and the mean square error of the maximum likelihood estimate. The non-coherent MIMO radar ambiguity function with multiple subcarriers is developed and investigated by changing the number of subcarriers, the pulse width and the frequency spacing between adjacent subcarriers. The numerical results show that more subcarriers mean more accurate estimates, higher localization resolution, and larger pulse width results in a worse performance of target location estimation, while the frequency spacing affects target location estimation little.     

α稳定分布噪声中基于最优核时频分析的跳频信号参数估计

针对传统非线性时频分析方法在跳频(frequency hopping, FH)信号参数估计时,会出现严重的交叉项和参数估计精度降低等问题,引入径向高斯核(radially Gaussian kernel,RGK)时频分析方法,该方法根据FH信号的不同自适应选择最优核函数,从而有效抑制交叉项。RGK时频分析方法可在高斯噪声环境下估计FH信号的参数,但在脉冲性较强的α稳定分布噪声中,该方法性能退化甚至失效。对此,结合最大似然估计理论,提出了一种α稳定分布噪声环境下的加权最大似然广义柯西(weighted maximum likelihood generalized Cauchy,WMGC)滤波的新方法。采用基于WMGC滤波器的RGK时频分析方法(WMGC RGK方法,即WR方法),对该噪声中的跳频信号进行参数估计。仿真结果表明,与基于分数低阶及Myriad的时频分析方法相比,WR方法在α稳定分布噪声中具有良好的鲁棒性和优良的跳频信号参数估计性能。     

非圆信号与圆信号混合入射的DOA估计算法

利用非圆信号的非圆特性可以提高波达方向估计算法的性能,然而现有算法大多不适用于非圆信号与圆信号混合入射这样具有一般性的情况。通过分析混合入射信号的导引矢量所需要满足的约束条件,指出现有算法在信源数较多或低信噪比及低快拍数时会产生伪峰这一现象, 并分析产生原因,同时给出一种改进的方法。通过仿真可以看出,改进算法在保证可以同时估计所有信号波达角的基础上,还可以较好地抑制伪峰的产生,并且相对于传统算法提高了精度。     

Fast method for spreading sequence estimation of DSSS signal based on maximum likelihood function

To estimate the spreading sequence of the direct sequence spread spectrum (DSSS) signal, a fast algorithm based on maximum likelihood function is proposed, and the theoretical derivation of the algorithm is provided. By simplifying the objective function of maximum likelihood estimation, the algorithm can realize sequence synchronization and sequence estimation via adaptive iteration and sliding window.since it avoids the correlation matrix computation, the algorithm significantly reduces the storage requirement and the computation complexity. Simulations show that it is a fast convergent algorithm, and can perform well in low signal to noise ratio (SNR).     

基于改进K-均值聚类的欠定混合矩阵盲估计

在源信号个数未知条件下,提出一种基于改进K-均值聚类的欠定混合矩阵盲估计方法。该方法首先计算观测信号在单位半超球面上投影点的密度参数,然后去掉低密度投影点,并从高密度投影点中选取初始聚类中心,最后对剩余投影点进行聚类,根据Davies-Bouldin指标估计源信号个数,并估计出混合矩阵。仿真结果表明,该方法的复杂度低,其运行时间仅为拉普拉斯势函数法的1%~3%;该方法的源信号个数估计正确率远高于鲁棒竞争聚类算法,当信噪比高于13 dB时,该方法源信号个数估计正确率大于96.6%,且混合矩阵估计误差较小。该方法在信噪比较高时,可降低对源信号稀疏度的要求。     

低信噪比下非冗余阵列的无网格DOA估计

波达方向(direction of arrival, DOA)是阵列信号处理模型中的非线性参数，当信噪比较低时，其估计值会偏离真实值。为了降低无网格DOA估计方法中该问题的阈值，介绍了一种基于无网格的基于协方差的稀疏迭代估计(sparse iterative covariance-based estimation, SPICE)方法。引入了最大似然求根多重信号分类(maximum likelihood root multiple signal classification, ML-Root-MUSIC)来计算DOA,使用最大似然准则来选择根，可以降低阈值并获得更好的分辨率特性。在原始无网格SPICE的优化问题中加入了负熵项，使得无网格SPICE的均方根误差曲线更接近于Cramer-Rao下界。最后，蒙特卡罗仿真实验验证了所提方法在低信噪比非冗余阵列情况下的优越性。