非圆信号的DOA与阵列误差参数的联合估计性能界

为了确定非圆信号波达方向(direction-of-arrival,DOA)估计中参数化校正的方差下限,基于阵列误差影响下的随机性非圆信号模型与联合信源时域自相关特性的非圆信号模型,分别推导了DOA参数与阵列误差参数的联合估计克拉美罗界(Cramer-Rao bound, CRB)。通过将推导的非圆性能界与未利用非圆特性的性能界进行对比分析,理论证明了非圆性能界比未利用非圆特性的性能界更低,且两者的差异在低信噪比和大非圆率信号入射的情况下较大。实验结果不仅验证了理论分析的正确性,同时表明信源时域自相关信息有助于进一步提升阵列误差的校正精度。     

基于Unitary ESPRIT的圆和非圆信号联合DOA估计

基于非圆信号的Unitary ESPRIT(NC Unitary ESPRIT)算法,与unitary ESPRIT相比,明显提高了DOA估计的精度,并且可以处理更多的入射波。但是,在对多个入射波进行DOA估计的时候,更常见的是入射波既包含圆信号又包含非圆信号情形,而NC Unitary ESPRIT算法不能很好地进行这类信号的DOA估计。在分析两种信号共同存在时的信号模型结构的基础上,提出了一种新的同时估计圆信号和非圆信号DOA的unitary ESPRIT算法,并且该方法能够区分出圆信号和非圆信号。计算机仿真表明了所提出的方法比unitary ESPRIT方法有更好的估计效果,并且信号源中非圆信号所占的比重越大,估计效果越好。而当入射波均为非圆信号时,提出的算法性能与NC Unitary ESPRIT相似。     

一种稳健的非圆信号波达方向估计算法

为了充分利用非圆信号的特性,提高非圆信号波达方向估计的性能,针对最大非圆率信号,提出了一种稳健的波达方向估计算法。首先,构造两个包含信号非圆信息的四阶累积量矩阵;然后,利用这两个矩阵的旋转不变关系实现信号的波达方向估计;最后,在存在通道幅相误差模型下分析了算法的稳健性,并推导出只要令接收通道中任意两个通道保持一致,算法就能得到正确的波达方向估计。仿真实验表明,算法的测角精度得到提高,并且算法对通道幅相误差具有稳健性。     

复杂信号环境中非圆信号的个数估计

针对阵列接收信号中可能同时包含有圆信号和非圆信号,因而很难直接分别估计两类信号源个数的情况,提出了一种基于阵列扩展协方差矩阵特征值分解的解决方法。该方法通过分析观测数据扩展协方差矩阵的结构,特别是其特征值的分布规律,直接得到了复杂信号环境中圆信号和非圆信号个数的估计结果。通过仿真实验验证了各种阵列参数变化时新方法的可靠性。     

独立信号和相干信号DOA估计新方法

传统的波达方向(direction of arrival, DOA)估计算法在独立信号和相干信号同时存在时往往失效或者性能下降;因而寻求可以同时估计独立信号和相干信号的测向算法具有重要意义。基于均匀线阵接收到信号的特点,提出了一种简单有效的独立信号和相干信号DOA估计新方法。该方法首先利用求根多重信号分类(root-mutiple signal classification, root-MUSIC)算法进行DOA估计,并根据相干源对应根的特点来消除相干信号的干扰,从而获得独立信号的波达方向;然后利用阵列接收数据协方差矩阵中独立信号的托普利兹(Toeplitz)特性,从中去除独立信号的数据分量,再利用改进矢量重构和总体最小二乘-旋转不变子空间(total least squareestimation of signal parameters via rotational invariance technique, TLS-ESPRIT)算法来估计相干信号的波达方向。理论分析和实验仿真结果表明,所提方法具有一定的阵列扩展能力,且计算量小、估计性能好。     

基于非圆信号的波束域共轭MUSIC方法

针对非圆信号形式,对传统的波束域MUSIC方位估计方法进行重构,提出了波束域共轭MUSIC方法来进行相干信号的波达方向估计.该方法充分利用非圆信号的特性,从阵列接收数据构造共轭对称的Toeplitz矩阵,将其作为伪协方差矩阵,使用波束域MUSIC算法进行处理来得到目标的方位估计值.该方法可以避免常规波束域MUSIC方法使用空间平滑预处理后损失阵列孔径,而导致可测的信号源数减少的问题.仿真表明,该方法在较少快拍数下,无需空间平滑就可以检测多个相关信号,其性能优于使用空间平滑技术的常规波束域MUSIC方法.     

自适应实时型复值混合信号盲分离算法研究

利用非圆信号的协方差和伪协方差都为非零对角线矩阵的特点,构造代价函数,通过复值梯度推导得到一种针对复值混合信号的自适应实时算法.该算法能分离任何包含非圆信号源的复值混合信号;与强不相关变换算法相比,该算法结构简单,具有实时性,分离误差小,同时不需要特征值和奇异值分解,即使信源谱系数相同也能成功分离出复值混合信号.实验仿真证明了算法的有效性.     

基于辅助阵元法的非圆信号实值MUSIC算法

针对非圆信号波达方向(direction of arrival, DOA)估计算法在工程应用中受阵列误差影响的问题,基于辅助阵元法的基本原理,并结合非圆信号的特征提出了一种基于辅助阵元法的非圆信号实值多重信号分类(multiple signal classification, MUSIC)算法。该算法利用非圆信号输出阵列的实值扩展方式,既提高阵元输出信号的使用率,也减少算法的计算量。同时详细推导了获取信号DOA估计的数学表达式,并对所提算法进行了仿真实验。实验结果验证了该算法的有效性。     

一种宽带循环平稳信号波达方向估计的快速算法

提出了一种宽带信号波达方向估计的快速算法——谱相关多级维纳滤波器(spectral correlation-multi stage Wiener filter,SC-MSWF)算法。由于同时利用信号的循环平稳特性和多级维纳滤波技术,该算法既不需要传统的宽带信号波达方向估计中的聚焦运算,也不需要对伪数据矩阵或其协方差矩阵的特征值分解。从而该算法在具有循环平稳类算法的所有优点的同时,也具有小运算量和低复杂度的特点。仿真结果证明了该算法的有效性。     

面向非圆信号的四阶累积量直接定位方法

针对现有基于四阶累积量的直接定位方法阵列孔径扩展不充分以及数据冗余等问题，提出了一种针对最大非圆率信号的四阶累积量直接定位方法。基于移动阵列在多个时隙对目标观测的定位场景，该方法构造了一系列去冗余四阶累积量矩阵。结合辐射源信号的非圆特性，利用阵列接收数据和共轭数据来构成扩展数据模型，实现了阵列孔径扩展，使等效阵元数增加，从而提升定位性能，并通过重新构造快速提取无冗余数据，大大降低矩阵运算维度。由于结合了信号的四阶累积量与非圆特性，该算法适用于信源个数大于阵元数与阵列色噪声的复杂环境。理论分析与仿真结果表明，该算法具有计算量小、高估计精度以及高分辨率等优势，并在高信噪比条件下能够达到相应克拉美罗界。     

基于VMD和特征融合的辐射源信号识别

在日趋复杂的电子对抗中,如何提高雷达辐射源信号(radar emitter signal, RES)识别率和抗噪性能是亟待解决的问题。为此提出了一种变分模态分解(variational mode decomposition, VMD)和特征融合相结合的RES识别方法。首先利用VMD算法对各雷达信号进行分解得到3个本征模态函数(intrinsic mode function, IMF);然后,对这3个IMF分量提取排列熵(permutation entropy, PE)和样本熵(sample entropy, SE)特征进行特征融合，构成六维特征向量；最后利用支持向量机对辐射源信号进行识别。利用6种不同的辐射源信号对该方法进行了验证,仿真实验结果表明,该方法在低信噪比(signal to noise ratio, SNR)下能取得较好的识别率,当SNR不低于0 dB时,六维特征向量的识别率达到100%,具有较强的抗噪性能。     

基于DBZP差分相干的GPS信号捕获算法

针对弱信号环境下全球定位系统(global position system, GPS)信号捕获问题,提出了一种基于双块零拓展（double block zero padding, DBZP）差分相干捕获算法。该算法将快速傅里叶变换（fast Fourier transform, FFT)、DBZP、差分相干及频率误差修正等4项技术有机结合,从而有效减小了在FFT计算过程中由大多普勒频移引起的码片速率变化而造成的相关功率损失,同时也削弱了残余多普勒频率造成的功率损失。实验表明,算法能明显提高系统捕获性能,在仿真数据集下,与直接FFT差分相干算法相比,捕获灵敏度提高了约2.8 dB,并在给定的积分时间及载噪比下,捕获频率误差的标准差小于20 Hz;在实验数据集下,与直接FFT差分相干算法相比,捕获结果信噪比提高了约3 dB。     

基于模糊逻辑的亚高斯与超高斯源混合盲分离

对于同时存在亚高斯和超高斯源信号的盲信号分离问题,提出了适用于两类信号同时存在的合成概率模型,并以此概率模型计算非线性函数得到了分离两类信号的统一算法。同时,引入模糊推理系统在线确定自适应算法的迭代步长,因此学习算法的收敛速度更快,而且稳态误差更小。仿真实验分别通过对语音信号以及人工合成信号的分离,验证算法的有效性,并通过计算分离信号的干扰信号比(interference to signal ratio, ISR),证明提出的算法能够更好、更快地分离亚高斯与超高斯混合信号。     

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...     

基于谱函数二阶导数的波达方向估计算法

针对传统多重信号分类(multiple signal classification, MUSIC)算法在低信噪比(signal noise ratio, SNR)、小快拍数或是信号源相近等复杂信号环境下分辨率严重下降这一问题,提出了一种改进的MUSIC算法。通过对空间谱函数求二阶导数,可以在波达方向(direction of arrival, DOA)附近形成尖锐的负向谱峰。计算机仿真试验表明,与传统MUSIC算法相比,新方法在低SNR、小快拍数下对空间分布很近的信号有更好的分辨率。     

直扩信号伪码周期及序列的估计算法

为了解决直扩信号伪码周期和序列估计的难题,提出了功率谱二次处理结合信号子空间分解的方法。该方法首先利用功率谱二次处理手段估计出直接序列扩频(DS-SS)信号的伪码周期,在此基础上采用信号子空间分解对DS-SS信号伪码序列进行盲估计。为了用信号子空间分解法对伪码序列实施精确估计,在其后加上了r1校正方法。计算机模拟结果表明,该方法在输入信噪比小于-14 dB时还能良好地工作。     

非合作USB测控信号调制指数估计算法

测控信号的调制指数可作为非合作卫星辐射源识别的一个稳定特征参数，针对非合作统一S频段测控信号，提出一种基于频域谱分析的调制指数估计算法。根据该信号的频谱特性构造调制指数估计算法，并对该算法的估计误差进行理论分析。通过蒙特卡罗仿真给出估计误差随信噪比变化的情况，并利用实测信号从频域和时域两个方面对该算法的性能进行验证。结果表明，实测信号与恢复信号的频谱幅度误差较小、时域基带信号波形的一致性较高、归一化互相关函数最大值接近于1。进一步说明该算法的精度较高，可为非合作卫星辐射源识别提供高精度的参数支撑。     

基于非圆信号的MIMO阵列方位估计方法

给出了多输入多输出（multiple-input multiple-output, MIMO）阵列的阵列信号模型。针对信号为非圆信号的形式,提出了一种在MIMO阵列中基于非圆信号的共轭多重信号分类方法（multiple-input multiple-output conjugate multiple signal classification, MIMO CMUSIC）。这种方法充分利用非圆信号的特点,从阵列接收数据构造共轭对称的Toeplitz矩阵得到伪协方差矩阵,然后用常规MUSIC方法进行处理。仿真结果表明,与常规MUSIC方法相比,在只需要一次或者少次快拍下,此方法在MIMO阵列中能够分辨多个目标,性能远优于常规的MIMO MUSIC方法。     

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。     

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。