基于延时处理的对角加载信源数估计方法

为了解决在有色噪声背景下信息论准则算法估计信源数失效以及盖氏圆方法在低信噪比下性能下降的问题,提出了一种利用接收信号延时信息的协方差矩阵对角加载技术估计信源数的方法.首先构造接收信号的延时协方差矩阵,抑制色噪声的影响,然后对延时协方差矩阵做出变换处理,得到抑制噪声后的协方差矩阵特征值,最后对得到的特征值进行对角加载技术处理,利用信息论准则进行信号源数目的估计.仿真结果表明了该算法的正确性和有效性.     

基于自适应对角加载的源数估计算法

为解决对角加载技术用于信源数估计时对角加载量确定困难的问题,提出了一种新的基于自适应对角加载接收信号协方差矩阵的信源数估计算法。首先,分析接收信号协方差矩阵与噪声信号功率的之间的协同变化关系,基于协方差矩阵的对角元素特征值分布特点,给出一种自适应的对角加载量确定方法。然后,将对角加载处理后的接受信号协方差矩阵与信息论准则结合,得到改进后的估计信源数算法。仿真实验结果表明：在白噪声与色噪声环境中,本文算法能在不同信噪比与不同快拍数条件下较好的估计信源数;相较于基于信息论准则与盖氏圆盘估计法则的源数估计算法,本文算法在估计正确率以及稳定性上得到了不同程度的提升,具有较好的估计性能。     

矩阵恢复的协方差矩阵估计算法

研究受高斯噪声干扰的低秩矩阵恢复。根据高斯噪声的统计性质,引入了协方差矩阵估计模型,构造出针对高斯噪声模型的低秩矩阵恢复算法。该算法基于最小化协方差矩阵核范数求解低秩矩阵,利用奇异值分解理论推导出模型的最优解。该模型结合高斯混合模型能够达到非常好的估计效果。仿真实验表明,该模型具有更快的收敛速度和更好的估计结果。     

基于支撑矢量机的信源数估计

为了改善在低信噪比、小快拍、色噪声环境下盖氏圆准则信源数估计算法的估计性能,提出了基于支撑矢量机(SVM)的信源数估计算法.基于支撑矢量机的信源数估计算法应用天线阵列接收数据协方差矩阵经特征值分解后,噪声的特征矢量与天线阵列的阵列流型正交的特性,通过盖氏圆算法提取信号和噪声的分类特征,再构造和训练两类分类矢量机,将天线...     

一种相邻相干信号的DOA估计新方法

提出一种估计相邻相干信号方位的新方法.该方法首先对传统空间平滑算法得到的数据协方差矩阵进行修正,然后对修正后的协方差矩阵进行奇异值分解,由左奇异矩阵得到噪声子空间;再构造新数据协方差矩阵,进行奇异值分解得到噪声子空间;最后取两次噪声子空间的平均值得到噪声子空间,利用MUSIC算法找到极大值对应的信号方向.计算机仿真表明,该方法能有效地估计出小信噪比下角度相隔较小的相干信号.     

基于Hankel 矩阵SVD的均匀线阵信源数估计

为解决现有信源数目估计方法对不同特性信号的适应性普遍较差的问题, 提出了一种均匀线性阵列下基于传感器输出信号相关函数构成的Hankel 矩阵的奇异值分解的信源数目估计方法。该方法利用把传感器输出信号相关函数中未知噪声方差项排除的Hankel 矩阵的一般形式在信号独立, 混合和相干的情况下均能进行信源数目估计, 且信源数目估计能力超过传感器数目的一半。仿真实验结果表明, 该方法信源数目估计的正确概率(PCEs: Probabilities of Correct Enumeration)的分布特征具有不变性, 且相较于基于空间平滑技术的信号源数目估计方法具有更稳定的估计性能和更宽的阈值范围。     

空间平滑和盖氏半径变换的宽带相干信源数估计

采用空间平滑处理和不同信源数估计准则进行宽带相干信源数估计。该方法针对宽带相干信号,不需要聚焦处理,直接对宽带信号阵列采样输出分段并进行快速傅立叶变换(fast Fourier transform,FFT),得到不同频点处的窄带采样协方差矩阵,然后采用空间平滑处理技术进行解相干处理,接着利用信源估计准则进行信源数估计,对每个频点处的结果进行加权处理得到宽带信源数目。仿真结果表明,通过对信息论准则、基于盖氏半径的似然准则、盖氏圆估计准则的性能的对比,进而得到了一种在色噪声下估计宽带相干信源数的方法。     

空域色噪声下的多输入多输出雷达角度估计

由于多输入多输出(multiple input multiple output, MIMO)雷达的空域色噪声协方差矩阵通常为非对角矩阵,因此在色噪声下信号子空间与噪声子空间无法有效分离,从而致使传统算法无法有效估计目标角度。为此,首先利用信号协方差矩阵的低秩性和色噪声协方差矩阵的稀疏性来抑制空域色噪声。然后,根据MIMO雷达数据的内在多维结构特性,建立四阶张量CP(canonical or parallel factor analysis, CANDECOMP/PARAFAC)分解模型。针对传统交替最小二乘算法对数值病态性较为敏感而导致CP分解精度低的问题,利用张量因子矩阵之间的共轭关系来降低求解的病态敏感度,提高张量分解的稳健性。最后,利用最小二乘拟合法从因子矩阵的估计值中得到目标角度。仿真结果表明,所提算法能够对色噪声有效抑制并提高了角度估计的精度。     

基于双阵元的宽带相干信源数估计

不同噪声条件下,宽带相干信源数估计是阵列信号处理中的难点问题.本文针对宽带信号的特点,利用虚拟阵列扩展技术,将宽带信号的不同频率成分虚拟为不同间距的虚拟阵元,通过空间平滑削弱信号之间的相干性.但由于噪声的功率谱非严格平坦,虚拟阵列协方差矩阵的噪声特征值发散程度严重,经典的信息论方法完全失效.基于对角加载技术,提出了一种新的加载量,有效地平滑了噪声特征值,减弱了其发散程度,并在此基础上利用比率准则改进了信息论方法,实现了两阵元对多个信源的数目估计.仿真实验表明,改进后的方法在白噪声和色噪声条件下均具有较好的性能,优于盖氏圆方法.     

波达方向估计的一种改进SVD算法

本文主研究智能天线算法中的关键技术波达方向估计（DOA）。针对相干信号源的信号子空间与噪声子空间相互渗透,导致空间协方差矩阵缺秩从而经典算法失效的问题,本文基于奇异值分解（SVD）算法,提出了一种改进的SVD算法。该算法利用入射信号矩阵的最大特征向量元素包含所有入射信号信息的性质,进行矩阵重构,并对重构矩阵进行特征值分解得到噪声子空间和信号子空间,最后利用经典谱估计算法得到相干信源的入射方向。仿真试验结果表明改进SVD算法性能优于原始算法。     

基于重构噪声子空间的相干信号DOA估计

传统DOA(direction of arrival)估计算法无法处理相干信号,因此提出一种基于重构噪声子空间的高精度DOA估计算法.该算法利用阵元接收数据的自协方差与互协方差信息构造成增广矩阵作为新的协方差矩阵,对该矩阵进行奇异值分解得到相应的噪声子空间和特征值矩阵.为了获得更精确的信号向量,重构一个由新特征值矩阵对应的特征向量所组成的噪声子空间.最后通过谱峰搜索得到DOA估计值.算法不影响对非相干信号估计的效果,并且比IMMUSIC(improved multiple signal classification)算法具有更高的估计精度,在低信噪比及信号入射间隔较小的情况下也有良好的准确性.仿真结果表明,提出的改进算法在低信噪比及低采样快拍数的条件下,能有效估计出相干信号的波达方向.     

一种宽带信号方位估计算法

针对多种宽带信号方位估计算法在不同程度上受到阵元数目、预角度估计、多次求逆矩阵、多次特征值分解或奇异值分解等因素的制约,文章提出了一种在传感器阵列存在误差的情况下,基于统计方法的宽带信号方位估计算法.该算法先将传感器阵列接收的宽带信号转换到频率域内,并考虑在阵列互耦的情况下,采用统计的方法,推导出阵列流形与噪声子空间正交的结论;最后,利用统计结果和窄带方位估计的方法对宽带信号进行方法估计.仿真试验表明,统计方法具有较好的方位角分辨率、噪声不敏感性和较低的计算复杂度.     

基于改进稀疏度估计模型的压缩感知去噪算法

针对带有高斯白噪声的宽带信号,提出改进基于二项分布的稀疏度估计模型,使其能够适用于带有噪声的信号,并根据稀疏度上界确定采样数目以保证信号能够被准确重构;利用估计的稀疏度上界,改进自适应阈值去噪算法,降低噪声折叠对信号重构的影响。仿真表明,对带有高斯白噪声的宽带稀疏信号,所提算法能够较为准确地估计出稀疏度上界,在保证信号重构精度的前提下,减少了采样数目,同时也降低了自适应阈值去噪算法的计算开销。     

一种基于Toeplitz矩阵重构的波达方向估计新算法

为了提高空间谱中信号与噪声的区分度以及改善传统Toeplitz矩阵重构算法在进行波达方向(direction of arrival,DOA)估计时的精度,本文提出一种新的基于Toeplitz矩阵重构的DOA估计算法。首先将观测数据估计的自相关矩阵预处理得到数据向量,并基于数据向量进行Toeplitz矩阵重构;再对重构后的矩阵进行奇异值分解,得到信号子空间和噪声子空间;最后同时利用信号子空间和噪声子空间进行空间谱估计。结果表明:无论是相干源还是非相干源的DOA估计,该算法估计精度均优于传统Toeplitz算法,在非相干源的DOA估计精度性能与多重信号分类(multiple signal classification,MUSIC)算法一致,并在处理相干信源个数能力与传统Toeplitz算法相同。     

色噪声背景下的正弦信号相位估计方法

噪声背景下的正弦信号相位估计在雷达、导航、波达方向估计等领域有着广泛的应用。提出了一种基于互高阶累计量的正弦信号相位估计方法——奇异值分解法。这种方法通过对互高阶累积量矩阵进行奇异值分解,得到信号子空间和噪声子空间。由于信号子空间不包含噪声信息,因此是提取信号成分与抑制噪声意义下的最优解。信号的自高阶累积量矩阵是共轭对称矩阵,它的左、右奇异矢量是相同的,而两个幅值和频率都相同、只有相位不同的正弦信号的互高阶累积量矩阵却是非共轭对称矩阵,左右奇异矢量也不相同,这说明是谐波信号之间存在相位差导致了这一结果。因此,从这一点出发,证明了谐波信号的互高阶累积量矩阵左、右奇异矢量内积的相角等于正弦信号相位差这一重要定理。并根据这一定理推导出估计正弦信号相位差的奇异值分解法。仿真结果验证了这种方法的有效性。     

基于盖氏圆方法的宽带信源数目估计

针对低信噪比和小快拍数情况下宽带信号源数目较难精确估计的问题,提出了一种基于盖氏圆方法的宽带信号源数目估计算法(GDECSM)。盖氏圆方法通过利用盖氏半径对矩阵特征值范围的限定关系,能有效区分信号子空间与噪声子空间,在宽带信号源数目估计中能够产生良好的检测效果。仿真实验表明,与基于AIC准则的宽带信源数目估计算法(AICCSM)相比,GDECSM算法在低信噪比和小快拍数时都具有更高的检测概率,运算复杂度也有所降低。     

非协作通信中的信噪比估计算法

研究基于信号协方差矩阵分解的信噪比估计算法.该算法使用最小描述长度准则实现了信号空间维数的估计,进而实现信噪比估计.在此基础上,提出了基于信号功率谱的信噪比估计算法.由该方法计算出接收信号的功率谱,估计出有用信号的带宽,在有用信号频带外的噪声频带上估计出噪声的功率,从而估计出信噪比值.仿真实验表明,当信噪比小于3dB时,基于信号功率谱的信噪比估计算法优于基于信号协方差矩阵分解算法.     

基于四元数理论与流形学习的多通道机械故障信号分类方法

提出一种基于增广四元数矩阵奇异值分解与流形学习正交邻域保持嵌入算法的多通道机械故障信号分类方法,通过引入四元数来耦合4个通道信号,并且利用四元数乘方的性质对数据进行增广处理,充分利用各通道信息并挖掘通道之间的相关性,从而减少因故障特征信息丢失对分类结果的影响。此外,针对传统奇异谱分析提取特征参数的分类效果受噪声影响较大的问题,引入正交邻域保持嵌入算法对奇异值序列进行维数约简,最后使用分类器完成故障分类。对仿真信号的分类结果表明,在强噪声背景下,相较于单通道奇异谱分析方法和机械故障信号中常用的排列熵方法,本文提出的方法分类效果更好。将其应用于更为复杂的实测轴承故障信号的分类与识别中,同样有着较好的效果。     

ED与SVD及相关阵中信号的提取

本文介绍信号相关矩阵的奇异值分解(SVD)与特征根结构分解(ED)之间的关系及用信号特征矢量表示平稳随机过程和信号子空间的方法。利用信号子空间对信号进行信息提取,可减少噪声对估计参数精度的影响。文中论述了提高前向预测定向精度的方法。SVD能把信号空间与噪声空间分开,以提出互相关矩阵中信号信息。