基于累量域的近场源三维参数联合估计算法

提出了一种无须参数配对的近场源三维参数联合估计算法。通过对阵列输出信号的四阶累积量构造矩阵进行一定的变换构造处理得到一个新的矩阵,仅需一次特征分解并利用其相应的特征值及特征向量就能估计出距离、方位、频率等三维参数。该算法无须谱峰搜索,适于任意高斯噪声环境,参数估计结果能自动配对。并且该算法无须利用阵列的中心对称结构,因而有效地避免了阵列孔径损失。最后,计算机仿真结果证实了该方法的有效性。     

一种新的基于平行因子分析的近场源定位算法

提出了一种新的多个近场窄带信源距离、频率及到达角三维参数的联合估计算法。该算法将通常在数据和子空间域应用的平行因子分析模型扩展至高阶累积量域,利用阵元输出计算的高阶累积量矩阵构造三面阵,分析了该三面阵低秩分解的唯一性,并从分解得到的多个矩阵中联合估计信源距离、频率及到达角。该算法仅需使用3个高阶累积量矩阵,而且无须谱峰搜索和参数配对,计算简单。仿真结果表明该算法是有效的。     

基于去特征处理的信源数估计算法

在实际测向系统中,由于阵列中各阵元的相互干扰,阵列接收的噪声为空域相关色噪声,由于系统热噪声和散弹噪声的存在,导致阵列接收的噪声同时包含空域相关色噪声与白噪声。传统针对空域相关色噪声的信源数估计算法在白噪声背景下的估计性能往往下降。针对这一问题,提出了一种基于去特征处理的信源数估计方法。该方法对数据协方差矩阵进行去特征处理,得到一组与特征值相对应的新数据协方差矩阵,利用新数据协方差矩阵在信号和噪声子空间上的投影矩阵构造判决函数,进而实现信源数估计。仿真实验及对比数据表明该方法在包含有白噪声成分的色噪声背景下能够有效进行信源数估计,其突出优势表现在小快拍数、低信噪比条件下仍能准确估计信源数,而没有明显增加算法的运算量。     

空间相干信号的频率和二维到达角估计算法

针对宽频段窄带信号的参数估计,提出了一种空间相干信号频率和二维到达角联合估计的算法——TSS-DOA算法。TSS-DOA算法利用双平行线阵的时空数据以及平滑技术构造了一个时空平滑矩阵,通过对其进行特征分解,并利用分解得到的特征值和特征矢量估计出空间相干信号的三维参数。该算法能精确地估计信号的三维参数,无需多维谱峰搜索,具有计算量小,三维参数自动配对的优点,并有效地解决了信源参数兼并问题。计算机仿真结果验证了算法的有效性。     

色噪声背景下基于特征空间的信源估计新方法

准确估计信源数目是很多高分辨算法得以实现的前提条件。传统的信源估计方法大多是在白噪声背景下,以数据协方差矩阵的特征值序列作为研究对象,按照某种标准设定门限来进行判决估计信源数目。而在实际情况中白噪声很难满足,从降一维特征空间的投影矩阵角度出发,获得数据协方差矩阵的局部数据的投影差值序列,从而有效避开了噪声主要能量的影响,对空间色噪声也有一定的抑制效果。仿真结果表明在色噪声背景下,利用该方法可以在多信源情况下准确估计信源数目。     

基于酉变换ESPRIT的相干信源DOA估计算法

为了增强重构Toeplitz矩阵算法的估计性能,降低计算复杂度,提出了适用于相干信源波达方向估计的Toep UESPRIT算法。它使用利用旋转不变性的信号参数估计代替多重信号分类,避免了谱搜索,并且在构造Toeplitz矩阵的基础上,两次构建centro Hermitian矩阵,利用酉变换将复数域的特征值分解和总体最小二乘问题的求解实数化,使计算量大大降低。同时,由于centro Hermitian矩阵的构造过程重复利用了接收数据,估计精度得到大幅提高。实验仿真和分析证明了该算法的正确性和有效性。     

独立源与相干源并存的信源数估计

大多数子空间类谱估计算法,需要预先估计信源个数,而且当信号源相干或强相关时,不能直接应用基于信息论的估计方法。针对接收信号为独立源与相干源并存的情况,提出一种新的基于矩阵重构的信源数估计算法。算法利用各个阵元接收数据与参考阵元接收数据的互相关信息,构造一个Toeplitz等效协方差矩阵解相干。理论分析证明,相比于复信号解相干的常规Toeplitz矩阵重构方法,算法节省一半的阵列孔径,而且对噪声发散性有一定抑制作用。基于此构造矩阵采用特征子空间投影与特征值加权的方法构造判决函数来估计信源个数,仿真结果表明,算法在独立源和相干源并存的情况下,能准确估计出信源个数,性能优于空间平滑Akaike信息论准则法和空间平滑最小描述长度法。     

相干分布式信源中心波达方向估计算法

针对移动通信中由本地散射导致的分布式信源的中心波达方向估计问题,根据分布式信源角度信号密度对称的约束条件,将相干分布式信源方向向量整理为点信源方向向量与实向量的Schur-Hadamard积,并构造相应的二阶统计量,提出了一种仅需利用二阶统计量就能直接估计中心波达方向的新方法。该算法与传统谱峰搜索类算法和经典子空间类算法相比,无须谱峰搜索和任何特征值或奇异值分解,有效地降低了计算量;所利用的二阶统计量对噪声不敏感,具有较好的信噪比性能;参数估计过程中,无须事先已知角度信号密度的具体类型,鲁棒性较好。仿真实验验证了所提算法的有效性。     

基于二阶统计量的分布式信源二维波达方向估计

对于由本地散射导致的分布式信源二维波达方向估计,根据空间角度信号密度的共轭对称特性,首先将相干分布式信源方向向量化简为传统点信源方向向量与实向量的Schur Hadamard积,进而提出了一种基于Schur Hadamard积的相干分布式信源二维波达方向估计算法。该算法通过构造基于Schur Hadamard积的二阶统计量,可直接给出仰角和方位角的估计值。与传统谱峰搜索类算法和经典子空间类算法相比,无须谱峰搜索和任何特征值或奇异值分解,有效地降低了计算量;所利用的二阶统计量对噪声不敏感,具有较好的信噪比性能。仿真实验表明,该算法具有较好的参数估计精度,可有效解决复杂通信环境下相干分布式信源的二维波达方向估计问题。     

均匀圆阵相干信源二维波达方向估计

提出一种基于弹载双均匀圆阵（uniform circular array, UCA）的相干信源二维波达方向（direction of arrival, DOA）估计算法。算法首先沿轴向对阵列进行虚拟平移,利用空间平滑技术处理数据以恢复协方差矩阵的秩,实现相干信号解相干,再依据轴向双圆阵列的结构特点构造波达方向矩阵,对波达方向矩阵进行特征值分解可得到包含俯仰角信息的特征值和包含俯仰角信息与方位角信息的特征矢量,完成相干信源DOA估计。算法将波达方向矩阵法引入均匀圆阵,估计参数自动配对,同时避免了常规算法的二维谱峰搜索,实时性好。仿真结果表明,与矩阵重构的均匀圆阵旋转不变子空间（uniform circular array estimation of signal parameters via rotational invariance techniques, UCA-ESPRIT）算法相比,本文算法计算量较小,分辨率高。     

双基地MIMO雷达相干目标角度估计算法

提出一种双基地多输入多输出（multiple input multiple output,MIMO）雷达相干多目标角度快速估计算法。采用单次快拍数据构建的一组Toeplitz矩阵重构出新的协方差矩阵,使得矩阵的秩等于目标的总个数;通过矩阵变换使得变换后的协方差矩阵满足centro Hermitian性,即可利用酉变换将复矩阵转化为实矩阵进行实数域的参数求解,采用旋转不变信号参数估计（estimation of signal parameters via rotational invariance technique, ESPRIT）算法即可准确估计出对应的目标角度。通过仿真表明：所提算法能够实现相干目标源的角度估计且参数自动配对;降低了复矩阵特征分解所带来的巨大运算复杂度,具有更高的参数估计精度和算法稳健性;同时能够对移动目标进行角度跟踪,具有良好的跟踪性能。     

基于矢量重构的双基地MIMO雷达相干多目标定位

提出了一种基于目标信息矢量重构的双基地多输入多输出（multiple-input multiple-output, MIMO）雷达相干信源角度估计方法。利用目标信息矢量中的元素,构造出解相干处理的通用块Hankel矩阵。证明了该矩阵的秩为总目标数时矩阵行数和列数所应满足的条件,并基于奇异值分解求解出信号和噪声子空间,然后利用ESPRIT算法获得角度的估计值。同时,给出了直接数据提取法和特征矢量提取法来获得目标的信息矢量。仿真实验表明：本文算法能够有效地估计出相干信源的收发角度,且实现自动配对;当兼顾角度估计精度和算法的复杂度时,应满足块Hankel矩阵的行数不大于列数;在低信噪比下,本文算法的估计精度优于空间平滑算法,且特征矢量提取法的估计精度优于直接数据提取法。     

基于CPT和RPF的空中高机动目标检测与参数估计

提出了一种基于三次相位变换(cubic phase transform,CPT)和重构相位函数(reconstructing phase function,RPF)的空中高机动目标参数估计方法。为了实现目标高阶参数的估计,该方法首先通过双线性变换求得接收信号的相位函数,实现信号降阶和待估参数的分离;然后利用多阵元采样重构参考阵元的相位函数,等效增加了参考阵元相位函数的时间采样,实现了参考相位函数的相干积累;最后进行参数估计。仿真结果表明,在输入信噪比较低、采样脉冲较少的情况下,该算法能够以较高的精度实现对高机动目标的参数估计。     

压缩感知视角的鲁棒波达角估计算法

从压缩感知的视角对鲁棒波达角估计进行了探索,通过将可能存在的波达角进行空间离散化,从而将波达角估计问题转换为压缩感知信号支撑恢复问题。同时将阵元存在的增益失配、相位失配和阵元间互耦等非理想因素,通过一阶近似,将其建模成均值为理想流形矩阵的随机矩阵,从而建模了阵列非理想特性和波达角空间离散化带来的误差。基于这种新的随机测量矩阵模型,提出了一种基于压缩感知的鲁棒波达角估计算法,分析表明本文提出算法对阵列模型扰动和角度空间离散化具有良好的鲁棒性。仿真验证了分析结果。     

未知相关噪声下的广义波达方向估计算法

针对未知相关噪声情况下信源波达方向的估计,提出一种适用于均匀线阵的广义波达方向估计算法。该算法利用修正后的协方差差分算法,有效地消除了阵元间的相关噪声的影响。不同于以前的算法,提出的算法通过对接收数据的前后向空间平滑协方差矩阵进行共轭运算得到新的变换矩阵,因此修正后的协方差差分矩阵是个实部为零的厄米特矩阵,从而有效地降低了特征分解过程的计算量。本算法能解决相关噪声下,同时分辨相干与非相干信源的问题。理论分析和仿真结果均表明所提算法的有效性。     

基于矩阵重构的非相干分布源参数估计方法

针对现有非相干分布源参数估计算法计算量大等问题,提出了一种新的DOA和角度扩展估计算法.该算法利用空间频率近似模型下的非相干分布源协方差矩阵的结构特点.协方差矩阵可分为相位信息矩阵和幅度信息矩阵.对相位信息矩阵进行重构,对重构后的协方差矩阵利用MUSIC等传统方法即可实现DOA的估计;对幅度信息矩阵的各主次对角线上的元素均进行平滑得到幅度信息平滑向量,估计得到的DOA代入幅度信息中即可得到角度扩展的估计,从而实现非相干分布源DOA和角度扩展分离估计.计算机仿真验证了算法的性能.     

分布式nested阵列及其高精度DOA估计

为了进一步提高分布式阵列的自由度和分辨力,提出一种分布式nested阵列。该阵列将nested阵列作为分布式阵列的子阵。基于Khatri Rao积, nested子阵可提高整个阵列的自由度。分布式nested阵列以较少的阵元数及硬件成本实现大的孔径和较高的分辨力,而且提高了目标波达方向(direction of arrival, DOA)估计的精度。并利用基于Khatri Rao积的空间平滑酉旋转不变子空间(estimation of signal parameters via rotational invariance techniques, ESPRIT)算法进行DOA估计。其先对协方差矩阵向量化提高自由度,然后利用空间平滑对新数据协方差矩阵进行秩恢复,最后使用双尺度酉ESPRIT算法得到DOA估计。仿真结果证明所提方法的有效性。     

基于延时相关处理的ESPRIT算法

为了提高旋转不变子空间(estimation of signal parameters via rotational invariance techniques, ESPRIT)算法的分辨力和测角精度,充分利用非零延迟相关函数中信号入射角度的信息,提出了基于延时相关处理的ESPRIT算法。根据所有阵列间延时相关信息,构造新的阵列输出矩阵,并且得到新的协方差矩阵。对新的协方差矩阵进行特征值分解得到特征向量,通过将特征向量划分得到含有入射角度信息的子阵,最终求得信源的入射角度。仿真结果表明,该算法的分辨力和测角精度均优于原ESPRIT算法,并且在小角度间距情况下也有较好的分辨性能。     

基于混合聚类和网格密度的欠定盲矩阵估计

欠定盲矩阵估计是欠定盲源分离的关键技术,其估计结果直接影响源信号的分离精度。针对目前欠定盲矩阵估计算法稳定性差、估计精度不高的缺点,提出了一种基于混合聚类和网格密度的新算法。该算法利用基于人工蜂群算法和K-均值的混合聚类方法对信号数据进行聚类,提高聚类结果的稳定性;利用网格密度法修正每一类的聚类中心,提高混合矩阵的估计精度。实验结果表明,所提算法在稳定性和估计精度方面都比传统欠定盲矩阵估计算法有了明显改善。     

L阵基于降维MUSIC的二维DOA与频率估计

提出了一种L阵中基于降维多重信号分类(reduced dimensional multiple signal classification, RD-MUSIC)的二维波达方向(two dimensional direction of arrival,2D-DOA)与频率联合估计算法。该算法首先通过一维局部谱峰搜索得到接收信号频率的估计,然后利用频率估计过程中得到的参数矩阵,获得信号的2D-DOA估计。与需要进行多维全局搜索的传统MUSIC算法相比,所提算法只需一维局部搜索,算法复杂度较低。该算法同时适用于均匀L阵和非均匀L阵,且能获得配对的二维角度与频率估计。其角度与频率估计性能接近于传统的MUSIC算法以及平行因子方法,且优于借助旋转不变性估计信号参数算法和传播算子算法。