实对称矩阵特征值分解高速并行算法的FPGA实现

针对MUSIC(Multiple Signal Classification,多重信号分类)算法中的信号子空间和噪声子空间分离的硬件实现实时性需要,对矩阵特征值分解的Jacobi算法进行了并行改进,采用脉动阵列结构在FPGA(Field Programmable Gate Array)上高速并行实现了对数据协方差矩阵的特征值分解。采用矢量模式CORDIC算法和旋转模式CORDIC算法实现脉动阵列结构的细胞单元。系统字长选用16 bit定点数,采用硬件描述语言VHDL进行描述,在Altera公司的EP2S60中实现。整个特征值分解模块消耗24 372个FPGA中基本逻辑单元(LE),系统最高工作频率145 MHz,完成一次特征值分解的最低耗时为14.82μs。通过理论分析和实验验证,该实现方法精度高、速度快,大大提高了MUSIC算法的实时性,扩大了MUSIC算法的应用范围。     

结合快速傅里叶变换和线性调频变换的快速波达方向估计

针对阵列信号处理中传统多重信号分类(MUSIC)算法估计信号波达方向(DOA)时运算量庞大,导致其在实时性需求较高的场合应用受限的问题,提出一种结合快速傅里叶变换和线性调频变换的快速DOA估计算法。该算法以降低MUSIC算法谱峰搜索的运算复杂度为目的,首先利用分片搜索的思想并结合快速傅里叶变换对估计的信号子空间矢量进行波束形成,近似估计信号DOA,获取其对应波束指向及该波束指向对应的空域角度范围,避免了对全空域角度范围的谱峰搜索;然后,针对已确定的空域角度范围,结合线性调频变换算法实现信号DOA的精确估计,通过将MUSIC算法中对估计的噪声子空间矢量的加权处理转化为可以快速实现的序列的圆周卷积,降低精确估计信号DOA时谱峰搜索的运算复杂度。理论分析和仿真实验表明:相比于经典的MUSIC算法,所提算法能够在保证信号DOA估计精度的前提下将MUSIC算法谱峰搜索的运算复杂度降至原复杂度的10%以下;对于阵列孔径较大和DOA估计精度要求较高的场景,所提算法的计算效率优势更为明显。     

二维快速子空间DOA估计算法

提出一种二维快速子空间DOA估计算法,该算法利用阵列协方差矩阵的一个子矩阵得到降维的信号子空间,不需估计整个阵列的协方差矩阵,也不需进行特征值分解,从而使得该方法具有运算量小、复杂度低和易于实时处理的特点,因而可以应用在小数据样本和快速时变的信号环境中.理论分析和计算机仿真结果表明:与MUSIC算法相比,该算法运算量最多为MUSIC算法的1/4,低信噪比条件下DOA估计性能损失并不大,当信噪比大于5dB时,性能与MUSIC算法相当.     

某测向系统中MUSIC算法的FPGA实现

针对多信号分类(MUSIC)算法计算复杂度高,难以实时实现的特点,给出了适用于均匀圆阵的实数化预处理算法和实用的空间谱定义,并选择了适合硬件实现的特征值分解算法和排序算法;另外,基于某测向系统给出了MUSIC算法FPGA实现的总体结构和执行流程,并重点讨论了大矩阵特征值分解和空间谱计算的硬件结构设计.验证结果表明,该FPGA实现能够完成MUSIC算法的准确、快速计算.     

基于窄带信号DOA估计的宽带相干信号DOA估计方法研究

提出了一种用窄带信号的波达方向(DOA)估计方法与宽带聚焦的方法相结合来估计宽带相干信号的DOA的方法.先利用相干信号子空间法将带宽内各个频率点的信号子空间聚焦到参考频点下的同一信号子空间,然后利用窄带信号的波达方向估计方法对DOA进行估计.用了一种新的无需谱峰搜索并且不要对噪声方差进行估计的窄带SSESPRIT算法进行宽带波达方向的估计,为了比较又用了经典的需要进行谱峰搜索的窄带MUSIC算法进行宽带信号的一维及二维波达方向的估计,仿真实验结果验证了方法的有效性.     

给予窄带信号DOA估计的宽带相干信号DOA估计方法研究

提出了一种用窄带信号的波达方向（DOA）估计方法与宽带聚焦的方法相结合来估计宽带相干信号的DOA的方法.先利用相干信号子空间法将带宽内各个频率点的信号子空间聚焦到参考频点下的同一信号子空间,然后利用窄带信号的波达方向估计方法对DOA进行估计.用了一种新的无需谱峰搜索并且不要对噪声方差进行估计的窄带SSESPRIT算法进行宽带波达方向的估计,为了比较又用了经典的需要进行谱峰搜索的窄带MUSIC算法进行宽带信号的一维及二维波达方向的估计,仿真实验结果验证了方法的有效性.     

非圆信号扩展传播算子DOA估计求根算法

为有效降低非圆信号DOA估计算法的计算量,提出了一种非圆信号DOA估计快速算法。该算法运用扩展传播算子和多项式求根方法来降低计算量。首先根据非圆信号特性构造出扩展阵列输出矩阵,并生成扩展协方差矩阵,然后不需要对协方差矩阵的特征分解,使用扩展传播算子方法得到估计的扩展噪声子空间,再利用均匀线阵的多项式求根方法快速求出目标的DOA估计值。对算法的性能仿真和计算复杂度分析结果表明,提出的算法不但其均方根误差性能与NC-root-MUSIC、NC-ESPRIT、NC-MSWF-MUSIC等快速算法相似,同时提出的算法还大大减小了非圆信号DOA估计MUSIC算法的计算复杂度,而且其计算复杂度小于上述提到的快速算法,实现了非圆信号DOA估计算法的快速估计。     

DFT在二维DOA估计的MUSIC法中的应用

波达方向DOA估计(Direction Of Arrival)广泛应用于各种空间滤波系统中,而MUSIC算法是DOA估计中的经典和实用的算法.但由于算法中需要进行各种矩阵运算,其计算量相当大.笔者提出了在阵元数为2i的均匀圆阵中,利用数据的循环特性,采用DFT(Discrete Fourier Transform)的计算方法,完成MUSIC法的空间谱函数二维谱峰搜索.同时,分析了该方法相对于传统MUSIC法谱峰搜索时计算量的改进,给出了仿真结果.改进后的MUSIC算法计算量可以减少到传统算法计算量的一半.     

基于角信号子空间的波达方向估计方法

常规多信号分类(MUSIC)在估计信号或噪声子空间时未利用阵列的方向矢量信息.为改善波达方向(DOA)估计性能,提出一种新的角信号子空间概念.首先,由Gram行列式和超维空间中多面体体积公式,给出常规MUSIC方法的几何解释.其次,利用阵列响应矢量扩展观测数据矩阵,在每个搜索方向由增广数据矩阵的奇异值分解获得角信号子空间估计.理论分析表明,常规MUSIC零谱相当于超维空间中由阵列观测数据矢量和搜索方向矢量决定的多面体体积.仿真实验表明,利用角信号子空间能够较明显地改善DOA估计性能,特别是信号相关、信噪比较低以及快摄数较小的情况.     

平面阵列的半实值MUSIC波达方向估计算法

针对二维波达方向(DOA)估计算法运算量大的问题,基于平面阵列提出一种优化后的半实值MUSIC算法,将问题转化为对目标与x轴、y轴的2个夹角的估计,首先提取接收信号协方差矩阵的实部,并对其特征值分解得到噪声子空间;利用Kronecker积降维得到搜索区域减半的MUSIC谱,估计入射方向与x轴夹角;接着利用最小二乘法得到目标与y轴夹角的估计值;最后根据角度的对应关系方程求得二维DOA的估计值。仿真结果表明,该算法在保证精度的同时显著减小了运算量,且算法估计性能与常规MUSIC算法相当。     

极化敏感阵列的DOA及极化参数降维估计算法

为解决极化MUSIC算法运算量大的问题,提出了一种适用于极化敏感阵列的秩亏损MUSIC算法。在极化MUSIC算法的基础上,通过运用矩阵秩亏损原理将谱函数进行降维优化成只与空域参数相关的二维谱函数,大大降低了谱峰搜索过程中的运算量,同时保证了波达方向(DOA)估计精度。在获得入射信号的DOA之后,通过公式可直接计算得到入射信号的极化参数,具有较低的运算量。通过仿真实验可以验证秩亏损MUSIC算法存在着较高的估计精度,并通过将其与极化MUSIC算法的计算复杂度进行对比,可以发现秩亏损MUSIC算法具有较好的实时性,在入射信号相同并含有极化信息的条件下,秩亏损MUSIC算法的计算复杂度相较于极化MUSIC算法降低了104数量级。     

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。     

一种基于L型阵列的改进的二维DOA估计方法

二维DOA估计在电子侦察、智能天线、雷达等方面都有广泛应用.二维DOA估计的方法有很多,主要用水平面L型阵列和ESPRIT算法进行二维DOA估计.提出用水平线阵和垂直线阵构建L型阵列,分成四个子阵,计算四个互相关矩阵,四个互相关矩阵构造一个特殊的大矩阵,对该矩阵进行特征值分解获得信号子空间估计,再用ESPRIT算法进行方位角和仰角的估计.该方法可以直接得到目标仰角,不需要换算,简化了计算,通过子空间估计,提高了DOA估计的分辨率并可以估计更多目标的DOA.仿真结果表明本文的改进二维DOA估计方法提高了DOA估计的精度.     

利用求根MUSIC算法进行快速波达方向估计

针对经典波达方向(direction of arrival,Do A)估计算法复杂度高的问题,讨论了2种快速估计Do A的算法,即:传播算子求根多重信号分类(multiple signal classification,MUSIC)算法与多级维纳滤波器求根MUSIC算法.传播算子求根MUSIC算法是对协方差矩阵分块,得到传播算子构建噪声子空间,结合求根MUSIC算法估计出Do A.多级维纳滤波器不需要估计协方差矩阵,通过滤波器的前向递推,求解维纳-霍夫方程,得到信号子空间,根据正交投影原理,计算出噪声子空间与其共轭转置的乘积,结合求根MUSIC算法估计出Do A.这2种算法都不需对协方差矩阵奇异值分解和谱峰搜索,通过数学分析,复杂度明显降低.     

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.     

基于改进MUSIC算法的宽带DOA估计

经典MUSIC算法的统计特性主要建立在阵元数固定且快拍数趋于无穷的情况下,在有限样本中,当快拍数无法满足远大于阵元数的条件时,DOA估计会产生偏差.对于宽带信号的DOA估计,利用相干信号子空间(Coherent Signal-subspace Method,CMS)方法,构造聚焦矩阵使不同频率的信号子空间映射到同一参考频率上,用聚焦后的频域窄带模型进行DOA估计,并针对在实际应用中,阵列的阵元数较大且快拍数受限时经典MUSIC算法估计精度不高的情况,利用改进后的MUSIC算法-Spike-MUSIC算法,提高DOA估计精度.在不同信噪比下,分别对DOA估计的误差进行了MonteCarlo仿真实验,仿真结果表明,相对于普通的CSM方法,基于Spike-MUSIC算法改进的CSM方法在宽带DOA估计中具有更高的精度.     

基于协方差拟合旋转不变子空间信号参数估计算法的高分辨到达角估计

为进行高分辨到达角(DOA)估计的同时避免稀疏类算法的不足,提出了协方差拟合旋转不变子空间信号参数估计(ESPRIT)算法.首先将协方差拟合准则转换成半正定规划问题,利用凸优化进行求解,得到更接近理论值的信号协方差矩阵;然后对估计的信号协方差矩阵进行特征分解,利用信号子空间和噪声子空间特征值的差异估计信源个数;最后利用子空间旋转不变性反解出未知DOA.仿真实验从DOA估计精度、分辨率等方面验证了该算法的有效性,较传统ESPRIT算法具有更高的DOA估计分辨率并且受相干信源影响小;与稀疏类算法相比,不依赖先验信息以及避免了网格失配问题.     

基于矩阵重构和酉变换的DOA估计

为了提高重构相干信号测向算法的估计性能,降低算法运算量,提出了一种基于矩阵重构和酉变换方法的酉矩阵重构算法。该算法首先通过酉变换将阵列接收数据从复值计算转换为实值计算,使计算量大大降低;然后计算阵列协方差矩阵并进行特征值分解得到信号子空间,再将信号子空间重构为Toeplitz矩阵实现解相干并再次进行酉变换;最后通过特征值分解得到信号子空间并使用最小二乘法实现波达方向(direction of arrival, DOA)估计。相比于改进的旋转不变性的信号参数(estimation of signal parameters via rotational invariance techniques-like, ESPRIT-Like)算法和空间平滑处理算法,由于消除了噪声影响、构造了Toeplitz矩阵以及充分利用了数据的共轭信息,该算法的估计精度更高、具有更高的运算效率且在ESPRIT-Like算法失效的条件下新算法仍能有效估计DOA。本文算法的运行时间是ESPRIT-Like算法的71.2%,实验结果证明了该方法的有效性和真实性。     

直接数据特征值分解的相干源DOA估计

提出一种基于均匀圆阵单次快拍数据的相干信源波达方向(direction of arrival,DOA)估计方法——直接数据特征值分解(direct data eigenvalue decomposition,DD-EVD)法. 算法通过模式空间转换将均匀圆阵虚拟为均匀线阵,再直接利用波束空间的快拍数据,构造一个Toeplitz矩阵,并对矩阵按阵列流形分解. 理论推导证明,矩阵的秩得到恢复,只与入射信号个数有关. 对该矩阵进行特征值分解可得到正确的信号子空间和噪声子空间,进而完成相干信源DOA估计. 算法使用单次快拍数据构造矩阵,适合非平稳信号参数的估计,同时不需要快拍累计和相关运算,降低了计算复杂度. 仿真结果验证了算法的有效性.      

OFDM系统中基于子空间加权的时延估计算法

针对低信噪比条件下正交频分复用（orthogonal frequency division multiplexing，OFDM）系统利用MUSIC算法（multiple signal classification）进行时延估计时，特征值分解得到的信号子空间和噪声子空间不能完全正交导致算法性能下降的问题，提出一种基于子空间加权的时延估计算法——WMUSIC算法（weighted multiple signal classification）。算法对信道频域响应估计的协方差矩阵进行特征分解，利用噪声特征值的幂级数对噪声子空间进行加权处理，同时采用信号特征值的倒数对信号子空间进行加权处理，以修正MUSIC算法的伪谱，通过谱峰搜索得到时延估计值。仿真结果表明，与MUSIC算法相比，WMUSIC算法具有更高的时延估计精度，在信噪比为－8 dB时，估计精度在两径条件下提升71.46%，三径条件下提升19.48%。WMUSIC算法有效解决了低信噪比条件下MUSIC 算法伪谱谱峰存在混叠导致谱峰搜索误差较大的问题，可以完成较为准确的时延估计任务，提高了低信噪比条件下OFDM系统的时延估计性能。