基于噪声圆形特性的宽带相干信号DOA估计方法

针对色噪声下基于差分去噪的宽带相干信号波达方向(direction of arrival, DOA)估计方法对相干信源数有限制的问题，提出一种基于噪声圆形特性去噪和Toeplitz矩阵重构的估计算法。首先，对接收到的信号求取协方差矩阵，利用噪声的圆形特性消除噪声。为达到对协方差矩阵进行Toeplitz矩阵重构的要求，通过协方差矩阵相乘来构造新的数据协方差矩阵。然后，通过Toeplitz矩阵重构来解相干。最后，利用旋转子空间算法准则构造聚焦矩阵，使用传播算子算法实现DOA估计。理论分析及仿真实验验证了该算法的有效性，该算法对相干信源数的奇偶没有限制，同时该算法也适用于高斯白噪声下宽带相干信号DOA估计的场景。     

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。     

盖氏圆准则信源数估计算法的分析与改进

为了减少盖氏圆准则信源数估计算法的运算量并且提高信源数估计的精度,根据噪声空间与阵列导向矩阵的正交性原理,设计了基于特征空间的信源数估计算法(Estimator Based on Eigenvectors,EBE).EBE构造时空相关矩阵,利用色噪声在时间上相关性比较弱的特点,实现对空间色噪声的抑制.在空间白噪声环境下和空间色噪声环境下测试了EBE信源数估计的性能并且与传统的盖氏圆准则和其它色噪声类信源数估计的一些算法比较,证明了EBE在空间白噪声和空间色噪声环境下的有效性.EBE不仅节省了盖氏圆准则信源数估计中一次特征分解的运算量,并且同时提高了信源数估计的性能.     

基于特征子空间投影的信源数估计方法

为了适应实际测向系统的环境,针对常规信源数估计方法在色噪声背景下估计性能变差的问题,提出了基于特征子空间投影的信源数估计方法。首先对特征向量分组,获得只含有噪声部分和既含有噪声又含有信号部分的特征子空间。阵列的导向矢量阵与噪声子空间正交,而与信号子空间张成的是同一个空间。根据这个原理,将协方差矩阵在不同特征子空间上进行投影,得到存在差异的投影数据。最后对投影数据进行求方差处理,得到投影方差,将其作为信源数估计的依据,进而实现信源数估计。仿真实验和实测数据测试表明了该算法的正确性和有效性。     

基于协方差矩阵对角加载的信源数估计方法

针对基于信息论准则的信源数估计方法在白噪声背景下具有良好的估计性能,但在色噪声背景下,利用信息论准则进行信源数估计时,会得到真实信源数目过估计的问题。为了将信息论准则推广应用到色噪声背景下,提出了一种改善色噪声背景下噪声特征值发散的特征值校正算法,首先采用对角加载技术平滑色噪声背景下的噪声特征值,然后对平滑后的特征值利用信息论准则估计信源数。仿真结果证明了该算法的有效性。     

空域色噪声背景下双基地MIMO雷达角度估计

空域有色噪声会导致现有多输入多输出(multiple input multiple output, MIMO)雷达算法性能下降, 甚至完全失效。针对空域色噪声背景下双基地MIMO雷达联合波离角(direction of departure, DOD)和波达角(direction of arrival, DOA)估计问题, 分析了现有算法失效的原因。考虑到匹配滤波后无噪协方差矩阵的低秩特性、色噪声协方差矩阵的稀疏特性以及MIMO雷达数据的多维结构特性, 提出一种基于张量分析的角度估计算法。首先, 构造角度估计的协方差张量, 通过去除协方差张量中受噪声协方差影响的元素对色噪声进行抑制。其次，利用张量填充技术对无噪协方差矩阵进行恢复。然后，利用平行因子分解获得目标角度的方向矩阵。最后, 采用最小二乘算法对目标的DOA和DOD进行拟合。仿真结果表明, 所提算法对色噪声不敏感, 且无孔径损失。相比现有矩阵及张量分析算法, 所提算法具有更高的估计精度。     

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。     

相关噪声下基于对角加载的相干信源DOA估计算法

针对更为广泛的空间相关噪声背景下相干信源的DOA估计问题,提出了一种对角加载的改进空间差分平滑（diagonal loading improved spatial smoothing difference, DL ISDS）算法。该算法利用均匀线阵协方差矩阵的Toeplitz分解特性进行差分运算对消相关噪声,将独立和相干信源分开分辨,重复利用阵列接收数据,可分辨更多信源,相比常规谱估计算法,DL ISDS算法具有更强的信源过载能力及阵元节省能力;另外,该算法无需预知或专门估计相干信号源数及特征值分解,可明显减小算法的运算量和复杂度。计算机仿真结果证明了DL ISDS算法理论的正确性和有效性。     

虚拟阵列下的相干信号测向算法

大多数解相干测向算法只能应用于均匀线阵,而不能用于均匀圆阵。针对这一问题提出了一种基于虚拟均匀线阵的快速解相干波达方向估计算法,该算法对均匀圆形阵列的输出信号进行模式激励,使其成为虚拟均匀线阵,在色噪声协方差矩阵为复对称Toeplitz结构的情况下,利用空间差分方法和矩阵重构相结合来估计相干信号,并且去除非相干信号以及色噪声。该算法提高了阵列的信源过载能力,不需要进行高阶累积量的计算以及特征分解,计算机仿真结果证明了算法的有效性。     

基于对角减载的水声阵列SMI-MVDR

空间谱估计一直都是水声阵列信号处理研究的热点问题,而一般认为目标和背景干扰的信息都蕴含在接收信号协方差矩阵中,因而现有的谱估计技术大多针对接收信号的协方差矩阵进行处理。由于信号和噪声的相关性,导致协方差矩阵中主对角线元素上的噪声分量最大。针对这一特性提出了基于对角减载的水声阵列采样矩阵求逆(sample matrix inversion, SMI)最小方差无畸变响应(minimum variance distortionless response, MVDR)波束形成技术。理论推导了对角减载量对输出功率谱目标方位上输出信噪比的影响,分析了最佳对角减载系数的选取原则。并针对实际工程应用情况,研究了由有限次快拍数估计的采样矩阵得到最佳对角减载系数的方法,该方法无需预估信号源数。通过算法仿真和海试数据处理,对比验证了基于对角减载的SMI MVDR空间谱估计的有效性和可靠性。对于背景噪声级较强的水声阵列信号处理环境来说,所提方法能有效提高高斯白噪声背景下的声纳多目标分辨性能。     

基于噪声子空间特性的波束形成器设计

为高效、高性能地合成阵列接收信号, 提出基于噪声子空间特性的波束形成器设计。首先, 利用噪声的宽带分布特性, 对Capon空间谱的噪声区域做粗采样, 由此进行残留噪声补偿, 获得信号协方差矩阵的估计; 其次, 利用噪声子空间与信号子空间的正交性, 通过信号协方差矩阵分解构造出信号正交补投影算子; 最后, 利用噪声子空间与干扰子空间的正交性, 用该投影算子对观测信号进行处理, 获得干扰功率估计, 进而推导出干扰加噪声协方差矩阵和最终的波束形成器。仿真结果表明, 该方法仅耗费较少的快拍, 即可在大信噪比范围内实现较高信干噪比输出。     

基于噪声特征向量重构的地波雷达单次快拍超分辨算法

高频地波雷达在一个相参积累时间内通常只能得到频域一次快拍,利用其直接进行波达方向估计性能较差。针对这一问题,在分析时、频域协方差矩阵特征分解后差异的基础上,在频域采用降维方法估计协方差矩阵。根据频域目标信噪比相对较大的特点,利用最大特征值对应的信号特征向量构造原始的数据矩阵,并对该矩阵进行奇异值分解得到新的噪声子空间,进而构造出新的噪声特征向量,最后利用该噪声特征向量进行方位角估计。仿真和实测数据分析验证了算法的有效性,相比降维Toeplitz算法和前后向空间平滑算法有着更高的分辨力和估计精度。     

一般性广义噪声协方差矩阵自适应迭代谱估计

分析了非参数化谱估计方法,分析表明,它们所解决的优化问题都是加权最小二乘（weighted least square, WLS）,不同在于如何估计广义噪声协方差矩阵来构建加权矩阵。基于统一框架,提出了一种能同时估计信号频谱和观测噪声的自适应迭代非参数谱估计方法。该方法在每一次迭代时都利用上一次估计结果来逐步逼近真实的广义噪声协方差矩阵。分析和仿真表明,本文方法具有分辨率高,谱泄漏抑制好,并能增强信号协方差矩阵的可逆性和频谱范围选择的随意性等特点。     

高效的多跳频信号2D-DOA估计算法

为了利用跳频信号的空域特征参数辅助多跳频信号的网台分选,在空时频分析的基础上,提出一种基于多重信号分类(multiple signal classification, MUSIC)对称压缩谱(MUSIC symmetrical compressed spectrum, MSCS)的多跳频信号二维波达方向(two dimensional direction of arrival, 2D-DOA)高效估计算法。首先根据跳频信号的时频域特征,构建每一跳的空时频矩阵(spatial time frequency distribution, STFD),获取时频域的协方差矩阵;然后将共轭子空间的思想引入到MUSIC算法中,通过对噪声子空间及其共轭的交集进行奇异值分解,实现噪声子空间的降维;最终通过半谱搜索实现2D-DOA的高效估计。同时为了提高低信噪比条件下算法的性能,在时频图处理过程中采用形态学滤波进行去噪,并在修正的时频图上完成了跳频信号每一跳的提取。通过理论论证和实验仿真表明,本文算法相比于MUSIC算法,在保证均方根误差相当和估计成功率有所提高的情况下,计算复杂度降低了一半。     

高斯色噪声下混合信号二维DOA估计方法

针对色高斯噪声环境下混合信号二维波达方向(two-dimensional direction of arrival, 2D-DOA)估计问题,提出四阶累积量与斜投影算子相结合的混合信号波达方向(direction of arrival, DOA)估计算法。首先利用接收数据构造四阶累积量矩阵切片替代传统协方差矩阵来抑制高斯色噪声,并通过传播算子方法(propagator method,PM)估计非相干信号的仰角与方位角。然后采用正交三角(orthogonal triangular,QR)分解构造特定的斜投影算子,使接收信号中仅包含相干信号信息。将矩阵重构与PM相结合来解相干并估计相干信号的仰角与方位角。可以实现高斯色噪声背景下混合信号的2D-DOA估计,且估计信号的方位角和仰角能够实现自动配对,仿真实验证明了算法的有效性。