一种基于神经网络的宽带相干信号波达方向估计方法

相干信号子空间处理方法（ＣＳＭ）是一种通过构造聚焦（ｆｏｃｕｓｉｎｇ）矩阵来估计宽带相干源波达方向（ＤＯＡ）的有效方法．本文基于逆传播（ＢａｃｋＰｒｏｐａｇａｔｉｏｎ）学习算法，给出了一种用神经网络来实现聚焦过程的新颖方法．利用这种方法进行ＤＯＡ估计，可以无需预先知道源信号初始信息，不经预处理过程即可获得对ＤＯＡ的高性能估计     

利用单次快拍实现相干信源二维测向的新算法

针对复杂电磁干扰背景下相干信源二维波达方向的快速估计问题,根据垂直阵列系统特点,利用单次快拍数据在3个不同维度构造了数据矩阵实现解相干,并结合ESPRIT算法实现了二维DOA的快速估计. 该算法仅利用单次快拍数据,不需要进行协方差矩阵的计算,并将二维DOA估计问题转化为3个一维DOA估计,可同时在3个维度并行处理,因此运算量大大降低,利于工程实现. 针对算法存在阵列孔径损失和仅采用一次快拍数据量导致的估计误差偏大问题,利用非圆信号特征和同相位数据叠加,改善了算法的估计性能,提高了阵列自由度. 数值仿真验证了本文算法及提高估计精度对策的有效性.      

阵列信号波达方向-频率的同时估计方法

入射信号的参数估计是阵列信号处理中的基本问题．基于阵列信号处理中高分辨率波达方向－频率的同时估计问题,提出了针对等距线阵的方法．利用时延数据,以时间变元作为旋转因子,在此基础上实现ＥＳＰＲＩＴ技术,对波达方向和频率同时进行估计．方向和频率之间的配对问题可以对应关系自动解决．这样不但可以完全避免多项式搜索,运算量少,而且分辨率也相当高．给出的计算机模拟实验证实了该方法的有效性．     

一种适合任意阵列流型的相干信号波达方向估计算法

针对多径环境中相干信号波达方向(DOA)估计问题,提出了一种适合任意阵列流型的相干信号波达方向估计算法(DOA-CSAA).先通过联合使用时域和空域相关函数估计出每个用户组的广义导向矢量,再估计出每个用户组内多条路径上的波达方向.由于DOA-CSAA算法所利用的信号的空域相关信息和时域相关信息均为信号的二阶统计量,因而运算量远小于基于四阶统计量的算法.此外,DOA-CSAA算法由于未使用子空间平滑算法,所以不受阵列流型限制,且阵列孔径没有降低,因此当使用M个阵元的任意阵列流型时,可估计出的DOA个数最多可达M(M-1)个.仿真实验表明,与经典子空间平滑算法相比,DOA-CSAA算法在均方根误差为10-4～10-3时可获得20 dB左右的信噪比增益.     

用V形阵列估计二维波达方向

提出了一种Ｖ形阵列,它可以分解为两个一致位移子阵列．由子阵列信息可以形成混合波达方向矩阵．在无需谱峰搜索的条件下,对混合方向矩阵进行特征分解,可以获得信号的混合方向矢量和方向元素．因此可以估计出信号的二维波达方向．本文方法不仅保持波达方向矩阵方法的优点,而且在一定程度上可以分辨来自于同一方位角或同一高低角的信号．     

基于混合波达方向矩阵的测向方法

设计了一种准二维传感器阵列。这种阵列可划分为两个平移子阵，利用这两个子阵的信息构成混合波达方向矩阵。对混合波达方向矩阵进行特征分解，可获得信号的方位方向元素和方位角与高低角的混合方向矢量。这种方法具备波达方向矩阵的优点。     

累量域高分辨率二维波达方向估计算法

提出一种利用虚拟双线性平行阵进行累量域高分辩率二维波达方向估计的新算法。该算法将累量用于协方差的计算,构造了一个虚拟ＤＯＡ矩阵,并基于此矩阵进行波达方向估计。理论分析表明,对虚拟ＤＯＡ矩阵特征值分解,就可以得到源信号的二维ＤＯＡ估计。同时由于累量对高斯噪声的自然盲性,因而算法具有稳健性。该算法的另一特点是可以提供虚拟扩展孔径,提高了孔径的利用率。     

基于Y形阵的宽带信号波达方向估计研究

理论分析表明,Y形阵具有所需阵元少和在DOA估计的范围内其估计性能基本保持一致等优点,是角度一致性和阵元数的较好折衷,在阵元数受限和对角度一致性要求较高的场合具有较高的应用价值。为了研究Y形阵在宽带信号的DOA估计中的性能,将Y阵与双边相关变换算法相结合,对多个宽带相关信源进行DoA估计。计算机仿真实验结果验证了上述理论分析的正确性。关     

平面六边形天线阵列波达方向估计

分析了智能天线自适应算法波达方向估计（DOA）问题,在一维MUSIC算法的基础上讨论了二维六边形天线阵列的空间谱并进行了Matlab仿真实验;仿真结果表明,六边形天线阵列不仅可以判断波达方向的俯仰角而且可以判断方位角;同时讨论了DOA算法的分辨率,与一维MUSIC算法相似,二维条件下六边形天线阵列具有良好的角分辨率,可以满足非相干信号的工程要求。     

空间特征的累量域估计算法与共信道相干源波达方向估计

提出了一种基于累积量的多用户空间特征估计算法,并将该算法用于智能天线系统中的多用户相干源波达方向（ＤＯＡ）估计。该算法构造了累量域空间特征矩阵,通过对空间特征矩阵的特征分解得到用户信号的空间特征估计,基于空间特征的估计,利用前后向平滑空间特征协方差矩阵估计共信道多用户信号的ＤＯＡ,并将各用户的ＤＯＡ自动分组,仿真实验验证了算法的有效性。     

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.     

准范德蒙行列式及其在相干信号DOA估计中的应用

给出了准范德蒙行列式的定义、求值表达式及其证明，并对估计到达波方向的Ｅａｕａｔｉｏｎ方法进行了理论证明。     

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.      

分数阶Fourier域宽带相干LFM信号的DOA估计

针对具有相同时频分布的宽带相干LFM信号,提出了一种DOA估计新算法.该方法利用分数阶Fourier域前后向空间平滑技术对信号去相干,然后由MUSIC算法估计信号的DOA.这种算法既具有避免矩阵插值和汇聚变换,不需要到达角初始估计等优点,又能正确地估计宽带相干LFM信号的DOA.仿真结果验证了算法的有效性.     

非规则部分校准阵列下的宽带LFM信号二维DOA估计

提出了一种宽带线性调频（LFM）信号的二维波达方向（DOA）估计新方法.该方法在空域和时域同时对信号进行采样,并利用观测样本的分数阶Fourier域峰值构造出新的时频空DOA矩阵,进而通过特征值分解的方法实现多个LFM信号的DOA估计.该方法充分地挖掘了观测信号所包含的时频信息,降低了对阵列结构和阵元一致性的约束,使其适用于阵元几何分布不规则且大部分阵元未经校准的阵列.此外,该方法无需谱峰搜索和二维参数配对,计算简单且估计精度较高.仿真结果显示,在DOA估计的均方根误差（RMSE）相同时,与传统方法相比,该方法可获得6～8 dB的信噪比增益.     

一种稳健的未知信源数目的DOA估计算法

现有的DOA估计算法都是基于较为理想的模型提出的,在实际工程中,这些算法的性能受快拍数少、阵列误差的影响会严重恶化.针对这一问题,文中提出一种稳健的未知信源数目的 DOA估计算法.该算法先利用投影变换技术对阵列接收数据进行预处理,抑制模型误差并降低数据维数,从而提高算法的稳健性并减少计算量,然后根据变换后的m-Capon算法空间谱函数估计DOA.仿真结果表明:该方法在快拍数少、系统误差不大(小于10%)的情况下依然具有一定的方位"超分辨"能力,而且有较强的稳健性,性能远优于现有的MUSIC算法和对角加载m-Capon算法.     

阵列信号处理中DOA估计的误差分析

多重信号分类法(即MUSIC算法)具有很高的分辨力、估计精度及稳定性,在阵列信号处理中对DOA(direction of arrival)的估计也一直是人们研究的热点。通过对MUSIC算法中影响DOA估计的误差因素进行分析和研究,讨论MUSIC算法的估计性能。理论分析和仿真结果表明,对非相关或相干信号,MUSIC算法是一种有效的测量目标方位角的方法。     

基于引力搜索算法的相干信号源DOA估计方法

针对最大似然(ML)DOA估计方法存在着运算量高且容易收敛到局部极值的问题。结合引力搜索算法(GSA)与最大似然方法,提出了一种GSA-ML方法。将最大似然函数作为GSA算法的适应度函数,在遵循ML方法的主体思想同时,利用GSA算法运算量低和收敛速度快的优点,成功地找到似然函数的全局最优解;并保存了ML方法的优点。仿真结果表明,GSAML方法不仅能有效估计相干信号源;并且相比MUSIC、ESPRIT和TLS-ESPRIT算法,拥有更高的精度和估计成功概率。