采用信号子空间稀疏表示的DOA估计方法

利用目标辐射源空间分布的稀疏性,提出了一种基于稀疏表示的多快拍联合波达方向(direction of arrival, DOA)估计方法。该方法首先利用采样数据矩阵大奇异值对应的左奇异向量估计信号子空间,然后采用加权迭代最小方差方法对信号空间进行稀疏表示。与传统的角度高分辨估计方法不同,该方法没有利用样本的统计信息,因而对具有任意相关性的信号源能进行有效的波达方向估计,不需要进行去相关处理,且具有很高的分辨力及估计精度。实验表明在该方法能准确的对目标源方位进行估计,且极大地降低了稀疏表示的计算量。     

基于投影预变换的快速DOA估计算法

利用信源分布的先验信息,提出了一种基于投影预变换的快速DOA估计算法(projection pretransfor-mation method,PPTM),它将存在阵的输出数据向量变换到低维阵列流形的输出数据向量,降维变换后可明显减小DOA估计算法的运算量,并可提高谱分辨力。基于虚拟interpolate思想,将该方法进一步应用到整个阵列空域,在每一子空域实施降维投影变换,可大大减小谱估计算法的运算量。计算机仿真结果表明,PPTM比常规空间谱估计算法具有更好的分辨性能和更低的信噪比门限。     

基于协方差矩阵重构的单基地MIMO阵列无网格DOA估计方法

提出了一种单基地多输入多输出(multiple-input multiple-output, MIMO)阵列中的协方差矩阵重构的无网格波达方向(direction-of-arrival, DOA)估计方法。该方法通过降维处理将MIMO阵列等效为信噪比(signal-to-noise ratio, SNR)提升的均匀线列阵,将目标方位估计问题转化为混合范数最小化(mixed norm minimization, MixNM)稀疏信号重构问题。进一步给出了与该稀疏重构问题等价的基于网格的凸优化问题,并模型化为半定规划来求解。为了解决网格大小影响估计性能的问题,利用了等价均匀线列阵的托普利兹结构,模型化为半定规划问题来重构无噪声协方差矩阵,最后通过范德蒙分解来估计目标方位。与传统的基于MixNM方位估计方法相比,该方法减少了优化变量个数。与其他离网格方法相比,该方法估计精度不受网格大小的影响,且能够估计相干源目标。实验仿真验证了该方法的有效性。     

基于ESPRIT算法的柱面共形阵列天线DOA估计

由于共形天线阵列流形的多极化特性(polarization-diversity,PD),信源方位参数与极化状态的“耦合”是实现共形阵列天线波达方向(direction-of-arrival, DOA)估计的主要难点。针对柱面共形阵列天线的特点,建立了柱面共形阵列天线的导向矢量模型;通过合理的阵元排列结构设计,结合ESPRIT (estimation of signal parameters via rotational invariance techniques)算法参数估计的特点,实现了信源极化状态与方位参数的去耦合,推导了ESPRIT算法多参数估计的参数配对方法,最终提出了柱面共形阵列天线盲极化DOA估计算法。计算机Monte Carlo仿真实验验证了所提算法的有效性。     

一种非理想阵列的快速宽带信号方位估计算法

针对宽带信号方向估计算法需要进行初次估计和进行多次奇异值分解的问题,提出了在传感器阵列存在误差的情况下,基于Prony-Lanczos方法的快速宽带信号方位估计算法。方法将接收信号转换到频率域内,分离阵列流形中信号方向和阵列参数;其次,在考虑阵列互耦的情况下,采用快速奇异值分解的方法求取奇异向量,并利用奇异向量构造聚焦矩阵;最后,利用聚焦求和窄带方位估计对宽带信号进行方法估计。仿真试验表明,存在阵列误差的情况下,本算法具有较好的分辨率和较低的计算复杂度和鲁棒性。     

低信噪比下非冗余阵列的无网格DOA估计

波达方向(direction of arrival, DOA)是阵列信号处理模型中的非线性参数,当信噪比较低时,其估计值会偏离真实值。为了降低无网格DOA估计方法中该问题的阈值,介绍了一种基于无网格的基于协方差的稀疏迭代估计(sparse iterative covariance-based estimation, SPICE)方法。引入了最大似然求根多重信号分类(maximum likelihood root multiple signal classification, ML-Root-MUSIC)来计算DOA,使用最大似然准则来选择根,可以降低阈值并获得更好的分辨率特性。在原始无网格SPICE的优化问题中加入了负熵项,使得无网格SPICE的均方根误差曲线更接近于Cramer-Rao下界。最后,蒙特卡罗仿真实验验证了所提方法在低信噪比非冗余阵列情况下的优越性。     

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。     

锥面共形阵列天线相干信源盲极化DOA估计算法

针对共形天线阵列流形的多极化特点,建立了锥面共形阵列天线导向矢量的数据模型。通过合理的阵元排列结构设计,推导了锥面共形阵列天线信源解相干的空间平滑算法,解决了ESPRIT(estimation of signal parameters via rotational invariance technique)算法多信源方位估计的参数配对问题,最终给出了锥面共形阵列天线相干信源盲极化波达方向(direction of arrival, DOA)估计算法。该算法利用锥面共形载体的单曲率特性,结合ESPRIT算法参数估计的特点,在盲极化条件下实现了相干信源的高分辨DOA估计。Monte Carlo仿真实验验证了算法的有效性。     

基于互质阵虚拟阵列空间平滑的相干信号DOA估计方法

针对相干信号波达方向(direction of arrival, DOA)以空间平滑方法为基础的算法中阵列孔径损失严重以及低信噪比环境下算法估计性能较差等问题,提出一种无需信源数先验信息的互质阵列相干信号DOA估计方法。首先,对互质阵列得到的协方差矩阵矢量化,在虚拟阵元空洞位置内插天线零元,重构协方差矩阵为Toeplitz矩阵,拓展阵列孔径。然后,对重构阵列进行前后向空间平滑处理,消除信号相干性,提高算法估计性能。最后,将前后向平滑矩阵类比均匀对称阵列的协方差矩阵,设计代价函数转化为凸优化问题,通过谱峰搜索进行DOA估计。理论分析及仿真结果表明,该方法无需入射信号信源数,计算复杂度低,且在低信噪比环境下相干信号DOA估计数、估计分辨率以及估计精度都得到了明显改善。     

基于稀疏非均匀COLD阵列的极化信号DOA估计

基于稀疏非均匀COLD(concentered orthogonal loop and dipole)阵列,提出了一种极化信号的DOA(direction-of-arrival)无模糊估计算法.该算法利用了稀疏非均匀COLD阵列的阵元数少和孔径大等特点,因而在阵元数目一定的情况下,可获得较高的DOA估计精度.由于稀疏非均匀COLD阵列可分成电磁环和偶极子两个子阵列,通过分析每个子阵列DOA估计的模糊性,给出了整个稀疏非均匀COLD阵列不发生DOA估计模糊的条件.通过计算机仿真证明了该算法的有效性.     

基于L型阵列MIMO雷达的DOA矩阵方法

首先提出一种基于波达方向（direction of arrival, DOA）矩阵思想的L型阵列多输入多输出（multiple input multiple output, MIMO）雷达二维角度估计方法。通过将L型阵列MIMO雷达所产生的二维虚拟平面阵列划分为两个子阵,并构造估计矩阵以实现二维角度估计。在此基础上,针对角度兼并问题,进一步提出联合对角化DOA矩阵方法。该方法通过构造4个子阵,并采用联合对角化方法估计目标二维角度。该方法在保持原DOA矩阵法无需二维谱峰搜索和参数配对等优点的基础上避免了角度兼并问题,能够减少阵列孔径损失,有效提高阵元利用率和角度估计精度。仿真实验验证了所提方法的有效性。     

准平稳信号的Khatri-Rao积联合稀疏分解DOA估计方法

针对准平稳信号的波达方向估计,提出一种基于Khatri-Rao（KR）积的联合稀疏分解算法。该算法借助KR积将阵列接收数据表示成多个虚拟联合稀疏测量矢量模型,通过求解联合稀疏反问题实现波达方向估计,给出了联合稀疏反问题的唯一性条件,解决了当前稀疏分解方位估计不能处理欠定情况的问题。仿真实验验证了算法的有效性,在低信噪比下获得了更高的分辨率。     

基于MUSIC对称压缩谱的快速DOA估计

为提高波达方向（direction of arrival, DOA）估计的速度、降低运算量,在分析多重信号分类（multiple signal classification, MUSIC）算法原理的基础上,利用噪声子空间降维的思想构造一维MUSIC对称压缩谱(MUSIC symmetrical compressed spectrum, MSCS)。MSCS通过构造共轭噪声子空间并对噪声子空间及其共轭子空间的交集进行奇异值分解得到,其物理实质等效于在空间辐射源的对称位置添加相同数目的镜像辐射源。理论分析和仿真实验表明,MSCS不受实际阵型的限制,能将DOA估计的计算量降至传统MUSIC算法的50%,并具有与MUSIC相当的估计精度。     

一种双L型阵列DOA估计参量的精确配对方法

针对配对算法中可能出现的配对错误及运算量较大的问题,提出一种基于双L型阵列的三角函数配对法。首先用一维波达方向(direction of arrival, DOA)算法得到由仰角和方位角三角函数组成的向量,而后利用双L型的阵形特点和三角函数之间的关系完成配对过程,有效地解决了不同信源之间的仰角和方位角之差较接近时所出现的配对错误。此方法在不依赖于信号形式和一维估计方法的前提下,提高了配对检测概率和估计精度,同时大大降低了运算量。仿真结果证实了算法在配对成功率和估计性能上的提高。     

基于最大期望算法的多时变信号DOA估计方法

当多个辐射源同时存在并交替发射信号时,接收数据间相互交错,且多个数据间并无显性关联,无源合成阵列每一次测量仅能获取来波的频率、幅度与相位等数据信息。为了同时、高效地实现多个参数的联合估计,提出采用最大期望算法进行估计多个时变信号参数估计的新方案,将一个高维多参数优化问题分解成多个并行的低维问题进行求解。该方法主要包含求解期望值步骤和期望值最大化两个步骤。求解期望值步骤主要建立接收信号与其辐射源的对应关系,即信号分选,而期望值最大化步骤采用最大似然方法估计辐射源的入射角信息。这两个步骤相互迭代,交替进行辐射源信号的分选与测向。同时,还推导出无源合成圆阵相位差数据的最大似然方法进行入射角的精确估计的闭合形式解,并通过接收信号的复数响应进行相位模糊解算,并推导出测向精度的理论下限。最后,通过数值仿真结果验证了该方法的有效性。     

基于最大期望算法的多时变信号DOA估计方法

当多个辐射源同时存在并交替发射信号时,接收数据间相互交错,且多个数据间并无显性关联,无源合成阵列每一次测量仅能获取来波的频率、幅度与相位等数据信息。为了同时、高效地实现多个参数的联合估计,提出采用最大期望算法进行估计多个时变信号参数估计的新方案,将一个高维多参数优化问题分解成多个并行的低维问题进行求解。该方法主要包含求解期望值步骤和期望值最大化两个步骤。求解期望值步骤主要建立接收信号与其辐射源的对应关系,即信号分选,而期望值最大化步骤采用最大似然方法估计辐射源的入射角信息。这两个步骤相互迭代,交替进行辐射源信号的分选与测向。同时,还推导出无源合成圆阵相位差数据的最大似然方法进行入射角的精确估计的闭合形式解,并通过接收信号的复数响应进行相位模糊解算,并推导出测向精度的理论下限。最后,通过数值仿真结果验证了该方法的有效性。     

基于矩阵填充的小波图像压缩算法

根据图像小波系数的能量聚集特性,提出了一种基于矩阵填充的小波图像压缩算法。该算法在单层离散小波变换的基础上,分别对图像各高频子带的小波系数进行稀疏采样,然后对少量的采样系数进行熵编码以实现图像压缩。解压缩时,采用奇异值收缩迭代算法完成矩阵填充,从少量的采样系数中恢复出各高频子带,再进行小波反变换重构图像。实验结果表明,该算法实现简单,在编码比特率大于1比特/像素时,具有较好的压缩性能。     

幅度相位误差条件下的互质阵列DOA估计方法

针对基于互质阵列的欠定波达方向(direction of arrival, DOA)估计方法在阵元幅相误差条件下性能急剧下降的问题, 提出一种基于校正阵元的互质阵列DOA估计方法。首先, 将阵列接收数据分解为两个子阵数据, 基于校正阵元对子阵分别进行幅相误差估计, 并将子阵幅相误差排序重组。然后, 对接收数据协方差矩阵进行误差补偿并扩展为高维的Toeplitz矩阵。最后, 基于矩阵填充理论对高维协方差矩阵进行空洞填充, 结合求根多重信号分类(root multiple signal classification, root-MUSIC)算法进行DOA估计。理论分析和仿真结果表明, 该方法可以实现互质阵列的幅相误差估计, 并通过误差补偿有效恢复幅相误差条件下的互质阵列DOA估计性能, 提高估计精度。     

一种基于信号子空间聚焦的宽带DOA估计算法

根据阵列采样获得的宽带信号带宽内各个频点的协方差矩阵进行特征值分解得到的信号子空间,提出了一种新的宽带聚焦DOA估计方法。直观地根据各个频点的信号子空间来构造聚焦矩阵,推导了最佳聚焦信号子空间。对新方法的性能分析表明,该方法的性能与双边变换(TCT)方法相同,并给出了证明。构造聚焦矩阵时新方法所用的矩阵维数小于TCT方法,因此新方法运算量小于TCT方法。仿真结果证明了算法的有效性。     

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。