基于共形阵的角度和极化信息联合估计算法

针对复杂载体上共形阵列存在多极化接收和遮挡效应的问题,本文提出一种基于方向图矩阵重构导向矢量的改进极化多重信号分类(multiple signal classification, MUSIC)算法。首先对共形天线阵列进行建模,在获取各个阵元的方位和俯仰分量方向图数据后,将方向图数据分解并重构阵列的导向矢量矩阵,最后结合极化MUSIC算法进行波达方向(direction of arrival, DOA)和极化参数联合估计。相对于理论导向矢量的极化MUSIC算法,本文所提改进算法在解决了遮挡效应的同时具有更高的估计精度,并可有效降低运算量。仿真实验结果验证了这一结论。     

基于导向矢量信号的未知信源数DOA估计算法

针对多重信号分类（multiple signal classification, MUSIC)算法、旋转不变子空间（estimation of signal parameters via rotational invariance technique, ESPRIT)等大多数空间谱估计算法需要进行准确的信源数估计,且当信源数估计出现误差时性能易受影响的问题,提出了一种基于导向矢量信号的未知信源数波达方向（direction of arrival, DOA）估计算法。该算法通过引入导向矢量信号,以自适应波束形成中最大信噪比准则下最优权矢量对应的准最大信噪比作为来波方向估计参数,从而避免了大多数空间谱估计算法中的信源数估计并实现了各个信号来向的准确估计。对该方法进行了计算机仿真验证,仿真实验结果表明该算法是有效的。     

基于非圆信号的MIMO阵列方位估计方法

给出了多输入多输出（multiple-input multiple-output, MIMO）阵列的阵列信号模型。针对信号为非圆信号的形式,提出了一种在MIMO阵列中基于非圆信号的共轭多重信号分类方法（multiple-input multiple-output conjugate multiple signal classification, MIMO CMUSIC）。这种方法充分利用非圆信号的特点,从阵列接收数据构造共轭对称的Toeplitz矩阵得到伪协方差矩阵,然后用常规MUSIC方法进行处理。仿真结果表明,与常规MUSIC方法相比,在只需要一次或者少次快拍下,此方法在MIMO阵列中能够分辨多个目标,性能远优于常规的MIMO MUSIC方法。     

飞行机器人传感器阵列信息处理技术研究

越来越多的应用任务要求机器人能高精度的测量目标相对机器人的位置信息.通过在飞行机器人上安装传感器阵列来感知环境信号,并运用阵列信号处理算法可实现高精度的目标方位角度估计.给出了MUSIC(Multi signal classification)算法应用在传感器阵列信号处理的原理和实现方法,利用一种改进的MUSIC算法使机器人的传感器阵列能在出现相干信号源或信号信噪比较低时也能完成对多个信号方向的精确估计,并仿真实现.     

阵列天线通道误差的盲校正

基于特征值分解的高分辨率DOA估计MUSIC算法,在理想阵列条件下性能很好,但对噪声扰动和系统误差都很敏感,噪声扰动和系统误差会严重恶化这一类算法的性能,使其分辨率下降。提出一种基于MUSIC算法的盲校正方法,需要在阵列周围满足远场条件的地方布置一个RF信号源,不需要知道信号源的方位角,就可以精确校正阵列天线的通道误差。仿真结果证明这种方法有效,校正结果理想。     

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。     

机载电磁矢量传感器阵列DOA和极化参数估计

针对机载电磁矢量传感器阵列DOA和极化参数估计问题,提出了一种基于复四元数估计方法,该算法利用四元数建立机载电磁矢量传感器阵列信号处理模型,然后利用四元数联合矩阵的特征分解得到阵列数据相关矩阵的特征分解,一方面使得计算过程中数据的贮存量大大减少,另一方面通过推导得到信号子空间和噪声子空间在四元数域上的正交性从而使DOA和极化参数估计的精度更高,仿真证实了本算法的有效性。     

阵列天线通道不一致性校正的辅加阵元法

MUSIC算法是一种基于特征值分解的超分辨DOA估计算法,在理想阵列条件下,其估计性能良好,但当信号模型与实际信号环境不匹配,即存在系统误差时,MUSIC算法的估计性能会严重下降,甚至失效。针对模型中普遍存在的通道不一致性误差,本文首先分析了此类误差对测向性能的影响,并提出了一种通道误差校正的简易算法,该方法通过对来自辅加阵元信号的数据信息进行处理,获取通道不一致性误差的估计,通过误差补偿有效地抑制了通道不一致性的影响,提高了DOA估计的性能。给出了应用该方法的具体步骤,计算机仿真结果证明了该算法的有效性。     

一种基于PCA分析的DoA估计算法

阵列信号处理中,MUSIC、ESPRIT等高分辨率DoA估计算法都要通过特征值分解来获得波达方向估计,然而矩阵特征值分解的计算量较大,不利于实时处理。提出使用PCA(principal component analysis)高效迭代算法,来逼近信号子空间矢量。该算法的计算过程相对简单,并具有自组织特性,适合于神经网络实现。仿真结果表明,所提算法的DoA估计性能与MUSIC算法相当。     

改进的基于四阶累积量的MUSIC算法

超宽带测向系统中,天线体积受限严重影响到系统的测向精度和解模糊能力,且天线阵列的孔径限制着阵列最多能分辨的目标信号个数,而一些优秀的算法如空间平滑算法和旋转不变子空间(estimation of signal parameters via rotational invariance technique, ESPRIT)算法损失了天线阵列孔径。针对这些问题,在传统的四阶累积量多重信号分类(multiple signal classification, MUSIC)算法基础上提出了一种改进的算法。该算法根据四阶累积量矩阵构成的规律,去除了原四阶累积量矩阵的数据冗余,有效地减小了运算时间,为其实际应用提供了必要条件。计算机仿真和实测数据仿真的结果表明,本改进算法可以快速地实现虚拟阵列扩展,同时对有色高斯噪声也有一定的抑制作用。     

基于改进MUSIC算法的散射中心参数提取及RCS重构

随着隐身技术的发展,雷达目标的边缘绕射等逐渐取代镜面散射成为主要的散射源,因此基于几何绕射理论（geometric theory of diffraction,GTD）的散射中心模型对隐身目标电磁散射特性的描述要比衰减指数和模型更为精确。显然,准确估计出GTD散射中心参数对刻画目标散射特性犹为重要。针对经典多重信号分类（multiple signal classification,MUSIC）法仅利用目标原始回波数据、参数估计精度不高这一问题,提出一种改进的MUSIC算法对散射参数估计提取。改进的MUSIC算法通过对原始回波数据取共轭,构建新的总协方差矩阵,有效利用了目标原始回波数据的共轭信息。仿真结果表明,与经典MUSIC算法相比,改进的MUSIC算法参数估计精度更高,雷达散射截面重构拟合程度更好,且运算量增加不大,可有效提取出隐身目标的散射中心。     

信号到达角的快速估计算法研究

针对将FFT算法用于空域信号处理中存在受空间阵元数的限制,分辨率不高,无法识别相距较近的两个目标的问题,对等距线阵的DoA估计算法进行了研究,提出了基于空间分割的快速MUSIC算法。此算法在FFT算法粗略估计的若干局域子空间内进行谱峰搜索,可大大减小MUSIC算法全空间谱峰搜索的计算量。在单一期望信号的情况下,提出了基于最小二范数的快速DoA估计算法,它可进一步减小计算量。仿真结果证明了对DoA估计的快速算法理论分析的正确性和算法的有效性。     

基于二维空间平滑的波束域MUSIC算法

针对强相关及多径信号环境下,基于均匀平面阵的高分辨方法无法准确估计信号的二维到达角以及运算量大等问题,提出了一种基于二维空间平滑的波束域MUSIC算法。该方法首先沿均匀面阵的两维方向对阵列接收数据进行二维空间平滑,实现相关源的解相关;然后将空间平滑后阵元空间的数据变换到波束域以降低计算量和系统复杂性;最后利用波束域MUSIC算法估计相关信号的二维角度。该算法能有效地对相关信号进行解相关,在降低传统的高分辨方法运算量的同时,可以获得比阵元空间处理更稳健的测角性能。理论分析和数值仿真结果验证了算法的有效性。     

基于谱函数二阶导数的波达方向估计算法

针对传统多重信号分类(multiple signal classification, MUSIC)算法在低信噪比(signal noise ratio, SNR)、小快拍数或是信号源相近等复杂信号环境下分辨率严重下降这一问题,提出了一种改进的MUSIC算法。通过对空间谱函数求二阶导数,可以在波达方向(direction of arrival, DOA)附近形成尖锐的负向谱峰。计算机仿真试验表明,与传统MUSIC算法相比,新方法在低SNR、小快拍数下对空间分布很近的信号有更好的分辨率。     

基于变换域张量的机载阵列DOA和极化参数估计

针对强杂波背景下多目标回波的参数估计问题,现有的基于长矢量的多重信号分类(long vector multiple signal classification, LV-MUSIC)法精度下降,基于张量的MUSIC(tensor MUSIC, T-MUSIC)方法通道数不足,无法计算噪声子空间投影矩阵。因此提出基于变换域张量的MUSIC方法。算法利用张量结构,在时域分离不同多普勒频率的信号,分别估计各多普勒通道的回波参数。相比于LV-MUSIC和T-MUSIC,所提算法避免了多目标背景下自由度不足导致的目标分辨力下降的问题,并且能获得更高精度的参数估计。仿真实验证明,所提算法有更高的目标分辨能力,在低信噪比条件下仍保持良好的性能。     

空时编码阵波束域超分辨角度估计方法

空时编码阵(space time coding array,STCA)雷达通过在相邻阵元间引入时间延迟,在发射单一波形的条件下可实现全向空域的有效覆盖,工程上易于实现。针对STCA雷达体制,提出了一种基于发射维空间自由度的波束域超分辨角度估计方法。通过分析STCA多维模糊函数,设计了接收端的角度时间二维匹配滤波器,因而在接收端等效形成发射多波束,获得发射维空间自由度,进而设计相应的波束域搜索导向矢量,基于波束域多重信号分类 (multiple signal classification, MUSIC)算法实现了STCA等效发射端的超分辨角度估计。仿真结果验证所提方法的有效性。     

一种有效的二维MUSIC超分辨SAR成像算法

多重信号分类(MUSIC)方法是一种高分辨率到达角(DOA)估计方法,将MUSIC方法应用于合成孔径雷达(SAR)可以很好地提高图像质量。提出了一种简单有效的2D MUSIC超分辨成像算法,该方法对已聚焦的SAR图像进行处理,减小了处理过程的复杂性,并结合幅度估计完成超分辨率图像重建。实验结果验证了这种超分辨率方法的有效性。     

基于加权信号子空间投影的MUSIC改进算法

针对MUSIC算法在小快拍条件下DOA估计时性能降低的缺点,提出采用加权信号子空间投影的方法加以改善。首先对信号子空间进行主特征值倒数加权,并将结果与MUSIC空间谱进行叠加。新方法保持了噪声子空间处理的高分辨力,并通过信号子空间处理提高了对有限数据误差的稳健性。理论和统计性能分析表明其对多目标分辨力优于MUSIC方法,特别是在小快拍条件下表现了良好的性能。