基于非均匀采样的空时级联频率和到达角估计

将时域的非均匀采样扩展到空域阵列信号处理,提出了一种基于非均匀采样的空时级联频率和到达角估计方法。利用非均匀时延间隔的延迟器组成的虚拟阵列估计出信号频率,再基于非均匀空域采样估计出该频率上的信号到达角。该方法充分利用了非均匀采样时间间隔的随机性,突破了时域和空域采样定理的限制,解决了在使用较大阵元间距的条件下空时二维频率和到达角估计的模糊问题,不需要二维搜索和额外的配对过程,同时增大的阵元间距也显然提高了估计的精度和分辨率,仿真实验证明了该方法的有效性及小信噪比条件下估计精度的改善。     

基于空时频分析的多分量跳频信号DOA估计

提出了一种基于空时频分析的多跳频信号波达方向(direction of arrival, DOA)估计方法。该方法能够在欠定条件下(传感器数目小于信号数目)实现多个信号的测向。首先将信号的短时傅里叶变换(short time Fourier transform, STFT)与平滑伪魏格纳-威利分布(smoothed pseudo Wigner-Ville distribution, SPWVD)组合,利用STFT的无交叉项和SPWVD的时频聚焦性性能,得到了一种切实可行、时频图清晰稳健的分布;然后在时频域提取有效跳(hop),并建立该hop的空时频矩阵,最后分别运用线性空时频、二次空时频和root-MUSIC共三种方法估计每hop信号的DOA。仿真结果验证了方法的有效性。     

一类快速的宽带分布源到达角估计算法

针对宽带分布源到达角估计问题,提出了一类快速的估计算法,即中频法、中值法和均值法。该类算法首先将阵列接收的宽带信号变换到频率域,然后对于每个频率形成阵列接收信号协方差阵,最后由该协方差阵的次对角线元素估计宽带分布源的到达角,其主要特点是避免了相位展开。仿真结果表明,在高信噪比和分布角不大时,中频法和中值法的性能几利相同;但在低信噪比时,中值法优于中频法。此外,均值法对分布角不敏感,且性能较优。     

基于空间聚焦的到达角估计

提出了基于空间聚焦的宽带信号到达角(DoA)估计算法。该算法利用对称阵子和双线性变换将多个宽带信号聚焦至各自的瞬时频率,再通过傅里叶变换,在信号的各自瞬时频率上构造相关矩阵,由此构造MU-SIC空间谱,即可获得信号的DoA。该算法是先频域区分信号,再DoA估计,即采用了分维处理的方法,可实现信号频率-DoA的自动配对,避免了宽带信号DoA估计的(ω,θ)模糊问题。给出了两种实现空间聚焦的对称阵列结构。计算机仿真结果表明算法是正确的。     

基于高效时频分析的多LFM信号源的DOA估计

目前已提出的基于时频分析的DOA估计方法在多LFM信号源环境下性能不理想,抑制或消除交叉干扰项是提高方向估计性能的关键。提出了基于SPW变换的时频DOA估计方法,SPW结合了WVD与STFT的优点,在很好地抑制交叉项的同时,具有高的时频聚集性;它不需要对信号进行过采样,而且在降低运算代价方面具有显著优势。模拟实验表明,在多目标环境下,与基于PWVD和SPWVD的方法相比,基于SPW的方法的DOA估计精度有很大提高。如在信噪比为-20dB时,基于PWVD和SPWVD方法的方向估计标准差分别为0.25°和0.28°,而基于SPW的方法只有0.04°。     

基于L型级联互素阵列的多目标源载频和到达角联合估计

随着通信频段的不断拓展,受到Nyquist意义下的阵列间隔和采样频率的限制,多带信号载频和到达角的联合估计难度急剧增大。为突破该瓶颈,设计了一种基于L型级联互素阵列的空时欠采样接收结构,并结合伪噪声空间重构、信源相关性配对,提出了一种全解析的载频和到达角的配对和无模糊联合估计方法。得益于稀疏阵列和时域欠采样,所提结构有效增大了阵列孔径并降低了采样成本。仿真实验证明了所提载频和到达角联合估计方法在较低快拍数和信噪比的条件下,可取得较高的估计精度。     

基于信号时频表示的宽带源波达方向估计

提出一种时频域宽带源波达方向(DOA：Direction of Arrival)估计算法。该算法通过计算参考阵元和其它阵元的互Wigner-Ville分布，构造出一种新的时频域数据向量模型，并利用Chirp信号的局部窄带特性，在信号的主要能量聚集区选择时频点构造时频相关矩阵代替传统的阵列相关矩阵，进行特征分解实现信号的DOA估计。该方法同时在空域和时频域进行处理，充分利用了时频分布的能量聚集性，不但实现了非平稳信号时频域的分离，还有效地提高了信噪比，增强了算法对噪声的稳健性。仿真结果验证了新方法的有效性。     

基于OFDM系统的空时频分组编码方案

提出了一种空时频分组编码方案,其设计思路是:接收端通过子信道的相关特性确定不相关子载波组,并反馈给发射端;发射端基于反馈信息,利用星座旋转预编码矩阵和空时分组编码技术构建空时频分组编码。该方案只反馈子信道的相关性而无需反馈整个信道信息,可应用于任意数量的发射/接收天线,能获得极高的分集增益和带宽效率,且只有较低的解码复杂度。在瑞利衰落环境下的仿真结果证实了此方案的鲁棒性。     

一阶循环到达角估计及其在干涉仪中的应用

研究了基于信号一阶循环平稳特性的空间源信号到达角估计方法,推导得到了在双阵元条件下的测角方法和测角精度,以及空间干扰信号对测角性能的影响,并与传统干涉仪测角性能进行了比较。理论分析和仿真结果说明,基于一阶循环平稳特性的空间源信号到达角估计方法,不仅具有和干涉仪近似一致的单目标测角性能,并且能同时实现对多个具有不同一阶循环频率的目标信号的测向,这是传统干涉仪所不具备的。     

空时矩阵组三迭代DOA估计新方法

利用平移不变结构阵列信号子空间的旋转不变性,构造一组具有对角结构的空时相关矩阵组。给出一种高精度的信号子空间估计方法,利用估计的信号子空间做降维矩阵处理空时相关矩阵组,从而减少计算量并加快收敛速度。基于非线性最小二乘建立代价函数,提出一种三迭代算法求解代价函数进而估计波达方向DOA。仿真结果证实该算法收敛速度较快,估计精度显著高于TLS-ESPRIT算法,尤其在低信噪比和小快拍数据下估计精度显著增强。     

二维相干信源测向新方法研究

基于广义导向矢量和三个正交均匀直线阵,建立了一种二维信源波达方向估计的阵列数据模型,提出了二维波达方向估计的新方法。在引入广义阵列流形矩阵的基础上,构造了基于范数的代价函数,实现了协方差矩阵的有效拟合,进而可有效估计多个相干信源,同时在理论上分析了该算法的渐进无偏性。在低信噪比和较少阵元数的情况下,通过对测向误差较大的线阵进行校正,可提高测向精度。为了有效地对所提出的测向代价函数进行拟合,联合利用模拟退火和遗传算法的优点,提出了一种可快速多维搜索的随机退火遗传算法。蒙特.卡罗仿真试验证明了此二维相干源测向方法的有效性。     

未知相关噪声下的广义波达方向估计算法

针对未知相关噪声情况下信源波达方向的估计,提出一种适用于均匀线阵的广义波达方向估计算法。该算法利用修正后的协方差差分算法,有效地消除了阵元间的相关噪声的影响。不同于以前的算法,提出的算法通过对接收数据的前后向空间平滑协方差矩阵进行共轭运算得到新的变换矩阵,因此修正后的协方差差分矩阵是个实部为零的厄米特矩阵,从而有效地降低了特征分解过程的计算量。本算法能解决相关噪声下,同时分辨相干与非相干信源的问题。理论分析和仿真结果均表明所提算法的有效性。     

自适应核时频分布在抑制交叉项中的应用

分析了固定核函数时频分布在抑制交叉项方面的局限性以及基于信号特征的自适应时频分布对时频分辨率的改善。通过对基于信号特征的径向高斯核时频分布进行改进,提出了一种基于信号特征的自适应核时频分布的改进算法。该算法采用短时模糊函数和随时间变化的自适应核,能够在时频分布中区分出多分量信号的细节部分。仿真结果表明,该分布具有较高的时频分辨率,且无交叉项干扰。同时它还适合分析长时间信号和实现在线信号处理。     

基于时频分布的跳频信号盲分离方法

根据跳频信号的非平稳特性,提出一种基于时频分布的跳频信号盲分离方法。该方法利用不同源信号时频特征的差异,通过对混合信号的一组时频分布矩阵联合近似对角化来实现信号的盲分离。理论分析和仿真结果表明,这种方法在未知任何先验参数的情况下,能够有效分离多个跳频网台,而且具有较强的噪声抑制能力。     

LFM信号时间-调频斜率分布交叉项抑制方法

分析了多线性调频信号的时间 调频斜率分布的交叉项,导出了交叉项的数学表达式,结合线性调频信号的特点,提出用Radon变换的交叉项抑制的方法,该方法具有运算量小的特点。仿真表明该方法能滤除绝大部分交叉项和噪声,且能用于低信噪比的场合。     

类相关时频分布在雷达目标识别中的应用

针对雷达一维距离像的非平稳特性,提出一种利用类相关时频分布的高分辨雷达目标识别方法.该方法通过优化时频分布中的核函数来实现在模糊时频平面的特征抽取和特征压缩.在此基础上,提出并实现了利用模拟退火算法同时优化时频特征和识别性能的目标识别方案.仿真实验结果表明,基于类相关时频分布的雷达目标识别方法合理可行,提出的模拟退火核函数优化算法在识别性能上优于已有的Fisher鉴别比优化算法.     

基于Takenaka-Malmquist自适应时频分布的特征指标——来自上证和深证的数据

股票价格指数度量并反映了股票市场总体价格水平及其变动趋势，包含了丰富的市场信息，受到投资者和政策制定者的普遍关注.利用一定的数学方法对其进行分析和研究，挖掘股指的潜在价值，对加快资本市场治理，提升金融效率，促进国民经济的平稳快速发展具有十分重要的意义.本文利用基于Takenaka-Malmquist自适应傅里叶分解（简称自适应傅里叶分解或AFD）的时频分布，有效提取了股票价格指数的时频特征，分析股票市场的变动趋势.为满足自适应傅里叶分解的要求，首先利用H-P滤波算法对时间序列进行预处理，去除时间序列的趋势项，然后利用AFD算法处理周期项数据，在此基础上得到股票价格指数的时频分布，并进一步分析股指变动趋势.基于自适应傅里叶分解的算法可以有效提取股指在时频两域的信息，避免了单一域分析的缺陷，且比现有的小波分解方法具有更高的分辨率和准确度.为检验指标的有效性，本文利用上海证券交易所的上证综合指数（代码000001）和深圳证券交易所深证成份指数（代码399001）实证检验了指标的有效性，结果表明基于自适应傅里叶分解的时频分布提出的股市技术分析指标可以用于中短期股票市场的变动特征分析.