强信号背景下基于噪声子空间扩充的弱信号DOA估计方法

针对强信号背景下弱信号波达方向(direction of arriaval,DOA)估计问题,提出了一种基于噪声子空间扩展的弱信号DOA估计算法。该算法提出并使用了噪声子空间扩充的思想,其先将强信号导向矢量所在空间纳入噪声子空间进而构造出扩展噪声子空间,再在该扩展噪声子空间基础上利用常规多信号分类(multiple signalclassification,MUSIC)算法得到弱信号的DOA估计。通过噪声子空间的扩充有效地抑制了强信号谱峰,算法无需已知强信号方向及导向矢量,运算量与常规MUSIC相当。理论分析表明该算法对弱信号DOA估计性能不劣于对应的强信号阻塞类算法,仿真实验证实了其有效性和可行性。     

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。     

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。     

一种无特征分解的快速子空间DOA算法

基于子空间正交特性的MUSIC算法具有优良的超分辨性能,但由于其需要对空间协方差矩阵进行特征分解,因而计算量比较大。为了降低计算复杂度,提出一种快速子空间算法。该方法利用信号特征值大于噪声特征值的特性,通过对空间协方差矩阵的高阶次幂或者空间协方差矩阵逆的高阶次幂来逼近信号子空间或者噪声子空间,从而避免了特征分解。获得噪声子空间后再采用MUSIC算法实现波达方向估计。仿真结果表明,该方法减少了计算量同时能够达到MUSIC算法的估计性能。     

一种自适应ESPRIT算法

运用特征子空间方法的关键在于信号或噪声子空间的估计.实际上有些信号的统计特性通常随时间变化,为得到参数的实时估计值,需要随时根据新的阵列接收数据对信号或噪声子空间进行更新.首先建立了用于信号到达主向(DOA)估计的SVD-ESPRIT算法,然后利用受限摄动分析提出了一种子空间跟踪算法.将该跟踪算法与SVD-ESFRIT算法相结合,得到的自适应ESPRIT算法可用于对时变的信号DOA进行跟踪估计.仿真计算结果验证了该算法的有效性.     

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。     

任意阵列双基地MIMO雷达的半实值MUSIC 目标DOD和DOA联合估计

实值处理具有降低高自由度多输入多输出(multiple input multiple output,MIMO)雷达角度估计大计算量的优势。但受制于阵列的共轭对称性,对于任意阵列结构的双基地MIMO雷达发射角(direction of departure, DOD)和接收角(direction of arrival, DOA)联合估计,若不做附加的预处理则无法实现实值操作,故将常规阵列实值处理的多重信号分类(multiple signal classification, MUSIC)超分辨算法推广至任意阵列结构的双基地MIMO雷达。首先根据MIMO雷达的导向矢量共轭与镜像的对等性,提取接收信号协方差矩阵的实部,并对其进行特征分解得到“目标加倍”的信号子空间及其应对的噪声子空间;然后利用Kronecker积的特性对其进行降维处理,得到搜索区域减半的一维半实值域MUSIC谱,取出目标DOD真值与其镜像代入降维Capon算法来剔除虚拟峰值得到目标DOD估计真值;最后利用特征矢量得到模糊DOA估计值,采用方向余弦差最小范数方法得到目标DOA无模糊估计值。本文算法估计性能与一维搜索复数域MUSIC相当,计算量约降50%,且能够实现DOD和DOA的自动配对。仿真结果证明了该算法的有效性。     

正交投影阵列信号子空间估计方法

利用特征值分解构造信号子空间存在运算量大的问题,制约了子空间类参数估计方法的实时应用。提出一种新的正交投影阵列信号子空间估计方法,该方法不需要特征值分解,通过对阵列接收数据逐级进行正交投影分解构造阵列信号子空间的一组基向量,使得每个基向量方向上信号投影能量最大,从而保证所张成的信号子空间包含最大的信号能量。定义了衡量子空间估计精度的信号和噪声子空间估计误差函数。理论分析和仿真结果表明,所提方法计算复杂度低,且子空间估计精度优于特征值分解。     

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。     

宽带高斯谱噪声雷达高速目标检测

宽带高斯谱噪声信号由于无距离旁瓣、硬件产生容易等特点而广泛应用于现代雷达。但是噪声信号是多普勒敏感信号,而宽带噪声信号在检测高速目标时存在多普勒色散效应,使得其多普勒敏感性同时体现在多普勒频移及包络伸缩中。为了说明多普勒色散效应对匹配滤波的影响,本文推导了宽带高斯谱噪声信号的广义相关函数表达式,定量分析了在不考虑多普勒频移的理想情况下,信噪比损失和距离分辨力二者与多普勒色散积之间的关系。针对此问题,以系统实时性为出发点,提出了一种改进的噪声雷达频域处理算法,并评估了算法的性能和运算复杂度。仿真结果验证了理论分析和算法的有效性。     

一种修正极小方差谱估计算法

通过分析极小方差 (MV)谱估计算法与多信号分类 (MUSIC)谱估计算法之间的关系 ,揭示出在对样本的自相关矩阵进行特征分解后 ,对各特征矢量权系数的不同选择决定了二者性能上的差异。在此基础上 ,构造了一种新的权系数 ,导出了修正极小方差 (MMV)谱估计算法。仿真结果表明 ,MMV算法的分解率高于MV ,方差小于修正协方差自回归 (AR)模型谱估计算法 ,并能正确反映正弦信号间功率的相对大小。     

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AR模型的共轭循环波达方向估计

基于信号循环特征的DoA估计都需要确定循环相关函数的最优延迟时间参数,当相同循环频率的多个信号具有不同的最优延迟参数时,利用确定的延迟时间参数很难确定所有信号的DoA估计。利用信号的共轭循环平稳特性,采用基于AR模型的空间谱估计来确定信号的DoA估计,提高了有限长阵列孔径空间分辨率,且该方法不需要选择最优延迟时间参数,从而适用于任何调制类型信号的DoA估计。     

用改进的MUSIC算法实现相干多径信号分离

基于特征值分解的MUSIC算法是建立在非相干信号模型基础之上的,对于相干多径信号,MUSIC算法将会失效。与传统的拟补空间协方差矩阵秩亏损的空间平滑去相关法不同,从另一个角度出发,通过特殊的天线阵列模型,重构一个Toeplitz矩阵,使其秩只与信号的波达方向有关,而不受信号相关性的影响,从而达到去相关的目的,并对信号子空间和噪声子空间作出正确的估计。仿真结果验证了该方法的有效性,且较传统的空间平滑方法具有更低的信噪比门限和更小的运算量。     

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。     

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。     

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。     

Joint DOA and time delay estimation method for space-time coherent distributed signals based on search

Under dense urban fading environment, performance of joint multi-path parameter estimation method based on traditional point signal model degrades seriously. In this paper, a new space and time signal model based on multipath distribution function is given after new space and time manifold is reconstructed. Then joint spacetime signal subspace is obtained by converting acquired channel from time domain to frequency domain. Then space and time spectrum is formulated by the space sub-matrix and time sub-matrix taken out of joint space-time signal subspace, and parameters are estimated by searching the minimum eigenvalues of the space matrix and the time matrix. Lastly, A space and time parameters matching process is performed by using the orthogonal property between joint noise subspace and the space-time manifold. In contrast with tradition MUSIC, the algorithm we present here only need two 1- dimension searching and was not sensitive to different distribution function.