基于累量域的近场源三维参数联合估计算法

提出了一种无须参数配对的近场源三维参数联合估计算法。通过对阵列输出信号的四阶累积量构造矩阵进行一定的变换构造处理得到一个新的矩阵,仅需一次特征分解并利用其相应的特征值及特征向量就能估计出距离、方位、频率等三维参数。该算法无须谱峰搜索,适于任意高斯噪声环境,参数估计结果能自动配对。并且该算法无须利用阵列的中心对称结构,因而有效地避免了阵列孔径损失。最后,计算机仿真结果证实了该方法的有效性。     

基于稀疏重构的L型阵列MIMO雷达降维DOA估计

针对L型阵列多输入多输出(multiple-input multiple-output,MIMO)雷达二维空间角估计问题,提出一种基于协方差矩阵联合稀疏重构的降维波达方向(direction of arrival,DOA)估计算法。该算法根据L型阵列MIMO雷达联合流型矢量的特点,通过降维矩阵的设计及回波数据的降维变换,最大程度地去除了所有的冗余数据;通过协方差矩阵联合构造稀疏线性模型,将2维角参量空间映射到1维空间,极大降低字典长度和求解复杂度的同时,不牺牲阵列孔径,实现了二维空间角度的有效估计和参数的自动配对。理论分析与实验仿真表明:与RD_MUSIC算法相比,本文降维处理有效提高阵元利用率的同时,最大程度地降低了回波数据的维数;与传统子空间类算法相比,基于协方差矩阵联合构造的稀疏线性模型充分利用了阵列孔径,无需预先估计目标数目,参数估计性能在低信噪比及小快拍数据长度下优势明显。最后,仿真结果验证了本文理论分析的正确性和算法的有效性。     

基于声矢量传感器阵列的空速估计算法

研究了一种新型的空速测量方法。通过引入大气声学中的有效声速概念,建立了稳定气流作用下声矢量传感器阵列的近场输出模型,模型的阵列流形矢量中包含了待估计的空速信息。在此基础上提出了一种基于多重信号分类(multiple signal classification, MUSIC)的空速估计（airspeed estimation,ASE）算法,该算法可用于对空速的高精度估计。为了降低计算复杂度,进一步提出了一种快速的空速估计（fast airspeed estimation, FASE）算法,该算法虽然在ASE的精度上不如MUSIC ASE算法,但无需谱搜索,具有更强的实时性。最后,对算法的估计性能进行分析,推导了ASE的克拉美〖CD*2〗罗界表达式。仿真实验验证了算法的有效性。     

基于改进三线性分解的单基地十字阵MIMO雷达二维角度估计

研究单基地十字阵多输入多输出(multiple-input multiple-output,MIMO)雷达中目标二维角度参数估计的问题。已有的算法往往忽略了信源矩阵中的类Vandermonde结构,而这种特殊的结构可以提升参数估计精度。基于均匀线形阵列(uniform linear array,ULA)的中心对称特性和目标参数矩阵中的类Vandermonde结构,提出一种基于改进的三线性分解的二维角度估计算法。首先利用酉变换的方法构造阵列增广输出矩阵,再将二维角度估计与三线性模型相联系。由于增广输出使得阵列的虚拟孔径增大,因而本文所提算法的参数估计精度要优于传统三线性估计算法。此外,本文提及的改进算法不需进行谱峰搜索及奇异值分解,并且能对估计的二维目标角度自动配对,最后的仿真结果验证了本文算法的有效性。     

基于EM算法的水下目标辐射噪声模型参数估计

对水下目标辐射噪声的混合高斯模型进行参数估计时,针对极大似然函数很难求解的问题,研究了一种使用海洋环境噪声统计信息的期望值最大算法(EM算法).在对Bouvet和Schwartz水下目标辐射噪声信号和海洋环境噪声模型研究的基础上,修正了传统的EM统计算法,以降低计算的复杂度,提高迭代收敛速度.仿真结果和实船信号实验数据的一致性,表明基于EM算法的混合模型参数估计方法,使得参数估计复杂度降低,运算量明显减少,估计性能较好,具有很好的应用价值.     

基于四元数MUSIC的锥面共形阵列极化-DOA联合估计

基于交叉偶极子构成的锥面共形阵列,建立了四元数表示的锥面共形阵列模型并提出了四元数多重信号分类 (multiple signal classification,MUSIC)算法。算法通过同极化子阵的构造以及秩损原理实现了导向矢量中极化信息和波达方向(direction of arrival,DOA)信息的剥离,进而得到入射信号的二维DOA估计和极化参数估计,有效降低了极化DOA联合估计的计算量。仿真结果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。     

低快拍下基于稀疏重构的大电磁矢量传感器阵列多维参数联合估计

大尺寸电磁矢量传感器(electro magnetic vector sensor, EMVS)比小尺寸EMVS辐射效率更高, 研究其参数估计算法有助于推动EMVS的实装化应用。针对大尺寸EMVS阵列研究了低快拍下参数估计问题, 提出基于稀疏重构的波达方向(direction of arrival, DOA)和极化参数联合估计算法。首先构造仅含DOA信息的低维块稀疏表示, 然后采用块正交匹配追踪算法恢复块稀疏信号, 最后利用得到恢复后的信号反推出DOA和极化参数估计值。仿真表明了该算法在低快拍下参数估计的有效性, 且计算量和精度均优于现有基于稀疏重构的小尺寸EMVS参数估计算法。     

基于SAGE的近场信道参数估计方法

在室内无线传播环境中,散射体与接收端之间的距离并不一定满足远场假设,这时到达接收端的多径信号是近场球面波形式,从而会对波达角和角度扩展的估计造成影响。对近场多径信道参数的估计需要同时考虑近场散射体与接收阵列之间的波达角和距离。基于空间交替通用期望最大化（SAGE）算法的基本思想,提出了一种的近场信道参数低复杂度估计方法,可以对近场散射体分量的时延、波达角、多普勒、复幅度等参数与距离参数进行联合估计。仿真实验验证了该算法能够准确地对近场散射体的距离和角度进行联合估计。     

基于级联MUSIC的面阵中的二维DOA估计算法

提出了适用于面阵中的基于级联多重信号分类(multiple signal classification,MUSIC)方法的二维波达方向(direction of arrival,DOA) 估计算法。该算法仅采用级联的一维搜索即可实现二维DOA的联合估计,避免了经典二维MUSIC算法的复杂计算量,复杂度大大降低,同时角度估计性能非常接近经典二维MUSIC算法。此算法可以实现二维角度的自动配对,角度估计性能优于传播算子算法(propagator method,PM)以及借助于旋转不变技术的信号参数估计算法。同时,该算法可以很好地估计出相同方位角(或仰角)的信源。结合算法的高性能及低复杂度,该算法拥有更广泛的适用范围,其优越性得到验证。     

基于ESPRIT方法的近场源参数估计

提出了一种基于ESPRIT的近场窄带信源到达角及距离联合估计新方法。该方法选择特定序号阵元输出计算的四阶累积量构造高维矩阵,利用其特征值分解结果构造2个新的矩阵,再借助新构造矩阵的特征值联合估计信源参数。该方法无须参数配对,无须谱峰搜索;有效利用了阵列孔径,从而具有较高的估计精度。仿真结果表明算法是有效的。     

A method based on Chinese remainder theorem with all phase DFT for DOA estimation in sparse array

This paper takes further insight into the sparse geometry which offers a larger array aperture than uniform linear array(ULA)with the same number of physical sensors.An efficient method based on closed-form robust Chinese remainder theorem(CFRCRT)is presented to estimate the direction of arrival(DOA)from their wrapped phase with permissible errors.The proposed algorithm has significantly less computational complexity than the searching method while maintaining similar estimation precision.Furthermore,we combine all phase discrete Fourier transfer(APDFT)and the CFRCRT algorithm to achieve a considerably high DOA estimation precision.Both the theoretical analysis and simulation results demonstrate that the proposed algorithm has a higher estimation precision as well as lower computation complexity.     

独立源与相干源并存的信源数估计

大多数子空间类谱估计算法,需要预先估计信源个数,而且当信号源相干或强相关时,不能直接应用基于信息论的估计方法。针对接收信号为独立源与相干源并存的情况,提出一种新的基于矩阵重构的信源数估计算法。算法利用各个阵元接收数据与参考阵元接收数据的互相关信息,构造一个Toeplitz等效协方差矩阵解相干。理论分析证明,相比于复信号解相干的常规Toeplitz矩阵重构方法,算法节省一半的阵列孔径,而且对噪声发散性有一定抑制作用。基于此构造矩阵采用特征子空间投影与特征值加权的方法构造判决函数来估计信源个数,仿真结果表明,算法在独立源和相干源并存的情况下,能准确估计出信源个数,性能优于空间平滑Akaike信息论准则法和空间平滑最小描述长度法。     

基于虚拟阵列扩展的改进加权空间平滑算法

针对相干信源的波达方向(direction of arrival, DOA)估计问题, 传统的空间平滑算法通过减小阵列孔径来解相干, 导致估计精度降低。本文以相干分布源为研究对象, 首先通过扩展共轭虚拟阵列增大阵列孔径, 使用Toeplitz算法进行预估计, 根据预估计值构建加权矩阵, 通过二次加权空间平滑恢复协方差矩阵的秩, 消除信号的相干性, 结合传播因子算法估计得到目标信源的入射角度。该算法充分利用子阵输出的自相关和互相关信息, 改善了阵列孔径带来的精度影响。仿真结果表明, 所提算法对相干信源具有良好的分辨能力和估计精度, 在低信噪比时鲁棒性较好。     

一种新的基于平行因子分析的近场源定位算法

提出了一种新的多个近场窄带信源距离、频率及到达角三维参数的联合估计算法。该算法将通常在数据和子空间域应用的平行因子分析模型扩展至高阶累积量域,利用阵元输出计算的高阶累积量矩阵构造三面阵,分析了该三面阵低秩分解的唯一性,并从分解得到的多个矩阵中联合估计信源距离、频率及到达角。该算法仅需使用3个高阶累积量矩阵,而且无须谱峰搜索和参数配对,计算简单。仿真结果表明该算法是有效的。     

宽带MIMO雷达的阵列设计和成像方法

为了降低多输入多输出(multiple-input and multiple-output, MIMO)成像雷达的阵列规模和系统硬件的复杂性,结合宽带MIMO雷达发射/接收阵元的角度分集和信号分集特性,提出了一种基于双均匀线阵组合的非线性阵列模型,并给出了该阵列的设计准则。不同于基于实孔径均匀阵列的宽带MIMO雷达成像系统,提出的非线性阵列模型可有效增加虚拟阵元个数和扩展阵列孔径,在不改变目标方位向成像质量条件下能有效降低实孔径均匀线阵的阵列规模和系统硬件的复杂度。同时,该阵列设计易于操作和实现。最后,仿真实验对该阵列模型的有效性进行了验证。     

基于虚拟孔径扩展的子带信息融合宽带DOA估计

如何有效地利用宽带信号各频点所提供的信息实现高精度波达角(direction of arrival, DOA)估计一直是热点问题,针对宽带DOA估计问题,提出一种基于孔径扩展的子带信息融合(subband information fusion, SIF)DOA估计方法。该方法在宽带信号的频域模型基础上,结合虚拟阵列方法实现孔径扩展,并联合各子带信息统一处理,从而提高DOA估计的精度。与其他SIF方法相比,该方法利用二阶统计量将数据转化为单快拍模型,不仅提高了可估计信源数目,而且极大程度地降低了运算复杂度,同时在小快拍、低信噪比条件下仍能得到DOA估计结果。仿真实验验证了所提方法的有效性。     

联合互协方差矩阵的快速波达方向估计

针对常规子空间类波达方向(direction-of-arrival, DOA)估计中存在的子空间分解计算量过大问题,提出了基于均匀线阵的联合互协方差矩阵(joint cross covariance matrix,JCCM)DOA估计算法。基于阵列划分和矩阵重构思想,将均匀线阵划分成两个子阵,在求得这两个子阵接收数据互协方差矩阵后,重构一个新的矩阵即JCCM,利用JCCM的部分数据进行线性运算即可得到等价的信号子空间,然后构造多项式并求根,最终实现波达角估计。理论分析和仿真实验证明,算法避开了对协方差矩阵的特征值分解运算,在保证估计精度可接受的同时,有效降低了计算量,取得了更高的估计速度。