双基地MIMO雷达多参数联合估计及目标三维定位

多输入多输出(Multiple-input multiple-output,MIMO)雷达具有波形分集、空间分集和极化分集等优势,在抗目标"闪烁"、反干扰、提高分辨力方面有很大的潜力.提出了一种双基地MIMO雷达多参数联合估计及目标三维定位方法.对接收信号的协方差矩阵作特征值分解,提取大特征值对应的特征矢量,构建选择矩阵,基于ESPRIT算法估计出目标的波达角.在求解均匀圆阵时,为将导向矢量中耦合的俯仰角和方位角分开,采用模式激励法解耦合,再分别利用UCA-MUSIC和UCA-ESPRIT算法估计目标俯仰角和波达角.基于MIMO雷达空间结构,利用估计到目标的俯仰角、发射角和波达角,计算得到目标的三维空间坐标信息.该算法可实现角度间的自动配对,可以有效识别同一距离单元内的多个目标.仿真实验表明,提出的估计方法估计精度高,处理速度快.     

利用极化敏感阵列特性的信源数估计技术研究

针对极化敏感阵列多参数联合估计中的信源数估计问题,提出一种基于去特征处理的信源数估计方法。首先,对极化敏感阵列接收数据矢量的协方差矩阵进行特征分解,得到的特征值的个数为阵元数的2倍,将求得的特征值降序排列,其中后半部分小特征值对应的特征矢量张成的子空间包含于噪声子空间,利用这一特点构造投影矩阵;其次,通过去特征处理,重构新的协方差矩阵,求这些新协方差矩阵在投影矩阵上的投影;最后,根据投影结果构造判决函数,估计信源数。研究结果表明:入射角间隔和极化状态角间隔对算法估计性能有影响。通过与盖氏圆盘法的对比实验验证算法的有效性。     

基于重构噪声子空间的相干信号DOA估计

传统DOA(direction of arrival)估计算法无法处理相干信号,因此提出一种基于重构噪声子空间的高精度DOA估计算法.该算法利用阵元接收数据的自协方差与互协方差信息构造成增广矩阵作为新的协方差矩阵,对该矩阵进行奇异值分解得到相应的噪声子空间和特征值矩阵.为了获得更精确的信号向量,重构一个由新特征值矩阵对应的特征向量所组成的噪声子空间.最后通过谱峰搜索得到DOA估计值.算法不影响对非相干信号估计的效果,并且比IMMUSIC(improved multiple signal classification)算法具有更高的估计精度,在低信噪比及信号入射间隔较小的情况下也有良好的准确性.仿真结果表明,提出的改进算法在低信噪比及低采样快拍数的条件下,能有效估计出相干信号的波达方向.     

空域色噪声下的多输入多输出雷达角度估计

由于多输入多输出(multiple input multiple output, MIMO)雷达的空域色噪声协方差矩阵通常为非对角矩阵,因此在色噪声下信号子空间与噪声子空间无法有效分离,从而致使传统算法无法有效估计目标角度。为此,首先利用信号协方差矩阵的低秩性和色噪声协方差矩阵的稀疏性来抑制空域色噪声。然后,根据MIMO雷达数据的内在多维结构特性,建立四阶张量CP(canonical or parallel factor analysis, CANDECOMP/PARAFAC)分解模型。针对传统交替最小二乘算法对数值病态性较为敏感而导致CP分解精度低的问题,利用张量因子矩阵之间的共轭关系来降低求解的病态敏感度,提高张量分解的稳健性。最后,利用最小二乘拟合法从因子矩阵的估计值中得到目标角度。仿真结果表明,所提算法能够对色噪声有效抑制并提高了角度估计的精度。     

一种新的宽带波束形成算法

基于对角加载思想,针对宽带信号空时处理结构,将空时接收协方差矩阵进行特征值分解,并利用矩阵求逆定理推导出空时结构对角加载值的范围,得到空时结构对角加载波束形成算法的优化方程以及最优权向量的解.仿真结果表明,算法有效地对协方差矩阵估计进行了修正,增强了空时波束形成算法的鲁棒性.     

MIMO雷达多目标角度估计的空间平滑改进算法

针对基于阵列协方差矩阵特征分解的子空间类算法存在的问题,提出了一种基于改进空间平滑的新方法。首先介绍了"等效信源"的概念,在此基础上分析了当目标数多于发射阵元数时,一些基于子空间类算法失效的原因;从理论上推导说明了在接收阵元数足够多的情况下,本文算法可突破发射阵元数对可估计目标数的限制的机理,从而使得MIMO雷达在发射阵元数较少时能估计更多的目标。仿真结果表明:本文所提方法具有比TDS算法更好的估计性能。     

基于PM和Root-MUSIC的MIMO雷达波达方向估计

提出了基于传播算子( Propagator Method,PM)和求根MUSIC (Root-MUSIC)算法的单基地MIMO(Multiple - Input Multiple-Output)雷达多目标定位方法.该方法将上述两种方法结合,利用接收数据协方差得到传播算子矩阵,该矩阵可替代所需的噪声矩阵,避免了特征值分解.再利用多项式求根对方位角进行估计,从而无需谱峰搜索,大大降低了计算复杂度.仿真结果表明了该算法的有效性.     

联合特征值和特征子空间投影的信源数估计

高分辨空间谱估计算法中信源数的准确估计是必要前提.文中结合矩阵重构和特征子空间投影方法,提出一种适用于弹载阵列系统的信源数估计算法.将阵列阵元分成相同的2组,求得这2组阵元接收数据的互协方差矩阵并重构信源数估计矩阵,对重构的矩阵特征分解,联合特征子空间投影和特征值加权的方法构造判决函数来估计信源数.理论分析与仿真结果表明:重构矩阵的信号子空间特征值呈平方倍增大,噪声功率得到抑制;算法有效提高了少量快拍数据和低信噪比条件下信源数估计的正确率.     

一种基于L型阵列的改进的二维DOA估计方法

二维DOA估计在电子侦察、智能天线、雷达等方面都有广泛应用.二维DOA估计的方法有很多,主要用水平面L型阵列和ESPRIT算法进行二维DOA估计.提出用水平线阵和垂直线阵构建L型阵列,分成四个子阵,计算四个互相关矩阵,四个互相关矩阵构造一个特殊的大矩阵,对该矩阵进行特征值分解获得信号子空间估计,再用ESPRIT算法进行方位角和仰角的估计.该方法可以直接得到目标仰角,不需要换算,简化了计算,通过子空间估计,提高了DOA估计的分辨率并可以估计更多目标的DOA.仿真结果表明本文的改进二维DOA估计方法提高了DOA估计的精度.     

基于四阶累积量的MIMO雷达空间平滑角度估计算法

针对MIMO雷达系统的多目标DOA估计问题,本文提出了一种基于四阶累积量的双向空间平滑算法。当目标数多于发射阵元数,接收信号发生相干现象使普通子空间类算法可估计DOA数受到限制。本文提出的算法通过对接收信号构造四阶累积量矩阵,并对构造的矩阵做子阵空间平滑处理,在接收阵元足够多的情况下,可估计比发射阵元数更多的目标,并且在高斯白噪声下和高斯色噪声背景下均具有有良好的DOA估计性能。     

空时编码多载波码分多址系统上行空时信道盲估计

针对当前空时编码系统利用训练序列求解信道信息将导致频谱资源浪费和系统用户容量下降这一问题,提出了宏蜂窝体制下基站使用均匀线阵空时编码多载波码分多址系统的上行空时信道盲估计算法.该算法构筑了蕴涵用户空时信道和波达方向的辅助矩阵,通过对该辅助矩阵进行特征分解得到了相应于每个用户的信号子空间,进而通过对该信号子空间进行奇异值分解实现了无需训练序列的空时信道的盲估计,节省了频带资源.仿真结果表明,该算法可以通过增加基站阵元数目使用户容量达到系统活动用户数的上限,并且信道估计的均方误差对用户数表现出鲁棒稳定性.     

脉冲噪声下基于自适应特征值分解的时延估计新方法

依据分数低阶统计量理论和噪声特征,提出一种鲁棒性自适应特征值分解（RAED）时延估计方法,扩展了自适应特征值分解（AED）时延估方法的使用环境．该算法在脉冲噪声环境下,组合两个接收信号,使其共变矩阵最小特征值对应的特征向量为信道的估计,并基于广义归一化最小平均p范数（广义NLMP）方法自适应得到该特征向量,从而获得时延估计．计算机仿真表明该方法在脉冲噪声环境下具有较好的鲁棒性．     

直接数据特征值分解的相干源DOA估计

提出一种基于均匀圆阵单次快拍数据的相干信源波达方向(direction of arrival,DOA)估计方法——直接数据特征值分解(direct data eigenvalue decomposition,DD-EVD)法. 算法通过模式空间转换将均匀圆阵虚拟为均匀线阵,再直接利用波束空间的快拍数据,构造一个Toeplitz矩阵,并对矩阵按阵列流形分解. 理论推导证明,矩阵的秩得到恢复,只与入射信号个数有关. 对该矩阵进行特征值分解可得到正确的信号子空间和噪声子空间,进而完成相干信源DOA估计. 算法使用单次快拍数据构造矩阵,适合非平稳信号参数的估计,同时不需要快拍累计和相关运算,降低了计算复杂度. 仿真结果验证了算法的有效性.      

一种联合角度时延估计新方法

为了实现DOA和时延的联合估计,提出了一个无线通信中高分辨率的联合角度和时延估计方法,该方法不需要对参数进行搜索,利用空时矩阵的特征向量和特征值分别估计DOA和时延,通过特征值和特征向量的对应关系,估计的参数可以自动实现配对,只要各路径信号的DOA和时延不同时接近此方法都可以适用,与JADE-MUSIC,JADE-ESPRIT和SI-JADE算法相比,该算法具有较好的鲁棒性和较小的估计误差。仿真结果证明了该算法的有效性。     

基于MSWF的宽带LFM近场源二维参数快速估计算法

提出一种基于多级维纳滤波器理论和非相干子空间算法的宽带LFM近场源方向角与距离二维参数联合估计算法.与经典算法相比,利用多级维纳滤波器理论直接从阵列接收信号构造噪声子空间,不必使用特征值分解,因此具有较低的计算量.理论推导和仿真实验证明了本算法的有效性.     

一种改进的谱聚类算法及其在基因表达谱分析中的应用

聚类分析是从基因表达谱数据中提取生物医学信息的主要方法之一.针对传统谱聚类算法无法确定聚类个数的问题,提出一种改进的谱聚类算法并将其应用于基因表达谱聚类分析.首先用基因表达谱数据构造Laplacian矩阵,经特征值分解后得到相应的特征值和特征向量,用谱隙来描述相邻特征值的差值;然后通过寻找谱隙序列的最大值来确定聚类个数;最后从单位化的特征向量着手实现数据类别的划分.通过模拟数据与癌症数据的实验,证明了该文算法的有效性.     

实对称矩阵特征值分解高速并行算法的FPGA实现

针对MUSIC(Multiple Signal Classification,多重信号分类)算法中的信号子空间和噪声子空间分离的硬件实现实时性需要,对矩阵特征值分解的Jacobi算法进行了并行改进,采用脉动阵列结构在FPGA(Field Programmable Gate Array)上高速并行实现了对数据协方差矩阵的特征值分解。采用矢量模式CORDIC算法和旋转模式CORDIC算法实现脉动阵列结构的细胞单元。系统字长选用16 bit定点数,采用硬件描述语言VHDL进行描述,在Altera公司的EP2S60中实现。整个特征值分解模块消耗24 372个FPGA中基本逻辑单元(LE),系统最高工作频率145 MHz,完成一次特征值分解的最低耗时为14.82μs。通过理论分析和实验验证,该实现方法精度高、速度快,大大提高了MUSIC算法的实时性,扩大了MUSIC算法的应用范围。