基于伪数据相关矩阵二次重构的DOA估计新算法

针对传统波达方向估计算法在强信号邻近时弱信号难以估计和信源相干情况下算法性能失效的问题,通过对传统波达方向估计算法的理论推导和研究分析,变换阵元的数据接收矩阵来重构协方差矩阵,再对新的协方差矩阵对应信号的较大特征值进行重新排序,构造出伪数据相关矩阵,并结合MUSIC谱进行谱峰搜索完成对强弱邻近相干信源的波达方向估计.通过仿真比较,结果表明新算法消除了信号的相干性,不造成阵列孔径损失,并能对强弱邻近信号作出准确估计.     

一种基于Toeplitz矩阵重构的波达方向估计新算法

为了提高空间谱中信号与噪声的区分度以及改善传统Toeplitz矩阵重构算法在进行波达方向(direction of arrival,DOA)估计时的精度,本文提出一种新的基于Toeplitz矩阵重构的DOA估计算法。首先将观测数据估计的自相关矩阵预处理得到数据向量,并基于数据向量进行Toeplitz矩阵重构;再对重构后的矩阵进行奇异值分解,得到信号子空间和噪声子空间;最后同时利用信号子空间和噪声子空间进行空间谱估计。结果表明:无论是相干源还是非相干源的DOA估计,该算法估计精度均优于传统Toeplitz算法,在非相干源的DOA估计精度性能与多重信号分类(multiple signal classification,MUSIC)算法一致,并在处理相干信源个数能力与传统Toeplitz算法相同。     

基于空间差分算法的相干信号二维DOA估计

针对传统解相干算法对阵列孔径利用率不高的问题,提出了一种改进的空间差分算法,通过重构子阵之间的协方差矩阵,将阵列接收信号协方差矩阵的所有自相干信息和互相关信息充分利用,再通过建立差分矩阵,利用空间差分算法去除噪声的影响。最后采用传播算子（PM）算法完成二维波达方向（DOA）估计。仿真结果表明,该算法相比传统解相干算法,解相干效果较好,角度估计精度有较大的提高。     

混合信号情况下基于均匀线阵的测向方法

基于均匀线阵,在不相关信号和相干信号共存的情况下提出了一种有效的测向方法.不相关信号的波达方向通过采用传统的多重信号分类方法(MUSIC)首先被估计.然后,利用空间差分矩阵构造了一个新的矩阵,通过对这个新构造的矩阵运用前向空间平滑技术进行处理就可以完成对相干信号的测向.提出的方法克服了空间差分方法内在的问题,其所处理的信号个数可以多于阵元的个数并具有良好的性能.     

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.     

未知互耦条件下相干与非相干混合信号的波达方向估计

针对阵列互耦对导向矢量的扰动,以及信号相干性对数据协方差矩阵造成的秩损致使超分辨波达方向(DOA)估计算法性能变差甚至失效的问题,提出了一种在相干与非相干信号混合状态下无需阵列互耦补偿的DOA估计算法.其中:仅截取部分阵元的接收数据,即可达到阵列互耦自抑制的目的;对数据协方差矩阵进行特征分解,利用所得特征矢量重构等效协方差矩阵,并对等效协方差矩阵进行奇异值分解,基于多重信号分类法或信号参数估计的旋转不变子空间技术完成混合信号的DOA估计;并利用计算机进行数值仿真以验证算法的有效性.结果表明,在阵列互耦未知的条件下,所提出的算法能够正确估计信号的DOA,无需互耦参数的估计或补偿.     

基于ESPRIT的ULA波达方向估计改进算法

针对MUSIC(Multiple Signal Classification)算法和ESPRIT(Estimated Signal Parameters via Rotational -Invariance- Technique)算法不能有效估计相干信源波达方向的问题, 在修正MUSIC算法（Modified MUSIC）基础上, 通过引用变换矩阵, 在考虑阵列接收数据及其相应变换矩阵的自相关和互相关信息后, 结合总体最小二乘算法TLS-ESPRITS（Total Least-Squares ESPRIT）提出了能同时适应相干和非相干信号情况的波达方向估计的改进ESPRIT算法（IM-ESPRIT: Improved ESPRIT), 并在相干信号源来波角度间隔较小和低信噪比条件下, 同常规CC-ESPRIT(Cross ESPRIT)算法进行比较。结果表明, 当相干信源角度间隔为3°且信噪比为0时, 实现波达方向估计具有较好的估计精度和分辨率。     

基于改进多重Toeplitz矩阵重构算法的二维DOA估计

针对相干信号源在二维波达方向（2-Dimensional Direction-of-arrival, 2D-DOA）估计中，多重Toeplitz矩阵重构方法在小信噪比时估计性能较差的问题，文章采用一种基于时空延迟的多重Toeplitz矩阵重构方法进行二维波达方向估计。该方法选用L型阵列结构，首先利用信号在时域和空间域内的强相关性以及噪声的弱相关性构造时空相关矩阵，然后结合多重Toeplitz矩阵重构方法重构时空延迟的多重Toeplitz矩阵达到去相干的目的，最后利用ESPRIT(Estimating Signal Parameter via Rotational Invariance Techniques)方法进行两次特征分解进而通过自动匹配来得到2D-DOA估计结果。通过在Matlab平台仿真，将该算法与多重Toeplitz矩阵重构算法，前后向空间平滑算法，ESPRIT算法以及前后向部分Toeplitz重构算法基于均方根误差（Root Mean Square Error, RMSE）和分辨概率（Probability of Resolution, POR）进行对比分析。结果表明本文提...     

基于相关矢量法L型阵列相干信号DOA估计

针对L型阵列提出了一种基于互相关矩阵的相关矢量(cross correlation matrix correlation vector method,CCM-CVM)重构解相干的波达方向(direction of arrival,DOA)估计算法。为了进一步提高估计精度,在此方法基础上又得到一种改进方法,即CCM-MCVM的方法。该方法基于前后向矢量重构理论,利用阵列互相关矩阵不含噪声的特点,把互相关矩阵的每一个列矢量作为前向矢量,通过对其前向矢量元素进行复共轭变换并颠倒顺序得到后向矢量。利用所有的前后向矢量来重构信号的协方差矩阵并提取信号的子空间,该方法相较于CCM-ESPRIT算法具有损失阵列孔径小,估计精度高的特点。理论分析和仿真结果表明了该方法在低信噪比和小快拍数条件下相较于对比算法具更好的估计性能。     

基于协方差矩阵重构的DOA估计方法

针对空间信号的波达方向估计,提出了协方差矩阵重构测向算法。由数据协方差矩阵的特征分解求得信号特征值及其对应的信号特征向量,根据各个信号特征向量构造相应的子协方差矩阵,算法定义一个新协方差矩阵。从理论上证明了新协方差矩阵在信号相干时仍然满秩,新算法在解除信号相干性的同时没有造成阵列孔径的损失。与空间平滑类算法相比,估计同样相干信号数,新算法能节省更多阵元。仿真实验证实了新算法优越的分辨能力和估计性能。     

未知噪声背景下的改进型MMUSIC算法

针对不能确知被估计信号源的相关性和非平稳且噪声功率未知的高斯噪声环境,提出一种改进型的修正多重信号分类(MMUSIC)算法.用协方差差分法消除阵列协方差矩阵中的未知噪声矩阵,再用MMU-SIC算法对得到的协方差差分矩阵进行解相关或解相干处理.该算法只要求阵元数为不少于2L+1,即可在不影响相干信号源估计的同时,保证不相关信号源的估计性能.仿真结果表明:算法能够在不能确知信号源相关性和低信噪比的未知噪声环境下,对信号源进行有效的波达方向估计,获得很高的估计精度和角度分辨率.     

用于高分辨率测向的噪声子空间抽取算法

高分辨率测向是有广阔应用前景的技术，当前的一个主要问题是其计算量巨大，噪声子空间抽取算法（ＮＯＳＥ）首先利用最小二乘法求得噪声子空间中的一组基或这组基的一个子集，然后形成空间谱并估计可能的波达方法。最后，再利用一次最小二乘法检测信号数目并确定真实波达方向。在存在相干源时，ＮＯＳＥ可利用空间平滑技术去相干后进行检测和估计。与标准的高分辨率测向算法（多信号分类算法ＭＵＳＩＣ）相比，ＮＯＳＥ不但运算量大为减少，而且分辨率也有提高，文中的信号数目的检测方法基于对波达方向的估计，具有简单准确的特点，可以推广到多种算法中去。     

基于矩阵重构和酉变换的DOA估计

为了提高重构相干信号测向算法的估计性能,降低算法运算量,提出了一种基于矩阵重构和酉变换方法的酉矩阵重构算法。该算法首先通过酉变换将阵列接收数据从复值计算转换为实值计算,使计算量大大降低;然后计算阵列协方差矩阵并进行特征值分解得到信号子空间,再将信号子空间重构为Toeplitz矩阵实现解相干并再次进行酉变换;最后通过特征值分解得到信号子空间并使用最小二乘法实现波达方向(direction of arrival, DOA)估计。相比于改进的旋转不变性的信号参数(estimation of signal parameters via rotational invariance techniques-like, ESPRIT-Like)算法和空间平滑处理算法,由于消除了噪声影响、构造了Toeplitz矩阵以及充分利用了数据的共轭信息,该算法的估计精度更高、具有更高的运算效率且在ESPRIT-Like算法失效的条件下新算法仍能有效估计DOA。本文算法的运行时间是ESPRIT-Like算法的71.2%,实验结果证明了该方法的有效性和真实性。     

采用前向空间平滑分组的混合信号波达方向估计算法

针对混合信号在估计其波达方向时阵列孔径和信噪比损失严重的问题,提出了一种基于对称均匀线阵的波达方向估计算法。对于独立信号,利用旋转不变性子空间类算法估计出其波达方向;对于多径传播引起的多组相干信号,利用矩阵的差分以及斜投影分组估计出其波达方向。这种利用矩阵差分的算法不仅消除了独立信号对相干信源的影响,而且相比前向空间平滑算法减少了斜投影和空间平滑的次数,降低了阵列孔径和信噪比的损失。该算法还可以与多种平滑算法相结合,降低对阵元数的要求并提高仿真性能。在估计相干信号的波达方向时,利用旋转不变性子空间类算法思想代替多信号分类算法,避免了谱峰搜索,降低了运算时间。仿真结果表明:存在5个相干信源时,在-10dB的低信噪比的情况下,所提算法仅需7个阵元就可获得误差较低的估计结果,而且与多信号分类算法相比节约了大量运行时间。     

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.      

未知互耦条件下基于四阶累量的非均匀圆阵波达方向估计算法

基于互耦矩阵的特殊结构,给出了一种更具一般性的非均匀圆阵模型,提出了一种在未知互耦条件下的非均匀圆阵波达方向估计算法．由于采用了四阶累量,该算法可以估计出比阵元数更多信号的波达方向,并且对高斯噪声不敏感．由于未采用迭代算法,从而降低了算法运算复杂度．仿真实验证实了该算法的有效性．     

基于TSVD的在线相干DOA估计算法

对信号波达方向估计中的解相干问题,提出一种新的去相关信号波达方向估计方法。利用阵列实时接收的快拍数据迭代得出协方差矩阵的最大特征矢量,然后通过最大特征矢量建立一个新的Toeplitz矩阵实现去相关,最后对新得到矩阵进行奇异值分解得到信号的波达方向。通过仿真实验证明该方法能够实现对相干信源的有效估计,并且具有很好的实时性,能够有效的降低算法的复杂性。它在低信噪比和小快拍数的情况下有着比TSVD算法更加优良的估计性能。     

波达方向估计的一种改进SVD算法

本文主研究智能天线算法中的关键技术波达方向估计（DOA）。针对相干信号源的信号子空间与噪声子空间相互渗透,导致空间协方差矩阵缺秩从而经典算法失效的问题,本文基于奇异值分解（SVD）算法,提出了一种改进的SVD算法。该算法利用入射信号矩阵的最大特征向量元素包含所有入射信号信息的性质,进行矩阵重构,并对重构矩阵进行特征值分解得到噪声子空间和信号子空间,最后利用经典谱估计算法得到相干信源的入射方向。仿真试验结果表明改进SVD算法性能优于原始算法。     

基于分数阶傅里叶变换的宽带LFM信号波达方向估计新算法

提出一种新的基于分数阶傅里叶变换和信号子空间分解的宽带线性调频(LFM)信号波达方向(DOA)估计算法.该方法利用LFM信号在分数阶傅里叶变换域的极高的聚集性,在分数阶傅里叶变换域分离信号,并构造分数阶傅里叶变换域的阵列信号相关矩阵.通过对相关矩阵进行特征值分解,估计信号子空间和噪声子空间,并利用MUSIC算法估计宽带LFM信号的波达方向.仿真验证了新方法的有效性.     

一种新的实值信号共轭MUSIC算法

利用实值信号特性提高波达方向(direction of arrival,DOA)估计性能,提出一种新的共轭多重信号分类(conjugate multiple signal classification,CMUSIC)算法.先拼接阵列上的接收数据矩阵和其共轭矩阵,再利用新矩阵中数据间的均匀延迟关系进行矩阵重构,对其奇异值分解获得信号子空间,CMUSIC可充分利用信号的实值特点,对多于阵元数的信号进行测向,不仅可以处理非相干信号,还可以处理相干信号,获得的测向精度优于多重信号分类(multiple signal classification,MUSIC)算法和空间平滑算法.仿真实验结果证实了CMUSIC算法的有效性.