非均匀阵元噪声条件下的近场声源定位

针对常规定位方法在空间非均匀高斯噪声背景下近场声源定位性能下降的问题,基于平面阵建立了近场声源信号模型,推导了空间非均匀阵元噪声条件下求解声源方位和距离信息的最大似然定位方法,并使用连续空间蚁群优化算法,解决了该最大似然方法在多维参数空间搜索的高运算复杂度问题,通过仿真实验验证了该方法的可行性和有效性.仿真实验表明,该方法估计精度较高,在低信噪比下方位和距离均方误差都小于常规最大似然方法,并且在高信噪比条件下方位和距离的均方误差都逼近克拉美-罗界.     

非均匀阵元噪声条件下的近场声源定位

针对常规定位方法在空间非均匀高斯噪声背景下近场声源定位性能下降的问题,基于平面阵建立了近场声源信号模型,推导了空间非均匀阵元噪声条件下求解声源方位和距离信息的最大似然定位方法,并使用连续空间蚁群优化算法,解决了该最大似然方法在多维参数空间搜索的高运算复杂度问题,通过仿真实验验证了该方法的可行性和有效性.仿真实验表明,该方法估计精度较高,在低信噪比下方位和距离均方误差都小于常规最大似然方法,并且在高信噪比条件下方位和距离的均方误差都逼近克拉美-罗界.     

阵元非均匀高斯白噪声背景下的近场声源定位研究

为解决非均匀高斯白噪声背景下常规近场声源定位算法精度低的问题,提出一种基于噪声协方差矩阵估计的近场声源定位,预白化MUSIC算法,该方法首先从阵列输出数据中估计出噪声协方差矩阵,再利用估计出的噪声协方差矩阵预白化阵列协方差矩阵,从而提高常规算法的估计性能.仿真结果表明,在非均匀高斯白噪声背景下的近场声源定位中,预白化MUSIC算法定位性能高于常规MUSIC和Capon算法的估计性能.     

圆周阵被动定位和跟踪方法的研究

本文介绍了一种采用圆周阵对目标声源进行被动定位和跟踪的方法。与线阵不同，圆周阵可对目标进行全方位跟踪，且测距精度不受目标方位变化的影响。文中给出了圆周阵的测距、测向公式，并从理论上分析了测距性能，计算机仿真结果验证了理论分析的正确性。     

非一致噪声下的多阵列直接定位算法

针对实际无源定位系统中多个阵列分散分布以及单个阵列各阵元之间差异造成的噪声功率分布不均匀导致直接定位(DPD)算法精度下降的问题,提出了一种非一致高斯白噪声场中的多阵列最大似然DPD(UN-ML-DPD)算法,并推导出该条件下的克拉美罗界。首先计算各阵列输出协方差矩阵;再将计算结果传到数据处理中心;然后由数据中心通过迭代的方式同时对目标位置与非一致噪声功率进行最大似然联合估计,以收敛后得到的结果作为目标位置精确估计值,从而减弱了非一致噪声对DPD算法的影响;最后在多目标条件下用交替投影法降低算法复杂度。较之传统算法,UN-ML-DPD算法能够提高多阵列在低信噪比下的定位精度。仿真结果表明:UN-ML-DPD算法在-15dB的低信噪比下估计误差小于15km,与DPD算法相比定位精度提高15%以上;能较为准确地估计各阵列噪声协方差矩阵,在标准噪声功率小于30 W时估计误差小于3.5 W;在高信噪比下定位精度能够逼近克拉美罗下界。     

矢量传感器声源方位与噪声协方差阵联合估计

针对空域非均匀白噪声,通过矩阵变换估计噪声协方差矩阵,进而采用噪声预白化技术获取声源方位的最大似然估计,该方法避免了原最大似然算法加权参数选取的一维搜索过程,提高了算法效率;针对空域色噪声,利用噪声协方差矩阵的先验分布信息,结合噪声预白化技术,提出声源方位与噪声协方差矩阵迭代联合估计算法.仿真实验表明,空域非均匀白噪声背景下,与原最大似然估计方法相比,方位估计精度基本相同,但算法效率更高;空域色噪声背景下,与原最大似然估计方法相比,该方法提高了方位估计精度.     

联合时延与多普勒频率的直接定位改进算法

针对传统两步定位算法中测量参数不能保证与真实位置匹配,导致信息损失,产生定位误差的问题,提出了一种联合时延与多普勒频率的直接定位改进(IDPD)算法。首先采用高斯最大似然估计器,将从数据中提取目标位置信息的问题转化为求解包含发射源位置信息的厄尔米特矩阵的最大特征值问题;然后利用矩阵转置后特征值相同这一性质进行简化运算;最后通过二维地理网格搜索以获取发射源的位置估计。较之传统的直接定位(DPD)算法,IDPD算法对信号无要求,且利用极大特征值作为网格点的代价函数,抑制了噪声的影响,提高了定位精度。仿真结果表明,IDPD算法在低信噪比条件下对目标位置估计误差在102 m量级,与DPD算法相比,定位精度提高了30%以上,更加逼近克拉美罗下界。     

一种新的近场源定位算法

给出了一种近场源的到达角（DOA）和距离的二维参数联合估计算法.该算法利用四阶累积量矩阵的特征值估计DOA,通过在估计的DOA下进行有限的一维搜索得到距离估计.该算法将二维搜索降低为一维有限搜索,并提高了直接使用高阶累积矩阵估计信源位置的方法的距离估计精度.计算机仿真证实了该方法的有效性.     

基于完美抽样的最大似然方位估计方法

为了解决最大似然估计计算量大的问题,将马尔可夫蒙特卡罗方法与最大似然方位估计相结合,提出一种基于完美抽样的最大似然方位估计新方法.研究结果表明,该方法不但保持了原最大似然方位估计方法的优越性能,而且大大减小了计算量,把原方法的计算复杂度从O(LK)减少到O(K×J×Np).     

利用蒙特卡罗的最大似然时延估计算法

针对最大似然时延估计算法的峰值搜索计算复杂度较高且容易陷入局部收敛,造成估计误差较大的问题。提出了一种利用蒙特卡罗的最大似然时延估计(MCML)算法。首先利用信道频域响应估计矢量建立似然函数;然后把时延估计问题转化为求解随机变量的期望问题,将采用指数化似然函数构造的标准化概率密度函数趋近于冲激函数,使得随机变量的方差趋近于零;最后采用蒙特卡罗方法对随机变量进行抽样,从而利用抽样的均值估计出时延。较之传统方法,蒙特卡罗方法避免了网格搜索,降低了计算复杂度,保证了全局收敛性和估计精度。仿真结果表明:在信噪比0~25dB的条件下,MCML算法均能始终逼近克拉美罗界;当信噪比为25dB时,MCML算法的时延估计分布范围缩小为马尔科夫链蒙特卡罗算法的34%。     

基于最大似然估计的多目标定位

宽带高分辨雷达多目标定位问题一般是先进行精确时延估计，再进行源定位。本文提出了一种在频域运用最大似然估计进行目标位置反演的方法，归结为全局搜索--目标函数的极值。通过对仿真数据的处理，结果显示该方法可以准确的估计出多目标位置。     

目标定位最大似然估计

提出一种近似的最大似然估计方法,用于基于测量波达角进行目标定位.通过引入一中间量,即和波达角估计相关的非线性方程可以转换成一组未知参数的线性方程.这就是近似的最大似然估计.实验仿真表明,提出的算法具有明显的优点：误差小,鲁棒性好.     

最大似然估计在一元线性回归中的应用

最大似然估计是参数估计的常用方法。应用最大似然估计方法估计一元线性回归方程中的未知参数,与用最小二乘估计得到相同的结果,说明此方法的适用性。     

近场源频率、二维到达角和距离的联合估计

文章基于四阶累积量提出了一种多个独立非高斯窄带近场源频率、二维到达角和距离的联合估计算法。该算法首先构造六个四阶累积量矩阵,由它们组成五个矩阵对,然后对五个矩阵对进行广义值分解并对广义特征值进行配对,由配对后的广义特征值求得中间参数,最后由中间参数解出各个近场源的参数。该算法无需任何搜索,而且只需五个阵元放置在固定的位置,对阵列的其它阵元并无要求。由于采用四阶累积量,所以该算法适用于任意高斯噪声环境。计算机仿真结果证实了该算法的有效性。     

完全极大似然估计

证明了关于完全极大似然估计的一个重要定理,说明当参数的2个不同的变换的某些分量完全相同时,它们的完全极大似然估计是相同的,另外,给定了正态分布和负指数分布的参数以一定的先验分布,在此基础上计算它们的完全极大似然估计,得到了与贝叶斯参数估计形式非常相似的结果。     

滑动平均模型的极大似然辨识方法

根据极大似然原理,推导了滑动平均模型的极大似然参数估计算法.仿真结果说明:当数据长度较大时,提出的方法给出的参数估计精度高于增广最小二乘算法.     

极大似然估计的几种求法

极大似然估计是参数估计的一种常用方法.本文探讨了极大似然估计的三种求法,并举例说明了这些方法在解决实际问题中的应用.