基于非圆信号的互质阵列欠定DOA估计方法

针对欠定波达方向（direction of arrival,DOA）估计问题,研究了一种基于非圆信号的互质阵列DOA估计方法.对互质阵列输出互协方差矩阵和椭圆协方差矩阵进行向量化处理,通过数据重新链接并去冗余得到一个虚拟均匀线阵输出数据,实现阵列的充分扩展且扩展后的虚拟阵元进一步得到增加;结合入射信号的空域稀疏性,在连续角度域将DOA估计问题转化为一个连续稀疏重构问题,有效避免了传统稀疏重构算法中由于角度域离散化所导致的基不匹配问题对估计性能的影响;通过求解相应的凸优化问题以及多项式求根实现DOA的估计.理论分析和仿真结果表明,该方法具有阵列扩展能力强、估计精度和分辨性能高等优良性能.      

面向多声源的压缩感知麦克风阵列的波达方向估计

在语音识别、说话人识别等语音交互应用领域中,麦克风阵列常常工作于多声源工作场景,因而需要更高的波达方向(DOA)估计分辨性能.压缩感知(CS)的DOA估计算法可将声源定位的问题转化成稀疏信号的重构问题,进而提高在高混响、低信噪比环境下的DOA估计性能.基于这一思想,将CS方法应用于多声源方位估计.考虑到传统的基于CS的DOA估计算法利用实测声源传输响应作为混合矩阵时,会因噪声的存在而导致多声源条件下的匹配程度下降,提出了利用基于阵列各阵元之间时延关系所生成的不同方位的声源传输响应来构造CS混合矩阵,即构造房间冲激响应CS(CRR-CS)的DOA估计算法,从而实现多声源的DOA稀疏恢复.通过实验验证了该方法优于传统方法,能更好地实现定位.     

一种分布式阵列无模糊波达方向估计方法

为解决分布式阵列应用常规算法估计波达方向(DOA)时出现的角度模糊问题,提出一种基于压缩感知(CS)理论的无模糊DOA估计方法.利用新方法对分布式阵列的接收信号分别通过直接采样和随机矩阵两种压缩采样方式进行二次采样,将接收信号转换为CS理论所需的随机观测数据,并利用CS重构算法将目标DOA信息从观测数据中高概率、无模糊地获取.将新方法与多重信号分类法(MUSIC)和旋转不变子空间算法(ESPRIT)等经典常规DOA估计算法的运算量进行了详细对比,指出新方法的运算量更小.通过与现有分布式DOA估计方法的仿真实验对比,验证了新方法的有效性,并分析分布式阵列接收阵元数的改变对新方法 DOA估计精度的影响.     

二维DOA估计中麦克风阵列优化设计

在DOA估计中,往往事先假设麦克风阵列的结构,然后通过改进DOA估计方法来提高定位精度,忽视了麦克风的摆放位置对 DOA 估计性能的影响。基于此,针对二维 DOA 估计,提出改进遗传优化算法,将空时滤波器系数和麦克风阵列结构分开,构造由二维 MUSIC空间谱函数欧式距离和优化后阵元个数共为变量的适应度函数,以 DOA 估计精度为停止条件,对均匀矩形阵、均匀圆形阵和均匀同心圆阵开展优化设计。仿真结果表明,采用所提方法优化后的阵列取得了较好的DOA估计性能。     

基于虚拟阵元冗余平均的对称嵌套MIMO雷达DOA估计

针对传统算法进行DOA估计时因删除重复虚拟阵元而造成有效信息损失、估计性能不佳等问题,提出基于虚拟阵元冗余平均的对称嵌套MIMO雷达DOA估计算法。首先,将一组密布均匀线阵和一组稀疏均匀线阵分别以零点为中心对称排列,构成单基地MIMO雷达的发射阵列和接收阵列,将传统的虚拟阵元由“差联合”结构变成对称“和联合”结构形式,提高了系统的自由度、降低了阵元互耦,并将其应用于非相干目标和全相干目标DOA估计;其次,向量化样本协方差矩阵,将“和差联合”阵列重复的虚拟阵元进行冗余平均处理后重构Toeplitz矩阵;最后,结合MUSIC算法进行非相干目标DOA估计,有效提升了目标估计个数和角度估计性能。仿真实验验证了阵列结构和算法的有效性。     

基于聚焦矩阵的毫米波信号DOA估计

针对毫米波信号源的到达角(DOA)估计随频率变化、导致估计误差较大的问题,提出毫米波信号向窄带信号转化的DOA估计算法.该算法通过在频域内建立毫米波信号接收模型,将接收信号看成多个不相关的窄带信号,并将其“聚焦”在某一参考频率下,减少波束因频率变化带来的影响,进而利用旋转不变子空间(ESPRIT)算法进行毫米波DOA估计.仿真结果表明:该算法可有效降低中等信噪比下的DOA估计误差,当阵元数达到70时,可实现相对稳定的DOA估计,随频率变化估计效果保持整体稳定,从而提升毫米波系统定向传输时的链路质量.     

基于改进MUSIC算法的宽带DOA估计

经典MUSIC算法的统计特性主要建立在阵元数固定且快拍数趋于无穷的情况下,在有限样本中,当快拍数无法满足远大于阵元数的条件时,DOA估计会产生偏差.对于宽带信号的DOA估计,利用相干信号子空间(Coherent Signal-subspace Method,CMS)方法,构造聚焦矩阵使不同频率的信号子空间映射到同一参考频率上,用聚焦后的频域窄带模型进行DOA估计,并针对在实际应用中,阵列的阵元数较大且快拍数受限时经典MUSIC算法估计精度不高的情况,利用改进后的MUSIC算法-Spike-MUSIC算法,提高DOA估计精度.在不同信噪比下,分别对DOA估计的误差进行了MonteCarlo仿真实验,仿真结果表明,相对于普通的CSM方法,基于Spike-MUSIC算法改进的CSM方法在宽带DOA估计中具有更高的精度.     

基于变分稀疏贝叶斯的off-grid DOA估计

针对传统稀疏贝叶斯学习方法在解决低信噪比条件下信号到达角DOA估计中,到达角不完全落在阵元端离散化网格点上的情况,提出了一种基于变分稀疏贝叶斯学习期望最大化的离格DOA处理方法.该方法首先对均匀线阵的实际接收信号off-grid情况建立参数化稀疏模型,利用变分稀疏贝叶斯学习方法,通过最小化KL散度寻求一个与后验概率近似的概率分布,其次期望最大化方法分别在期望阶段和最大化阶段进行参数推断,进一步在离格误差模型下以较高的精度和分辨率实现信号到达角的估计,最后仿真结果表明,该方法不仅在传统SBL方法的基础上提高了运算效率,而且具有更高的空域分辨率和角度估计精度,该方法具有优越的角度估计性能.     

非规则部分校准阵列下的宽带LFM信号二维DOA估计

提出了一种宽带线性调频（LFM）信号的二维波达方向（DOA）估计新方法.该方法在空域和时域同时对信号进行采样,并利用观测样本的分数阶Fourier域峰值构造出新的时频空DOA矩阵,进而通过特征值分解的方法实现多个LFM信号的DOA估计.该方法充分地挖掘了观测信号所包含的时频信息,降低了对阵列结构和阵元一致性的约束,使其适用于阵元几何分布不规则且大部分阵元未经校准的阵列.此外,该方法无需谱峰搜索和二维参数配对,计算简单且估计精度较高.仿真结果显示,在DOA估计的均方根误差（RMSE）相同时,与传统方法相比,该方法可获得6～8 dB的信噪比增益.     

用于单比特稀疏偶极子阵列波达角估计的协方差矩阵估计方法

为了提高单比特稀疏偶极子阵列的波达角(DOA)估计精度,提出了一种协方差矩阵估计算法。利用偶极子阵列结构特征,将该阵列的接收信号重排为具有相同阵列排布的等效标量阵接收信号,其理想协方差矩阵具有托普利兹结构。利用该矩阵的托普利兹结构以及单比特采样信号与无量化接收信号的符号一致性,将等效标量阵接收信号协方差矩阵的估计问题转化为具有等式约束的非凸优化问题,并将此问题松弛为凸问题,求得该矩阵的估计值,进而使用子空间方法获得DOA的估计结果。实验结果表明：相较于单比特多重信号分类(OBMUSIC),在嵌套阵上,该文单比特稀疏协方差矩阵估计(OB-SCME)的估计精度最小均方误差(MSE)有平均2.2 dB的性能提升;在互质阵上,其估计精度MSE平均提升了8 dB;当信噪比为0且快拍数少于60时,其估计精度提升可达10 dB以上。     

基于矩阵填充的子阵重构二维波达方向估计算法

为提高稀疏阵列下二维波达方向(2D-DOA)估计的效率,提出1种基于加速近邻梯度矩阵填充的子阵重构旋转子空间(APG-SRESPRIT)算法。建立了基于矩阵填充的稀疏阵列DOA估计信号模型,并验证该信号模型满足零空间性质。通过加速近邻梯度算法将该信号模型恢复为完整信号,划分子阵并构建合并矩阵。对合并矩阵进行奇异值分解,在子阵重构后估计目标角度,且目标角度自动配对。仿真实验表明该文算法可减少70%的阵元数量,且在稀疏阵列下准确估计2D-DOA。     

时-空欠采样下多个信号的频率和DOA联合估计

针对时-空欠采样条件下多个入射信号的频率和波达方向(DOA)联合估计问题,提出了基于中国余数定理(CRT)的估计算法。利用稀疏分布的非均匀线阵对同时到达的多个入射信号进行多路的并行欠采样,借助AM估计器的谱校正,得到精确的谱峰位置余数和相位差余数。通过改进的重构多个整数的中国余数定理得到频率的估计值,并且根据该频率估计值和频率估计过程中的谱峰位置余数对多个信号和多组相位差余数进行配对,再通过闭式中国余数定理解决相位模糊问题,完成DOA估计。仿真结果验证了该算法的顽健性和高精度,并且阵列一次并行欠采样的样本同时为频率和DOA估计所用,算法耗时短,表明了其实际工程应用前景。     

信号稀疏分解降噪在DOA估计中的应用

提出了一种基于稀疏分解的阵列信号降噪方法。该算法是通过匹配跟踪(MP)的稀疏分解对阵列接收信号进行降噪,然后结合一般的MUSIC算法实现DOA估计。首先将对阵列接收数据分阵元通道独立进行基于MP分解的降噪处理,在不改变阵列流型的前提下,达到了对阵列信号降噪的效果,且在实际算法中分析了MP分解迭代终止阈值的确定。通过仿真分析证实了信号MP分解降噪的方法应用于DOA估计中的可行性。仿真结果显示,在低信噪比环境中,基于MP分解降噪后的MUSIC估计方法取得了更好的估计性能,因此证实了该算法的有效性。     

基于子空间拟合的块稀疏贝叶斯学习DOA估计

针对传统基于稀疏贝叶斯学习(sparse bayesian learning, SBL)的波达方向(direction of arrival,DOA)估计算法在低信噪比条件下性能不足的问题,提出了一种基于子空间拟合和块稀疏贝叶斯学习的离网DOA估计方法。首先对样本的协方差矩阵进行特征分解,获得信号的加权子空间,然后构造等价信号的稀疏表示模型并利用块稀疏贝叶斯算法进行参数求解,同时对于网格失配带来的建模误差,将空间域内的离散采样网格点作为动态参数,通过求解一个多项式,利用期望最大化算法迭代更新离散网格点的位置。仿真实验结果表明,相对于传统SBL算法,该方法具有更好的估计精度和空间分辨率。     

超宽带通信压缩感知信道估计与信号检测方法

针对超宽带信号在采样速率过高时难以采样的问题,利用信号稀疏性提出一种基于压缩感知的信道估计和信号检测算法(CS算法).将信号重复送入随机滤波器后发送,对接收信号进行欠采样,利用调制信号、滤波器、信道的圆周卷积关系建立压缩感知的数学模型,从而可采用基追踪算法实现信道估计和信号检测.仿真结果表明,CS算法所需的采样数据量仅为最小二乘算法的1/3或更少,而在中等信噪比(15~25 dB)的情况下,估计性能可以提高约4.5 dB,且可以准确检测出原始信号.     

基于稀疏贝叶斯的多跳频信号二维波达方向估计

分析了现有跳频信号二维波达方向(DOA)估计算法的优缺点,提出了一种基于稀疏贝叶斯学习的跳频信号二维DOA估计算法.该算法利用L型阵列特点,将方位角、俯仰角和跳频率三维信息转换为一维空间频率信息,降低了冗余字典长度和稀疏求解难度.其次,经过奇异值分解降维处理,减少了矩阵运算维数,降低了算法复杂度,通过稀疏贝叶斯算法和快速傅里叶变换估计出空间频率和跳频率,利用Capon空间频率配对算法将空间频率和跳频率正确配对,计算出空间角.最后,由空间角几何关系解算出方位角和俯仰角.模拟结果表明,在低信噪比或低快拍数条件下,该算法DOA估计精度较高,且不易受空间频率间隔和跳频信号源相干性的影响.     

基于斜投影算子的混合信号DOA估计算法

为了提高混合信号的波达方向(direction of arrival, DOA)估计精度并降低其阵列孔径损失，提出一种基于斜投影算子的高精度DOA估计算法.所提算法将混合信号中独立信号与相干信号分两个阶段进行估计，首先利用ESPRIT(estimating signal parameter via rotational invariance techniques)算法处理阵元接收数据的协方差矩阵，得到混合信号中独立信号的DOA估计值；而后利用斜投影算子去除混合信号中独立信号的信息，得到新的协方差矩阵；利用新得到的协方差矩阵的信号子空间进行去相干处理；最后结合ESPRIT算法计算得到相干信号的DOA估计值.仿真结果表明，相较传统的混合信号DOA估计算法，所提算法在低信噪比情况下以及信号入射间隔较小的情况下有较高精度，有效地降低了阵列孔径的损失.在不同的采样快拍数下，本文算法也表现出更强的鲁棒性.     

基于神经网络的相干信源稳健DOA估计

目前基于神经网络的DOA估计主要是针对理想情况下的均匀线阵,且信源非相干,可估计的信源数较少.针对阵列误差和相干信源同时存在的问题,在理想数据集中引入互耦误差、阵元幅度误差、阵元相位误差以及阵元位置误差,并设计了一个多通道CNN+DNN网络和目标函数生成方法,用于相干信源的稳健DOA估计.引用B-band互耦模型和相关误差模型合成阵列输出信号,通过提取阵列输出信号的协方差矩阵的实部、虚部与相位角,构建网络的输入信号.对理想条件下的MUSIC算法DOA估计结果进行拟合,根据拟合公式生成多信源从不同角度入射时的空间谱,作为网络的目标信号.使用相同的数据集对本文DOA估计网络与其它文献中的DOA估计网络进行训练和测试.结果显示,在不同信噪比、不同误差大小以及不同信源数的情况下,本网络的稳健性和解相干能力都更优.     

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.     

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.