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。     

一种色噪声背景下的信源方位估计快速算法

针对实际环境中相干信源普遍存在的情况,提出一种基于对称均匀线阵的波达方向(DOA)分步估计方法。该算法在未知噪声协方差矩阵为复对称Toeplitz(色噪声)结构的情况下,利用空间差分方法和相干信源Toeplitz矩阵重构方法相结合,来处理同时存在相干(或相关)和独立信源的情况。首先利用常规谱估计算法估计独立信源;然后用差分的方法将其排除掉,同时可以排除色噪声信息;然后用Toeplitz重构的方法将剩下的相干信源恢复为满秩,进而可以利用传播算子的方法进行DOA估计。与传统的去噪、解相干算法相比,该算法在提高阵列信源过载能力的同时,可明显减小算法的运算量。计算机仿真结果证明了新算法的有效性和正确性。     

基于子空间旋转的信号频率和波达方向同时估计方法

针对宽频段窄带信号,利用时间平移构造伪数据矩阵,同时,将伪数据矩阵信号子空间进行旋转,并通过对构造的信号空间矩阵进行特征分解,提取导向矢量矩阵和旋转因子中所包含的角度和频率信息,从而直接获得频率和波达方向（DOA）的同时估计,计算机仿真表明,该方法在中等信噪比下是有效的,且无需搜索过程和配对处理。     

L型结构的互质阵列二维波达方向估计

针对雷达L型均匀阵列因阵元间距太小导致无法在实际中摆放的问题,提出了一种L型互质阵列协方差重构二维波达方向(2D-DOA)估计算法。首先将L型互质阵列2D-DOA问题分解为两个子阵的1D-DOA问题,再根据互质阵列的位置,确定对应的虚拟均匀阵列,由于虚拟均匀阵列具有半正定(PSD)、低秩、托普利兹的结构特点,因而根据互质阵列接收数据的协方差矩阵,构造一个优化过程重构虚拟均匀阵列的协方差矩阵;然后利用MUSIC算法完成两个1D-DOA估计;最后利用配对算法对估计的一维角度进行配对。仿真实验表明,与L型均匀阵列MUSIC算法和L型互质阵列SS-MUSIC算法相比,在信噪比大于0dB、快拍数大于50的条件下,所提算法的方向角和俯仰角均方根误差最小,均低于0.8°,可分辨角度最小间距为5°,证明了所提算法在估计精度和分辨力方面的优越性。     

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。     

累量域高分辨率二维波达方向估计算法

提出一种利用虚拟双线性平行阵进行累量域高分辩率二维波达方向估计的新算法。该算法将累量用于协方差的计算,构造了一个虚拟ＤＯＡ矩阵,并基于此矩阵进行波达方向估计。理论分析表明,对虚拟ＤＯＡ矩阵特征值分解,就可以得到源信号的二维ＤＯＡ估计。同时由于累量对高斯噪声的自然盲性,因而算法具有稳健性。该算法的另一特点是可以提供虚拟扩展孔径,提高了孔径的利用率。     

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。     

基于协方差矩阵的空间平滑解相干算法

空间平滑是相干信号DOA估计中的一种有效算法,但平滑不仅造成了阵列孔径的减小,而且不能灵活地调整子阵的长度,对于不同的子阵,均需要计算协方差矩阵然后求平均,运算量较大。通过分析协方差矩阵的结构,指出在协方差矩阵中包含了所有子阵协方差矩阵的信息,从而可以通过对协方差矩阵的处理,构成前后向子阵的协方差矩阵,避免了子阵协方差矩阵的运算,可以灵活地实现平滑算法。计算机仿真证明了该处理的有效性.     

特殊Toeplitz矩阵的一种应用

设Ｘ＝｛ａ０，ａ１，…，ａｎ－１｝是一个有限集，若在Ｘ上定义一种运算“＊”使其运算可表示为一些特殊的Ｔｏｅｐｌｉｔｚ矩阵，它将做成一些特殊的ＢＣＫ－代数，这一结果的逆也是成立的。文中给出了这类特殊的代数和其伴随半群Ｍ（Ｘ）的一些性质，并证明了当其运算表是一个下三角的Ｔｏｅｐｌｉｔｚ矩阵时，其伴随半群是一个剩余格。     

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.      

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.     

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.     

强干扰背景下基于局部空间差分算法的相干目标DOA估计

针对传统算法对强干扰背景下相干目标的波达方向(direction of arrival, DOA)估计效率低、精度不高等问题,在构造干扰阻塞矩阵消除特定方向强干扰的基础上,基于局部空间差分算法进行相干目标的DOA估计。首先通过接收信号矩阵的角度信息构造阻塞矩阵来剔除协方差矩阵的强干扰信息,然后利用局部空间差分算法将协方差矩阵划分为若干子阵,从而充分提取有效信息并实现解相干,最后利用线性算子算法完成对目标的DOA估计,避免高复杂度的谱峰搜索。结果表明：该算法有效提高了数据利用率,有较好的解相干效果,能够在不同的信噪比和快拍数条件下获得比传统算法更低的估计偏差和更高的成功概率。     

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。     

基于引力搜索算法的相干信号源DOA估计方法

针对最大似然(ML)DOA估计方法存在着运算量高且容易收敛到局部极值的问题。结合引力搜索算法(GSA)与最大似然方法,提出了一种GSA-ML方法。将最大似然函数作为GSA算法的适应度函数,在遵循ML方法的主体思想同时,利用GSA算法运算量低和收敛速度快的优点,成功地找到似然函数的全局最优解;并保存了ML方法的优点。仿真结果表明,GSAML方法不仅能有效估计相干信号源;并且相比MUSIC、ESPRIT和TLS-ESPRIT算法,拥有更高的精度和估计成功概率。     

基于深度卷积神经网络的DOA估计

针对现有均匀线阵远场窄带非相干多目标估计算法对低信噪比、少快拍情况适应性差、运算复杂度高，以及现有深度学习方法难以有效提取数据复值特征的问题，提出基于深度卷积神经网络的波达方向估计方法。该方法将波达方向估计问题转换为阵列输出协方差矩阵到目标到达角度的逆映射问题，利用阵列输出协方差矩阵的Hermitian特性，提取其上三角阵的实部、虚部及相位特征，构造网络的输入数据，搭建包含三维卷积层的深度卷积神经网络用来提取数据特征，网络的标签对应目标的到达角度，从而实现多个信源的波达方向估计。试验仿真表明:该方法可以充分提取空间特征，提高波达方向估计精度并降低算法复杂度。所提方法在低信噪比、少快拍数的情况下，其估计精度明显优于MUSIC、ESPRIT以及ML算法。     

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.      

基于传播算子的二维波达方向估计新算法

针对目前用旋转不变空间技术(ESPRIT)估计2-D DOA时存在计算量大和需要二维参数配对的问题,提出了把传播算子原理引入ESPRIT算法的新方法,用线性变换代替特征分解求取旋转不变关系矩阵,并且利用估计出的方位角估计俯仰角,大大提高了计算速度,实现了方位角和俯仰角的自动配对.阵列结构设计采用三平行线立体阵,使得阵列对任意方向入射信号都可以正确估计.计算机仿真结果表明,该方法运算速度快,精度高.     

基于传播因子的分布式信源中心波达方向估计

采用传播因子估计分布式信源中心波达方向的算法,尤其是对于不相干分布式信源,利用泰勒级数将其方向向量进行一阶近似,得到形式上与点信源类似的分布式信源方向向量,再利用传播因子算法来估计其中心波达方向,有效地解决了角度扩散较小且角度信号密度不同的相干和不相干分布式信源中心波达方向估计问题.不仅计算简单,而且适用于多个分布式信源中心波达方向的估计.仿真实验验证了所提算法的有效性,与MUSIC算法相比,本文提出的算法有更好的信噪比性能.