基于随机矩阵特征值差的频谱感知改进算法

针对经典特征值类频谱感知算法在低采样、低信噪比下检测效果不佳的问题,基于最大最小特征值之差算法(DMM),利用最小特征值极限分布以及特征值均值的能量特征,提出了一种基于随机矩阵特征值差的频谱感知改进算法(DAM),该算法以特征值均值与最小特征值为检测量,分析比较了算法在两种计算门限下的检测性能(DAM1与DAM2),理论与仿真结果表明,该算法在不增加运算复杂度的同时,在低采样、低信噪比的情况下,较DMM算法以及现有最大特征值与能量差改进算法(ME-S-ED)提升了检测概率,其中DAM1更适用于低信噪比,DAM2更适用于低采样。     

利用阵列协方差矩阵稀疏性的到达角估计方法

为了解决传统基于阵列协方差矩阵稀疏性到达角估计方法计算复杂度高的问题,提出基于直接二维稀疏重构思想的高效到达角估计方法。该方法利用阵列输出数据的协方差矩阵构造二维稀疏表示模型,对协方差矩阵进行特征值分解以实现噪声功率估计,从而降低噪声对到达角估计的影响。在求解稀疏表示模型时,直接对该二维稀疏重构问题进行求解,避免了矩阵矢量化操作。仿真实验结果表明,该方法运行效率大大提高,并且在低快拍数、低信噪比和稀疏阵元等条件下估计性能优于传统方法。     

一种高机动场景下的单快拍DOA估计算法

针对高机动场景下目标信号样本数据少,常规算法难以获取信号子空间的问题,提出一种基于改进协方差矩阵的单快拍DOA估计算法。所提算法首先对接收的单次采样数据做互相关预处理,利用预处理所得数据重构等效协方差矩阵,再基于MUSIC算法完成相干信号的DOA估计。在不损失阵列孔径的同时,算法保证了谱估计精度。计算机仿真表明,在样本量较小的情况下,所提算法能够有效估计出相干目标信号,较现有算法估计精度有所提高。     

基于特征值的单矢量水听器目标检测算法

针对水下目标检测在低信噪比与非平稳背景噪声情况下性能下降的问题，结合特征值检测算法原理，给出一种单矢量水听器联合信息互相关检测算法。该算法利用电子旋转导向角度与振速信息构成一种组合振速，并结合声压信息得到一种互相关值，在大快拍无信号条件下，该值满足渐进高斯分布；将该值除以解析振速与声压信息的协方差矩阵最小特征值，得到一种检测统计量；通过与门限值比较，实现目标检测。理论分析可见，所提检测算法无须背景噪声的先验信息，并且可以通过调节导向角度提高检测性能；在单目标情况下，利用检测统计量与导向角度的对应关系可实现目标方位估计。仿真与实测数据结果表明，相比于单矢量水听器最大最小特征值检测算法与能量检测算法，所提算法检测性能优良，适合于单矢量水听器目标预警检测。     

在线构造Toeplitz矩阵对相干信号DOA估计

针对相干信号源的DOA估计问题,提出了一种基于最大特征矢量在线构造Toeplitz矩阵解相干的方法。通过接收到的数据,实时构造基于最大特征矢量的Toeplitz矩阵来估计相干源的DOA,它无需估计数据的协方差,计算量小,不损失阵列孔径。相比常规的解相干算法,在小快拍和低信噪比情况下,具有更好的估计性能,理论分析和仿真结果验证了该方法的有效性。     

基于先验稀疏模型的光谱图像压缩采样检测

压缩信号处理为更加高效地实现光谱图像数据采集和处理提供了有效途径,针对传统压缩采样检测算法未针对待测信号专门设计采样矩阵,检测性能低于传统采样方式,且鲁棒性较弱的问题,提出了一种待测信号稀疏模型先验条件下的光谱图像压缩采样目标检测方法。该方法利用待测信号的稀疏表示子空间构造压缩采样矩阵,增强采样矩阵的信息获取能力;采用正交子空间投影法将压缩采样信号投影到干扰信号的局部正交子空间,抑制背景光谱的影响。实验和分析结果表明:与传统压缩采样检测算法相比,该方法能够有效提升压缩采样检测算法的性能,削弱采样矩阵随机性对于检测性能的影响,增强压缩采样检测算法的鲁棒性。     

基于矩阵重构算法的宽带相干信号方位估计

根据空间平滑理论准则,提出了一种基于阵列接收数据矩阵重构的宽带相干源方位(DOA)估计算法。将宽带阵列数据分解为若干窄带数据,对每一子带进行空间平滑处理后的数据矩阵重构;再由构造的聚焦矩阵对其进行处理,最终得到平均的阵列协方差矩阵。由子空间方法处理得到信号的方向估计,仿真实验证明了该方法的有效性。     

基于协方差矩阵估计的稳健Capon波束形成算法

常规Capon波束形成器性能对模型误差或失配非常敏感,尤其是当期望信号包含在训练数据中,导向矢量失配将引起性能急剧下降。为解决这一问题,提出了一种采用干扰噪声协方差矩阵和导向矢量联合估计的稳健波束形成算法。该方法通过对Capon空间谱在非目标信号的方位区域内的积分,实现对干扰噪声协方差矩阵的估计,解决数据协方差矩阵包含有目标信号时引起信号自相消问题;其次为了克服导向矢量失配的影响,通过最大化输出功率,并增加二次型约束防止估计的导向矢量接近于干扰导向矢量,实现对导向矢量的估计。仿真实验表明:该算法能获得近似最优的输出信干噪比,与现有算法相比稳健性更强。     

基于特征值分析的雷达脉冲波形估计及性能分析

雷达侦察接收机往往侦收到多个受噪声污染的目标雷达脉冲,如何从噪声中提取雷达脉冲波形,是现代雷达侦察信号处理中的一个重要内容。提出了一种基于特征值分析的雷达脉冲波形估计算法,该算法通过对脉冲协方差矩阵的特征值分析,给出了一种利用特征向量估计脉冲波形的方法,并理论分析了其估计性能。算法适应于任意形式脉冲波形,且不受各脉冲初始相位的影响。理论分析和仿真结果说明算法能够在较低信噪比环境下恢复脉冲信号波形。     

基于改进K-L变换的特征提取技术

在模式识别中,为解决样本增加时,反复使用传统K L变换进行特征提取耗时多的缺点,提出了一种改进的K L变换方法,该方法利用快速递推算法来计算协方差矩阵,并使用矩阵扰动理论来求解协方差矩阵的特征值和特征向量。仿真试验表明该方法在确保计算精度的前提下,大大减少了运算时间。     

基于改进协方差控制的传感器管理算法

针对传统的基于协方差控制的传感器管理算法使用全遍历方法所造成的计算量大,以及传感器切换频繁的问题,提出了一种基于改进协方差控制的传感器管理算法。该算法在每一时刻首先判断前一时刻所用传感器组是否能够满足目标跟踪需求,以滤波协方差与期望协方差的偏差作为参考,结合量纲变换和特征值求取,为协方差偏差矩阵经过量纲变换后得到的量纲一致阵的所有特征值设定一个精度阈值,然后判断滤波协方差是否满足期望,从而决定是否维持当前选择的传感器组。在目标作匀速、匀加速、协同转弯等多种场景下进行了算法性能测试分析,仿真结果表明,该算法不仅在大部分场景下满足目标跟踪精度,而且能够提高传感器管理算法的实时性,同时降低传感器的切换频率。     

一种非均匀噪声下的DOA估计算法

通用协方差差分算法用来实现对空间非均匀噪声环境下相干信号的波达方向(DOA)估计,该算法可以完全消除空间非均匀噪声,且适用于低信噪比环境,但该算法的DOA估计结果存在伪峰。针对这一问题,提出了一种改进的算法。改进算法通过对通用协方差差分(GCD)算法的信号协方差矩阵进行变换,再用特征分解的方法得到信号的DOA估计值。改进的算法可以完全消除伪峰,理论分析和仿真实验验证了改进算法的有效性。     

采用随机矩阵理论的水声阵列SMI-MVDR空间谱估计技术

对角加载MVDR技术是一种经典的空间谱估计技术,在水声阵列信号处理中有着广泛的应用。该技术之所以具有较好的性能是由于其通过对角加载使样本协方差矩阵的特征值分散度减小。提出了基于随机矩阵理论的MVDR空间谱估计技术,具体思路是利用随机矩阵特征值的极限性质实现样本协方差矩阵噪声的抑制,以达到类似对角加载能够实现的特征值分散度减小的效果。仿真表明所提出的方法与对角加载方法达到了同样的目的,且当快拍数一定,而信噪比由小变大时,该方法可以达到与对角加载MVDR技术相当的性能;当信噪比设为定值,快拍数由小变大时,其与对角加载技术具有相同的DOA估计成功概率变化趋势,且在小样本情况下,此方法优势较为明显。     

泛探雷达时-空级联目标检测与DOA估计算法

针对"泛探"雷达,提出了一种时-空级联目标检测和DOA估计算法,该方法首先利用基于DFT的数字波束形成技术完成阵元空间到波束空间的转换,然后对协方差矩阵的迹做门限检测,最后采用多级维纳滤波的子空间分解法进行到达角估计。仿真结果表明,本文提出方法对比长时间相参积累和单脉冲比幅测向方法具有较好的时域检测和测向能力。     

改进预测协方差门限法的采样周期自适应选择算法

传感器采样周期是影响目标跟踪的一个重要参数。现有自适应采样周期策略中,一些算法运算量比较大,计算效率低,不具有一般性。为此提出了一种改进的预测协方差门限法。该算法改进传统采样周期的全遍历寻优策略。最后与几种自适应采样周期算法与固定采样周期算法通过交互式多模型(IMM)滤波算法进行仿真比较。仿真结果表明该算法在目标跟踪过程中能满足跟踪需求,具有较少的计算量,较高的运行效率,比固定采样周期算法更能节约资源。     

Robust adaptive UKF based on SVR for inertial based integrated navigation

Aiming at the problem that the traditional Unscented Kalman Filtering (UKF) algorithm can’t solve the problem that the measurement covariance matrix is unknown and the measured value contains outliers, this paper proposes a robust adaptive UKF algorithm based on Support Vector Regression (SVR). The algorithm combines the advantages of support vector regression with small samples, nonlinear learning ability and online estimation capability of adaptive algorithm based on innovation. Firstly, the SVR model is trained by using the innovation in the sliding window, and the new innovation is monitored. If the deviation between the estimated innovation and the measured innovation exceeds a given threshold, then measured innovation will be replaced by the predicted innovation, and then the processed innovation is used to calculate the measurement noise covariance matrix using the adaptive estimation algorithm. Simulation experiments and measured data experiments show that SVRUKF is significantly better than the traditional UKF, robust UKF and adaptive UKF algorithms for the case where the covariance matrix is unknown and the measured values have outliers.