基于四阶累积量的相干信号二维波达方向估计算法

提出了一种基于四阶累积量的相干信号二维波达方向(DOA)估计的算法--CSS算法.该算法利用双平行线阵的接收数据以及平滑技术构造了一个平滑的渡达方向矩阵,通过对其进行特征分解估计出空间相干信号的二维到达角.在色噪声环境下,该算法能够精确地估计空间相干信号的二维到达角,无需谱峰搜索,并且信号的二维参数能够自动配对.计算机仿真结果验证了算法的有效性.     

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。     

一种强干扰环境下的相干弱目标DOA估计算法

提出了一种强干扰环境下相干弱信号的DOA估计算法。该算法通过修正的Toeplitz矩阵实现了对相干弱信号的解相干,然后将强干扰信号对应的特征矢量从信号子空间中剔除,最后利用MUSIC算法对弱信号进行DOA估计。所提算法不需要预知强干扰信号方位信息,对非平稳噪声有较好的抑制性能。此外,相对JJM算法,该算法具有更高的估计精度和正确概率,对强干扰信源具有更好的抑制性能。     

基于FOCUSS改进算法的DOA估计方法

传统的DOA估计方法不能有效分辨相干源目标;稀疏重构方法能够处理相干源的DOA估计问题,但现有稀疏重构方法大都是针对无噪声或仅存在观测噪声系统提出的,估计性能有待提高。对于同时存在观测噪声和模型噪声的多观测量模型,提出了一种基于FOCUSS稀疏重构的改进算法,可鲁棒地处理相干源、非相干源的DOA估计问题,有效提高分辨力和估计精度等估计性能。给出了DOA估计的稀疏信号模型以及新算法的推导过程,仿真实验证明了新算法在与其他算法对比时的优越性。     

非平稳噪声背景下相干信源DOA估计研究

针对非平稳噪声环境下相干信源的DOA估计问题,提出了一种新的差分平滑DOA估计算法,阐述了算法的实现原理和基本步骤,通过仿真实验分析了算法的子空间收敛性能、角分辨率以及DOA估计精度等性能。仿真结果表明,该算法可消除非平稳白噪声,运算量较小,不存在伪峰并且测向性能优良。     

基于四阶累积量的双基地MIMO雷达收发角度估计

提出了一种基于四阶累积量的双基地MIMO雷达收发角度估计算法。在接收端,通过分别构造单阵元和双阵元的四阶累积量矩阵,采用基于四阶累积量的MUSIC算法和ESPRIT算法分别估计出目标的离开方向(DOD)和波达方向(DOA),并且DOD和DOA自动配对。该算法将二维参数的估计问题转化为两个一维形式,不需要二维谱峰搜索,在保证二维方位角估计性能的基础上,降低了运算量。利用四阶累积量有效地扩展了阵列孔径,并且适用于任意加性高斯噪声环境。仿真结果验证了算法的有效性。     

二维衰减谐波估计的四阶混合累积量方法

针对二维衰减谐波估计方法在大样本容量条件下计算量过大的问题,提出了一种基于二维四阶混合累积量的ESPRIT方法。在不影响估计精度的前提下,通过保持特征矩阵结构不变,有效地减小了算法的计算量。利用四阶混合累积量对高斯噪声的自动抑制,降低了参数估计的信噪比门限并提高了估计精度。仿真实验表明,在高斯色噪声条件下该方法的计算效率和估计性能优于现有方法。     

基于四阶累积量阵列扩展的稀疏分解方法

提出了一种基于四阶累积量稀疏表示的估计方法,解决信号数多于阵元数时的DOA估计问题。该方法首先构造了包含所有DOA信息的最小冗余矢量,利用扩展阵列的最小冗余导向矢量构造完备字典减小完备字典的复杂度;然后利用L1范数作为稀疏约束条件建立稀疏模型进行DOA估计。理论分析和仿真实验,验证了该方法能够估计出的信号个数大于阵元数目,可直接应用于相干信号,比MUSIC-like算法具有更好的性能。     

基于空间差分平滑的非相关与相干信源数估计

针对非相关信源与相干信源共存时信源数估计问题,提出了一种新的基于空间差分平滑的信源数估计算法。该算法首先利用SORTE法估计相互独立信源个数,结合非相关信源阵列导向矢量与噪声子空间正交关系特性,实现非相关信源数估计;其次基于空间差分法消除非相关信号并构造新矩阵,利用构造矩阵进行前向空间平滑,实现对相干信源解相干;最后利用SORTE法得到相干信源数估计。仿真实验结果验证了该算法的有效性。     

相干信号源DOA估计改进ESPRIT算法研究

在目标方位估计(DOA)的众多算法中,ESPRIT是一种运算速度快、精度高的常用算法,但它不能解相干信号。提出一种基于观测数据直接空间平滑的改进型ESPRIT算法,解决了常规ESPRIT算法不能解相干、对信噪比要求高等问题。该方法适用于所有信号(非相干和相干信号)的目标方位估计。     

基于直接数据域自适应算法的相干信号DOA估计

利用直接数据域自适应算法的稳态权值代替噪声子空间构建空间谱,构造了一种超分辨波达方向(DOA)估计方法.为了解决谱峰搜索时的伪峰问题,采用参考阵元轮换得到多组线性无关稳态权值,逼近噪声子空间,能有效去除伪峰.针对相干信号的DOA估计,进一步提出了直接数据域取对称共轭向量的解相干方法.相比子空间分解类算法,本文算法不需估计信号源数目和协方差矩阵、不需特征分解,复杂度仅为O(MP),同时能有效完成解相干处理.     

级联结构的阵列天线导航接收机抗干扰及多径抑制方法

阵列信号处理技术因其能够提供空域分辨能力已被广泛应用于卫星导航接收机领域以实现抗干扰和多径抑制。根据干扰和多径信号对导航接收机基带处理影响的不同提出了一种以数字相关器为界线划分的抗干扰与多径抑制两级处理结构:第一级处理在解扩前估计阵列接收数据的空时协方差矩阵,根据干扰信号功率远大于导航信号及噪声的特点利用子空间投影技术实现抗干扰;第二级处理在解扩后进行空间平滑解相干处理,利用基于Householder变换的广义旁瓣相消技术进行波束形成以实现多径抑制。理论分析和仿真结果表明,该级联处理技术能够有效地压制强干扰,并显著减小多径信号对导航接收机伪码测量的影响。     

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。     

非高斯噪声下信号盲检测算法*

针对实际甚低频和超低频接收机不仅受非高斯噪声的影响,同时受到接收机内部和外部环境中高斯噪声影响的问题,对噪声采用高斯尺度混合分布和高斯分布的混合模型建模,根据混合模型的性质,设计了一种基于马尔可夫链蒙特卡罗方法的信号盲检测算法。盲检测算法在贝叶斯层次模型下,采用Gibbs抽样和M-H抽样更新参数,同步检测信道衰落系数、噪声模型参数和信号。算法迭代效率快、精度高。通过与最优检测性能比较,盲检测算法性能优异,对甚低频和超低频信号接收具有重要的现实意义。     

用于卫星干扰源定位的压缩感知DOA估计方法

针对传统测向方法的实际应用性能较差,提出一种基于压缩感知(CS)的卫星干扰源定位方法。根据干扰信号方位角的空间稀疏性,建立了压缩感知波达方向(DOA)估计模型。通过协方差矩阵的高阶幂逼近信号子空间和矩阵的共轭对称特征,利用高阶幂矩阵的主对角线下左下角列向量进行波达方向估计。仿真实验验证,该方法不需要已知干扰源数,具有较高的精度和较好的分辨力,且能满足对相干干扰信号的估计。对压缩感知DOA估计在卫星干扰源定位中的应用具有一定参考意义。     

A novel noise reduction technique for underwater acoustic signals based on complete ensemble empirical mode decomposition with adaptive noise,minimum mean square variance criterion and least mean square adaptive filter

Underwater acoustic signal processing is one of the research hotspots in underwater acoustics. Noise reduction of underwater acoustic signals is the key to underwater acoustic signal processing. Owing to the complexity of marine environment and the particularity of underwater acoustic channel, noise reduction of underwater acoustic signals has always been a difficult challenge in the field of underwater acoustic signal processing. In order to solve the dilemma, we proposed a novel noise reduction technique for underwater acoustic signals based on complete ensemble empirical mode decomposition with adaptive noise (CEEMDAN), minimum mean square variance criterion (MMSVC) and least mean square adaptive filter (LMSAF). This noise reduction technique, named CEEMDAN-MMSVC-LMSAF, has three main advantages: (i) as an improved algorithm of empirical mode decomposition (EMD) and ensemble EMD (EEMD), CEEMDAN can better suppress mode mixing, and can avoid selecting the number of decomposition in variational mode decomposition (VMD); (ii) MMSVC can identify noisy intrinsic mode function (IMF), and can avoid selecting thresholds of different permutation entropies; (iii) for noise reduction of noisy IMFs, LMSAF overcomes the selection of decomposition number and basis function for wavelet noise reduction. Firstly, CEEMDAN decomposes the original signal into IMFs, which can be divided into noisy IMFs and real IMFs. Then, MMSVC and LMSAF are used to detect identify noisy IMFs and remove noise components from noisy IMFs. Finally, both denoised noisy IMFs and real IMFs are reconstructed and the final denoised signal is obtained. Compared with other noise reduction techniques, the validity of CEEMDAN-MMSVC-LMSAF can be proved by the analysis of simulation signals and real underwater acoustic signals, which has the better noise reduction effect and has practical application value. CEEMDAN-MMSVC-LMSAF also provides a reliable basis for the detection, feature extraction, classification and recognition of underwater acoustic signals.     

一种基于SSNF的新型阈值滤波去噪算法

介绍了一种空间选择性的噪声滤波(SSNF)方法,并在此工作之上提出了一种新的自适应于小波变换尺度的阈值函数,从而对经SSNF滤波之后的小波系数进行了进一步的阈值处理,以去除残留在系数中的噪声部分。仿真试验和理论分析表明,相比其它传统的去噪方法,该方法的优点在于:所得到的小波系数不仅连续性好,而且更加接近于未加噪信号的小波系数,阈值函数具有很大的灵活性和自适应性,并适用于一些掺杂非白噪声的场合。     

基于空间时频分布的欠定混合信号源个数估计

针对欠定混合信号的源个数估计问题,提出了一种基于空间时频分布与奇异值分解的估计算法,把所有自源时频点对应的空间时频分布矩阵组成三阶张量,把欠定混合问题转化为超定问题,通过对三阶张量对应的矩阵进行奇异值分解估计出源信号的数目,该方法不需要假设源信号是稀疏的或独立的,理论分析和仿真结果验证了算法的有效性.