基于稀疏贝叶斯学习的DOA估计

针对基于l1范数约束的稀疏表示DOA(Direction Of Arrival)估计算法对初始参数较为敏感的问题,提出了一种基于稀疏贝叶斯学习的DOA估计算法。首先通过信号来波方向的空间采样构造冗余字典,将阵列信号处理中的DOA估计信号模型转化为压缩感知中的稀疏重构信号模型。然后基于经验贝叶斯推理的方法,将待估计的稀疏系数值用方差未知的联合高斯分布描述,而未知的方差值决定了待估计系数的稀疏性。通过观测数据估计得到未知的方差,进而得到信号的DOA估计值。仿真结果表明,提出的算法有较高估计精度,并且对非相干信源和相干信源都具有较好的估计性能。     

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。     

空间非平稳高斯噪声背景下混合信号的DOA估计

针对空间非平稳高斯噪声背景下混合信号的DOA估计问题,提出了基于四阶累积量对混合波源的DOA估计算法。该算法首先构造四阶累积量矩阵,利用类似ESPR IT方法估计出所有非相关信源的DOA,然后对四阶累积量进行修正空间差分平滑去相干,消除非相关源和空间非平稳高斯噪声的影响,从而实现了对相干源的DOA估计。此方法通过分别估计非相关和相关或者相干信号的DOA,能够以较少的阵元实现对多个信号DOA估计,最后仿真实验也验证该算法的有效性。     

基于FOCUSS二次加权的DOA估计方法

针对■-SVD、FOCUSS等稀疏重构算法应用波达方向(DOA)估计时,存在或运算量大、或精度不高的问题,提出了一种基于FOCUSS二次加权的信号DOA估计方法。将传统DOA估计表述为稀疏表示的信号模型,通过贝叶斯理论推导目标函数的最优解及加权矩阵,并在迭代过程中对结果进行二次加权优化,进一步增强恢复结果的稀疏性,提高恢复性能。仿真实验证明了该方法的优越性:与其他稀疏重构方法相比,该方法恢复精度高、稳健性好、运算量低。     

非平稳噪声背景下DOA分步估计方法研究

针对相干和非相干信源同时存在的情况,结合斜投影理论和互相关矢量Toeplitz矩阵重构(CVTR)的方法,提出一种新的信源DOA分步估计方法。该方法把相干信源和非相干信源分开分辨,对相干信源用CVTR方法来恢复为满秩,避免了常规平滑算法阵列孔径损失大、运算量大的缺点;用斜投影算子而非差分方法对信源进行分离,不受相关矩阵须为Toeplitz结构的限制,使得算法可适用于任意阵列结构形式。这种分步分辨思路可有效增强信源过载能力,同时在互相关矢量Toeplitz矩阵重构过程中,可把非平稳噪声协方差矩阵转换成白噪声结构,使得算法对非平稳噪声有较好的适应能力。     

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.     

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。     

一种新的特征矢量稀疏重构的DOA估计方法

针对已有的基于特征矢量稀疏重构的DOA估计方法中需要选取平衡残差项与结果稀疏性的正则化参数的问题,提出了一种新的特征矢量稀疏重构求解方法。首先在有限快拍数条件下,由特征矢量估计误差的统计分布特性,得到残差项大置信度的置信区间;再以此置信区间作为约束条件,以解矢量的l1范数作为最小化的目标函数,由此利用二阶锥规化求解时避免了正则化参数的选取。理论分析与仿真实验表明本文算法计算复杂度低;能够对非相干及相干信号的DOA进行估计,且具备很好的解相干性能;低信噪比条件下,对DOA的估计误差随着采样快拍数的增大而减小。     

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。     

导向矢量正交分解的离格信号DOA估计

当存在离格信号时,网格失配将导致基于压缩感知理论的DOA估计算法估计性能严重下降。为解决这个问题,在对接收数据协方差矩阵进行KR积变换的基础上,提出了一种基于压缩感知理论下的导向矢量正交分解的离格信号DOA估计算法。算法利用信号导向矢量与其一阶导函数矢量间的正交性构建了新的离格信号导向矢量模型,并基于最小二乘法对离格信号的网格偏离量进行估计。在构建稀疏重建模型时,采用ILSSE方法精确估计噪声协方差矩阵,提高了稀疏重建的精度。仿真结果表明,所提算法在不同信噪比和不同的网格间距下对离格信号DOA都有较好的估计精度。     

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。     

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。     

色噪声环境下MIMO雷达相干目标角度估计算法

针对色噪声环境下的MIMO雷达相干目标角度估计问题,提出一种基于目标信息矢量重构的角度估计算法.算法对MIMO雷达的接收数据进行了低复杂度改进,通过计算四阶累积量,得到一组矢量并证明该矢量包含所有目标的角度信息,通过重构Toeplitz矩阵,结合MUSIC算法实现了色噪声环境下MIMO雷达相干目标的角度估计.算法保留了MIMO雷达的阵元扩展能力和目标分辨力,具有自动抑制加性高斯白噪声和色噪声的能力,实现了相干目标的有效估计,更利于在实际中应用.最后计算机仿真结果证实了算法的有效性和可行性.     

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。     

基于垂直阵列的相干信源二维测向新方法

针对远场窄带相干信源的二维DOA估计问题,提出了一种基于垂直阵列的解相干算法,利用垂直阵列模型特性,在3个线性子阵列进行分维处理运算。在每一个维度,运用空域平滑算法构建数据协方差矩阵实现解相干,并结合ESPRIT算法分别估计信源与各线阵的夹角,利用其中一个角度来组合其他两个角度,实现参数配对。仿真实验结果显示,相较于空域平滑DOA矩阵法,算法的稳定性、估计精度都较高,适用于低信噪比和短快拍情况。     

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。     

盲稀疏度下基于粒子滤波的稀疏信号重构

针对现有贪婪迭代类压缩感知重构算法对非高斯量测噪声抵抗性差的问题,提出一种盲稀疏度下基于粒子滤波的稀疏信号重构算法。该算法首先将鲁棒性更高的Huber损失函数替代常规的二次损失函数,用来增加对非高斯噪声的抵抗能力;并且引入粒子滤波实现对原始信号的最优估计,以削弱量测噪声的影响;最后在信号稀疏度未知的条件下,结合稀疏度自适应匹配追踪算法实现盲稀疏度下的原信号重构。理论分析和仿真结果表明,所提算法可以有效抵抗因非高斯噪声干扰或稀疏度未知导致的重构精度降低,且重构性能优于现有典型贪婪迭代类算法。     

粒子滤波匹配追踪重构算法

针对现有贪婪迭代类压缩感知重构算法对非高斯量测噪声抵抗性差的问题,提出一种盲稀疏度下粒子滤波匹配追踪稀疏信号重构算法。该算法将鲁棒性更高的Huber损失函数替代常规的二次损失函数,用来增加对非高斯噪声的抵抗能力;并引入粒子滤波实现对原始信号的最优估计,以削弱量测噪声的影响;在信号稀疏度未知的条件下,结合稀疏度自适应匹配追踪算法实现盲稀疏度下的原信号重构。理论分析和仿真结果表明,所提算法可以有效抵抗因非高斯噪声干扰或稀疏度未知导致的重构精度降低,且重构性能优于现有典型贪婪迭代类算法。