基于虚拟阵列的信号源数估计算法

信号源数估计是智能天线技术的一个基本问题,经典的信号源数估计算法有:基于信息论"AIC"算法"MDL"算法、假设检验、平滑秩序列法以及盖氏圆算法等,这些算法在低信噪比、小采样、色噪声以及实际信源数近阵列阵元数时,会产生较大的误差。在Kullback准则基础上提出了一种基于虚拟阵列的改进算法,该算法通过对阵列接收的数据进行预处理,虚拟地增加阵元数,按照修正的规则,求取信源数。经仿真验证,该算法克服了经典算法在低信噪比、小采样、色噪声以及实际信源数接近阵列阵元数时,准确估计信源数的难题。     

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。     

基于二次特征提取的神经网络信号源个数估计方法

信源数目估计对阵列信号空间谱估计非常关键,但容易受到相关噪声环境和相关信号源的影响。为此,提出一种基于二次特征提取的源数估计算法。首先,利用阵列信号协方差矩阵的特征值和特征向量,提取6组二次特征参数;然后,利用这些参数对神经网络进行训练;最后,利用训练好的神经网络进行信源数目估计。由于稳健性强,该算法非常适合在复杂电磁环境下使用。仿真试验结果表明,该算法在低信噪比、相关噪声和相关信号源条件下均具有良好的估计性能。因此,该算法应用前景广阔。     

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。     

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。     

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。     

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。     

高斯色噪声背景下基于正交变换的确知信号检测

Karhunen-Loève(K-L)变换可以完全去除色噪声背景下接收信号的相关性,但计算量较大,在实际应用中容易受到限制。为此,提出了一种基于正交变换的确知信号检测方法。该方法通过选取具有快速变换算法的正交矩阵来近似K-L变换,避免了直接求解噪声协方差矩阵特征值与特征向量的繁杂过程。通过仿真比较分析了一阶高斯-马尔科夫过程下基于K-L变换和基于正交变换的检测性能,结果表明:二者检测性能相近,但后者的计算效率有明显提高,具有更高的工程应用价值。     

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.     

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。     

低信噪比条件下改进ESPRIT方法

在低信噪比时,针对估计信源DOA实时性的问题,提出了一种新的适合于ESPRIT算法的多级维纳滤波器(MSWF)结构,找到了一种能判别信号子空间的方法。首先将多级维纳滤波器(MSWF)与ESPRIT算法相结合,采用多级维纳滤波器(MSWF)的前向递推,得到子空间,不需要通过特征值分解。低信噪比时,针对噪声子空间泄漏到信号子空间的现象,提出一种判别方法,找到了更精确的信号子空间,结合ESPRIT方法实现信号的DOA估计。由于该算法实现了真实的信号子空间的判断,因此,比传统基于MSWF算法具有更高地估计精度。特别是在低信噪比时,增强了算法的实用性,仿真结果证明了算法的有效性。     

机载SAR惯性导航误差快速估计方法

为了实现机载SAR图像高精度定位,提出了一种利用子图像BP成像的惯导误差快速估计方法。详细推导了惯导位置和速度误差与BP成像模型定位误差的关系,通过线性近似得到定位误差观测方程,利用最小二乘法得到惯导位置和速度误差的估计。在相同均值和方差的高斯观测噪声下进行蒙特卡罗实验,结果表明该方法与传统距离-多普勒模型估计方法相比具有更小的估计均方误差。     

改进分块局部最佳维纳滤波算法的干涉相位滤波

针对合成孔径雷达干涉相位滤波问题,提出了一种改进的分块局部最佳维纳滤波算法。该算法是加性高斯白噪声下的线性最小均方误差估计,利用目前图像滤波最前沿的技术——非局部技术,来联合估计图像的一、二阶矩。针对干涉相位中噪声的空变性,在应用中提出了两点改进:估计噪声的标准差时,用均值代替中值;根据噪声标准差的最大值和均值的比值,自适应地确定类的数量。仿真和实测数据表明,改进后的分块局部最佳维纳滤波算法是有效的,并优于其他三种算法。     

一种α稳定分布噪声下的跳频参数盲估计方法

针对目前以高斯白噪声为模型的大部分跳频参数估计方法在α稳定分布噪声背景下,性能急剧下降的缺点,对跳频信号进行两次窗函数长短不同的分数低阶STFT,从而得到两组时频数据,,将两组时频数据点乘,得到新的时频表示,基于时频分析的跳频参数估计方法,实现跳频参数的估计。仿真实验表明,提出的方法有效抑制了α噪声,在α=0.8,GSNR≥1 d B;α=1.5,GSNR≥0 d B时,可以实现跳频周期的准确估计。在α=1.5,GSNR=3 d B时,该算法跳变时刻估计值最大相对误差比STFT低3%、比分数低阶STFT低1.6%,跳变频率估计值更加精确。     

正交频分复用/偏移正交振幅调制半盲信道估计

非合作通信背景下,针对传统干扰近似法(IAM)进行正交频分复用(OFDM)/偏移正交振幅调制(OQAM)系统信道估计需要导频符号值作为先验信息的问题,提出一种基于OQAM符号特征的IAM(OCBIAM)估计算法。该算法利用IAM导频结构和OQAM实符号的有限集特征,将信道衰落系数幅度和相位分开估计,在仅获得导频位置而未知导频符号值的条件下实现了OFDM/OQAM系统半盲信道估计。并且证明了OCB-IAM算法由于利用接收符号的二阶统计量将高斯白噪声变为非随机的单音干扰,从而在中低信噪比条件下具有优于IAM算法的估计性能。仿真实验验证了理论推导的正确性和OCB-IAM算法的可靠性。     

干扰近似OFDM/OQAM系统半盲信道估计

非合作通信背景下,针对传统干扰近似法（Interference Approximate Method, IAM）进行OFDM/OQAM系统信道估计需要导频符号值作为先验信息的问题,提出一种基于OQAM符号特征的IAM（OQAM Characteristic Based-IAM,OCB-IAM）估计算法。该算法利用OQAM实符号的有限集特征,将信道衰落系数幅度和相位分开估计,在仅获得导频位置而未知导频符号值的条件下实现了OFDM/OQAM系统半盲信道估计。并且证明了OCB-IAM算法由于利用接收符号的二阶统计量将高斯白噪声变为非随机的单音干扰,从而在中低信噪比条件下具有优于IAM算法的估计性能。仿真实验验证了理论推导的正确性和OCB-IAM算法的可靠性。     

信源数动态变化的一种稳健超定盲分离算法

针对大多数现有盲分离算法都假定信源数已知,分析了信源数未知且动态变化时的超定盲分离(接收天线数多于信源数)算法,通过奇异值分解在线估计信源个数,并修正自适应神经网络的维数。文章在经典Cichocki-Unbenauen算法中加入动量项,设置可变步长,使分离性能得到较大的改进,同时避免训练陷入局部最小。与文献[1]新提出的ANA算法相比,仿真结果证明本文算法具有更快的收敛速度和更小的稳态误差。     

基于Toeplitz矩阵重构的嵌套阵DOA估计算法

针对DOA估计中可测信源数目不足的问题,提出了一种基于Toeplitz矩阵重构的嵌套阵DOA估计算法。首先设计二级嵌套阵,通过对阵列接受信号进行积处理,将阵列扩展为虚拟均匀线阵,然后利用处理后的信号重构Toeplitz矩阵,通过特征值分解,结合MUSIC算法在阵元数目小于信源数目条件下实现了高精度DOA估计。算法增加了阵列孔径,提高了阵列自由度。而且在低信噪比和小快拍下情况下也具有较好的性能。仿真结果证明了算法的有效性。     

基于多先验谱模型的低慢小目标子空间检测器

针对非均匀杂波环境下自适应检测低慢小目标时,信号特征难提取,有效训练样本受限的问题,将低慢小目标建模为多维子空间模型,提出了基于多先验谱模型的低慢小目标子空间检测器构造方法。该检测器使用纹理分量为逆伽马分布的复合高斯模型来描述杂波,利用多先验谱模型的线性组合来表示杂波协方差矩阵的逆,能在均匀和非均匀杂波背景下检测低慢小目标。仿真表明,该检测器比传统基于渐进最大似然估计协方差矩阵的检测器以及单独基于多先验谱和子空间的检测器性能更好,并且训练样本数不足的情况下保持很好的性能。     

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。