针对经典高分辨波达方位(DOA)估计方法在低信噪比下分辨性能较差的问题,该文提出一种适用于主动探测系统的基于互相关矩阵的改进多重信号分类(MUSIC)高分辨方位估计方法(I-MUSIC)。该方法首先利用主动声呐发射信号已知的特性,将发射信...针对经典高分辨波达方位(DOA)估计方法在低信噪比下分辨性能较差的问题,该文提出一种适用于主动探测系统的基于互相关矩阵的改进多重信号分类(MUSIC)高分辨方位估计方法(I-MUSIC)。该方法首先利用主动声呐发射信号已知的特性,将发射信号与阵元接收信号进行互相关,利用互相关序列形成新的空域协方差矩阵,再进行特征分解。理论分析表明,互相关处理在抑制噪声的同时保留了阵元之间的相位信息,可以得到比MUSIC方法更准确的子空间划分,进而提高低信噪比方位估计性能。在此基础上,提出一种基于相关时间门限的改进MUSIC高分辨方位估计(T-MUSIC)方法,通过对互相关序列设置时间门限进一步提高方位估计信噪比。仿真结果表明,与MUSIC方法相比,I-MUSIC与T-MUSIC可以分别使低信噪比时的估计性能提高3 d B和6 d B,相应平均估计误差分别为原方法的77%和53%。在阵元间接收噪声存在相关性时,T-MUSIC与I-MUSIC方法相比可获得8 d B的估计增益,估计性能更优。I-MUSIC与T-MUSIC应用于多目标主动探测,可大幅提高探测系统在低信噪比下的方位估计性能。展开更多
针对传统波达方向(Direction of Arrival,DOA)估计方法通过空间平滑对相干信号进行处理损失阵列孔径的问题,文章提出了一种基于协方差矩阵托普利兹(Toeplitz)矩阵重构的多重信号分类(Multiple Signal Classification,MUSIC)算法的波达...针对传统波达方向(Direction of Arrival,DOA)估计方法通过空间平滑对相干信号进行处理损失阵列孔径的问题,文章提出了一种基于协方差矩阵托普利兹(Toeplitz)矩阵重构的多重信号分类(Multiple Signal Classification,MUSIC)算法的波达方位估计方法。该方法首先根据阵列接收数据的协方差矩阵及其翻转矩阵来构造新协方差矩阵,并利用新协方差矩阵构造Toeplitz矩阵,然后对其进行特征值分解,得到Toeplitz矩阵的噪声子空间,利用噪声子空间求出信号空间谱,通过谱峰搜索估计入射信号的方位角。文中方法拓展了阵列孔径,增加了可估计相干信号的数量,提升了方位估计的性能,提高了阵列的空间分辨率。仿真和湖上实验数据处理结果表明,文中方法可估计出更多的相干信号,而且在低信噪比、少快拍以及信号入射角度间隔较小时仍然具有良好的方位估计性能。展开更多
随机最大似然算法(Stochastic Maximum Likelihood,SML)具有优越的波达方位(Direction-of-Arrival,DOA)估计性能,但SML解析过程较高的计算复杂度限制了该算法在实际系统中的应用.针对SML计算复杂度高的问题,提出一种低复杂度的粒子群优...随机最大似然算法(Stochastic Maximum Likelihood,SML)具有优越的波达方位(Direction-of-Arrival,DOA)估计性能,但SML解析过程较高的计算复杂度限制了该算法在实际系统中的应用.针对SML计算复杂度高的问题,提出一种低复杂度的粒子群优化算法(Particle Swarm Optimization,PSO),解决了传统PSO算法中粒子数多和迭代次数多的双重缺点.首先,根据天线获得的信号,将旋转不变子空间法(Estimation of Signal Parameters via Rotational Invariance Techniques,ESPRIT)求得的闭式解作为DOA的预估计值,同时计算系统此时的信噪比以及SML在此信噪比下的克拉-美罗界(Cramer-Rao bound,CRB).然后,根据DOA预估计值和当前CRB值在SML最优解的近邻范围内确定较小的初始化空间,并在该空间初始化少量粒子.最后通过设计合适的惯性因子w,使粒子以合理的速度搜索最优解.实验结果表明,改进PSO算法所需的粒子个数和迭代次数大约是传统PSO算法的1/5,降低了SML的解析复杂度,计算时间是传统PSO算法的1/10,因此在收敛速度上也有显著的优势.展开更多
文摘针对经典高分辨波达方位(DOA)估计方法在低信噪比下分辨性能较差的问题,该文提出一种适用于主动探测系统的基于互相关矩阵的改进多重信号分类(MUSIC)高分辨方位估计方法(I-MUSIC)。该方法首先利用主动声呐发射信号已知的特性,将发射信号与阵元接收信号进行互相关,利用互相关序列形成新的空域协方差矩阵,再进行特征分解。理论分析表明,互相关处理在抑制噪声的同时保留了阵元之间的相位信息,可以得到比MUSIC方法更准确的子空间划分,进而提高低信噪比方位估计性能。在此基础上,提出一种基于相关时间门限的改进MUSIC高分辨方位估计(T-MUSIC)方法,通过对互相关序列设置时间门限进一步提高方位估计信噪比。仿真结果表明,与MUSIC方法相比,I-MUSIC与T-MUSIC可以分别使低信噪比时的估计性能提高3 d B和6 d B,相应平均估计误差分别为原方法的77%和53%。在阵元间接收噪声存在相关性时,T-MUSIC与I-MUSIC方法相比可获得8 d B的估计增益,估计性能更优。I-MUSIC与T-MUSIC应用于多目标主动探测,可大幅提高探测系统在低信噪比下的方位估计性能。
文摘针对传统波达方向(Direction of Arrival,DOA)估计方法通过空间平滑对相干信号进行处理损失阵列孔径的问题,文章提出了一种基于协方差矩阵托普利兹(Toeplitz)矩阵重构的多重信号分类(Multiple Signal Classification,MUSIC)算法的波达方位估计方法。该方法首先根据阵列接收数据的协方差矩阵及其翻转矩阵来构造新协方差矩阵,并利用新协方差矩阵构造Toeplitz矩阵,然后对其进行特征值分解,得到Toeplitz矩阵的噪声子空间,利用噪声子空间求出信号空间谱,通过谱峰搜索估计入射信号的方位角。文中方法拓展了阵列孔径,增加了可估计相干信号的数量,提升了方位估计的性能,提高了阵列的空间分辨率。仿真和湖上实验数据处理结果表明,文中方法可估计出更多的相干信号,而且在低信噪比、少快拍以及信号入射角度间隔较小时仍然具有良好的方位估计性能。
文摘随机最大似然算法(Stochastic Maximum Likelihood,SML)具有优越的波达方位(Direction-of-Arrival,DOA)估计性能,但SML解析过程较高的计算复杂度限制了该算法在实际系统中的应用.针对SML计算复杂度高的问题,提出一种低复杂度的粒子群优化算法(Particle Swarm Optimization,PSO),解决了传统PSO算法中粒子数多和迭代次数多的双重缺点.首先,根据天线获得的信号,将旋转不变子空间法(Estimation of Signal Parameters via Rotational Invariance Techniques,ESPRIT)求得的闭式解作为DOA的预估计值,同时计算系统此时的信噪比以及SML在此信噪比下的克拉-美罗界(Cramer-Rao bound,CRB).然后,根据DOA预估计值和当前CRB值在SML最优解的近邻范围内确定较小的初始化空间,并在该空间初始化少量粒子.最后通过设计合适的惯性因子w,使粒子以合理的速度搜索最优解.实验结果表明,改进PSO算法所需的粒子个数和迭代次数大约是传统PSO算法的1/5,降低了SML的解析复杂度,计算时间是传统PSO算法的1/10,因此在收敛速度上也有显著的优势.
