为了改善在小快拍情况下盖氏圆准则信源数估计算法的估计性能,提出了一种基于模糊聚类的信源数估计算法(Fuzzy Clustering Based Estimator-FCBE)。基于模糊聚类的信源数估计算法使用了待分类对象(特征向量)隶属于信号子空间的隶属函数...为了改善在小快拍情况下盖氏圆准则信源数估计算法的估计性能,提出了一种基于模糊聚类的信源数估计算法(Fuzzy Clustering Based Estimator-FCBE)。基于模糊聚类的信源数估计算法使用了待分类对象(特征向量)隶属于信号子空间的隶属函数值作为分类的特征,实际上引入了从对象参数到分类特征的一次映射,符合阵列信号处理中信源数估计的实际情况。通过仿真实验比较了基于模糊聚类的信源数估计算法和盖氏圆准则在小快拍下的估计性能,并且在浅水高分辨率测深侧扫声纳中的实际应用验证了基于模糊聚类的信源数估计算法的有效性。展开更多
针对低信噪比下盖氏圆估计(Gerschgorin disk estimator,GDE)方法难以有效估计信号源数目的情况,通过将峰均功率比(peak-to-average power ratio,PAR)与盖氏圆半径相结合,提出基于峰均功率比的盖氏圆估计(Gerschgorin disk estimator ba...针对低信噪比下盖氏圆估计(Gerschgorin disk estimator,GDE)方法难以有效估计信号源数目的情况,通过将峰均功率比(peak-to-average power ratio,PAR)与盖氏圆半径相结合,提出基于峰均功率比的盖氏圆估计(Gerschgorin disk estimator based on peak-to-average power ratio,GDE-PAR)方法.从阵元接收数据中提取出特征向量,再用特征向量加权接收数据,得到峰均功率比用于修正对应的盖氏圆半径,用GDE方法判定信号源数目.在不同信噪比条件下对修正前后的盖氏圆半径进行Matlab仿真,并使用蒙特卡罗方法对不同信噪比、等强双目标与不等强双目标和等强3目标与不等强3目标情况下,Akaike信息论准则(Akaike information criterion,AIC)、最小描述长度(minimum description length,MDL)准则、PAR方法和GDE-PAR方法进行信号源估计.结果表明,在低信噪比及不等强多目标条件下,GDE-PAR方法成功检测到信源的概率均比AIC、MDL准则和PAR方法大.展开更多
针对最小信息准则(Akaike Information Criterion,AIC)存在的非渐进一致性估计的缺陷,以及盖尔圆准则(Gerschgorin Disk Estimator,GDE)可能出现无序特征值导致检测错误的问题,提出了一种基于盖尔圆准则和最小信息准则的GDE-AIC信源数...针对最小信息准则(Akaike Information Criterion,AIC)存在的非渐进一致性估计的缺陷,以及盖尔圆准则(Gerschgorin Disk Estimator,GDE)可能出现无序特征值导致检测错误的问题,提出了一种基于盖尔圆准则和最小信息准则的GDE-AIC信源数目估计算法。该算法利用盖尔圆半径与噪声模型无关的特性构造似然函数,将其引入AIC准则模型中,克服了AIC准则非渐进一致性估计的缺点,且适用于空间色噪声的环境。在仿真实验中,将该算法与AIC算法及GDE算法等进行对比,结果表明,该方法稳定性好,适用于白噪声与色噪声,且在低信噪比时仍具有良好的估计性能。展开更多
文摘为了改善在小快拍情况下盖氏圆准则信源数估计算法的估计性能,提出了一种基于模糊聚类的信源数估计算法(Fuzzy Clustering Based Estimator-FCBE)。基于模糊聚类的信源数估计算法使用了待分类对象(特征向量)隶属于信号子空间的隶属函数值作为分类的特征,实际上引入了从对象参数到分类特征的一次映射,符合阵列信号处理中信源数估计的实际情况。通过仿真实验比较了基于模糊聚类的信源数估计算法和盖氏圆准则在小快拍下的估计性能,并且在浅水高分辨率测深侧扫声纳中的实际应用验证了基于模糊聚类的信源数估计算法的有效性。
文摘针对低信噪比下盖氏圆估计(Gerschgorin disk estimator,GDE)方法难以有效估计信号源数目的情况,通过将峰均功率比(peak-to-average power ratio,PAR)与盖氏圆半径相结合,提出基于峰均功率比的盖氏圆估计(Gerschgorin disk estimator based on peak-to-average power ratio,GDE-PAR)方法.从阵元接收数据中提取出特征向量,再用特征向量加权接收数据,得到峰均功率比用于修正对应的盖氏圆半径,用GDE方法判定信号源数目.在不同信噪比条件下对修正前后的盖氏圆半径进行Matlab仿真,并使用蒙特卡罗方法对不同信噪比、等强双目标与不等强双目标和等强3目标与不等强3目标情况下,Akaike信息论准则(Akaike information criterion,AIC)、最小描述长度(minimum description length,MDL)准则、PAR方法和GDE-PAR方法进行信号源估计.结果表明,在低信噪比及不等强多目标条件下,GDE-PAR方法成功检测到信源的概率均比AIC、MDL准则和PAR方法大.
文摘针对最小信息准则(Akaike Information Criterion,AIC)存在的非渐进一致性估计的缺陷,以及盖尔圆准则(Gerschgorin Disk Estimator,GDE)可能出现无序特征值导致检测错误的问题,提出了一种基于盖尔圆准则和最小信息准则的GDE-AIC信源数目估计算法。该算法利用盖尔圆半径与噪声模型无关的特性构造似然函数,将其引入AIC准则模型中,克服了AIC准则非渐进一致性估计的缺点,且适用于空间色噪声的环境。在仿真实验中,将该算法与AIC算法及GDE算法等进行对比,结果表明,该方法稳定性好,适用于白噪声与色噪声,且在低信噪比时仍具有良好的估计性能。
