针对传统波达方向(Direction of Arrival,DOA)估计方法在低信噪比、少快拍数条件下表现性能差甚至失效的问题,提出了一种基于重构频域协方差矩阵的波达方位估计方法。该方法根据转化的频域信号进行共轭反向修正实现对噪声的抑制,构造出...针对传统波达方向(Direction of Arrival,DOA)估计方法在低信噪比、少快拍数条件下表现性能差甚至失效的问题,提出了一种基于重构频域协方差矩阵的波达方位估计方法。该方法根据转化的频域信号进行共轭反向修正实现对噪声的抑制,构造出了新的频域协方差矩阵,利用平均噪声子空间建立空间谱估计函数,通过谱峰搜索估计出信源的方位角。经仿真对比分析,所提改进方法可以识别多个相干信号,并且在低信噪比、少快拍数条件下仍然获得较好的方位估计性能,估计误差较传统算法降低2%~25%。展开更多
相比均匀线阵(Uniform Linear Array,ULA),相同阵元数目下稀疏线阵(Sparse Linear Array,SLA)的抗耦合效应更好,阵列孔径更大,到达方向(Direction of Arrival,DOA)估计的自由度(Degrees Of Freedom,DOF)更高,因而近年来得到了广泛的研...相比均匀线阵(Uniform Linear Array,ULA),相同阵元数目下稀疏线阵(Sparse Linear Array,SLA)的抗耦合效应更好,阵列孔径更大,到达方向(Direction of Arrival,DOA)估计的自由度(Degrees Of Freedom,DOF)更高,因而近年来得到了广泛的研究。为了可以进行高DOF的DOA估计,学者们开始研究SLA的差分虚拟阵元,差分虚拟阵元对应的协方差矩阵相比原阵元对应的协方差矩阵维度更大,因而估计的DOF更高。当SLA的差分虚拟阵元连续取值时,可以利用已有阵元的接收信息,得到SLA的协方差矩阵,在该矩阵的基础之上构建差分虚拟阵元的协方差矩阵进而进行DOA估计。然而,当SLA的差分虚拟阵元存在孔洞时,即差分虚拟阵元不能连续取值时,不能直接利用重构的协方差矩阵进行DOA估计,需要恢复完全增广协方差矩阵的信息再进行DOA估计。对于该问题,本文基于矢量化后原协方差矩阵和虚拟差分阵协方差矩阵的误差分布情况,并结合完全增广协方差矩阵的低秩特性和半正定特性来构建优化问题。通过求解该问题来恢复维度更高的完全增广协方差矩阵。最后对该矩阵进行奇异值分解,利用多重信号分类(Multiple Signal Classification,MUSIC)算法就可以获得多源的空间谱。本文最后通过数值仿真试验验证了所提算法可以实现高DOF的DOA估计,并且相比于现有算法,本文所提算法对欠定DOA估计的效果更好,多源DOA估计的精度更高,产生的误差更小。展开更多
同时估计三个及以上同方差独立正态总体均值时,Stein[1]证明了最大似然估计平方损失下的不可容许性,并同James显式构造了具有精确一致更优风险函数的压缩型估计量.这一惊人发现——维数大于等于3时显式结构精确更优压缩型估计量——激...同时估计三个及以上同方差独立正态总体均值时,Stein[1]证明了最大似然估计平方损失下的不可容许性,并同James显式构造了具有精确一致更优风险函数的压缩型估计量.这一惊人发现——维数大于等于3时显式结构精确更优压缩型估计量——激发了大量后续研究.Statistical Sci-ence期刊2012年组织了一期专刊,“MINIMAX SHRINKAGE ESTIMATION:A TRIBUTE TO CHARLES STEIN”,表达对Stein发现的持续赞美.James和Stein[2]特定变换和Stein引理[3–4]是计算Stein估计量风险函数的两种基本途经.本文基于极坐标变换,对Stein估计量临界维数给出了解释,并提供了其风险函数计算的备用方式.极坐标变换既可以作为已有方法的补充,其本身在使用Stein引理验证绝对可积性时也发挥着重要作用.对异方差正态模型均值参数的同时估计,文献上相对缺乏兼具显式结构和精确更优风险函数的相关研究.本文在Stein原始估计量构成基础上,提出了一类显式估计量,并通过计算和观察其风险函数讨论了各待定系数的选取问题.本文为进一步认识Stein发现提供了有益补充.展开更多
文摘针对传统波达方向(Direction of Arrival,DOA)估计方法在低信噪比、少快拍数条件下表现性能差甚至失效的问题,提出了一种基于重构频域协方差矩阵的波达方位估计方法。该方法根据转化的频域信号进行共轭反向修正实现对噪声的抑制,构造出了新的频域协方差矩阵,利用平均噪声子空间建立空间谱估计函数,通过谱峰搜索估计出信源的方位角。经仿真对比分析,所提改进方法可以识别多个相干信号,并且在低信噪比、少快拍数条件下仍然获得较好的方位估计性能,估计误差较传统算法降低2%~25%。
文摘相比均匀线阵(Uniform Linear Array,ULA),相同阵元数目下稀疏线阵(Sparse Linear Array,SLA)的抗耦合效应更好,阵列孔径更大,到达方向(Direction of Arrival,DOA)估计的自由度(Degrees Of Freedom,DOF)更高,因而近年来得到了广泛的研究。为了可以进行高DOF的DOA估计,学者们开始研究SLA的差分虚拟阵元,差分虚拟阵元对应的协方差矩阵相比原阵元对应的协方差矩阵维度更大,因而估计的DOF更高。当SLA的差分虚拟阵元连续取值时,可以利用已有阵元的接收信息,得到SLA的协方差矩阵,在该矩阵的基础之上构建差分虚拟阵元的协方差矩阵进而进行DOA估计。然而,当SLA的差分虚拟阵元存在孔洞时,即差分虚拟阵元不能连续取值时,不能直接利用重构的协方差矩阵进行DOA估计,需要恢复完全增广协方差矩阵的信息再进行DOA估计。对于该问题,本文基于矢量化后原协方差矩阵和虚拟差分阵协方差矩阵的误差分布情况,并结合完全增广协方差矩阵的低秩特性和半正定特性来构建优化问题。通过求解该问题来恢复维度更高的完全增广协方差矩阵。最后对该矩阵进行奇异值分解,利用多重信号分类(Multiple Signal Classification,MUSIC)算法就可以获得多源的空间谱。本文最后通过数值仿真试验验证了所提算法可以实现高DOF的DOA估计,并且相比于现有算法,本文所提算法对欠定DOA估计的效果更好,多源DOA估计的精度更高,产生的误差更小。
文摘同时估计三个及以上同方差独立正态总体均值时,Stein[1]证明了最大似然估计平方损失下的不可容许性,并同James显式构造了具有精确一致更优风险函数的压缩型估计量.这一惊人发现——维数大于等于3时显式结构精确更优压缩型估计量——激发了大量后续研究.Statistical Sci-ence期刊2012年组织了一期专刊,“MINIMAX SHRINKAGE ESTIMATION:A TRIBUTE TO CHARLES STEIN”,表达对Stein发现的持续赞美.James和Stein[2]特定变换和Stein引理[3–4]是计算Stein估计量风险函数的两种基本途经.本文基于极坐标变换,对Stein估计量临界维数给出了解释,并提供了其风险函数计算的备用方式.极坐标变换既可以作为已有方法的补充,其本身在使用Stein引理验证绝对可积性时也发挥着重要作用.对异方差正态模型均值参数的同时估计,文献上相对缺乏兼具显式结构和精确更优风险函数的相关研究.本文在Stein原始估计量构成基础上,提出了一类显式估计量,并通过计算和观察其风险函数讨论了各待定系数的选取问题.本文为进一步认识Stein发现提供了有益补充.
