基于二阶统计特性的方向向量估计算法的DOA估计

为了减小天线阵流形误差对波达方向(DOA)估计结果的影响,以及克服基于传统盲源分离算法的DOA估计算法不能应用于少通道测向设备的不足,提出一种基于2阶统计特性的方向向量估计算法的DOA估计算法。首先,根据确定性最大似然(DML)估计算法谱函数的特征,构造关于协方差矩阵的酉约束下的优化问题;然后,通过优化该问题获得各个单信号的实际方向向量;最后,将各个单信号的实际方向向量输入到空间谱算法中实现DOA估计。由于将多信号的DOA估计转化为多个单信号的DOA估计,因此在天线阵列流形存在误差时,所提算法比传统的DOA方法具有更好的DOA估计性能。由于所提算法仅需使用协方差矩阵,因此所提算法可应用于少通道测向设备。由仿真实验结果可知,在阵列流形存在误差以及测向设备为少通道测向设备时,与传统DOA方法相比,所提算法的DOA估计的准确度、抗扰度以及分辨率更高。

基于复合阵列的矩阵循环重构DOA估计算法

相干源角度估计一直是困扰雷达角度测量的一个重要难题,基于均匀阵列假设提出了模式空间解相干算法,一定程度上解决了相干干扰条件下的目标角度估计问题,但是上述算法对复合阵列的适应性较差。针对复合阵列下相干多源测角问题,本文提出一种基于模式空间循环重构的解相关算法,利用圆阵外其他任意天线赋形空域滤波特性,在信号源数多于阵元数时较好地解决相干源角度估计问题。仿真试验结果表明,该算法能较好地解决复合阵列天线下的相干源测角问题,并且其角分辨性能优于传统算法。

阵元失效下稀疏阵列的二维DOA估计算法

本文针对二维稀疏阵列在阵元失效条件下,因数据缺失导致虚拟阵列连续性被破坏及自由度下降的问题,提出了一种二维DOA估计算法。首先基于二维差分共阵构建虚拟阵列,然后利用解耦原子范数最小化理论,以矩阵填充的形式恢复协方差矩阵数据,实现对虚拟阵列中丢失虚拟阵元的内插,最后采用SS-MUSIC算法进行多信源的二维DOA估计。所提方法弥补了物理阵元失效所造成的影响,恢复了原始虚拟阵列的完整孔径特性,保持了虚拟阵列的自由度,从而确保了较高精度的二维DOA估计性能。仿真实验结果表明,在相同阵元数量及阵元失效情况下,本文提出的算法相比已有方法能有效地估计更多信源,并在小快拍数和低信噪比条件下表现出更高的稳健性,最大限度地保留并利用了稀疏阵列在二维DOA估计中的自由度优势。

一种基于稀疏贝叶斯学习的离网DOA估计算法

本文提出一种基于稀疏贝叶斯学习的改进离网DOA估计算法,以提升非理想测向环境下在低信噪比、低快拍数时的DOA估计性能,称之为MOGSBL算法。本算法将信号源方位区间进行离散化,得到方位离散网格。为阵列接收信号建立稀疏贝叶斯模型,将网格节点修正量设为模型超参数。采用期望最大化算法迭代更新网格节点修正量,使更新后的网格节点更接近真实源信号方位。为了检验MOGSBL算法的性能,本文进行了大量的数值实验,并将MOGSBL算法的DOA估计结果与RSBL算法、OGSBL算法和L1-SVD算法进行对比。在不同信噪比和不同快拍数时,MOGSBL算法均能清晰分辨方位很接近的两个信号源,角度分辨率明显高于RSBL算法、OGSBL算法和L1-SVD算法。随着信噪比和快拍数的增加,4种算法的RMSE均逐渐减小。但MOGSBL算法的RMSE明显低于RSBL算法、OGSBL算法和L1-SVD算法,且RSBL算法、OGSBL算法优于L1-SVD算法。实验还分析了方向测试范围的离散网格节点数对DOA估计的影响,发现细密的离散网格可以提高DOA估计精度,但DOA估计的计算量会增加。且在任意网格节点数时,相比于RSBL算法、OGSBL算法和L1-SVD算法,本文的MOGSBL算法均具有最低的RMSE和最短的计算时间。

大间距均匀阵列抗模糊DOA估计实验研究

在波达方向(DOA)估计中,当接收天线阵列的单元间距大于入射信号载波的半波长时,会出现阵列流形模糊,这对分辨真实的信号DOA带来了挑战。该文基于子阵级大间距均匀双线极化阵列,提出通过随机改变每个子阵中某个单元的极化状态,使不同子阵对应的导向矢量相互独立,从而打破大间距均匀阵列下导向矢量间的线性关系,并抑制阵列流形模糊。仿真和实验结果表明,该方法可有效去除多重信号分类(MUSIC)算法空间谱中的伪峰,实现高精度DOA估计。

基于稀疏恢复的快速高精度DOA估计算法

传统的基于稀疏恢复的波达方向(direction of arrival,DOA)估计算法使用密集的采样网格,导致计算量显著增加,且对邻近入射信号的估计精度不高。针对这一问题,提出一种快速高精度DOA估计算法。该算法首先使用网格进化方法降低网格点总数。然后,对噪声方差和信号功率进行二次估计,进而使用离网求根稀疏贝叶斯学习(off-grid root sparse Bayesian learning,OGRSBL)技术来实现入射角的精确估计。仿真表明,相比传统稀疏贝叶斯学习类算法,所提算法计算效率高,同时对紧邻信号有着更好的估计能力。

基于稀疏度自适应变步长的离格DOA估计方法

网格划分产生的量化误差是影响信源定位估计性能的一个重要缺陷。针对目前Lp类离格算法计算量大以及需要提前预知稀疏度的问题,提出了一种稀疏度自适应变步长的离格波达方向定位方法。首先根据一阶泰勒展开构建基于角度优化的离格参数模型,以残差能量的变化作为预估稀疏度K的条件。然后利用噪声子空间与信号子空间正交性作为原子误差入选判定依据,利用交替迭代优化方法实现离格模型下的准确求解。所提方法结合了贪婪算法支撑集选取策略与阵列协方差矩阵的有效信息。仿真实验表明,在满足稀疏性条件下,所提方法不仅大大缩短运算时间,而且可以实现空域角度范围内任意角度的精确估计。

基于低秩块Hankel矩阵正则化的阵元故障MIMO雷达DOA估计

多输入多输出(Multiple-Input Multiple-Output,MIMO)雷达在阵元故障时虚拟阵列输出数据矩阵会出现大量的整行数据丢失,由于阵列接收数据矩阵的不完整而导致对波达方向(Direction of Arrival,DOA)的估计性能恶化。大多数低秩矩阵填充算法要求缺失数据随机分布于不完整的矩阵中,无法适用于整行缺失数据的恢复问题。为此,提出了一种基于低秩块Hankel矩阵正则化的阵元故障MIMO雷达DOA估计方法。首先,通过奇异值分解(Singular Value Decomposition,SVD)降低虚拟阵列输出矩阵的维度,以减少计算复杂度。然后,对降维数据矩阵建立基于块Hankel矩阵正则化的低秩矩阵填充模型,在该模型中将MIMO雷达降维数据矩阵排列成块Hankel矩阵并施加Schatten-p范数作为正则项。最后,结合交替方向乘子法(Alternate Direction Multiplier Method,ADMM)求解该模型,获得完整的MIMO雷达降维数据矩阵。仿真结果表明,所提方法能够有效恢复降维数据矩阵中的整行数据缺失,具有较高的DOA估计精度和实时性,在阵元故障率低于50.0%时DOA估计精度优于现有方法。

范数在稀疏重构类DOA估计领域的应用

本文主要探讨了基于稀疏重构理论的DOA估计方法,以及利用范数进行稀疏性约束的优化方法.

基于改进SP算法的多目标DOA估计方法

稀疏重构类算法在雷达目标参数估计中的应用一直是近年来的热门,但由于稀疏重构类算法的局限性,在进行目标波达方向(direction of arrival,DOA)估计时受到原子间的互相影响,从而使多目标测角精度降低。针对此问题,提出一种基于信号分离迭代思想的松弛子空间追踪算法。首先求出回波信号与归一化后字典矩阵相关性最强的多个原子作为初步估计值,再利用初步估计的角度构建代价函数,反复估计直至代价函数收敛。仿真结果表明,所提算法减小了目标个数和相位差的影响,提高了多目标DOA估计的测角精度,同时相较于传统的松弛算法减少了运算量。

基于可分离替代函数算法的DOA估计方法

针对现有波达方向估计(Direction of Arrival, DOA)算法在低信噪比、多信源条件下估计精度不足、效率低等问题,提出了一种基于可分离替代函数算法的矢量水听器阵列多快拍DOA估计方法.首先对空域等角度均匀划分,构造出超完备冗余字典,建立信号多快拍数据在空域的稀疏表示模型,然后采用可分离替代函数算法思想解决稀疏重构问题,求解出信号在空域的稀疏系数矩阵,最后将稀疏矩阵中行向量的范数映射到空域网格上,得到DOA估计值.仿真实验表明:该方法在低信噪比、多信源条件下拥有比子空间类算法、贪婪类算法以及现有凸优化类估计算法更高的DOA估计精度和更强的鲁棒性,与同类算法相比执行效率更高.

稀疏阵列的鲁棒矩阵填充DOA估计算法

稀疏阵列布阵灵活,增大阵列孔径的同时还能减少阵元间耦合,但基于稀疏阵列的传统波达方向估计会导致角度模糊混叠,带来估计精度差和稳健性不足的问题。针对以上问题,提出一种适用于稀疏阵列波达方向估计的加权截断奇异值投影(weighted truncated singular value projection,WT-SVP)的鲁棒矩阵填充算法。在填充迭代过程中根据奇异值的大小分配权重,突出大奇异值包含的阵列信息,减少小奇异值中不必要的噪声信息,从而优化传统奇异值投影算法。该算法可以实现稀疏阵列的孔洞信息恢复,对不连续阵元充分利用,同时WT-SVP填充算法实现了稀疏阵列波达方向估计的高精度、高分辨以及在低信噪比、低快拍时的高鲁棒性。

基于稀疏线阵协方差矩阵重构的DOA估计方法研究

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。

改进的变分稀疏贝叶斯学习离格DOA估计方法

为提高阵列信号处理运算速率,改善其方位估计性能,提出了一种改进变分稀疏贝叶斯学习离格波达方向(direction-of-arrival, DOA)估计方法。该方法利用实值变换,将向量化后的接收信号协方差矩阵转化到实数域,结合变分稀疏贝叶斯学习和网格演化的思想,在迭代过程中使网格从初始的均匀网格自适应地演化为非均匀网格,通过网格更新和网格裂变交替迭代使演化后的网格点逐渐逼近真实信源方位。仿真结果表明,改进方法与传统压缩感知类方法相比,减小了运算量,提高了运算速率,且具有更高的方位估计精度和方位分辨能力,在少快拍和低信噪比情况下,改进方法性能提升的优势更明显。湖上试验数据处理结果进一步验证了该方法的有效性和工程实用性。

地基MAX-DOAS系统获取大气水汽垂直柱浓度方法研究

水汽在大气水循环中起着重要的作用,决定全球的云分布,其浓度的变化影响降水发生频率。降水是影响气候和环境的重要因子,开展准确获取大气水汽浓度是环境气候研究中一个极其重要的课题。多轴差分吸收光谱技术(MAX-DOAS)是一种快速、准确获取大气痕量气体浓度的遥测方法。由于其稳定、实时在线、多组分同时监测和非接触测量等优势,该技术逐步成为反演大气水汽垂直柱浓度的新方法。针对水汽的吸收峰波段范围窄,浓度较高时会出现饱和吸收效应,构建了地基MAX-DOAS水汽垂直分布探测系统,开展了精确获取水汽垂直柱浓度的反演算法研究,并以淮北为研究地点获取了水汽垂直柱浓度。反演过程中,选取天顶方向采集的当圈太阳光谱作为参考谱,根据DOAS算法反演得到其他仰角水汽差分斜柱浓度(dSCD),最终解析出水汽的垂直柱浓度(VCD),其中大气质量因子(AMF)通过几何近似法获得。为了降低其他气体的干扰影响,实验前对比分析了不同波段反演水汽差分斜柱浓度的反演误差,确定最优反演波段433~452 nm。于2023年2月24日至2023年4月2日在淮北地区开展连续观测。实验结果表明:监测期间淮北地区水汽浓度具有早晚高中午低的V型日分布特征。将观测的水汽垂直柱浓度结果和欧洲中期天气预报中心(ECMWF)的ERA5再分析日值数据进行相关性分析,二者具有较好的一致性(R=0.95)。分析监测期间风速、风向与H_(2)O VCD分布关系,发现当风向在60°附近且风速小于5 m·s^(-1)时,H_(2)O VCD呈现升高的趋势。在污染阶段,小风速和较高水汽浓度是普遍存在的特征。研究表明,搭建的地基MAX-DOAS系统在蓝光波段可对水汽垂直柱浓度进行有效监测,为反演大气水汽垂直柱浓度提供了一种有效的技术手段。

交替方向乘子法的矢量水听器DOA估计方案

传统的无网格压缩感知在进行波达方向(Direction of Arrival,DOA)估计时,使用凸优化工具箱(如CVX)来求解半正定规划问题(Semi-Definite Programming,SDP),所消耗的时间会随着矢量水听器阵列规模的增加,逐渐增大。为了提高算法的收敛速度,将交替方向乘子法(Alternative Direction Method of Multiplier,ADMM)应用到矢量水听器阵列的DOA估计中,考虑到海洋环境噪声,使用原子范数去噪方法(Atomic Norm Soft Thresholding,AST)来估计线谱参数,将原子范数最小化问题(Atomic Norm Minimization,ANM)转化为SDP问题,使用ADMM对SDP问题进行求解,最后使用对偶多项式估计角度。为了验证ADMM算法的性能,在不同信噪比和矢量阵元数条件下,与快速求根多重信号分类(Root-Multiple Signal Classification,ROOTMUSIC)算法和CVX进行对比仿真实验。结果表明,ADMM在保证DOA估计模型收敛性的同时,提高了算法效率。

不同DOA算法在水声信号中的应用对比分析

波达方向估计(DOA)是阵列信号处理领域一个探究的重点,也是水声领域常用的定位方法之一.其中最为经典的就是常规波束形成算法(CBF)、多重信号分类算法(MUSIC)和旋转不变子空间算法(ESPRIT)等.基于水声信道的特殊性,不同DOA估计方法的应用领域和适用条件不同,针对水声信号,对已有的多种DOA估计方法的理论和应用性能进行比较,通过仿真分析,确定不同DOA估计方法在水声信号分析中的最佳应用环境,为后续水下声源的定位和探测等应用提供基础.

基于张量四元数极化平滑的极化-DOA估计

为了解决相干信号的极化平滑算法在小快拍数和低信噪比条件下估计性能较差的问题,结合四元数的正交特性和协方差张量方法,提出了一种基于张量四元数的极化平滑多重信号分类(Multiple Signal Classification,MUSIC)解相干算法。首先,为了充分利用接收数据样本中的多维结构信息,建立了由张量四元数表示的柱面共形阵列极化平滑信号模型;其次,将平滑后的张量协方差矩阵通过高阶奇异值分解得到信号子空间;最后,通过极化秩亏MUSIC算法对入射相干信号分别进行二维波达方向(Direction of Arrival,DOA)估计和极化参数估计。仿真结果表明,该算法在小快拍数和低信噪比条件下具有更高的估计精度和分辨能力。

基于深度复数神经网络的雷达目标DOA估计算法

传统模型驱动的波达方向(direction of arrival, DOA)估计算法性能受限于有限的信号特征、快拍数、信噪比、信杂比等因素,在低信噪比、快拍数少的极端情况下,性能较差。为克服上述问题,提高在极端条件下的估计精度,文章提出基于深度复数神经网络(complex-valued neural networks, CVNN)的单快拍DOA估计算法,构建深度复数神经网络模型,学习原始带噪信号与理想无噪复信号之间的映射关系,进而实现噪声抑制和期望信号特征增强的目的,提高DOA估计精度。仿真实验结果表明,经CVNN增强后,数据的等效信噪比约提高了1 dB,等效快拍数提高了3,该文所提算法相较于已有的多种物理驱动算法而言,具有更高的估计精度和泛化性。

传感器位置误差下TDOA-DOA水下目标被动定位算法

针对水下目标被动定位中传感器位置误差带来的定位精度不高的问题,提出了一种基于两步最小二乘的到达时间差波达方向(time difference of arrival-direction of arrival,TDOA-DOA)目标定位算法。首先,构建TDOA-DOA理想化无误差模型,并利用最小二乘算法对目标位置进行粗估计。其次,考虑测量误差和传感器位置误差,构建目标定位误差和传感器位置的联合方程,并利用加权最小二乘求解。最后,利用目标定位误差对目标位置粗估计值进行修正,得到更精确的定位结果。仿真实验表明,所提算法可对目标位置和传感器位置进行联合估计,相较于已有算法具有更高的定位精度,更适用于传感器位置存在误差情况下的水下目标定位。