为了提高传统空间平滑算法对相干信号的估计精度,提出了一种张量域空间平滑多重信号分类(Multiple Signal Classification,MUSIC)解相干算法。首先,利用四元数的正交特性重新构造极化域导向矢量;其次,考虑阵列接收数据固有的多维结构特...为了提高传统空间平滑算法对相干信号的估计精度,提出了一种张量域空间平滑多重信号分类(Multiple Signal Classification,MUSIC)解相干算法。首先,利用四元数的正交特性重新构造极化域导向矢量;其次,考虑阵列接收数据固有的多维结构特征,构造三阶张量表示的阵列接收数据模型;接着,借鉴二维空间平滑算法的思想,在张量接收数据模型中构建三阶张量子阵块,再使该子阵块在张量域进行前向空间平滑,继而得到平滑后的张量协方差矩阵;最后,通过高阶奇异值分解(Higher-order Singular Value Decomposition,HOSVD)得到信号子空间,利用降维MUSIC算法对相干信号源的二维波达方向(Direction of Arrival,DOA)进行估计,并根据已经获得的DOA信息求解出相干信号的极化参数。仿真结果表明,在信噪比为0 dB以及快拍数为100的情况下,该算法的估计精度比空间平滑算法提高了约70%,成功分辨概率提高了约89%,且无需进行四维谱峰搜索,降低了算法的复杂度,对相干信号具有更高的估计精度和分辨能力。展开更多
文摘为了提高传统空间平滑算法对相干信号的估计精度,提出了一种张量域空间平滑多重信号分类(Multiple Signal Classification,MUSIC)解相干算法。首先,利用四元数的正交特性重新构造极化域导向矢量;其次,考虑阵列接收数据固有的多维结构特征,构造三阶张量表示的阵列接收数据模型;接着,借鉴二维空间平滑算法的思想,在张量接收数据模型中构建三阶张量子阵块,再使该子阵块在张量域进行前向空间平滑,继而得到平滑后的张量协方差矩阵;最后,通过高阶奇异值分解(Higher-order Singular Value Decomposition,HOSVD)得到信号子空间,利用降维MUSIC算法对相干信号源的二维波达方向(Direction of Arrival,DOA)进行估计,并根据已经获得的DOA信息求解出相干信号的极化参数。仿真结果表明,在信噪比为0 dB以及快拍数为100的情况下,该算法的估计精度比空间平滑算法提高了约70%,成功分辨概率提高了约89%,且无需进行四维谱峰搜索,降低了算法的复杂度,对相干信号具有更高的估计精度和分辨能力。
