基于贝叶斯压缩感知的子空间拟合离格DOA估计

针对传统的基于稀疏贝叶斯学习(Sparse Bayesian Learning,SBL)的波达方向估计算法对噪声鲁棒性不高的问题,提出了一种基于SBL的子空间拟合离格波达方向(Direction of Arrival,DOA)估计方法。首先对接收数据的协方差矩阵进行特征分解,获得信号的加权子空间,构造等价信号的稀疏表示模型并利用贝叶斯学习算法进行参数求解。同时对于网格划分带来的建模误差问题,采用了离格贝叶斯推导(Sparse Bayesian Inference,SBI)算法进行求解,利用期望最大化算法迭代更新相应的参数。仿真结果表明,相对于传统的DOA方法,该方法具有更好的估计精度。

电离层虚高误差影响下基于神经网络的单站定位结果修正

针对电离层虚高观测误差使得超视距目标定位精度受到一定限制的问题,提出了一种电离层虚高误差影响下基于神经网络的单站定位误差校正方法。在存在电离层虚高误差的单站定位场景中,利用神经网络对多重信号分类(Multiple Signal Classification,MUSIC)算法的位置估计结果进行修正。仿真实验表明,在信噪比为0 dB的情况下,30 km的电离层虚高误差引起的定位误差能从111 km降到10 km以内。

基于稀疏贝叶斯的阵列幅相和互耦误差联合校正方法

实际阵列测向系统中往往存在幅相、互耦等多种误差,导致阵列测向性能出现严重恶化。为解决在低信噪比、小快拍、多种误差同时存在时的阵列测向失准问题,通过引入信号空域稀疏性,利用贝叶斯稀疏重构技术解决在幅相、互耦误差同时存在时的无源校正及阵列信号方位的联合估计问题,构建了误差存在时的接收信号的超完备模型,得到接收信号的后验概率密度函数。利用EM算法对概率密度函数进行迭代优化并对相应参数进行求解,同时还对阵列误差及信号方位的CRLB进行推导,实验仿真验证了所提方法的有效性。

一种基于酉变换的均匀线阵DOA估计方法

针对利用传统多信号分类算法(Multiple Signal Classification,MUSIC)求解信号来波方向时,运算复杂且在有限快拍的情况下接收信号的协方差矩阵并非厄米特矩阵的问题,提出了基于酉变换和前后项平均的DOA(Direction of Arrival,DOA)估计算法。利用前后项平均生成协方差矩阵在欧氏距离内最小的厄米特矩阵,对生成的厄米特矩阵进行酉变换,将复数域的运算转变为实数域运算。有效地降低了算法的复杂度,提高了分辨性能,仿真实验验证了该算法的有效性。

校正源存在下抑制部分同步时钟偏差和传感器位置误差的时差定位闭式解

同步时钟偏差和传感器位置先验观测误差是影响时差(TDOA)定位精度的重要因素。针对部分同步模型,提出一种协同校正源观测信息的TDOA定位新方法,旨在显著抑制两类模型误差影响。针对TDOA观测模型的强非线性特征,提出一种两阶段(称为阶段A和阶段B)闭式定位方法,可实现对各类参数解耦合估计,并且避免迭代运算。阶段A仅利用校正源观测,基于线性消元思想,利用贝叶斯(Bayesian)估计和加权最小二乘(WLS)估计,分步获得传感器位置和同步时钟偏差闭式解。阶段B则联合目标源观测与阶段A估计结果,推导新的伪线性观测方程,并利用WLS估计和拉格朗日乘子法获得目标源位置闭式解,随后基于Bayesian估计得到更精确的同步时钟偏差和传感器位置联合闭式解。此外,推导了相关克拉美罗界(CRB),并通过数学分析,证明新方法具有渐近统计最优性。仿真实验验证了文中理论分析有效性和新方法优越性。