一种改进的极化SAR自适应非负特征值分解

自适应非负特征值分解(ANNED)存在两个局限性,一是利用非负特征值分解(NNED)的搜索解法计算体散射功率,需要反复计算特征值,计算代价较高;二是ANNED的余项协方差矩阵可能存在负特征值,从而造成分解结果是无意义的。针对这两个局限性,该文提出了一种改进的ANNED,首先通过计算NNED中余项协方差矩阵主子式的零点提出NNED的快速解法,该方法在用于提取ANNED的体散射功率时不需要反复计算特征值,从而提高了计算速度;其次该快速解法用于调整ANNED的散射功率以此解决余项协方差矩阵存在负特征值的问题;实验表明,改进的ANNED能明显增强城区的二面角散射功率,减少城区的体散射功率,并有助于提高分类精度。

改进的自适应特征值分解声源定位算法研究

麦克风阵列室内声源定位,常用声达时间差定位技术。本文针对估计时延的自适应特征值分解算法收敛速度慢,时延估计精度较差,麦克风较多等问题,提出一种改进的自适应特征值分解时延估计算法,采用单源多元混响模型,将混响效应描述为室内冲激响应滤波器对信号的滤波过程,估计不同阵元的冲激响应抑制混响,根据冲激响应峰值计算时延。通过引入最小均方牛顿算法,加快了AED算法的收敛速度。给出了对声源进行三维定位的三麦克风阵列结构,实际测试结果表明,改进算法与三麦克风阵列的定位方法对声源的定位更加准确。

噪声与共振环境下的数字助听器鲁棒声源定位法(英文)

提出了一种噪声与共振环境下的数字助听器鲁棒声源定位方法,该方法基于房间共振模型和多通道自适应特征值分解算法,利用自适应次梯度投影方法迭代地估计声源至各麦克风的脉冲响应系数,从而获得各麦克风对的时延差,并利用几何方法计算声源位置。针对眼镜数字助听器四元麦克风方阵的仿真表明,所提出的自适应次梯度投影方法在强噪声环境中的鲁棒性和定位精度优于传统NLMS算法。

基于改进的Toeplitz化处理的相干源非均匀线阵自适应波束形成算法

针对相干源非均匀线阵的波束形成,提出了Toeplitz化的基于特征空间的线性约束最小方差自适应波束形成算法(TELCMV)。该算法利用阵列接收信号的相关性进行Toeplitz化处理、把期望信号方向向量向信号子空间投影、进行线性约束最小方差波束形成来得到TELCMV权向量;TELCMV权向量没有包含噪声子空间的分量,而期望信号和干扰信号的输出不变,所以提高了输出信干噪比(SINR),收敛速度也快,在低信噪比和小快拍数下能取得较好的波束形成性能。仿真试验结果证明了TELCMV算法的优越性能。

基于麦克风阵列的声源定位算法研究

在基于时延估计的声源定位系统中,由于定位算法分为两个阶段:时延估计和定位,时延估计阶段的误差会在定位阶段被放大,导致声源定位的成功率和精度较低。从原始信号去噪,时延值插值和定位算法三方面入手,提高声源定位的精度。结合自行设计的四元十字麦克风阵列,给出一种新的时延值筛选算法,实现了一个室内声源定位系统。实验结果表明,在二维定位场景中,该系统对声源方位角的估计成功率超过70%,平均误差小于5°;该系统对声源距离估计的成功率和精度与声源方位角有关,当声源方位与X、Y轴的夹角不超过15°且声源距离不超过2.5 m时,声源距离估计的成功率能达到50%以上。

一种变步长的自适应特征值分解时延估计方法

在房间声场环境下基于传声器阵列的说话人定位中,时延估计算法是其中的关键步骤。与其它常用时延估计方法相比,自适应特征值分解(Adaptive Eigenvalue Decomposition,AED)时延估计算法因其优越的抗混响性能受到越来越多的关注。但在受噪声和混响干扰的语音条件下,传统的自适应特征值分解算法收敛速度较慢,对初值敏感。通过引进动量因式,提出了一种变步长的特征值分解算法,通过理论分析和仿真实验,证实了新算法的收敛性能要优于传统的特征值分解算法,节省收敛时间,使算法的整体性能有所提高。

一种预处理的恒模波束形成算法

传统恒模波束形成算法在干扰信号功率大于期望信号功率情况下会出现干扰捕获现象。针对这一问题,提出一种预处理波束形成算法。预处理波束形成算法利用天线接收的数据矩阵的协方差矩阵构造新的协方差矩阵,使新的协方差矩阵关于期望信号的对角最小化,并用新的协方差矩阵的最小特征值对应的特征向量作为权值的初始值,此算法能够准确地捕获到期望信号并抑制干扰信号。通过仿真证实了算法的有效性。

混响和空间噪声环境下的鲁棒时延估计方法

针对混响和空间噪声,本文提出一种基于三麦克风特征值分解的时延估计算法。该算法将混响和空间噪声下的时延估计构造成一个双入三出(DITO)系统的信道盲辨识问题,通过对房间冲激响应进行盲辨识来去除混响的影响,通过双初值初始化来分离声源与空间噪声的时延信息,从而提高了实际环境下时延估计算法的性能。仿真实验结果表明,在混响和空间噪声环境下,本文算法能有效地进行时延估计。

一种基于自适应滤波的海杂波背景下多目标检测方法

文章提出一种基于自适应滤波的多目标检测方法。将雷达回波等分成回波矩阵X_(i),计算X_(i)的协方差矩阵并进行特征值分解;利用特征值矩阵D计算奇异谱,估计主分量个数N_(ev),以N_(ev)>3作为门限判断回波矩阵X_(i)是否包含目标;通过特征矢量矩阵V构成的自适应滤波器对X_(i)滤波,估算滤波后回波脉冲的Pareto模型参数,生成Pareto随机序列;采用K-L散度识别目标回波,用峰值检测法确定各个目标位置。通过实测海杂波数据实验,验证了所提方法的有效性。

一种低复杂度的鲁棒自适应波束形成算法

传统基于干扰噪声协方差矩阵(interference-plus-noise covariance matrix,INCM)重构的鲁棒自适应波束形成(robust adaptive beamformer,RAB)算法在多种样本数据协方差矩阵误差和信号导向向量误差的失配环境中具有较强的鲁棒性,但目前主流的INCM重构法都是对信号和干扰的导向向量通过建立凸优化模型来估计的,这带来了很高的计算复杂度。为了解决这个问题,提出了一种低复杂度的基于INCM重构的RAB算法。该算法首先将干扰信号的导向向量分解为对应标称项和误差项的和,然后通过一种子空间方法估计得到误差项的单位向量。接下来对一个Capon空间谱功率最大问题进行求解,得到误差项的模值,以此得到重构的INCM。同时利用Capon空间谱中残差噪声的存在,使用交替投影法估计得到期望信号的导向向量,最后得到所提算法的权重向量。仿真实验表明,所提算法在多种误差环境下具有较强鲁棒性的同时,还具有较低的计算复杂度。

基于特征值分解和自适应滤波的极化相位优化方法

基于分布式散射体DSs (Distributed Scatterers)的时序InSAR技术很好的弥补了PSInSAR技术在低相干区域难以获取足够形变监测点的缺陷。考虑到DS目标容易受时间和空间失相干因素的影响,从而引入斑点噪声,因此优化相干点目标的相位非常必要。基于此,本文提出了一种新的基于特征值分解和自适应滤波的极化相位优化方法 (EVD-FPO)。该方法利用Sentinel-1A双极化数据幅度信息识别DS与PS目标,并基于时空间相干矩阵利用特征值分解极化相位优化技术和自适应均值滤波技术改善相位质量。为了证明本文方法的可行性与有效性,17景Sentinel-1A双极化(VV-VH) SAR数据用于评估本文方法的性能。结果表明:EVD-FPO方法能够有效提高相干目标点的密度和改善相位质量,相较于单极化振幅离差法(VV-D_(A))和振幅离差极化相位优化方法(ESM-D_(A))相干点目标分别增加了9.06倍和1.64倍,相较于单极化CAESAR方法提取的PS目标更加完整。为了定量评价优化后的相位结果,本文采用相位导数变化指标来评估各相位优化方法的相位质量,研究发现ESM-D_(A)方法的平均相位导数为1.184,CAESAR方法的平均相位导数为0.854,EVD-FPO方法的平均相位导数为0.810,表明EVD-FPO方法得到的干涉相位质量高于CAESAR方法和ESM-D_(A)方法。

一种简化的机载MIMO雷达杂波特征相消器

针对机载多输入多输出(MIMO)雷达杂波抑制问题,提出一种简化的杂波特征相消器(EC)。根据杂波在空时二维平面的先验分布离线构造杂波子空间,以此替代由协方差矩阵特征值分解(EVD)得到的杂波子空间,从而将最优权简化为一个确知投影矩阵与目标信号空时二维导向矢量的乘积,避免了传统EC方法中复杂的协方差矩阵估计和EVD运算,既消除了因协方差矩阵估计不准确而导致的性能损失又减小了运算量。仿真结果表明,在理想杂波模型条件下,简化MIMO-EC方法可获得接近最优的杂波抑制性能。