Two-stage DOA estimation method for passive radar based on sparse representation

In a GPS illuminator based passive radar system,estimation of direction of arriving(DOA) of multiple targets is a difficult problem due to strong interference.A two-stage method combining extensive cancellation algorithm(ECA) and sparse representation is proposed.In the first stage,ECA algorithm is used to eliminate the direct-path and multi-path interference.In the second stage,sparse representation of improved weight constraints based on L1 norm is adopted to estimate DOA and suppress the interference.Simulation results show that the proposed method can effectively estimate DOA in low computation complexity without estimating the disturbance parameter.

一种高精度的近场与远场混合源定位算法

提出了一种高精度的近场和远场混合信号源定位算法.此算法利用混合源阵列流形的对称性特点,从阵列流形里分离出到达角(direction of arrival,DOA)信息,并实现对所有近场与远场信号源DOA的估计.基于得到的DOA估计值,根据近场与远场源距离参数位于不同区间的特点实现对近场及远场源的分类,以及对近场源距离参数的估计.此算法由于充分利用了数据协方差矩阵的信息,并且基于多项式根值方法形成了一个统一的DOA估计器,所以获得了一个高精度的DOA估计性能,且进一步提高了近场源range参数的估计精度.此外,此算法不需要构造高阶累积量,不需要进行二维搜索,不需要进行参数配对;所有的实现过程仅需一维搜索,计算量小,实现简便.数值及与现有算法的对比实验验证了所提出算法的有效性及优越性.

基于子空间和稀疏贝叶斯学习的低信噪比下波达角估计方法

为研究低信噪比条件下阵列信号处理中的波达角(Direction of arrival,DOA)估计问题,分析了低信噪比条件下信号子空间和噪声子空间的特征值表现,探讨了随机观测对子空间特征值的影响。提出了在低信噪比条件下对接收信号先进行子空间分离,后进行随机观测的降维处理方法,并将稀疏贝叶斯学习应用到DOA中,降低了DOA估计的复杂度,同时保证估计的精度。仿真实验表明,本算法在低信噪比条件下性能良好,对非相干源和相干源均有良好的估计性能。

基于RJMCMC方法的水下被动目标声源数和方位联合估计

针对传统的子空间类宽带信号处理方法需要较多的信号快拍数才能取得较好的估计效果这一问题,本文将一种基于时域宽带信号模型的贝叶斯高分辨估计方法用于水下被动目标的方位估计(DOA)。该方法使用宽带信号的时域模型,依据贝叶斯准则构建所需参数的后验概率密度函数,并采用可逆跳变马尔科夫链蒙特卡罗(RJMCMC)方法执行贝叶斯计算,对后验概率密度函数进行峰值搜索。由于其能够在不同维的参数空间中跳转,因此可以进行模型阶数(声源数)和目标方位的联合估计。与传统的子空间类方法相比,这一方法能直接在时域进行信号处理且仅需显著较少的信号快拍数。仿真结果表明,RJMCMC算法能较好地估计出声源数和目标方位。