基于虚拟阵列的信号源数估计算法

信号源数估计是智能天线技术的一个基本问题,经典的信号源数估计算法有:基于信息论"AIC"算法"MDL"算法、假设检验、平滑秩序列法以及盖氏圆算法等,这些算法在低信噪比、小采样、色噪声以及实际信源数近阵列阵元数时,会产生较大的误差。在Kullback准则基础上提出了一种基于虚拟阵列的改进算法,该算法通过对阵列接收的数据进行预处理,虚拟地增加阵元数,按照修正的规则,求取信源数。经仿真验证,该算法克服了经典算法在低信噪比、小采样、色噪声以及实际信源数接近阵列阵元数时,准确估计信源数的难题。

一种信号源个数估计的新方法

在常用的阵列测向算法中,一般认为信号源数是先验参数,当信号源数估计错误时,方位估计的性能会严重下降,甚至完全失效。文中引入径向基网络,将信号源估计问题转化为一个模式分类问题来解决,利用径向基函数神经网络结构简单、训练简洁且学习收敛速度快,能够逼近任意非线性函数的特点,最后给出了算法的实现方法、仿真结果以及与现有算法的性能比较。

多重信号分类算法用于通信信号测向的仿真分析

多重信号分类(MUSIC)算法是空间谱估计技术的重要方法。对该算法应用于通信信号测向进行了仿真分析。结果表明,在理想的低噪声环境下,该算法具有很高的测向精度与测向分辨率,但是该算法对入射信号波长的不一致性或变化非常敏感;而在有限的信噪比下,该算法的测向精度显著下降,且其因信号源数估计算法性能下降而容易出现漏警。因此,抑制波长敏感性和提高噪声环境下的稳健性将是该算法在通信信号测向应用中的重点发展方向。

弹载智能天线系统识别干扰源算法研究

基于弹载智能天线系统对阵列接收信号的分析处理,运用空间谱估计理论,首先估计出信号源数与信号源角度信息。同时与载机加载目标信号源信息进行对比,分离出干扰源。最后将上述估计信息应用于波束控制理论中,实现天线阵列的主波束控制和方向图零点控制,使天线阵列真正实现智能接收的能力。