一种适用于小样本的迭代多重信号分类算法

当样本数不足时,由采样协方差矩阵特征分解得到的噪声子空间偏离其真实值,使得多重信号分类(MUSIC)算法目标角度(DOA)估计性能下降。为了解决这个问题,该文提出了一种迭代算法通过校正信号子空间来提高MUSIC算法性能。该方法首先利用采样协方差矩阵特征分解得到的噪声子空间粗略估计目标角度;其次基于信源的稀疏性和导向矢量的低秩特性,由上一步得到的目标角度以及其邻域角度对应的导向矢量构造一个新的信号子空间;最后通过解一个优化问题来校正信号子空间。仿真结果表明,该算法有效地提高了子空间估计精度。基于新的信号子空间实现MUSIC DOA估计可以使得性能得到改善,且在低样本数下改善尤为明显。

CS损伤成像中的时间逆转多重信号分类算法

将时间逆转多重信号分类算法应用于混凝土结构内部损伤检测中,由换能器单元发射的信号和接收的损伤回波信号构建传递矩阵,并通过对传递矩阵奇异值分解后得到的奇异值反映了损伤的数量与损伤的程度,奇异向量则包含了损伤信息,基于多重信号分类算法结合奇异向量对CS内部结构成像并实现损伤定位,通过数值仿真和实验验证了时间逆转成像方法用于CS损伤检测的可行性,实现了损伤的准确定位。

适用于单快拍的多重信号分类改进算法

经典多重信号分类(MUSIC)算法的子空间估计以多快拍数据估计得到的协方差矩阵为基础,在实际应用中,可用的快拍数并不确定。针对这一问题,本文提出了一种适用于单快拍的MUSIC改进算法,即ISS-MUSIC算法。该算法对经典MUSIC测向方法进行了改进,将伪协方差矩阵构造法与共轭增强法相结合。新算法的优点为适用于单快拍,且性能优于未进行共轭增强的基于伪协方差矩阵单快拍MUSIC算法。

空间外差信号提取中多重信号分类算法准则的影响

基于空间外差光谱特性,针对传统傅里叶变换算法在光谱复原中的局限性,引入现代谱估计的多重信号分类MUSIC算法进行空间外差信号光谱复原,采用自回归传递函数准则(CAT)对影响谱估计效果的信号空间维数值进行估计.测试结果显示CAT准则直接定维值与最佳结果存在偏差,将CAT准则直接定维值减数值3作为改进后的新准则重新应用于实测数据光谱复原.改进的CAT准则与MUSIC算法配合能够很好地适用于空间外差干涉数据,光谱复原效果优于直接傅里叶变换结果.以光谱角度匹配和均方误差作为改进CAT准则的MUSIC算法谱估计效果评价指标,与理想光谱相比,MUSIC算法对钾盐双谱峰信号处理后复原光谱相似度达到0.764,均方误差为0.040,对氖灯多谱峰信号和处理结果分别为0.806和0.046.复色光结果分别为0.988和0.089.采用改进的CAT准则进行自适应定维的MUSIC算法对空间外差光谱复原具有一定优势,提高了功率谱复原效果.

短波段内多重信号分类算法的窄带假设分析

经典空间谱估计算法的两个适用假设是远场平面波和窄带信号。文章利用7单元均匀线列阵仿真分析了短波波段内多重信号分类（MUSIC）算法的窄带假设上限带宽。可以发现：对于短波信号，50kHz的带宽所带来的测向误差不超过O．08°。这就意味着，对于短波通信信号的侦察测向完全可以采用经典空间谱估计算法，比如MUSIC算法，而不需要为窄带假设来付出代价，这便为设计高精度的短波通信实时测向系统提供了条件。

多重信号分类算法在共形阵列天线中的应用

在天线信号优化设计中,传统的共形阵列天线的信号波达方向(DOA)估计采用了波束扫描技术,需要大量的阵元才能获得较高分辨率,对于有限的阵列孔DOA估计来说,上述技术的分辨率会受到瑞利限制。而多重信号分类(MUSIC)算法,由于充分利用了噪声子空间和信号子空间的正交性,构造了空间谱函数,可以通过谱峰值的搜索来达到DOA估计。对MUSIC及改进算法进行分析,并且分别在均匀线阵,柱面阵列和锥面阵列天线模型下进行了仿真,结果表明,阵列的排列方式对波达方向的估计性能具有重要的影响。

基于自适应步长萤火虫-多重信号分类算法的低空目标波达方向估计

该文针对传统多重信号分类算法(MUSIC)不适用于低空多径环境下目标波达方向(DOA)估计且谱峰搜索计算量大的问题,在解相干基础上,提出一种基于自适应步长萤火虫算法的多重信号分类算法。该方法通过对快拍数据协方差矩阵虚拟平滑实现多径信号的完全解相干和满秩相关矩阵的构造,利用自适应步长萤火虫算法实现谱峰搜索和目标角度估计。仿真结果表明,新方法能够在无孔径损失的情况下较好克服低空多径效应影响,快速、精确地估计目标波达方向。

多重信号分类算法测向精度的仿真分析

作为空间谱估计理论体系中的标志性算法，多重信号分类算法从1979年提出后就一直是阵列信号处理领域的研究热点之一。针对复杂电磁环境中阵列测向的实际应用问题，从多信源、含噪宽带信号、入射角度、阵列间距这4个因素对多重信号分类算法的测向精度作了仿真分析，得出了一些结论。

多重信号分类(MUSIC)算法的研究分析

文章介绍一种多重信号分类(MUSIC)算法,利用多重信号分类(MUSIC)算法对均匀线阵的方向图进行仿真。通过仿真结果可以看出采用该算法的均匀线阵方向图在信号位置很高的分辨力、估计精度及稳定性。

解卷积的多重信号分类算法方位谱低背景处理方法

针对信噪比较低时,多重信号分类（Multiple Signal Classification,MUSIC）算法方位谱背景级较高的问题,提出了一种解卷积的MUSIC方位估计算法（Deconvolvecd MUSIC,D-MUSIC）。该方法用一个类似冲激函数作为MUSIC算法输出方位谱的点散射函数（Point Scattering Function,PSF）,然后基于解卷积图像复原理论,利用该点散射函数和RichardsonLucy（R-L）迭代算法对MUSIC算法的方位谱进行解卷积,获得D-MUSIC算法的方位谱,达到降低方位谱背景级的目的。仿真表明,该方法继承了MUSIC算法的高分辨性能,且可以明显降低方位谱的背景级,具有较好的方位估计性能。对南海海上试验的水平阵数据进行处理,分析比较了利用MUSIC算法和解卷积MUSIC算法获得的方位谱时间历程图,分析结果有效验证了D-MUSIC算法性能的优越性。

基于Group Lasso的多重信号分类声源定位优化算法

多重信号分类算法因其抑制噪声能力强、计算速度快等优点,在声源定位领域得到广泛应用。但该算法在中低频段分辨率及聚焦性能较差。针对该问题,提出一种基于Group Lasso的多重信号分类优化算法。该算法将多重信号分类算法输出值作为初始值,并在Group Lasso算法组间计算时对目标信号进行稀疏、在组内计算时对该组信号进行平滑及阈值截断。仿真结果表明:该优化算法在中低频段可明显提高多重信号分类算法分辨率,同时改善因扫描位置与声源面位置不重合引起的聚焦性能下降问题。

改进多重信号分类算法的宽带频谱快速感知方法

针对宽带频谱感知中采样率大、感知时间长的问题,在调制宽带转换器采样的基础上提出了一种改进多重信号分类算法的宽带频谱快速感知方法。调制宽带转换器对宽带频谱进行欠奈奎斯特采样,以最小描述长度准则估计信号个数,用改进多重信号分类谱估计信号位置。算法引入调整因子,使得多重信号分类谱中信号位置更为明显,降低了噪声的干扰。整个感知过程无须重构原始波形,无须计算频谱,大大降低了计算量,而且感知算法计算复杂度低,提高了感知效率。仿真结果表明,在低信噪比的情况下,该算法仍具有很好的检测性能。

基于矢量水听器阵列空域预滤波处理的多重信号分类算法研究

矢量水听器能同时拾取声压和振速信息,在相同的信噪比、阵元数及阵列孔径下,矢量阵定向性能优于声压阵列。目前,以多重信号分类算法(Multiple signal classification,MUSIC)为代表的高分辨定向算法已经广泛应用于矢量水听器阵列中。但是随着信噪比降低、信号源方位间隔减小,传统MUSIC算法定向精度及分辨概率显著下降。本文采用最小二乘法设计适用于矢量水听器水平阵列的矩阵空域滤波器,用于阵列数据的空间滤波预处理,可以对阻带扇面噪声进行有效抑制。由滤波后的数据协方差矩阵可以得到新的噪声子空间,在传统MUSIC算法基础上修正通带扇面内阵列流型的畸变后即可得到滤波后MUSIC算法的方位谱。仿真结果表明,当信噪比较低时,改进算法有效提高了通带扇面内目标方位分辨性能。最后本文对四基元矢量水平阵列海试数据进行了处理,改进算法对窄带信号定向较常规算法-3 dB束宽减小了13°,旁瓣级降低约8 dB。对有一定带宽的行船辐射噪声定向处理得到了更加精确的航迹图,海试数据处理结果证明了该算法的可行性和有效性。

基于子空间加权的多重信号分类时延估计算法

针对水下探测通信一体化干扰抑制中时延估计误差对主动干扰抑制性能的影响,以及常规多重信号分类(MUSIC)时延估计方法因数据长度有限、信噪比低使得信号与噪声子空间不完全正交,导致时延估计性能下降的问题,提出了基于子空间加权的MUSIC时延估计方法。该方法通过重构噪声子空间,并利用信号特征值与噪声功率构造加权值,对子空间进行加权,实现对MUSIC时延估计谱的修正。仿真结果表明,所提方法较互相关法、MUSIC算法和SSMUSIC算法具有更高的时延估计精度,以及更优的时延分辨率。

基于空间平滑算法的改进多重信号分类算法

为了提高传统解相干算法的估计精度,提出了一种基于空间平滑算法的改进多重信号分类算法。将空间平滑算法的子阵互相关产生的前向平滑修正矩阵和后向平滑修正矩阵与子阵自相关矩阵互相关产生的前向平滑修正矩阵和后向平滑修正矩阵分别相加,得到新的前向平滑矩阵和后向平滑矩阵,再通过矩阵分解法将新的前向平滑矩阵和后向平滑矩阵进行组合,使用奇异值分解对组合后的矩阵进行分解得到信号的噪声子空间,并通过多重信号分类算法进行估计,最大限度的利用了前向平滑修正矩阵和后向平滑修正矩阵的信息。经过仿真验证,该算法在信号相干条件下能精确地估计入射角度,并且对比现有的解相干算法在信噪比相同条件下估计性能提升了9%。

阵列信号处理中多重信号分类算法的仿真研究

波达方向(DOA)估计是阵列信号处理研究的重要内容之一,多重信号分类(MUSIC)算法是一种经典有效的DOA方法。概述了阵列信号处理研究的主要内容,详细介绍了多重信号分类算法的原理,并用MATLAB进行仿真实现该算法,研究了MUSIC算法的性能。

小孔径多波束声呐测深算法改进

多波束测深声呐采用多重信号分类算法能够在较小阵列尺寸的情况下保证较高的角度分辨率。然而,由于水底回波的边缘波束信噪比较低,多重信号分类算法伪谱中较强的伪峰干扰会导致后续测深算法的深度估计结果出现错误。针对该问题,提出一种基于最大信噪比的修正峰值搜索算法。该算法假定相邻波束的水底地形具有缓变性,选取回波信噪比最大的时刻,利用多重信号分类算法进行波达方向估计以获取信号角度、时间参考值。然后,分别向左右两侧利用时间期望值对回波信号进行加权与峰值搜索,实现更精确的测深。最后,通过实测数据验证了该文提出算法的有效性,该算法在特定条件下能够将边缘波束的最大测深误差减小25.85%,平均测深误差减小8.02%。

超宽带共形极化敏感阵DOA-极化估计算法及优化

针对超宽带共形极化敏感阵列(Conformal Polarization Sensitive Array, CPSA),提出一种用于波达方向(Direction of Arrival, DOA)与极化角联合估计的降维多重信号分类(Multiple Signal Classification, MUSIC)算法,由Monte-Carlo模拟结果可知,DOA估计性能在低频处下降,无法满足信号测向需求。为解决此问题,使用虚拟扩展阵列的方法优化算法,选取不同扩展参数构造虚拟阵列,提高算法可靠性。通过仿真实验可知,优化后的算法能明显改善DOA估计在低频处的抗噪性能与容差性能,显著提高实际应用中信号测向的准确率。

基于宏微导向的ACO-MUSIC两级相控声源定位算法

针对传统的多重信号分类(multiple signal classification,简称MUSIC)算法定位声源位置时存在计算量大的问题,提出了一种基于宏微导向的蚁群(ant colony optimization,简称ACO)-MUSIC两级相控声源定位算法。首先,利用ACO估算出声源所在的宏观位置,再用MUSIC算法精确搜索声源所在的微观方位;其次,对提出的算法进行数值仿真,并搭建实验系统进行验证。仿真和实验结果表明,所提出的算法可以高精度、快速地定位出声源所在的位置;在搜索步距为0.05°时,算法的计算复杂度和计算时间仅为传统MUSIC算法的0.25%和2.8%。

基于共形极化敏感阵列的MUSIC算法角度分辨力研究

针对具有超分辨能力的多重信号分类(MUSIC)算法在基于共形极化敏感阵列的被动雷达导引头测向应用中的角分辨力问题,提出了谱函数角分辨力的定义与分辨角门限。利用MUSIC算法零谱的定义近似推导了在渐进有偏条件下的期望值,并针对矢量阵列与标量阵列模型分别得出了相应的角分辨力表达式。以均匀圆形阵列为例,根据计算机仿真模型定量分析了各参量对角分辨力的影响,对比了标量阵列与矢量阵列的分辨角门限统计值。仿真结果表明,在同样的阵列及信号源参数设定条件下,标量均匀圆阵的分辨角值普遍高于矢量均匀圆阵。