自适应DBF中采样快拍数对系统输出SINR影响

在自适应数字波束合成(DBF)中,快拍数直接影响了协方差矩阵估计的效果,从而影响系统的输出信干噪比(SINR).文中分析了最大似然协方差矩阵估计和空间平滑协方差矩阵估计时,不同类型DBF系统采用快拍数大小同输出SINR关系.分析结论对于系统设计中快拍数确定具有重要意义.

子阵平滑对小快拍数下CAB算法的改善

研究了子阵空间平滑自适应阵列方法对CAB算法性能的改进。数字波束形成是DBF雷达实现的关键技术。在诸多数字波束形成算法中 ,由于CAB算法在较高信干噪比条件下具有较快的收敛速度 ,因此具有较强的优势。但是该算法在较少的快拍数情况下不能保证在输出SINR收敛并趋向于最优值的同时保持较低的自适应旁瓣电平〔1〕〔2〕〔3〕〔4〕。因此 ,采用空间子阵平滑方法并利用子阵级自适应处理结构来等效提高CAB算法的快拍数 ,从而抑制干扰和噪声。仿真结果证明了该方法的有效性。

基于自适应快拍数的DOA估计

在DOA估计中,为达到相同的估计精度,不同信噪比所需的快拍数是不一样的,低信噪比所需快拍数较多,高信噪比所需快拍数较少。然而传统DOA估计所采用的快拍数是固定的,造成无法选取适当的快拍数。研究了估计精度一定时,所需最小快拍数随信噪比的变化规律,提出了一种自适应快拍的DOA估计算法,该算法根据信噪比自适应选取合适的快拍数。分别以MUSIC算法、ESPRIT算法为例验证了本算法的有效性,仿真实验结果表明:当信噪比为15 dB时,MUSIC算法运算量降低6.7%,本文ESPRIT算法运算量降低61%;本算法估计精度比较稳定,低信噪比下,仍能保持较高的估计精度。

低信噪比下基于L型阵列的信源个数和DoA估计

低信噪比(signal-to-noise ratio,SNR)或小接收快拍数条件下,经典波达方向(direction of arrival,DoA)估计算法存在估计误差较大的缺点。针对该问题,充分利用L型阵列接收数据的自、互相关信息,给出一种适用于低SNR和小接收快拍数据环境的信源个数及DoA估计算法。该算法首先利用接收数据互协方差矩阵所得自相关矩阵的特征值,给出了一种信源个数估计方法;进而提出了一种新的二维DoA估计方法。计算机仿真验证了该算法在低SNR及小接收快拍数情况下的有效性。

大规模MIMO系统中联合范数去噪与矩阵重构的DOA估计

为了解决移动通信环境中,在低信噪比、少快拍数情况下信号波达方向(Direction of Arrival,DOA)估计性能差问题,提出一种联合范数去噪与Toeplitz矩阵重构的DOA估计算法.首先根据阵列协方差矩阵的Hermitian特性,利用协方差矩阵范数估计其最大特征值,进而估计噪声功率,然后对阵列协方差矩阵主对角元素进行去噪,再对去噪后的协方差矩阵重排.仿真结果表明:可以有效提高子空间类算法在低信噪比、少快拍数条件下的性能.

一种稳健的未知信源数目的DOA估计算法

现有的DOA估计算法都是基于较为理想的模型提出的,在实际工程中,这些算法的性能受快拍数少、阵列误差的影响会严重恶化.针对这一问题,文中提出一种稳健的未知信源数目的 DOA估计算法.该算法先利用投影变换技术对阵列接收数据进行预处理,抑制模型误差并降低数据维数,从而提高算法的稳健性并减少计算量,然后根据变换后的m-Capon算法空间谱函数估计DOA.仿真结果表明:该方法在快拍数少、系统误差不大(小于10%)的情况下依然具有一定的方位"超分辨"能力,而且有较强的稳健性,性能远优于现有的MUSIC算法和对角加载m-Capon算法.

基于未知信源数的相干信号DOA估计

针对多重信号分类算法等大多数空间谱估计算法需要进行准确的信源数估计,且当信源数估计出现误差时性能易受影响的问题,提出了一种与子空间分解无关的最优化估计算法。在协方差矩阵的基础上通过约束条件构建新的矩阵,基于相关矩阵的最小特征值对应的特征向量得到最优化权值向量。该算法对这两个矩阵进行预处理,将虚数矩阵变为实值矩阵,然后推导得到空间谱,在谱峰搜索上利用求根的方式。该算法无需信号源个数,并且性能与MUSIC相当,具有解相干能力,能够准确地对相干信号进行估计,在小快拍的情况下仍具有良好的分辨能力。

基于IMF自相关相位矩阵的改进型信源个数估计算法

本文提出了一种基于本征模态函数(Intrinsic Mode Function,IMF)自相关相位矩阵的改进型信源个数估计方法,分别对均匀圆阵(Uniform circular array,UCA)接收的远场窄带信号的各IMF相关相位矩阵做特征分解获得特征值,在此基础上进一步特征提取,获得更高维的特征向量,利用BP(back propagation)神经网络训练新的信源个数估计模型。实验表明:本文方法在小快拍数下具有更优秀的信源个数估计性能。

基于Stacking集成学习的信源数估计方法

针对小快拍数下的信源数估计,文中提出了一种基于Stacking集成学习的信源数估计模型,该模型整合XGBoost、LightGBM及简单全连接神经网络作为三个并行的初级学习器,并将Logistic Regression模型作为次级学习器,最终得到Stacking集成学习的信源数估计模型XLN-L-Stacking。实验结果表明,采用这种基于Stacking集成学习的方法来构建的XLN-L-Stacking模型,会明显提高小快拍数条件下的信源数估计精度。相对于单一的XGBoost、LightGBM和简单神经网络模型有较大的提升,并且优于其他方式的集成算法。

基于非圆信号的波束域共轭MUSIC方法

针对非圆信号形式,对传统的波束域MUSIC方位估计方法进行重构,提出了波束域共轭MUSIC方法来进行相干信号的波达方向估计。该方法充分利用非圆信号的特性,从阵列接收数据构造共轭对称的Toeplitz矩阵,将其作为伪协方差矩阵,使用波束域MUSIC算法进行处理来得到目标的方位估计值。该方法可以避免常规波束域MUSIC方法使用空间平滑预处理后损失阵列孔径,而导致可测的信号源数减少的问题。仿真表明,该方法在较少快拍数下,无需空间平滑就可以检测多个相关信号,其性能优于使用空间平滑技术的常规波束域MUSIC方法。

L型阵列的二维DOA估计方法

低信噪比(signal-to-noise ratio,SNR)或小接收快拍数条件下,经典的二维(two-dimensional,2D)波达方向(direction of arrival,DOA)算法存在估计精度低的缺点。针对该问题,充分利用L型阵列接收数据的自、互相关信息,提出一种适用于低SNR及小接收快拍数环境下的2D DOA估计新方法。该方法首先通过解析优化2D谱峰搜索问题,获得方位角与仰角之间的特定约束关系,进而将包含2D角度参量的目标函数转化为只包含一维(one-dimensional,1D)角度参量,即可通过1D谱峰搜索获得方位角(或仰角)估计值,最后再次利用该约束关系求得与之对应的仰角(或方位角)估计值。该方法只需1D谱峰搜索,而且所得2D角度估计参数可自动实现配对。计算机仿真验证了该方法在低SNR及小接收快拍数情况下的有效性。

色噪声环境下基于约束Kalman波束形成算法

针对色噪声环境和低快拍数下波束形成器波形畸变的问题,提出了一种色噪声环境下基于约束Kalman的波束形成算法。该算法首先利用波束形成器的代价函数来构建状态和量测方程,其次对量测有色噪声进行一阶马尔可夫建模并对量测扩充得到新的量测方程,最后利用Kalman滤波方程来求解阵列权值矢量。所提算法是通过对色噪声白化来消除其对波束形成算法性能的影响。仿真结果显示,在色噪声环境和低快拍数下本算法具有更快的收敛速度和更高的输出信干噪比,并且波束图的旁瓣水平明显降低。

一种稳健的高分辨方位估计方法及其应用

为解决快拍数不足情况下MUSIC高分辨方位估计方法输出空间谱信噪干比损失较大的问题,提出一种稳健的高分辨方位估计方法—CSMUSIC方法,并将其应用于近场声源分布测量中。根据时频变换过程,提出频域协方差矩阵估计过程可用快拍数;基于复域变换处理,解决了复域协方差矩阵估计求取过程可用快拍数;分析了CMUSIC方法实现流程及其降低频域快拍数不足导致的信干噪比损失;通过数值仿真验证了其对目标位置的检测及定位性能。数值仿真处理结果表明,该方法在保持MUSIC方法高分辨的同时,克服了频域快拍数不足引起的信干噪比损失较大问题,实现了对目标位置估计,提高了MUSIC近场声源分布测量方法对目标位置的检测及定位性能。

自适应阵列抗干扰性能的解析定量分析

自适应阵列抗干扰性能常用输出信干噪比(Signal-to-Interference and Noise Ratio,SINR)损失、抗干扰改善因子(ECCM Improvement Factor,EIF)等来衡量,但目前尚缺乏解析的定量分析.为此,采用归纳法理论推导了均匀线阵条件下输出SINR损失、EIF等指标的解析表达式,定量获取了自适应阵列抗干扰性能.仿真实验验证了理论分析结果的有效性及快拍数对自适应阵列抗干扰性能的影响.

基于凸约束下泰勒估计的主瓣干扰抑制算法

针对真实信号协方差矩阵估计难以直接获取及低快拍条件下传统采样协方差矩阵存在较大误差的问题,提出了基于凸约束下泰勒估计的抗主瓣干扰波束形成算法。该算法首先利用凸约束下的泰勒估计法在低快拍数条件下对信号协方差矩阵进行估计。其次利用多信号分类算法进行波达方向估计,筛选主瓣干扰对应特征矢量。而后利用特征投影矩阵法对主瓣干扰进行抑制。最后,通过添加线性约束获得权值矢量进行波束形成。仿真结果显示,在低快拍数条件下,所提算法对信号协方差矩阵具有更高的估计精度,波束形成性能稳健且具有更高的输出信干噪比。

子阵波束域自适应波束形成方法研究

阵列输出的有限次快拍处理等效地增加了信号之间及信号与噪声之间的相关性,导致了现有的子阵自适应处理方法在小快拍数目时的性能损失.现提出一种子阵波束域自适应波束形成算法,通过对子阵多波束输出的协方差矩阵求平均,减弱信号之间的相关性,从而提高自适应波束形成算法的性能.仿真结果表明,该提算法在小快拍数情况能够大大提高输出信干噪比,并有效地抑制阵元上接收的随机噪声.

索尼推出ICP-X7000全新X系列 4K/高清多格式切换台控制面板

索尼在BIRTV2015期间推出全新控制面板ICP-X7000系列,再次强化了MVS风格的高度可操作性。ICP-X7000系列控制面板全面更新了面板各个模块的设计,增加了大量全新的硬件设备。交叉点模块采用全新的OLED交叉点按键以及OLED源名显示窗,不但能显示更多的字符。

高增益对角减载波束形成方法研究

实际的海洋噪声包括不相关噪声成分和相关噪声成分,针对不相关噪声仅仅影响接收数据协方差矩阵对角元素的这一现象,提出一种基于对角减载技术的高增益最小方差无畸变响应法(minimum variance distortionless response,MVDR).在稳健性足够的前提下,首先,按照一定准则选取约束量,利用加权向量范数约束法保证方法的稳健性。然后,利用牛顿迭代法计算得到对角减载系数。最后,将减去对角减载系数的协方差矩阵应用到MVDR波束形成方法中。仿真和海试数据处理结果表明,对角减载MVDR波束形成方法在保证稳健性的同时,提高了阵增益和多目标分辨能力。通过调整减载系数,能够在稳健性与阵增益之间进行折中。

稀疏贝叶斯学习远近场混合源定位方法

针对远、近场混合源定位,提出一种基于稀疏重构理论框架的远、近场混合源分离和定位算法。该算法充分考虑平面波导向矢量和球面波导向矢量的相关特性,利用远、近场声源在阵列上的响应机理的差异,针对远、近场区域分别构造过完备字典,采用多测量矢量模型下的稀疏贝叶斯学习算法重构远近场混合源的空间谱,同时完成远近场混合源的分离和定位。本文算法可以在半波长间距布放的线列阵下对混合源进行定位,适用于高斯和非高斯信号,且无需信源数和噪声功率等先验信息,并具有较高的分辨力和定位精度·计算机仿真结果验证了算法的有效性。