基于深度卷积网络的二维波达方向估计方法

为了提高信号波达方向估计技术的实时性和简便性,设计了一种适用于估计均匀圆阵多信号波达方向的深度卷积网络。由阵列观测数据得到的协方差矩阵被当作是包含实部和虚部两个通道的图像,将其当作是卷积神经网络的输入张量,便可以通过训练网络来提取包含在信号协方差矩阵中的波达方向细微特征,从而实现准确快速地同时对多个入射信号的方向进行估计的目的。仿真结果表明,设计的深度卷积网络能够很好地完成二维信号波达方向估计。相比于现有估计方法,卷积网络给出的结果更加精确,且算法相对稳定。因此,提出的深度卷积网络在多目标方位识别与跟踪领域具有潜在的工程应用价值。

基于高阶幂的单快拍LDACS系统波达方向估计

L波段数字航空通信系统(L band digital aeronautical communication system,LDACS)是未来航空宽带通信重要的基础设施之一,针对LDACS信号容易受到相邻波道大功率测距仪(distance measuring equipment,DME)信号干扰的问题,提出了联合正交投影干扰抑制与单快拍稀疏分解的波达方向(direction of arrival,DOA)估计方法。通过子空间投影抑制DME干扰,然后使用单快拍数据构建伪协方差矩阵,对伪协方差矩阵求高阶幂,之后进行奇异值分解,并利用约束条件求解稀疏解得到期望信号来向的估计值。所提方法使用高阶伪协方差矩阵降低了噪声影响,仅用单快拍就可以准确估计LDACS信号的入射方向。仿真结果表明,改进单快拍高级幂(improved single snapshot high order power,ISS-HOP)L1-SVD算法的估计精度优于ISS-HOP-MUSIC算法。该方法可以有效抑制DME干扰,提高OFDM接收机性能。

嵌套阵的疏密子阵融合波达方向估计方法

为有效利用嵌套阵包含疏密子阵的几何结构以提高估计性能,本文提出一种在2子阵上分别测向再融合的波达方向估计方法。通过理论分析和实际案例阐明融合嵌套阵的两子阵测向结果可以消除信源角度估计模糊,且不会出现互质阵解模糊时伴随的匹配错误。利用无需谱峰搜索的求根多重信号分类方法在嵌套阵2子阵上求解测向结果,若稀疏子阵间距为N倍半波长,推导出对其复根开N次方可获含模糊角的高精度估计,再结合最小方差准则与精度较低但无模糊的密集子阵测向结果进行融合,最终得到高精度的波达方向估计。与嵌套阵已有算法相比,该算法提高了波达方向估计精度和分辨率,由于无需2子阵协方差降低了计算量,且能够支持嵌套阵的分布式配置。仿真结果验证了所提算法的有效性。

无源雷达高速目标回波相参积累和参数估计算法

针对无源雷达高机动匀速目标参数估计中长时间积累引起的距离徙动效应问题,提出了一种基于Keystone变换和圆阵干涉仪测向的高效相参积累和参数估计算法。首先,根据目标运动和外辐射源信号参数,对参考信号和监视信号进行分段处理,段内为快时间,段间为慢时间;然后,利用Keystone变换对各频率的时间轴进行尺度变换,校正高速目标的距离徙动,继而将目标回波信号能量积累至同一时延-多普勒单元;最后,对目标回波所在的时延-多普勒单元进行圆阵干涉仪二维测向,得到目标方位角和俯仰角估计。仿真结果表明,算法可有效实现高机动匀速目标微弱回波信号的相参积累和参数估计,计算复杂度更低,对目标时延、多普勒、方位角和俯仰角参数估计的稳健性和精度更高。

一种基于矩阵填充的稀疏阵波达方向估计技术

为了提高稀疏阵列波达方向(DOA)估计的性能,该文将低秩矩阵重构理论应用到DOA估计中,提出了一种改进的矩阵填充模型及其优化求解方法。该方法利用Sigmoid函数实现核范数约束并建立最小化模型;然后基于粒子群算法改进增广拉格朗日乘子法,对模型实现低秩优化求解;最后利用多信号分类(MUSIC)算法实现DOA估计。仿真结果表明,该方法能有效实现稀疏阵重构,DOA估计的性能优良,且能够适用于相关信源。

一种适用于半互质阵的高精度波达方向估计方法

在半互质阵列(SCA)下,经典波达方向估计(DoA)算法在面对邻近相干信源时估计性能退化。为了解决该问题,该文提出一种适用于半互质阵列的高精度波达方向估计方法。首先,将半互质阵划分为3个均匀线阵并利用常规波束形成算法对子阵1、子阵2和子阵3的阵列输出信号进行处理;然后,对子阵3的输出信号进行加权后与子阵1,2的输出信号加和构建和波束,利用子阵1与子阵2的输出信号做差构建差波束;最后,将上述和差波束做差得到最终输出信号,计算最终信号的功率得到方位谱。该方法基于半互质阵列特点构建和差波束,充分利用了3个子阵的重叠阵元实现估计精度的提高。通过仿真和湖上实测数据验证表明,该方法可以适用于半互质阵列实现波达方向估计,并且在面对邻近相干信源时其波达方向估计性能优于最小方差无失真估计算法(MVDR)和最小处理算法(MP)。

稀疏阵列结构设计及波达方向估计研究进展

近年来,利用稀疏阵列估计信源的波达方向(Direction of Arrival,DOA)已成为阵列信号处理领域的研究热点问题之一。相较于传统的均匀线阵,稀疏阵列凭借其大孔径、高自由度、低互耦率、低冗余度、低开销和布阵灵活等优良特性,吸引了学术界广泛关注和系统性研究。同时,为充分发挥稀疏阵列的巨大优势,学者们已经从不同角度开发了一系列与之相适应的DOA估计算法,以进一步提高可分辨信源的数量和角度估计精度。本文在构建稀疏阵列信号模型和整理稀疏阵列相关术语的基础上,详细介绍了稀疏阵列结构设计及DOA估计算法的发展历程和代表性研究成果。在稀疏阵列结构设计方面,围绕自由度、互耦率和冗余度等核心指标,深入剖析了各类稀疏阵列结构的设计思想,并着重描述了嵌套和互质两类结构性稀疏阵列的连续自由度和自由度特征;在稀疏阵列DOA估计方面,根据信号参量构造原理的不同,阐述了基于物理阵列处理和虚拟阵列处理的两种测向理论,并分析了各自方法的适用条件和性能优势。此外,本文还回顾了稀疏阵列DOA估计的克拉美罗界(Cramér-Rao bound,CRB),为评估不同阵列和算法的优劣提供了重要依据。最后,通过梳理现有研究成果中存在的不足,对未来研究方向进行了展望,力图为稀疏阵列DOA估计的工程应用提供理论依据和技术支撑。

一种包含组合范数惩罚项的波达方向稀疏估计方法

波达方向(Direction of Arrival,DOA)估计是阵列观测数据研究领域的一个基本问题.对于观测数据服从复椭球对称分布的应用场景,现有的方法多采用l1-范数惩罚项来实现信号波达方向的稀疏估计,其中的l1-范数惩罚项仅考虑信号的稀疏性而没有考虑信号的多样性,从而造成这些估计方法一般将弱信号(具有较低功率的信号)略去,可能无法准确地估计弱信号的波达方向.为解决这个问题,本文通过引入一个组合范数惩罚项构建了一个新的估计(模型)方法,其中的组合范数惩罚项是l1-范数惩罚项与l2-范数平方惩罚项的线性组合,其组合系数(惩罚参数)互不相关,l2-范数平方惩罚项则可以保留弱信号的多样性.然后,本文基于Majorization-Minimization(MM)算法设计了模型的求解算法,并证明该方法是收敛的.数值实验表明,相较于那些基于l1-惩罚项的估计方法,本方法具有更高的精度.

存在幅相误差下的稳健稀疏贝叶斯二维波达方向估计

为减小传感器幅相误差的影响,提升方位估计性能,针对L型传感器阵列提出一种存在幅相误差下的稳健稀疏贝叶斯二维波达方向(Direction-Of-Arrival,DOA)估计方法。引入一个辅助角,将二维DOA估计问题转化为两个一维角度估计问题。利用L型阵列两子阵数据互协方差矩阵的对角线元素向量,构造一个含有幅相误差的稀疏表示模型,采用期望最大算法推导未知参数表达式并进行迭代运算,进而获得离网格和信号精度,利用二者构建新的空间谱函数,通过谱峰搜索估计出辅助角;将求得辅助角代入含有幅相误差的阵列接收数据稀疏表示模型,再次运用稀疏贝叶斯学习方法,估计出入射信号的俯仰角;根据3个角之间的关系,估计出方位角。研究结果表明:该方法实现了方位角和俯仰角的自动匹配,进一步克服了幅相误差对估计性能的影响,提高了方位估计的精度和角度分辨力,尤其是在高信噪比和幅相误差较大情况下优势更明显;仿真结果验证了该方法的有效性。

基于稀疏贝叶斯学习的混合mMIMO系统波达方向估计

波达方向估计是混合mMIMO系统波束成形得以应用的前提,基于协方差矩阵重构的子空间方法在相干信号和有限快拍数条件下性能损失较大。为了应对上述挑战,提出了一种基于稀疏贝叶斯学习的混合mMIMO系统波达方向估计方法,主要创新之处在于:将混合mMIMO系统的波达方向估计问题转化为稀疏信号恢复问题,从而绕过空间协方差矩阵重构,避免了其带来的性能损失。为了便于进行贝叶斯推断,进一步利用变分贝叶斯近似思想,在恢复稀疏信号的同时,自适应估计出未知参数,显著改善了对噪声和相干信号的鲁棒性,提升了有限快拍数情况下的波达方向估计性能。数值模拟结果验证了所提方法的优越性。

基于深度复数神经网络的雷达目标DOA估计算法

传统模型驱动的波达方向(direction of arrival, DOA)估计算法性能受限于有限的信号特征、快拍数、信噪比、信杂比等因素,在低信噪比、快拍数少的极端情况下,性能较差。为克服上述问题,提高在极端条件下的估计精度,文章提出基于深度复数神经网络(complex-valued neural networks, CVNN)的单快拍DOA估计算法,构建深度复数神经网络模型,学习原始带噪信号与理想无噪复信号之间的映射关系,进而实现噪声抑制和期望信号特征增强的目的,提高DOA估计精度。仿真实验结果表明,经CVNN增强后,数据的等效信噪比约提高了1 dB,等效快拍数提高了3,该文所提算法相较于已有的多种物理驱动算法而言,具有更高的估计精度和泛化性。

强干扰下基于三阶互累积量的FMCW雷达信号DOA估计算法

针对车载调频连续波雷达存在相互干扰的实际情况,本文提出了一种基于三阶互累积量的多目标波达方向超分辨估计方法.该方法利用同步采集的阵列信号并根据回波信号和干扰信号的非相关特性,构造三阶互累积量矩阵,随后根据子空间方法获得二维空间谱,实现距离和方位的联合估计.计算机仿真结果表明,本文所提方法能够在抑制强干扰影响的同时实现3°以内多目标识别,与现有超分辨法和重构法相比,具有更高的角度分辨率和估计精度.

基于角度修正的频率和波达方向联合估计

为实现相干密集信号的频率和波达方向估计,用参考频率替代真实频率,构建了一种降维稀疏字典,利用压缩感知理论,实现频率和波达方向联合估计;同时针对低信噪比、少快拍数、含有相干信号的复杂场景,给出一种利用SVD优化的方法。通过仿真发现所提算法及其优化算法,可对密集相干信号进行精确的频率和波达方向估计,提高了算法在低信噪比条件下的性能,更加适用于低信噪比、少快拍数场景。

基于均匀圆阵的压制式相干干扰DOA估计算法

针对导航抗干扰中一般干扰信号波达方向(direction-of-arrival, DOA)算法无法在均匀圆阵上有效地估计含有相干干扰的信号来向问题,提出了一种基于虚拟线阵的协方差矩阵重构的MUSIC算法。该算法通过对均匀圆阵进行模式空间变换,形成虚拟线阵,将模式空间变换后的数据协方差矩阵的所有行进行Toeplitz重构,并将所有Toeplitz矩阵构造成一个新的等效的满秩数据协方差矩阵,以此来达到解相干的目的。结合在虚拟线阵上的MUSIC算法,并通过多谱峰搜索算法直接得到空间谱的谱峰位置,从而完成对干扰来向的DOA估计。经仿真验证,该算法在存在相干信号且信号角度相隔30°左右的条件下,依旧能够对信号的波达方向进行有效估计。

基于稀疏恢复的快速高精度DOA估计算法

传统的基于稀疏恢复的波达方向(direction of arrival,DOA)估计算法使用密集的采样网格,导致计算量显著增加,且对邻近入射信号的估计精度不高。针对这一问题,提出一种快速高精度DOA估计算法。该算法首先使用网格进化方法降低网格点总数。然后,对噪声方差和信号功率进行二次估计,进而使用离网求根稀疏贝叶斯学习(off-grid root sparse Bayesian learning,OGRSBL)技术来实现入射角的精确估计。仿真表明,相比传统稀疏贝叶斯学习类算法,所提算法计算效率高,同时对紧邻信号有着更好的估计能力。

基于协方差扩展PM算法的波达方向估计

针对基于传播算子方法(Propagator Method,PM)的水听器阵波达方向(Direction of Arrival,DOA)估计在低信噪比或者小快拍数时性能变差的问题,文章提出一种改进的基于PM算法的水听器阵方位估计方法。该方法利用信号子空间的旋转不变性特征对协方差矩阵进行扩展和重构,通过分块协方差矩阵的子矩阵得到传播算子矩阵。通过传播算子矩阵构造扩展噪声子空间,然后利用信号子空间与噪声子空间的正交性估计空间谱。仿真实验和湖上实验的结果表明:相较于传统PM方位估计算法,文中算法在低信噪比或者小快拍情况下具有较好的方位估计性能,在信噪比为0 dB时,文中方法比传统PM算法均方根误差减少0.6°;在快拍数为150时,比传统PM算法的均方根误差减少0.1°。

基于改进帝王蝶算法的最大似然DOA估计

针对传统最大似然波达方向(maximum likelihood direction of arrival,ML-DOA)估计存在计算量大、估计精度差等问题,本文提出一种采用改进帝王蝶优化算法(improved monarch butterfly optimization algorithm,IMBO)的ML-DOA估计方法。IMBO算法通过精英反向学习策略对初始帝王蝶种群进行优化,得到适应度值较优的初始帝王蝶个体,进而能够改善帝王蝶种群的多样性;引入差分进化算法启发的变异操作以及自适应策略对帝王蝶个体的寻优方式进行改进,扩大了算法的搜索空间;引入了高斯-柯西变异算子,自适应调整变异步长,避免算法陷入局部最优。将IMBO应用于ML-DOA,实验表明,与传统的DOA估计算法相比,在不同信源数目、信噪比以及种群数量下,本文提出的算法收敛性能更好,均方根误差更低,运算量更小。

基于改进SP算法的多目标DOA估计方法

稀疏重构类算法在雷达目标参数估计中的应用一直是近年来的热门,但由于稀疏重构类算法的局限性,在进行目标波达方向(direction of arrival,DOA)估计时受到原子间的互相影响,从而使多目标测角精度降低。针对此问题,提出一种基于信号分离迭代思想的松弛子空间追踪算法。首先求出回波信号与归一化后字典矩阵相关性最强的多个原子作为初步估计值,再利用初步估计的角度构建代价函数,反复估计直至代价函数收敛。仿真结果表明,所提算法减小了目标个数和相位差的影响,提高了多目标DOA估计的测角精度,同时相较于传统的松弛算法减少了运算量。

稀疏阵列的鲁棒矩阵填充DOA估计算法

稀疏阵列布阵灵活,增大阵列孔径的同时还能减少阵元间耦合,但基于稀疏阵列的传统波达方向估计会导致角度模糊混叠,带来估计精度差和稳健性不足的问题。针对以上问题,提出一种适用于稀疏阵列波达方向估计的加权截断奇异值投影(weighted truncated singular value projection,WT-SVP)的鲁棒矩阵填充算法。在填充迭代过程中根据奇异值的大小分配权重,突出大奇异值包含的阵列信息,减少小奇异值中不必要的噪声信息,从而优化传统奇异值投影算法。该算法可以实现稀疏阵列的孔洞信息恢复,对不连续阵元充分利用,同时WT-SVP填充算法实现了稀疏阵列波达方向估计的高精度、高分辨以及在低信噪比、低快拍时的高鲁棒性。

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。