信源个数估计的空间平滑方法

针对小快拍数和阵元噪声功率不等时噪声特征值分散严重,导致Akaike信息论准则(AIC)和最小描述长度准则(MDL)估计信源个数效果差的问题,提出了基于空间平滑的AIC方法(SSAIC)和MDL方法(SSMDL),该方法利用前后向平滑有效降低噪声特征值的分散程度,从而提高正确估计概率,并证明了SSMDL方法的一致性.仿真结果表明该方法在小快拍和阵元噪声功率不等情况下可以显著提高正确检验概率.

采用特征向量夹角联合概率密度函数的信源个数估计方法

针对传统信源数估计算法如基于Akaike信息论准则方法、最小描述长度准则方法及盖氏圆盘方法等存在低信噪比时性能下降甚至完全不能正确估计信源个数的问题,提出一种基于协方差矩阵特征向量之夹角联合密度函数的信源数估计方法.该方法采用样本协方差矩阵特征分解后噪声子空间的一特征向量与其他特征向量求夹角余弦,然后求这些特征向量之夹角余弦的联合概率密度函数值,最后将两相邻密度函数值相除与阈值比较确定信源个数.数值模拟与水池实验表明该方法在低信噪比时性能远远好于以往算法,在阵列信号处理中具有一定的应用价值.

基于协方差矩阵变换的相干源个数估计

正确地估计信号源个数是高分辨阵列信号处理的一个重要组成部分,本文提出了一种相干源个数估计的方法。这种方法是先采用空间平滑技术对信号源去相关,然后对阵列协方差进行酉变换,最后用基于协方差矩阵变换的信息论准则和盖氏半径(Gerschgorin Radii)两种方法估计信号源个数。计算机仿真结果证实了方法的可行性。

基于循环累积量的共信道多信号检测和信号源个数估计算法

信号检测和信号源个数估计是处理共信道多信号问题的基础,针对时频重叠的共信道多信号检测和信号源个数估计提出了一种基于四阶循环累积量的算法。算法首先计算接收信号的四阶循环累积量,循环频率轴上其模值在和信号载频相关的循环频率处会出现离散谱线,然后采用基于形态学的方法对离散谱线进行提取,根据离散谱线的个数进行信号检测和信号源个数估计。算法不需要设定阈值,可同时进行信号检测和信号源个数的估计。对于最多3个BPSK、QPSK和MQAM任意类型等功率混合,在信噪比为5dB左右信号检测和信号源个数估计的正确率大于90%,并且算法对频谱重叠度具有较好的鲁棒性。

基于矩形面阵的信源参数和信源个数估计新方法

雷达系统中,矩形阵列能够同时对空间信源的仰角和方位角进行估计,针对二维DOA估计中MUSIC算法进行特征值或奇异值分解而导致计算复杂度的增加,提出了一种基于多级维纳滤波器的信源参数估计方法。该方法能够对信源的方位角和俯仰角进行估计,同时还能够对信源数进行有效估计,具有估计精度高,计算量小等特点,适合实时处理的需求,仿真实验证明了该算法的有效性。

一种新的基于EEF准则的空间声源个数估计算法

针对指数嵌入族(Exponentially Embedded Families,EEF)准则在快拍数小于阵元数情况下无法估计声源个数的问题,本文提出一种新的空间声源个数估计算法.首先通过球麦克风阵列采集空间声场高阶信息,建立球阵列信号模型,将声源个数估计扩展到三维空间.继而将观测信号空间分解为信号子空间和噪声子空间,利用最小均方差(Minimum Mean-Squared Error,MMSE)方法估计观测信号空间及噪声子空间的协方差矩阵,确保矩阵估计的一致性和准确性.在此基础上改进似然比函数,同时引入新的自由度计算,使得算法在快拍数小于阵元数的情况下能有效估计声源个数.仿真结果表明,在进行空间声源个数估计时,相对于EEF准则,新的算法不仅适用于快拍数小于阵元数情况,同时提高了估计准确率.

基于空间时频分布的欠定混合信号源个数估计

针对欠定混合信号的源个数估计问题,提出了一种基于空间时频分布与奇异值分解的估计算法,把所有自源时频点对应的空间时频分布矩阵组成三阶张量,把欠定混合问题转化为超定问题,通过对三阶张量对应的矩阵进行奇异值分解估计出源信号的数目,该方法不需要假设源信号是稀疏的或独立的,理论分析和仿真结果验证了算法的有效性。

一种基于子空间分析的快速信源个数估计方法

针对阵列信号处理中传统信源个数估计方法如基于Akaike信息论准则方法(AIC)、最小描述长度准则方法(MDL)等特征值分解类算法计算量大,且在小快拍数、低信噪比时性能下降甚至无法正确估计的问题,提出了一种基于子空间分析的快速信源个数估计方法。该算法首先利用多级维纳滤波器(MWF)对信号进行快速的子空间估计,然后计算阵列信号协方差在子空间匹配滤波器中的投影值,通过分析其正交性来估计信源个数。研究结果表明,该算法不但在小快拍数、低信噪比时相较于传统特征值分解类算法具有更优异的性能,并且计算量大大降低。

基于子带平均的宽带源个数估计方法

本文提出了一种相关宽带源个数估计的方法。该方法首先阵列采样数据分段并进行FFT变换,得到若干个窄带信号,然后分别对每一个窄带信号进行处理,最后对各窄带的处理结果进行加权综合来得到宽带源个数的估计结果,采用空间平滑技术可处理相关宽带源。计算机仿真结果证实了方法的可行性。

基于l_1稀疏正则化的信源个数估计新算法

针对现有信号源个数估计相关算法在低信噪比和较少快拍数下存在欠估计的问题,提出一种适用于空间平稳噪声下基于l1稀疏正则化的信源个数估计新算法。该算法利用信号协方差矩阵特征值分解得到的特征值序列的稀疏性,选取合适的正则化参数对信号源个数进行估计。理论分析和仿真实验表明,所提算法可以在较低信噪比的空间平稳噪声条件下,实现对较少快拍数下阵列接收数据信源个数的精确估计。

伪协方差函数的宽带信号源个数估计法

提出了一种计算简单且有效的宽带信号源个数估计估计算法。该方法利用不同频率互协方差函数所构造的矩阵,从理论上证明了对窄带盖氏圆盘法改进可以用于对该矩阵求解,从而获得宽带信号个数的估计值。分析了该方法在相关和不相关宽带信号下的表现,证明了在CSSM类方法失效的情况下该方法能很好地应用。仿真结果证实了所提方法不仅可以用于估计大于阵元数目的宽带信号个数,而且计算负担更小,便于实际应用。

一种基于多重特征融合的信源个数估计方法

针对加权盖尔圆估计准则不能充分利用增广加权盖尔圆矩阵信息的不足,在该准则基础上提出一种融合多重特征的信源个数估计方法。利用阵列天线的接收信号构建增广加权盖尔圆矩阵,从中获取用于描述信源个数的盖尔圆心值、盖尔圆半径和加权盖尔圆半径等多重特征构建高维特征向量,并将其标记后代入支持向量机中,训练可进行信源个数估计的分类器数学模型。实验结果表明,该方法不仅能够在信源数只比阵元数少一个的情况下准确估计信源个数,其在低信噪比和小快拍数的环境下也同样具有良好性能。

基于稀疏系数位置特征的LFM雷达信源个数估计算法

信源个数估计是多信源信号处理的基础,对后续信号的捕获分析关系重大。依据稀疏系数在不同测量矩阵、相同稀疏字典下位置信息相同的特点,提出一种新的信源个数估计算法,突破了传统算法最优门限阈值随信噪比变化的桎梏,实现了信源个数的准确估计。仿真结果表明,算法在保证估计性能的同时降低了运算复杂度。

基于邻域源个数估计的欠定混合盲分离方法

针对欠定盲源分离问题,从理论上分析矩阵对角化方法存在的不足。在混合矩阵已知的基础上,提出时频邻域源个数精确估计和矩阵对角化方法的源信号估计算法。通过度量不同的时频邻域内源信号估计结果的协方差矩阵的对角化程度,同时估计当前多源邻域内源信号数目及其时频波形。最后通过对混合矩阵求伪逆完成源信号的估计。理论分析和仿真结果表明该算法能够提高源信号的估计性能,并提高对源信号数目的适应能力。

复杂电磁环境下稳健的信号源个数估计方法

为了实现低信噪比条件下以及复杂电磁环境中对阵列接收信号源个数的有效估计，利用雷达和通信信号普遍具有的循环平稳特性，借助时域平滑的思想建立了能够分离循环统计相干信号的伪数据矩阵模型，并将基于信息论准则的源个数估计方法引入对循环平稳信号的处理中，提出了一种环境适应能力更强、性能更优的循环平稳信号源个数估计方法，仿真实验验证了新方法的优良性能。

基于CS和OMP的宽带LFM信号源个数估计算法

多分量LFM信号源个数估计是进行后续信号处理的基础。考虑到压缩测量值较好地保留了原信号的特征信息,基于压缩感知部分重构的思想,提出了一种基于压缩感知和OMP分解的信源个数估计算法,算法在基于OMP的信号重构算法上改进而来,以归一化残差为迭代终止的条件,引入一种自适应阈值选择策略,根据迭代分解次数进行信号源个数估计。仿真结果表明,在信噪比为-3db左右、压缩比大于0.25的情况下,该算法进行信源个数估计的成功率高于90%。

一种新的信号源个数估计算法

介绍了信号的循环平稳特性，提出了一种新的信号源个数估计算法，最后进行了仿真并给出了仿真结果，仿真结果证明了该算法确实有效。

低信噪比下的信号源个数估计方法

针对低信噪比下信号源个数估计问题,改进基于特征向量与阵列流形正交性的这种目前信号源个数估计效果很好的算法。该改进主要在于引入一个更能去噪的门限准则,结合原来的盲波束形成方法,最后得到一种基于阵列信号处理的信号源个数估计算法。仿真结果证实在低信噪比下,文中所提方法在等功率信号入射时比原方法有效,而且在不等功率信号入射时效果也比原方法好。

一种欠定混合模型下的信源个数估计算法

针对欠定混合模型的信源个数估计问题,提出一种基于时频变换与势函数聚类的混合信号信源个数估计新算法。首先介绍欠定信号混合模型;然后通过时频变换将观测信号变换到时频域进而构造变量构成聚类特性;最终采用势函数聚类的方法估计出信源个数。公式推导和仿真分析都证明该算法可以很好地估计出信源个数。仿真实验结果表明,新提出的算法与其它相同混合模型的算法相比具有更好的性能。

一种基于一维卷积残差网的单通道信号源个数估计算法

单通道信号源个数估计是单通道盲源分离问题的前提与难点,传统方法无法直接进行估计且准确率较低。文章提出了一种基于深度网络分类器的单通道信号源估计方法。该方法将源个数估计作为分类问题,在经典CNN的基础上引入一维卷积网络与残差结构作为分类器,采用短时傅里叶变换和梅尔倒谱系数作为联合特征输入分类器。在Libricount数据集上的测试结果表明,该方法的源个数估计准确率明显优于基准模型。