脉冲噪声下相干宽带信源的求根ISM算法

非相干信号子空间方法(Incoherent Signal Subspace Method,ISM)无法处理相干宽带信源且运算量较大,在脉冲噪声下,由于二阶相关矩阵无法收敛,基于ISM算法的波达方向(Direction of Arrival,DOA)估计也将失去韧性,为此对ISM算法进行了改进。首先将等间距线阵输出矩阵在频域进行分解,根据各频率分量对应的归一化功率设置门限值,对大于门限的频率分量构建分数低阶相关矩阵(Fractional Low Order Covariance,FLOC),并进行修正以解相干。再对修正后的各低阶矩进行特征值分解并提取噪声特征矩阵,列多项式求根。最后取算术平均,可得相干宽带信源的DOA估计。通过计算机仿真,改进的ISM算法在脉冲噪声下可处理相干宽带信源的DOA估计,且稳健性较好。

一种宽带相干信源的无网格超分辨DOA估计方法

由于无网格(grid-less)稀疏重构方法的波达方向(direction of arrival,DOA)估计数学模型为单快拍形式,因此该方法只有在噪声电平趋近于零时才具有优越的性能.为了提高grid-less方法在信噪比(signal-to-noise ratio,SNR)较低时宽带相干信源的估计性能,提出了一种多快拍grid-less DOA估计方法.首先,对多快拍阵列观测矢量实施奇异值分解(singular value decomposition,SVD)获得观测矩阵的时域信号子空间,通过观测矩阵到时域信号子空间的投影实现观测矩阵的降噪;然后,为了不增加多快拍计算复杂度,将降噪后观测矩阵的列向量加权累加处理得到单快拍形式;最后,从理论上证明了本文提出的GL-SVD方法求解的模型是凸的,能够实现宽带信号DOA的精确重构.仿真结果表明,该方法在低SNR以及宽带相干信源情况下的估计精度都高于L 1范数最小化奇异值分解(L 1-norm minimum singular value decomposition,L 1-SVD)和离格稀疏贝叶斯推断奇异值分解(off-grid sparse Bayesian inference singular value decomposition,OGSBI-SVD),且在较小角度间隔的情况下具有更高的估计概率和分辨率.

基于双阵元的宽带相干信源数估计

不同噪声条件下,宽带相干信源数估计是阵列信号处理中的难点问题.本文针对宽带信号的特点,利用虚拟阵列扩展技术,将宽带信号的不同频率成分虚拟为不同间距的虚拟阵元,通过空间平滑削弱信号之间的相干性.但由于噪声的功率谱非严格平坦,虚拟阵列协方差矩阵的噪声特征值发散程度严重,经典的信息论方法完全失效.基于对角加载技术,提出了一种新的加载量,有效地平滑了噪声特征值,减弱了其发散程度,并在此基础上利用比率准则改进了信息论方法,实现了两阵元对多个信源的数目估计.仿真实验表明,改进后的方法在白噪声和色噪声条件下均具有较好的性能,优于盖氏圆方法.

空间平滑和盖氏半径变换的宽带相干信源数估计

采用空间平滑处理和不同信源数估计准则进行宽带相干信源数估计。该方法针对宽带相干信号,不需要聚焦处理,直接对宽带信号阵列采样输出分段并进行快速傅立叶变换(fast Fourier transform,FFT),得到不同频点处的窄带采样协方差矩阵,然后采用空间平滑处理技术进行解相干处理,接着利用信源估计准则进行信源数估计,对每个频点处的结果进行加权处理得到宽带信源数目。仿真结果表明,通过对信息论准则、基于盖氏半径的似然准则、盖氏圆估计准则的性能的对比,进而得到了一种在色噪声下估计宽带相干信源数的方法。