在网格直接定位方法的精度依赖于网格划分的精细程度,传统离网格方法缓解了对网格划分的依赖,但是仍然存在补偿精度低、算法复杂度过高的问题。针对这些问题,本文提出了一种参数字典动态更新的SOMP(Simultaneous Orthogonal Matching Pu...在网格直接定位方法的精度依赖于网格划分的精细程度,传统离网格方法缓解了对网格划分的依赖,但是仍然存在补偿精度低、算法复杂度过高的问题。针对这些问题,本文提出了一种参数字典动态更新的SOMP(Simultaneous Orthogonal Matching Pursuit)离网格直接定位方法。首先,利用子空间适应的方法对初始信号进行降噪处理,对二维空间进行粗网格的划分。其次,引入网格量化误差,不同于JSOMP(Joint Simultaneous Orthogonal Matching Pursuit)方法迭代后结算补偿值的方式,该方法在迭代的过程中使用泰勒补偿对每一次匹配相关度最高的网格点进行单源补偿,更新原有字典矩阵参数,从而得到较为理想的字典矩阵。仿真结果表明,本文所提算法能够有效克服网格失配的问题,得到精准的信源位置估计结果,相比于JSOMP、OG-SBI(Off-Grid Sparse Bayesian Inference)、MUSIC-Taylor(Multiple Signal Classification Based on Taylor Compensation)离网格方法,本文所提方法的运算速度更快、定位精度更高。展开更多
针对实际声呐基阵水听器阵元间存在互耦导致阵列波达方向(direction of arrival,DOA)估计性能下降的问题,提出了一种阵列不确定互耦情况下的波达方向估计方法。基于稀疏贝叶斯学习(sparse Bayesian learning,SBL)模型,将空间域离散化为...针对实际声呐基阵水听器阵元间存在互耦导致阵列波达方向(direction of arrival,DOA)估计性能下降的问题,提出了一种阵列不确定互耦情况下的波达方向估计方法。基于稀疏贝叶斯学习(sparse Bayesian learning,SBL)模型,将空间域离散化为均匀的网格,并且引入离网格误差,针对阵元互耦,引入互耦系数向量;确定离网格误差和互耦系数向量的先验分布;使用贝叶斯学习的期望最大化算法,对未知参数进行迭代更新,得到目标空间谱。仿真结果表明,所提方法在阵元未知互耦较大情况下估计精度较高,多目标分辨能力较强。展开更多
文摘在网格直接定位方法的精度依赖于网格划分的精细程度,传统离网格方法缓解了对网格划分的依赖,但是仍然存在补偿精度低、算法复杂度过高的问题。针对这些问题,本文提出了一种参数字典动态更新的SOMP(Simultaneous Orthogonal Matching Pursuit)离网格直接定位方法。首先,利用子空间适应的方法对初始信号进行降噪处理,对二维空间进行粗网格的划分。其次,引入网格量化误差,不同于JSOMP(Joint Simultaneous Orthogonal Matching Pursuit)方法迭代后结算补偿值的方式,该方法在迭代的过程中使用泰勒补偿对每一次匹配相关度最高的网格点进行单源补偿,更新原有字典矩阵参数,从而得到较为理想的字典矩阵。仿真结果表明,本文所提算法能够有效克服网格失配的问题,得到精准的信源位置估计结果,相比于JSOMP、OG-SBI(Off-Grid Sparse Bayesian Inference)、MUSIC-Taylor(Multiple Signal Classification Based on Taylor Compensation)离网格方法,本文所提方法的运算速度更快、定位精度更高。
文摘针对实际声呐基阵水听器阵元间存在互耦导致阵列波达方向(direction of arrival,DOA)估计性能下降的问题,提出了一种阵列不确定互耦情况下的波达方向估计方法。基于稀疏贝叶斯学习(sparse Bayesian learning,SBL)模型,将空间域离散化为均匀的网格,并且引入离网格误差,针对阵元互耦,引入互耦系数向量;确定离网格误差和互耦系数向量的先验分布;使用贝叶斯学习的期望最大化算法,对未知参数进行迭代更新,得到目标空间谱。仿真结果表明,所提方法在阵元未知互耦较大情况下估计精度较高,多目标分辨能力较强。