基于稀疏迭代协方差估计的缺失数据谱分析及时域重建方法

应用于缺失数据恢复的迭代自适应方法(IAA)被证实可利用20%的有效数据估计信号参数,并能高精度恢复缺失数据,优于经典GAPES方法,但当缺失数据超过80%时其数据恢复性能迅速下降。该文基于稀疏迭代协方差估计提出一种新的缺失数据谱分析方法(M-SPICE)及针对该方法的缺失数据修正时域重建方法。该方法将加权缺失数据协方差拟合代价函数转换为凸优化问题,构造循环最小化器保证缺失数据参数估计的全局收敛特性,通过对缺失数据估计算子的更新实现了时域重建方法的修正,使其在有效数据功率谱欠估计的情况下获得更高的数据重建精度。仿真实验表明无论是数据块缺失还是任意缺失,该方法均能够利用更少的有效数据进行谱分析,并重建大比例缺失数据。

基于协方差、正性和l_1范数约束的迭代波达方向估计方法

本文通过将只能用于均匀线阵的ＰＨＤ方法推广到稀疏线阵，同时将正性约束引入ＦＯＣＵＳＳ方法，得到了一种基于协方差、正性和ｌ１范数约束进行协方差重建的迭代波达方向（ＤＯＡ）估计方法。该方法利用了ＭＵＳＩＣ方法忽略的反映阵列几何形状的协方差矩阵结构信息和ＤＯＡ估计的稀疏约束信息，不仅突破了信号源个数小于阵元数的限制，并具有提高ＤＯＡ估计性能的潜力。理论分析和仿真实验结果表明，这种迭代ＤＯＡ估计方法一般经过数次迭代就能获得稳定的高分辨率ＤＯＡ估计。

基于协方差稀疏迭代的柱面共形阵2-D DOA估计

应用协方差稀疏迭代方法实现了短快拍条件下的柱面共形阵的二维波达方向估计。根据柱面共形阵的特点,利用欧拉旋转变换构造阵列流型矩阵;对协方差矩阵进行稀疏求解,把最小化协方差拟合代价函数转化为一个凸性的线性约束最小化问题,并通过循环最小化算法保证其全局收敛性;最后实时更新信源能量谱,谱峰对应的方位角和俯仰角即为所得二维波达方向估计值;仿真实验表明:所提算法只需少量快拍,即可实现高精度2-D DOA估计。

时频信号的非参数加窗稀疏协方差迭代分析法

针对多分量非平稳时频信号的分析,提出了一种非参数加窗稀疏协方差迭代分析(Sparse Iterative Covariance-based Estimation,SPICE)法。该方法通过引入局部化的窗函数,并在窗内对信号建立非参数化的时频模型,以获取非平稳信号的局部时频特性。分析表明:给出的非参数时频模型,可通过加权最小二乘(Weighted Least Square,WLS)进行求解。当将WLS的加权矩阵的构建问题转换为广义噪声协方差矩阵时,提出的模型也可借助于加窗SPICE方法来进行求解。分析和仿真均表明:与传统方法相比,提出方法具有噪声抑制能力强、能量集中度高和对于载频差异较小信号的分离效果佳等优点。

基于调制谱超分辨重构的微多普勒参数估计

调制谱间隔是气动目标识别的重要特征,在雷达波形资源受限的情况下存在估计精度差且噪声鲁棒性弱的问题。针对此问题,利用稀疏迭代协方差谱估计方法进行调制谱超分辨,根据调制谱谱线等间隔的原理提出用基频组功率累积占比表征基频谱,进而实现基频的超分辨估计。基于甚高频波段雷达的仿真和实测数据分析证明了该方法抗噪能力强,且在相参积累时间大于1.5倍微动周期、调制谱折叠、重频参差等场景下均可有效提高调制谱间隔参数估计准确率。

数据缺失情况下基于M⁃SPICE的低空风切变风速估计方法

针对机载气象雷达回波数据缺失的情况下,低空风切变风速估计失准这一问题,本文提出了一种基于缺失数据稀疏迭代协方差估计(Missing Sparse Iterative Covariance-based Estimation,M-SPICE)的低空风切变风速估计方法。该方法首先构造数据缺失模型,然后根据协方差拟合准则计算估计算子,并不断迭代更新得到最终所需的估计算子,进而恢复得到缺失的风切变数据,最后将恢复得到的数据重构得到完整的风切变数据,实现对风场速度的准确估计。仿真结果表明,该方法能够有效实现缺失数据的重建并精确地估计风速。