针对基于互质阵列波达方向(direction of arrival, DOA)估计方法对连续虚拟阵元得到的样本协方差矩阵信息利用率不高的问题,提出一种基于互质阵列的协方差矩阵重构算法。该算法利用最大连续虚拟均匀线阵协方差矩阵的每一行元素进行Toepl...针对基于互质阵列波达方向(direction of arrival, DOA)估计方法对连续虚拟阵元得到的样本协方差矩阵信息利用率不高的问题,提出一种基于互质阵列的协方差矩阵重构算法。该算法利用最大连续虚拟均匀线阵协方差矩阵的每一行元素进行Toeplitz矩阵重构,再对这些矩阵加权求和获得新的满秩协方差矩阵,提高对接收数据的利用率并消除噪声贡献对DOA估计结果的影响。理论分析和仿真结果表明,该算法能实现欠定DOA估计,在低信噪比、小快拍数、入射角度间隔小条件下有良好的角度估计精度。展开更多
相比均匀线阵(Uniform Linear Array,ULA),相同阵元数目下稀疏线阵(Sparse Linear Array,SLA)的抗耦合效应更好,阵列孔径更大,到达方向(Direction of Arrival,DOA)估计的自由度(Degrees Of Freedom,DOF)更高,因而近年来得到了广泛的研...相比均匀线阵(Uniform Linear Array,ULA),相同阵元数目下稀疏线阵(Sparse Linear Array,SLA)的抗耦合效应更好,阵列孔径更大,到达方向(Direction of Arrival,DOA)估计的自由度(Degrees Of Freedom,DOF)更高,因而近年来得到了广泛的研究。为了可以进行高DOF的DOA估计,学者们开始研究SLA的差分虚拟阵元,差分虚拟阵元对应的协方差矩阵相比原阵元对应的协方差矩阵维度更大,因而估计的DOF更高。当SLA的差分虚拟阵元连续取值时,可以利用已有阵元的接收信息,得到SLA的协方差矩阵,在该矩阵的基础之上构建差分虚拟阵元的协方差矩阵进而进行DOA估计。然而,当SLA的差分虚拟阵元存在孔洞时,即差分虚拟阵元不能连续取值时,不能直接利用重构的协方差矩阵进行DOA估计,需要恢复完全增广协方差矩阵的信息再进行DOA估计。对于该问题,本文基于矢量化后原协方差矩阵和虚拟差分阵协方差矩阵的误差分布情况,并结合完全增广协方差矩阵的低秩特性和半正定特性来构建优化问题。通过求解该问题来恢复维度更高的完全增广协方差矩阵。最后对该矩阵进行奇异值分解,利用多重信号分类(Multiple Signal Classification,MUSIC)算法就可以获得多源的空间谱。本文最后通过数值仿真试验验证了所提算法可以实现高DOF的DOA估计,并且相比于现有算法,本文所提算法对欠定DOA估计的效果更好,多源DOA估计的精度更高,产生的误差更小。展开更多
多输入多输出(Multiple-Input Multiple-Output,MIMO)雷达在阵元故障时虚拟阵列输出数据矩阵会出现大量的整行数据丢失,由于阵列接收数据矩阵的不完整而导致对波达方向(Direction of Arrival,DOA)的估计性能恶化。大多数低秩矩阵填充算...多输入多输出(Multiple-Input Multiple-Output,MIMO)雷达在阵元故障时虚拟阵列输出数据矩阵会出现大量的整行数据丢失,由于阵列接收数据矩阵的不完整而导致对波达方向(Direction of Arrival,DOA)的估计性能恶化。大多数低秩矩阵填充算法要求缺失数据随机分布于不完整的矩阵中,无法适用于整行缺失数据的恢复问题。为此,提出了一种基于低秩块Hankel矩阵正则化的阵元故障MIMO雷达DOA估计方法。首先,通过奇异值分解(Singular Value Decomposition,SVD)降低虚拟阵列输出矩阵的维度,以减少计算复杂度。然后,对降维数据矩阵建立基于块Hankel矩阵正则化的低秩矩阵填充模型,在该模型中将MIMO雷达降维数据矩阵排列成块Hankel矩阵并施加Schatten-p范数作为正则项。最后,结合交替方向乘子法(Alternate Direction Multiplier Method,ADMM)求解该模型,获得完整的MIMO雷达降维数据矩阵。仿真结果表明,所提方法能够有效恢复降维数据矩阵中的整行数据缺失,具有较高的DOA估计精度和实时性,在阵元故障率低于50.0%时DOA估计精度优于现有方法。展开更多
文摘针对基于互质阵列波达方向(direction of arrival, DOA)估计方法对连续虚拟阵元得到的样本协方差矩阵信息利用率不高的问题,提出一种基于互质阵列的协方差矩阵重构算法。该算法利用最大连续虚拟均匀线阵协方差矩阵的每一行元素进行Toeplitz矩阵重构,再对这些矩阵加权求和获得新的满秩协方差矩阵,提高对接收数据的利用率并消除噪声贡献对DOA估计结果的影响。理论分析和仿真结果表明,该算法能实现欠定DOA估计,在低信噪比、小快拍数、入射角度间隔小条件下有良好的角度估计精度。
文摘相比均匀线阵(Uniform Linear Array,ULA),相同阵元数目下稀疏线阵(Sparse Linear Array,SLA)的抗耦合效应更好,阵列孔径更大,到达方向(Direction of Arrival,DOA)估计的自由度(Degrees Of Freedom,DOF)更高,因而近年来得到了广泛的研究。为了可以进行高DOF的DOA估计,学者们开始研究SLA的差分虚拟阵元,差分虚拟阵元对应的协方差矩阵相比原阵元对应的协方差矩阵维度更大,因而估计的DOF更高。当SLA的差分虚拟阵元连续取值时,可以利用已有阵元的接收信息,得到SLA的协方差矩阵,在该矩阵的基础之上构建差分虚拟阵元的协方差矩阵进而进行DOA估计。然而,当SLA的差分虚拟阵元存在孔洞时,即差分虚拟阵元不能连续取值时,不能直接利用重构的协方差矩阵进行DOA估计,需要恢复完全增广协方差矩阵的信息再进行DOA估计。对于该问题,本文基于矢量化后原协方差矩阵和虚拟差分阵协方差矩阵的误差分布情况,并结合完全增广协方差矩阵的低秩特性和半正定特性来构建优化问题。通过求解该问题来恢复维度更高的完全增广协方差矩阵。最后对该矩阵进行奇异值分解,利用多重信号分类(Multiple Signal Classification,MUSIC)算法就可以获得多源的空间谱。本文最后通过数值仿真试验验证了所提算法可以实现高DOF的DOA估计,并且相比于现有算法,本文所提算法对欠定DOA估计的效果更好,多源DOA估计的精度更高,产生的误差更小。
文摘多输入多输出(Multiple-Input Multiple-Output,MIMO)雷达在阵元故障时虚拟阵列输出数据矩阵会出现大量的整行数据丢失,由于阵列接收数据矩阵的不完整而导致对波达方向(Direction of Arrival,DOA)的估计性能恶化。大多数低秩矩阵填充算法要求缺失数据随机分布于不完整的矩阵中,无法适用于整行缺失数据的恢复问题。为此,提出了一种基于低秩块Hankel矩阵正则化的阵元故障MIMO雷达DOA估计方法。首先,通过奇异值分解(Singular Value Decomposition,SVD)降低虚拟阵列输出矩阵的维度,以减少计算复杂度。然后,对降维数据矩阵建立基于块Hankel矩阵正则化的低秩矩阵填充模型,在该模型中将MIMO雷达降维数据矩阵排列成块Hankel矩阵并施加Schatten-p范数作为正则项。最后,结合交替方向乘子法(Alternate Direction Multiplier Method,ADMM)求解该模型,获得完整的MIMO雷达降维数据矩阵。仿真结果表明,所提方法能够有效恢复降维数据矩阵中的整行数据缺失,具有较高的DOA估计精度和实时性,在阵元故障率低于50.0%时DOA估计精度优于现有方法。