利用改进MUSIC方法进行洋流方位估计

洋流能够调节全球热量的分布,降低航运成本。以往的洋流方位估计方法未对洋流信号源之间的相关性进行完全消除,导致估计效果较差。因此,本文设计了基于改进MUSIC方法的洋流方位估计方法。首先,以采集到的洋流信号为基础,构建洋流阵列信号模型,并对洋流信号进行降噪处理,提高信号数据的质量。然后,为减少洋流信号源之间相关性对估计结果的影响,利用改进MUSIC方法及协方差矩阵,对洋流信号源相关性进行消除,通过计算信号源的相关参数,构建洋流方位估计模型。最后,通过对洋流信号源的转换,实现洋流方位的估计。在仿真试验中,以南海部分海域为试验对象,对不同谱点下估计方法的估计效果进行评价,与以往的洋流方位估计方法相比,设计的基于改进MUSIC方法的洋流方位估计方法精度高达97.2%,应用效果更好。

MIMO雷达DOA估计方法分析

在介绍多输入多输出(MIMO:Multiple-Input Multiple-Output)雷达的信号模型的基础上,给出了一种目标波达方向(DOA:Directionof Arrival)估计方法——多信号分类(MUSIC:Multiple Signal Classification)方法在MIMO雷达系统DOA估计中的应用。与传统相控阵雷达相比,在MIMO雷达系统中该方法可以分辨的信号源数目有较大增加。通过仿真实验,详细分析了在MIMO雷达系统DOA估计中,多种因素对MUSIC方法测角精度的影响。

基于非圆信号的MIMO阵列方位估计方法

给出了多输入多输出(multiple-input multiple-output,MIMO)阵列的阵列信号模型。针对信号为非圆信号的形式,提出了一种在MIMO阵列中基于非圆信号的共轭多重信号分类方法(multiple-input multiple-out-put conjugate multiple signal classification,MIMO CMUSIC)。这种方法充分利用非圆信号的特点,从阵列接收数据构造共轭对称的Toeplitz矩阵得到伪协方差矩阵,然后用常规MUSIC方法进行处理。仿真结果表明,与常规MUSIC方法相比,在只需要一次或者少次快拍下,此方法在MIMO阵列中能够分辨多个目标,性能远优于常规的MIMO MUSIC方法。

一种基于吉布斯抽样的MUSIC频率-方位联合估计算法

将马尔可夫蒙特卡罗方法与MUSIC方法估计相结合,提出一种基于吉布斯抽样的频率-方位联合估计新方法(MUSIC FREQ-DOA joint Estimator Based on Gibbs Sampling,简称Gibbs-MUSIC)。并用该方法联合估计多个目标的频率和方位。这种方法将MUSIC方法的谱函数作为频率和方位的联合概率密度函数,并采用马尔可夫蒙特卡罗(MCMC)吉布斯抽样方法对该联合概率密度函数进行采样。仿真实验显示在目标个数较少时,该方法不仅保持了常规MUSIC方法的高分辨能力,而且降低了计算量,减少了存储量。

基于两次傅里叶变换的时域MUSIC波达方向估计

针对基于频域多重信号分类(MUSIC)的波达方向(DOA)估计方法在有效快拍数较少情况下的不稳定问题,提出了一种基于两次傅里叶变换的时域MUSIC波达方向估计方法。首先,通过傅里叶变换将各阵元接收数据转换为频域数据,并按扫描角度对各阵元数据进行相位补偿;然后,再通过傅里叶变换将补偿后的频域共轭数据转换为时域复解析数据,在时域构建相移后的协方差矩阵;最后利用特征分解求取具有正交特性的噪声子空间,获得扫描方位空间谱,实现对波达方向估计。数值仿真及实测数据处理结果均表明,相比频域MUSIC方法,在一次有效快拍条件下,所提方法可稳定获得具有正交特性的噪声子空间,实现对波达方向估计;稳定性得到了5 dB的改善,背景噪声级和旁瓣级得到了3 dB以上的改善,因此该方法可明显提高目标检测和方位估计性能。

有向天线圆阵对椭圆极化信号的测向方法

针对有向天线阵列对椭圆极化信号的测向问题,对椭圆极化信号的瞬时极化矢量做了空间分解,建立了有向天线阵列对信号的接收模型,提出了基于增益比估计的MUSIC算法:筛选接收数据,得到一组含有相近的极化信息的数据;通过参数估计提取出该组数据中所包含的各阵元的增益比信息;应用MUSIC算法测向。就该算法进行了计算机仿真,验证了算法的可行性,并分析了仿真结果,指出了算法的优点与不足。

一种基于盲源分离的DOA估计方法

方位估计和信号恢复分别是水下目标跟踪和识别的前提.基于平均时间延迟相关矩阵提出了一种复数域盲源分离方法,在此基础上实现了DOA估计和信号恢复.实验结果表明,该方法在同等条件下完成同样的方位分辨要优于多重信号分类(Multiple signal classification,MUSIC)方法.

基于散射中心的雷达目标SVM识别方法

为减少经典目标识别算法中的计算量与模板存储量,本文将雷达目标散射中心作为目标识别的特征,通过支持向量机(SVM)方法分类目标。首先,采用基于传播算子的多重信号特征法(PM-MUSIC)提取雷达目标散射中心参数;其次,计算散射中心的中心矩以建立统一标准的识别特征,并采用SVM方法对目标进行分类。最后,通过仿真实验比较了该算法与散射中心联合自适应高斯分类(AGC)算法用于5类战斗机识别的结果,说明了散射中心目标SVM识别方法提高了目标的识别性能。

一种基于波束域最大非冗余矩阵的四阶高分辨DOA估计算法

在非白噪声背景下,基于二阶统计量的高分辨方法性能较差。基于四阶累积量的高分辨方法能较好地抑制空间高斯噪声,但其运算量较大。文献[9]提出了一种基于四阶累积量的波束域MUSIC方法,降低了运算量,但其四阶累积量矩阵仍存在较多的冗余元素。为了进一步降低运算量,提出了一种波束域最大非冗余四阶累积量矩阵。仿真分析和实验结果表明,与波束域四阶累积量MUSIC方法相比,论文所提方法在保证估计性能的同时减小了运算量。

基于虚拟时间延迟线阵列的联合频率—到达角二维谱估计

提出基于虚拟时间延时线阵列的联合频率—到达角二维谱估计方法,把经典的子空间方法推广到空时二维域并进行了改进。基本思路是估计空时噪声子空间和空时信号子空间,然后,利用两个空时子空间特征进行频率—到达角联合二维搜索。正常情况下可分辨的信源数远远超出阵元数目;在信号源宽带较大或信号源波长偏离阵列尺寸较远时,不会像经典方法一样出现大的偏差或估计信源角度范围受限;同时给出信号源的频率和到达角估计,更全面地反映了信号特征。

叶端定时中多重信号分类法的滤波特性研究

为了揭示多重信号分类法(MUSIC)具有滤除同步频率分量特性的数学机理,基于MUSIC方法中的信号子空间生成过程与主成分分析方法中的主成分生成过程的一致性,对MUSIC滤波特性进行了研究。以正弦信号假设下单频率分量的情况为例,证明了异步频率分量与同步频率分量的信号子空间分别可以用二维直角坐标系和一维坐标轴可视化表示。通过分析导向矢量在信号子空间坐标系中的位置得出,人为设置相位的导向矢量位于同步频率分量的信号子空间之外,从而导致了滤波现象的发生。仿真和实验结果表明:同步频率分量和异步频率分量同时存在于叶片振动信号的非共振区;MUSIC方法能够克服频率混叠且具有滤除同步频率分量的滤波特性;该滤波特性能够被导向矢量与子空间坐标系的相对关系解释。