CN107966676A - 复杂噪声环境下阵列天线角度和信源个数联合估计方法 - Google Patents
复杂噪声环境下阵列天线角度和信源个数联合估计方法 Download PDFInfo
- Publication number
- CN107966676A CN107966676A CN201710653860.9A CN201710653860A CN107966676A CN 107966676 A CN107966676 A CN 107966676A CN 201710653860 A CN201710653860 A CN 201710653860A CN 107966676 A CN107966676 A CN 107966676A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- msup
- array
- msubsup
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S3/00—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received
- G01S3/02—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received using radio waves
- G01S3/14—Systems for determining direction or deviation from predetermined direction
- G01S3/143—Systems for determining direction or deviation from predetermined direction by vectorial combination of signals derived from differently oriented antennae
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Noise Elimination (AREA)
Abstract
复杂噪声环境下阵列天线角度和信源个数联合估计方法属于无线电定位技术领域。步骤包括：1)已知循环频率的情况下，求取阵列信号的循环相关熵矩阵2)建立适用于宽带、窄带信号的循环相关熵阵列线性预测模型V＝φA；3)估计感兴趣的信源个数K以及误差方差σ2；4)估计阵列模型的流型矩阵；5)利用谱峰搜索进行DOA估计。本发明有机地将循环相关熵理论应用到阵列信号处理当中，创新性地提出循环相关熵的相关特性，并基于此特性建立了的阵列线性预测模型。本发明算法是根据实际需求提出，具有抗噪性能高，计算复杂度低，所需快拍数少，角度分辨率高等特点。
Description
技术领域
本发明属于无线电信号多参数估计技术领域，涉及到均匀线阵循环平稳信 号的角度和信源个数的估计方法，特别涉及到复杂噪声环境下宽带循环平稳信 号的角度和信源个数的联合估计方法。
背景技术
测向定位是无线被动定位中应用最为广泛的定位技术，其基本任务是实现 目标波达方向(DOA)的估计。随着现代移动通信和阵列信号处理的飞速发展, 信号的传输环境也逐渐复杂化。高分辨DOA估计和抑制干扰波影响的技术成为 人们研究的热点。现有研究多基于高斯噪声和窄带信号的假设，然而当信号具 有显著的带宽和更为复杂的脉冲噪声时，DOA估计结果将产生较大的测向误差， 甚至失效。
此外随着现代信号处理技术的日趋成热与发展，信号的传输和通讯环境日 益复杂，无论在空间域还是频率域的范围内，均表现为信号形式的多样性、噪 声环境的复杂性、空间密度的增大性等。伴随着信号带宽的逐渐增大和复杂噪 声的影响，传统的基于窄带信号的DOA估计方法局限性日益突出。所以，适用 于宽带信号，且存在脉冲噪声和通频带干扰等更为复杂的通讯环境下的高分辨 DOA估计算法具有较为重要的研究意义和实际应用价值。
发明内容
针对现有技术中脉冲噪声、带宽以及同频干扰等因素对DOA估计精度的影 响，本发明提出窄带和宽带信号均适用的DOA和信源个数的联合估计算法，该 算法，能够有机地将循环相关熵理论应用到阵列信号处理当中，并创新性地基 于循环相关熵的相关特性，并基于此特性建立阵列线性s预测模型，巧妙地解决 了DOA估计精度受带宽形式限制的问题，降低算法的计算复杂度。同时，循环 相关熵函数还可以有效地抑制强噪声和同频干扰的影响，通过调节循环相关熵 的核长更可以进一步使其适用于不同的噪声环境。
综上，本发明的核心是利用循环相关熵的相关特性，构建相关的阵列线性 预测模型，在未知信源个数的前提下，实现高精度的DOA估计。要完成这一核 心目标，需要解决问题如下：
(1)未知信源个数的前提下，实现高精度的宽带信号DOA估计问题；
(2)对于窄带信号，时域的延时体现在频域的相位上。但是对于宽带信号， 信号的包络变化和瞬时频率有关，使其无法建立时域模型进行表示，故宽带、 窄带均适用的阵列信号模型建立成为需要解决的问题关键；
(3)脉冲噪声和同频干扰存在的复杂通讯环境下，较高精度DOA和信源个 数联合估计问题。
为了达到上述目的，解决上述问题，本发明的技术方案为：
一种基于循环相关熵的DOA和信源个数联合估计算法，包括如下步骤：
第一步，已知循环频率的情况下，求取阵列信号的循环相关熵矩阵
第二步，建立适用于宽带、窄带信号的循环相关熵阵列线性预测模型 V＝φA；
第三步，估计感兴趣的信源个数K以及误差方差σ2；
第四步，估计阵列模型的流型矩阵
第五步，利用谱峰搜索进行DOA估计。
本发明的有益效果为：本发明在存在脉冲噪声和同频干扰的复杂通讯环境 下，考虑未知感兴趣信源个数的实际情况，提出一种宽带、窄带均适用的高精 度DOA估计算法。本发明巧妙地将阵列线性预测模型与循环相关熵函数结合起 来，构建了循环域下的阵列线性预测模型。该模型利用循环相关熵函数很好地 抑制了脉冲噪声和同频干扰，并提出其相移特性使该算法对宽带、窄带循环平 稳信号均可适用，而线性预测模型则使得该算法在较少快拍数，较低信噪比情 况下，仍具有较高的估计精度，且计算复杂度较低。同时，本发明考虑实际中 常存在的无法已知信源个数的情况，引入正则化参数并推导出其与循环相关矩 阵特征值向量的关系，从而实现信源个数和DOA的联合估计，具有重要的实际 意义。
附图说明
图1是本发明的算法总流程图；
图2是本发明第M阵元在循环频率为..处的循环相关熵函数的波形图；
图3是本发明信源个数估计流程图；
图4是本发明特征值和正则化参数对比图；
图5是本发明在高斯噪声条件下的感兴趣信号的DOA估计空间谱图；
图6是本发明在脉冲噪声条件下的感兴趣信号的DOA估计空间谱图；
图7是本发明DOA估计准确率随两信源角度差变化的波形图。
具体实施方式
为使本发明实施例的目的、技术方案及其优点更加清楚，下面结合本发明 实施例中的附图，对本发明实施例中的技术方案进行清楚完整的描述，整体算 法流程图如图1所示。
复杂噪声环境下阵列天线角度和信源个数联合估计方法，包括如下步骤：
第一步，已知循环频率α的情况下，计算M个阵元接受信号的循环相关熵 函数m＝1，2，…，M；
其中，表示为核函数，σ为核长；ym(t)表示第m 个阵元在t时刻接收到的信号；τ为时延。
第二步，建立一个计算复杂度较低且适用于宽带、窄带信号的循环相关熵 阵列线性预测模型V＝φA，包含以下步骤：
2.1)将第M个阵元的接受信号yM(t)用其他M-1个阵元的接收信号 ym(t)，m＝1，…，M-1线性表示；
其中，ai为线性预测系数；em(t)为预测误差。
2.2)提出循环相关熵相移特性的相关定理：设x(·)为循环平稳信号，其循环 相关熵函数为则y(t)＝x(t+T)的循环相关熵函数
证明：
基于此相移特性将步骤2.1)线性表示中的M-1个阵元接受信号的时延τ转 为循环域的相移，构造出适用于脉冲噪声下宽带信号的线性预测模型，具体过 程如下：
即，
其中，为M-1个阵元接受信号的循环相关函数，A为阵列流型矩阵，其中的a包含有本发明所要求的信源角度信息，为本发明求解重点。
进一步，设置时延τ＝-L0,…,0,1,…,L0，从而得到阵列信号循环相关熵线性 模型的矩阵表示形式：
V＝φA
其中，第M个阵元在循环频率为α时的循环相关熵函数的波形如图2所示，可以看出 第M个阵元接收到的信号在循环频率为α处具有循环相关特性。
第三步，根据循环相关熵阵列线性预测模型的矩阵表示V＝φA，估计感兴 趣的信源个数K以及误差方差σ2，具体迭代过程如下，其流程图如图3所示：
3.1)设置k＝0，σ2(0)＝ε，初始向量这里ε＝10-10；
3.2)根据步骤2.2)求解M-1个阵元接受信源的循环相关熵矩阵φ，并对 其进行SVD分解φHφ＝VΛVH，得到特征值向量V＝[v1,…,vM-1]和特征值 A＝[λ1,…,λM-1]:
3.3)根据步骤3.2)中计算得到的特征值向量V和λi，i＝1,…,M-1求解线 性预测系数；
3.4)根据步骤3.3)中估计得到的以及步骤(3.2)中计算得到的特 征值向量V和λi，i＝1,…,M-1，计算最优正则化参数：
其中，N为阵列接受信号的快拍数。
3.5)进一步根据步骤2.2)计算第M个阵元接收信号的循环相关熵矩阵V 以及M-1个阵元接受信源的循环相关熵矩阵φ，并结合步骤(3.3)得到的 求解该模型的误差方差：
3.6)设置k＝k+1，重复步骤3.3)～3.5)，直到γi＞1010，迭代截至，得到 最后我们想要的γi，并根据γi与特征值λi的关系估计感兴趣信源个数K；当i小 于信源个数时，特征值λi大于γi，就是i大于信源个数时， 特征值λi小于γi，其交点处所对应位置即为信源个数的估计值。
具体信源个数估计方法可以由图4的曲线看出，该曲线为感兴趣信源个数 为K＝2时，和特征值λi随i增加的变化曲线。由此图可以看出，当i小于信 源个数时，λi大于当i大于信源个数时，大于λi，其两条曲线的交叉点所 对应的值即为感兴趣信源个数的估计值。
第四步，估计阵列模型的流型矩阵
由于阵列流型矩阵A中的线性预测系数ai,i＝1,…,K-1包含所需的信源角 度信息，故可利用第三步最终迭代得到的信源个数K和误差方差σ2，对其进行 估计：
从而得到阵列流型矩阵
第五步，利用谱峰搜索进行DOA估计
结合第四步的阵列流型矩阵A，进一步采用谱峰搜索的方法对DOA估计值 进行求解，具体的公式如下
其中，Z|ej2παDsinθ/c,ej4παDsinθ/c,…，ej2(m-1)παDsinθ/c]-1；空间谱P(θ)的峰值所 在位置即为所要求解的DOA估计值，其曲线分别如图5，图6，图7所示。
仿真条件为三个同载频的信号源包括两个BPSK信号和一个QPSK信号， 其中两个BPSK信号为感兴趣信号入射角分别为24°和46°，QPSK信号为干扰信 号入射角为74°，噪声环境为10dB的脉冲噪声。图5和图6分别为高斯噪声和 脉冲噪声条件下的感兴趣信号的DOA估计空间谱图，从图可以看出本发明可以 在两种噪声环境下均可适用，角度估计准确。图7为两个BPSK信号中一个信 号入射角为24°，另一个信号入射角从25°变化到90°，DOA估计准确率随两个信 号角度差变化的波形图。从图可以看出，随着角度差的变大，DOA估计准确率也越好，当角度差大于20°时，DOA估计准确率便达到了97％以上。
Claims (3)
1.一种复杂噪声环境下阵列天线角度和信源个数联合估计方法，其特征在于以下步骤：
第一步，已知循环频率α的情况下，计算M个阵元接受信号的循环相关熵函数m＝1,2,…,M；
<mrow>
<msubsup>
<mi>V</mi>
<msub>
<mi>y</mi>
<mi>m</mi>
</msub>
<mi>&alpha;</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>&tau;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo><</mo>
<msub>
<mi>&kappa;</mi>
<mi>&sigma;</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>m</mi>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>m</mi>
</msub>
<mo>(</mo>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mi>&tau;</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>j</mi>
<mn>2</mn>
<mi>&pi;</mi>
<mi>&alpha;</mi>
<mi>t</mi>
</mrow>
</msup>
<msub>
<mo>></mo>
<mi>t</mi>
</msub>
</mrow>
其中，表示为核函数，σ为核长；ym(t)表示第m个阵元在t时刻接收到的信号；τ为时延；
第二步，建立循环相关熵阵列线性预测模型V，该模型适用于宽带、窄带信号：
V＝φA
其中，
第三步，根据循环相关熵阵列线性预测模型V＝φA，估计感兴趣的信源个数K以及误差方差σ2，迭代过程如下：
3.1)设置k＝0，σ2(0)＝ε，初始向量
3.2)根据步骤2.2)求解M-1个阵元接受信源的循环相关熵矩阵φ，并对其进行SVD分解φHφ＝VΛVH，得到特征值向量V＝[v1,…,vM-1]和特征值Λ＝[λ1,…,λM-1]；
3.3)根据步骤3.2)中计算得到的特征值向量V和λi，i＝1,…,M-1求解线性预测系数：
<mrow>
<mi>a</mi>
<mrow>
<mo>(</mo>
<mo>{</mo>
<msubsup>
<mi>&gamma;</mi>
<mi>i</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>}</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>M</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<mfrac>
<mrow>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<msubsup>
<mi>v</mi>
<mi>i</mi>
<mi>H</mi>
</msubsup>
</mrow>
<mrow>
<msub>
<mi>&lambda;</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
<mo>+</mo>
<msubsup>
<mi>&gamma;</mi>
<mi>i</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</msubsup>
</mrow>
</mfrac>
<msup>
<mi>&phi;</mi>
<mi>H</mi>
</msup>
<mi>V</mi>
</mrow>
3.4)根据步骤3.3)中估计得到的以及步骤(3.2)中计算得到的特征值向量V和λi，i＝1,…,M-1，计算最优正则化参数：
<mrow>
<msubsup>
<mi>&gamma;</mi>
<mi>i</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<mo>|</mo>
<mo>|</mo>
<mi>a</mi>
<mo>(</mo>
<msub>
<mi>&gamma;</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>N&lambda;</mi>
<mi>i</mi>
</msub>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>v</mi>
<mi>i</mi>
<mi>H</mi>
</msubsup>
<mi>a</mi>
<mo>(</mo>
<msub>
<mi>&gamma;</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>+</mo>
<mfrac>
<msup>
<mi>&sigma;</mi>
<mn>4</mn>
</msup>
<mrow>
<msub>
<mi>N&lambda;</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
</mrow>
其中，N为阵列接受信号的快拍数；
3.5)根据步骤2.2)计算第M个阵元接受信号的循环相关熵矩阵V以及M-1个阵元接受信源的循环相关熵矩阵φ，并结合步骤(3.3)得到的求解该模型的误差方差
3.6)设置k＝k+1，重复步骤3.3)～3.5)，直到γi＞ε，迭代截至，得到γi；并根据γi与特征值λi的关系估计感兴趣信源个数K；当i小于信源个数时，特征值λi大于γi，当i大于信源个数时，特征值λi小于γi，其交点处所对应位置即为信源个数的估计值；
第四步，估计阵列模型的流型矩阵
由于阵列流型矩阵A中的线性预测系数ai,i＝1,…,K-1包含所需的信源角度信息，利用第三步最终迭代得到的信源个数K和误差方差σ2，对其进行估计：
<mrow>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<mfrac>
<mrow>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<msubsup>
<mi>v</mi>
<mi>i</mi>
<mi>H</mi>
</msubsup>
</mrow>
<mrow>
<msub>
<mi>&lambda;</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<msup>
<mi>&phi;</mi>
<mi>H</mi>
</msup>
<mi>V</mi>
</mrow>
最终得到阵列流型矩阵
第五步，利用谱峰搜索进行DOA估计
结合第四步的阵列流型矩阵A，进一步采用谱峰搜索的方法对DOA估计值进行求解，具体的公式如下
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mo>|</mo>
<mn>1</mn>
<mo>-</mo>
<msup>
<mi>A</mi>
<mi>T</mi>
</msup>
<msup>
<mi>Z</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</mrow>
其中，空间谱P(θ)的峰值所在位置即为所要求解的DOA。
2.根据权利要求1所述的复杂噪声环境下阵列天线角度和信源个数联合估计方法，其特征在于，所述的第二步中建立循环相关熵阵列线性预测模型V＝φA的子步骤为：
2.1)将第M个阵元的接受信号yM(t)用其他M-1个阵元的接受信号ym(t),m＝1,…,M-1进行线性表示；
<mrow>
<msub>
<mi>y</mi>
<mi>M</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>M</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msub>
<mi>y</mi>
<mrow>
<mi>m</mi>
<mo>-</mo>
<mi>i</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>e</mi>
<mi>m</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
其中，ai为线性预测系数；em(t)为预测误差；
2.2)提出循环相关熵的相移特性：设x(·)为循环平稳信号，其循环相关熵函数为则y(t)＝x(t+T)的循环相关熵函数
基于此相移特性将步骤2.1)线性表示中的M-1个阵元接受信号的时延τ转为循环域的相移，构造出适用于脉冲噪声下宽带信号的线性预测模型，具体过程如下：
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>V</mi>
<msub>
<mi>y</mi>
<mi>M</mi>
</msub>
<mi>&alpha;</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>&tau;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo><</mo>
<msub>
<mi>&kappa;</mi>
<mi>&sigma;</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>M</mi>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>M</mi>
</msub>
<mo>(</mo>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mi>&tau;</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>j</mi>
<mn>2</mn>
<mi>&pi;</mi>
<mi>&alpha;</mi>
<mi>t</mi>
</mrow>
</msup>
<msub>
<mo>></mo>
<mi>t</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mo><</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>M</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msub>
<mi>&kappa;</mi>
<mi>&sigma;</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>M</mi>
<mo>-</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>(</mo>
<mrow>
<mi>t</mi>
<mo>-</mo>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>M</mi>
<mo>-</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>(</mo>
<mrow>
<mi>t</mi>
<mo>-</mo>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<mi>&tau;</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>j</mi>
<mn>2</mn>
<mi>&pi;</mi>
<mi>&xi;</mi>
<mi>t</mi>
</mrow>
</msup>
<msub>
<mo>></mo>
<mi>t</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>M</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msubsup>
<mi>V</mi>
<msub>
<mi>y</mi>
<mrow>
<mi>M</mi>
<mo>-</mo>
<mi>i</mi>
</mrow>
</msub>
<mi>&alpha;</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>&tau;</mi>
<mo>)</mo>
</mrow>
<msup>
<mi>e</mi>
<mrow>
<mi>j</mi>
<mn>2</mn>
<msub>
<mi>&pi;&alpha;a</mi>
<mi>i</mi>
</msub>
</mrow>
</msup>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
即，
其中，为M-1个阵元接受信号的循环相关函数，A为阵列流型矩阵，其中a包含有本发明所要求的信源角度信息，为本发明求解重点；
进一步，设置时延τ＝-L0,…,0,1,…,L0，得到阵列信号循环相关熵线性模型的矩阵表示形式：
V＝φA
其中，
3.根据权利要求1或2所述的复杂噪声环境下阵列天线角度和信源个数联合估计方法，其特征在于，第三步中所述的ε＝10-10。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710653860.9A CN107966676B (zh) | 2017-08-04 | 2017-08-04 | 复杂噪声环境下阵列天线角度和信源个数联合估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710653860.9A CN107966676B (zh) | 2017-08-04 | 2017-08-04 | 复杂噪声环境下阵列天线角度和信源个数联合估计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107966676A true CN107966676A (zh) | 2018-04-27 |
| CN107966676B CN107966676B (zh) | 2019-11-08 |
Family
ID=61996667
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710653860.9A Active CN107966676B (zh) | 2017-08-04 | 2017-08-04 | 复杂噪声环境下阵列天线角度和信源个数联合估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107966676B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110161491A (zh) * | 2019-06-28 | 2019-08-23 | 电子科技大学 | 一种针对微弱生命体的测距和呼吸频率估计方法 |
| CN112363109A (zh) * | 2020-11-12 | 2021-02-12 | 西安科技大学 | 一种基于宽带强弱临近信号的加权波达方向估计方法 |
| CN112924936A (zh) * | 2021-03-16 | 2021-06-08 | 哈尔滨工业大学 | 一种基于滑动观测的多auv协同定位方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015052486A1 (en) * | 2013-10-07 | 2015-04-16 | Decawave Ltd. | A receiver for use in an ultra-wideband communication system |
| CN105302940A (zh) * | 2015-09-16 | 2016-02-03 | 大连理工大学 | 一种基于循环相关熵的载频估计方法 |
| CN106546948A (zh) * | 2016-10-26 | 2017-03-29 | 黑龙江大学 | 基于幅相误差阵列的远近场宽带混合源中远场源测向方法 |
-
2017
- 2017-08-04 CN CN201710653860.9A patent/CN107966676B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015052486A1 (en) * | 2013-10-07 | 2015-04-16 | Decawave Ltd. | A receiver for use in an ultra-wideband communication system |
| CN105302940A (zh) * | 2015-09-16 | 2016-02-03 | 大连理工大学 | 一种基于循环相关熵的载频估计方法 |
| CN106546948A (zh) * | 2016-10-26 | 2017-03-29 | 黑龙江大学 | 基于幅相误差阵列的远近场宽带混合源中远场源测向方法 |
Non-Patent Citations (2)
| Title |
|---|
| BEN WANG等: "Robust DOA Estimation in the Presence of Miscalibrated Sensors", 《IEEE SIGNAL PROCESSING LETTERS》 * |
| 王鹏等: "对称稳定分布噪声下基于广义相关嫡的DOA估计新方法", 《电子与信息学报》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110161491A (zh) * | 2019-06-28 | 2019-08-23 | 电子科技大学 | 一种针对微弱生命体的测距和呼吸频率估计方法 |
| CN110161491B (zh) * | 2019-06-28 | 2021-01-12 | 电子科技大学 | 一种针对微弱生命体的测距和呼吸频率估计方法 |
| CN112363109A (zh) * | 2020-11-12 | 2021-02-12 | 西安科技大学 | 一种基于宽带强弱临近信号的加权波达方向估计方法 |
| CN112924936A (zh) * | 2021-03-16 | 2021-06-08 | 哈尔滨工业大学 | 一种基于滑动观测的多auv协同定位方法 |
| CN112924936B (zh) * | 2021-03-16 | 2021-10-26 | 哈尔滨工业大学 | 一种基于滑动观测的多auv协同定位方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107966676B (zh) | 2019-11-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107167778B (zh) | 一种基于协方差矩阵重构和导向矢量估计的稳健波束形成方法 | |
| CN106646344B (zh) | 一种利用互质阵的波达方向估计方法 | |
| CN109407055B (zh) | 基于多径利用的波束形成方法 | |
| CN107315162B (zh) | 基于内插变换和波束形成的远场相干信号doa估计方法 | |
| CN110045323B (zh) | 一种基于矩阵填充的互质阵稳健自适应波束形成算法 | |
| CN108037494B (zh) | 一种脉冲噪声环境下的雷达目标参数估计方法 | |
| CN101150345A (zh) | 适用于非平稳噪声背景下相干信源的测向方法 | |
| CN107576931B (zh) | 一种基于协方差低维度迭代稀疏重构的相关/相干信号波达方向估计方法 | |
| CN109738861A (zh) | 一种基于Wi-Fi信道状态信息的三维联合估计方法 | |
| CN107966676A (zh) | 复杂噪声环境下阵列天线角度和信源个数联合估计方法 | |
| CN108872926A (zh) | 一种基于凸优化的幅相误差校正及doa估计方法 | |
| CN111965596A (zh) | 一种基于联合参数估计的低复杂度单锚节点定位方法及装置 | |
| CN109061686B (zh) | 基于递归广义最大互熵的自适应多径估计方法 | |
| CN106646350A (zh) | 一种单只矢量水听器各通道幅度增益不一致时的修正方法 | |
| CN115856767B (zh) | 一种可重构智能超表面辅助的波到达方向估计方法 | |
| CN109683151A (zh) | 非均匀噪声环境下基于矩阵补全的酉求根music角度估计方法 | |
| CN111263321A (zh) | 一种提高toa室内超宽带定位精度的方法 | |
| CN108416105B (zh) | 脉冲和高斯噪声下稳健的自适应波束形成算法 | |
| Ma et al. | Super-resolution time delay estimation using exponential kernel correlation in impulsive noise and multipath environments | |
| CN109412984B (zh) | 一种基于Aitken加速法的多天线场景下盲信噪比估算方法 | |
| CN109714282A (zh) | 一种基于数值拟合的时频二阶互模糊函数计算方法 | |
| CN115407266A (zh) | 一种基于互谱子空间正交性的直接定位方法 | |
| CN106534028B (zh) | 基于压缩感知的ofdm信道跟踪方法 | |
| Lagunas et al. | UWB joint TOA and DOA estimation | |
| CN112881971A (zh) | 电磁方向性互耦效应下相干干扰源测向方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |