CN108919178A - 一种基于对称嵌套阵列的混合场信源定位方法 - Google Patents

Abstract

本发明提出一种基于对称嵌套阵列的混合场信源定位方法，包以下步骤：设置天线阵列，所述天线阵列为对称嵌套阵列；估计远场信号DOA，获得远场信号DOA估计值；分离近场分量与远场分量；计算近场信号的四阶累积量虚拟差分阵列；利用谱峰搜索得到近场信号DOA估计值；根据近场信号DOA估计值估计近场信号距离，得到近场信号距离估计值。本发明使用了混合阶统计量，相较于二阶统计量算法，克服了高斯噪声干扰和自由度减半的问题；使用对称嵌套阵列和四阶累积量虚拟差分阵列，提升了远场DOA、近场DOA和近场距离的估计精度；使用了斜投影技术，分离远场与近场分量，从而无需根据距离参数区分远近场信号。由此，减少了搜索次数，进而降低了算法的计算复杂度。

Description

一种基于对称嵌套阵列的混合场信源定位方法

技术领域

本发明属于阵列信号处理领域中的混合场定位方面，特别是利用一种关于原点对称的嵌套阵列来实现高精度的混合场信源定位方法。

背景技术

被动信源定位是指利用阵列信号处理方法，估计出目标信源的DOA或者距离等定位参数，以此来确定信源空间位置的技术。近年来，被动信源定位是阵列信号处理领域的研究热点之一。在雷达、声纳、通信和地震探测等诸多民用和军用领域有非常重要的作用。

随着信息技术的飞速发展，通信技术的应用环境也越来越复杂。如在雷达、声纳、声源定位和电子侦察等领域，目标信号不再是纯远场信源或纯近场信源，而是由远场源和近场源共存组成。在这种环境下，混合场信源定位算法不但要估计出目标信.源的定位参数，还要准确分离远场与近场信源。原先的纯远场或纯近场信源定位估计方法已不再适用于上述环境。因而，混合场信源定位方法成为当前阵列信号处理领域的研究热点之一，具有重要的现实意义和广阔的应用前景。

在现有的技术中，有的使用了均匀线阵，为了提升定位参数的估计精度，稀疏阵列被引入混合场信源定位研究中。但一般的估计精度不高或者定位算法复杂。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于对称嵌套阵列的混合场信源定位方法，用于实现高精度和较低复杂度的混合源定位参数定位估计。

为实现上述目的及其他相关目的，本发明提供一种基于对称嵌套阵列的混合场信源定位方法，该方法包以下步骤：

设置天线阵列，所述天线阵列为对称嵌套阵列；

估计远场信号DOA，获得远场信号DOA估计值；

分离近场分量与远场分量；

计算近场信号的四阶累积量虚拟差分阵列；

利用谱峰搜索得到近场信号DOA估计值；

根据近场信号DOA估计值估计近场信号距离，得到近场信号距离估计值。

优选地，所述估计远场信号DOA，获得远场信号DOA估计值的具体方法为：

计算天线阵列的观测数据矢量X(t)在快拍数为N的协方差矩阵R；

对协方差矩阵R进行特征分解，得到其噪声子空间，其中，U_s是(2M+1)×K维信号子空间；Σ_s是K×K维的对角矩阵，对角线元素为R的K个最大特征值；为U_s的共轭转置；U_n是(2M+1)×(2M+1-K)维噪声子空间；Σ_n是(2M+1-K)×(2M+1-K)维的对角矩阵，包含有R的2M+1-K个最小特征值；为U_n的共轭转置；

根据远场MUSIC谱峰搜索，得到K-K₁个远场DOA估计值

优选地，所述的分离近场信号分量与远场信号分量的方法为：

根据远场信号DOA估计值计算斜投影矩阵

根据斜投影矩阵分离远场信号分量与近场信号分量。

优选地，所述的计算近场信号的四阶累积量虚拟差分阵列的具体方法：

根据近场信号观测矢量计算得到四阶累积量矩阵C₁；

将四阶累积量矩阵C₁向量化，得到四阶累积量虚拟差分阵列。

优选地，所述的利用谱峰搜索得到近场信号DOA估计值具体方法为：

将四阶累积量虚拟差分阵列连续部分划分为M₂(M₁+1)+M₁个重叠子阵列，各个子阵列包含M₂(M₁+1)+M₁个阵元；

计算第i个子阵列的协方差矩阵R_i，对M₂(M₁+1)+M₁个协方差矩阵R_i进行平均运算得到空间平滑矩阵R_ss，其中，E_s是(M₂(M₁+1)+M₁)×K₁维的信号子空间；Λ_s是K₁×K₁维的的对角矩阵；为E_s的共轭转置；E_n是(M₂(M₁+1)+M₁)×(M₂(M₁+1)+M₁-K₁)维的噪声子空间；Λ_n是(M₂(M₁+1)+M₁-K₁)×(M₂(M₁+1)+M₁-K₁)维的对角矩阵；为E_n的共轭转置；

将空间平滑矩阵R_ss进行特征分解，得到噪声子空间E_n；

利用MUSIC谱峰搜索得到K₁个近场信号DOA估计值

优选地，所述的根据近场信号DOA估计值估计近场信号距离，得到近场信号距离估计值的具体方法为：

将近场信号DOA估计值代入二维MUSIC谱峰搜索中，得到相应的一维MUSIC谱峰搜索，进一步得到对应的近场距离估计值k∈[1,K₁]。

如上所述，本发明的一种基于对称嵌套阵列的混合场信源定位方法，具有以下有益效果：

本发明使用了混合阶统计量，相较于二阶统计量算法，克服了高斯噪声干扰和自由度减半的问题；使用对称嵌套阵列和四阶累积量虚拟差分阵列，提升了远场DOA、近场DOA和近场距离的估计精度；使用了斜投影技术，分离远场与近场分量，从而无需根据距离参数区分远近场信号。由此，减少了搜索次数，进而降低了算法的计算复杂度。

附图说明

为了进一步阐述本发明所描述的内容，下面结合附图对本发明的具体实施方式作进一步详细的说明。应当理解，这些附图仅作为典型示例，而不应看作是对本发明的范围的限定。

图1为本发明提出的对称嵌套阵列设置示意图；

图2为本发明实施方式仿真实验混合场DOA的均方根误差随SNR变化关系示意图；

图3为本发明实施方式仿真实验混合场近场源距离的均方误差随SNR变化关系示意图；

图4为本发明实施方式仿真实验混合场DOA的均方根误差随快拍数变化关系示意图；

图5为本发明实施方式仿真实验混合场近场源距离的均方误差随快拍数变化关系示意图；

图6为本发明的流程图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

如图6所示，本发明提出一种基于对称嵌套阵列的混合场信源定位方法，该方法包括以下步骤：

步骤1：设置天线阵列：

设置一个如图1所示的对称嵌套阵列，共有2M+1个阵元，包括子阵1、子阵2和子阵3。子阵1的阵元数为2M₁-1，阵列间距d＝λ/4。子阵2和子阵3的阵元数均为M₂，阵元间距为(M₁+1)d＝4d。本实施方式有K两个信号源，两个信号源均为窄带平稳独立且非零峰度信号。阵列阵元上的噪声为零均值加性高斯白噪声，且噪声独立于信号。

令阵列原点为参考点，则第m个阵元的坐标标识为p_md，其中m＝-M₁-M₂+1,…,-M₁,-M₁+1,…,0,…,M₁-1,M₁,…,M₁+M₂-1，相应地p_m＝-M₂(M₁+1)+1,…,-M₁,-M₁+1,…,0,…,M₁-1,M₁,…,M₂(M₁+1)-1。因此，各子阵的阵元坐标标识为：

S₁＝{p_md|p_m＝m，m＝-(M₁-1),…,0,…,M₁-1}

S₂＝{p_md|p_m＝[(m-M₁+1)(M₁+1)-1]，m＝M₁,…,M₂+M₁-1}

S₃＝{p_md|p_m＝[(m-M₁+1)(M₁+1)+1]，m＝-M₂-M₁+1,…,-M₁}，

其中，S₁为子阵1的阵元坐标，S₂为子阵2的阵元坐标，S₃为子阵3的阵元坐标

因此，第m个阵元在t时刻接收到的数据可以表示为：

其中，s_k(t)表示第k个信号源，n_m(t)表示第m个阵元上的高斯白噪声，ω_k和φ_k有下列形式：

其中，λ是信号波长，θ_k和r_k是第k个信号的DOA和距离参数。

将阵列观测数据表示成矩阵形式为：

X(t)＝A_NS_N(t)+A_FS_F(t)+N(t)

其中，X(t)＝[x_-M(t),…,x_M(t)]^T为观测数据矢量，为近场信号源数据矢量，为远场信号源数据矢量，为近场信号阵列流型，为远场信号阵列流型，表示近场信号的导向矢量，表示远场信号的导向矢量，N(t)＝[n_-M(t),…,n_M(t)]^T为噪声矢量。

步骤2：估计远场信号DOA，获得远场信号DOA估计值：

阵列观测数据X(t)的协方差矩阵R的计算公式为：

其中，N为快拍数。

对协方差矩阵R特征分解，有

其中，Σ_s是K×K维的对角矩阵，对角线元素为R的K个最大特征值；U_s是(2M+1)×K维信号子空间，由R的K个最大特征值对应的特征向量张成；Σ_n是(2M+1-K)×(2M+1-K)维的对角矩阵，包含有R的2M+1-K个最小特征值；U_n是(2M+1)×(2M+1-K)维噪声子空间，由R的2M+1-K个最小特征值对应的特征向量张成；符号(·)^H表示共轭转置。

二维MUSIC谱峰搜索公式为：

其中，信号DOA搜索范围为[-π/2,π/2]，信号距离搜索范围为近场信号距离域加上正无穷。通过设置距离参数r＝∞，使得二维搜索转换为一维MUSIC谱峰搜索：

通过一维MUSIC谱峰搜索，可以得到K-K₁个远场信号DOA估计值

步骤3：分离近场分量与远场分量。

(3a)根据远场信号DOA估计值计算斜投影矩阵计算公式为其中，上标表示矩阵伪逆，为重构的远场信号阵列流型，斜投影矩阵具有如下两个特征A_F和A_N分别为远场和近场信号阵列流型。

(3b)其中，近场信号观测矢量不含远场分量，而包含近场分量和高斯加性噪声。

步骤4：计算近场信号的四阶累积量虚拟差分阵列

阵列接收数据的四阶累积量被定义为：

其中，是第k个信源的峰度值，m,n,ρ,q∈[-M,M]，上标*表示复共轭。x_m(t),x_n(t),x_ρ(t),x_q(t)分别表示第m,n,ρ,q个阵元在t时刻的接收数据，p_m,p_n,p_ρ,p_q分别表示阵元坐标。

假设n＝-m和q＝-ρ，则公式(1)变换为

从上式中可以看出，该四阶累积量只包含DOA信息，而不含有距离参数，且p_m-p_ρ意味着该四阶累积量可以计算产生差分阵列。

由于对称嵌套阵具有对称性，差分阵列的负数部分为其非负数部分的镜像翻转，所以本实施方式只给出差分阵列中非负数部分阵元，由子阵自差分阵元集合L_s与子阵间互差分阵元集合L_c组成，表达式如下：

L_s＝L₁₁∪L₂₂∪L₃₃ (3)

L_c＝L₂₁∪L₁₃∪L₂₃ (4)

其中

L₁₁＝{l₁₁|l₁₁＝m,m＝0,...,2(M₁-1)} (5)

L₂₂＝L₃₃＝{l₂₂|l₂₂＝m(M₁+1),m＝0,...,M₂-1} (6)

其中m₁∈[-M₁+1,M₁-1]，m₂∈[1,M₂]和m₃∈[-M₂,-1],L₁₁,L₁₃为子阵1中自差分的阵元集合,L₂₁,L₂₂,L₂₃为子阵2中自差分的阵元集合,L₃₃为子阵3中自差分的阵元集合,分别为第m₁,m₂,m₃个阵元的坐标，l₁₁为集合L₁₁中的元素，l₁₃为集合L₁₃中的元素，l₂₁为集合L₂₁中的元素，l₂₂为集合L₂₂中的元素，l₂₃为集合L₂₃中的元素，

关于对称嵌套阵列四阶累积量虚拟差分阵列，本实施方式有着下列结论：

命题1：令L＝{l|l＝p_m-p_q,m,q∈[-M,M]}表示对称嵌套阵差分阵列阵元集合，则其差分阵列中连续阵元的范围为[-M₂(M₁+1)-(M₁-1),M₂(M₁+1)+(M₁-1)]。

证明：因为对称嵌套阵的差分阵列具有对称性，这里只需分析非负数部分，而负数部分为非负数部分翻转的子集。令L⁺＝{l|l＝p_m-p_q,l≥0,m,q∈[-M,M]}为差分阵列的非负数部分，则有L⁺＝L_s∪L_c＝L_s∪L₂₁∪L₁₃∪L₂₃。接下来，分情况讨论：

(1)L_s∪L₂₁中的连续阵元范围：

由子阵1的阵元分布可知，子阵1关于原点对称。因此，可以将L₂₁进一步分解为两部分，即:

其中,

集合对应于子阵2与子阵1非负阵元间的互差分阵列阵元，而集合对应于子阵2与子阵1非正阵元间的互差分阵列阵元，为集合中的元素，为集合中的元素。

1a)显然，子阵2与子阵1非负阵元对应于一个标准二级嵌套阵。所以，可以直接得到的连续阵元范围为[0,M₂(M₁+1)-1]。

1b)由公式(11)可知，若令m′₁＝-m₁，则

结合1a)的结论，只需考虑的情况，即集合的连续阵元范围为[M₂(M₁+1)-1,M₂(M₁+1)+(M₁-1)-1]。

因此，L_s∪L₂₁的连续阵元范围为[0,M₂(M₁+1)+(M₁-1)-1]。

(2)L_s∪L₁₃的连续阵元范围

从公式(7)和公式(8)可知，L₂₁与L₁₃一致。由此，L_s∪L₁₃的连续阵元范围与L_s∪L₂₁的一致，同为[0,M₂(M₁+1)+(M₁-1)-1]。

(3)L₂₃的连续阵元范围

由公式(9)中，[m₂(M₁+1)-1]-[m₃(M₁+1)+1]＝(m₂-m₃)(M₁+1)-2，即

因为m₂∈[1,M₂]和m₃∈[-M₂,-1]，有(m₂-m₃)∈[2,2M₂]，进而有

l₂₃＝2(M₁+1)-2,3(M₁+1)-2,...,2M₂(M₁+1)-2 (15)

结合前面的论述，L⁺的连续阵元范围已经包含[0,M₂(M₁+1)+(M₁-1)-1]，故我们只需考虑l₂₃≥M₂(M₁+1)+(M₁-1)-1的情况。令m₂-m₃＝M₂+1，则有l₂₃＝(M₂+1)(M₁+1)-2＝M₂(M₁+1)+(M₁-1)。

因此，L⁺的连续阵元范围扩大为[0,M₂(M₁+1)+(M₁-1)]。再结合差分阵列的负数部分，可以得到整个四阶累积量虚拟差分阵列的连续阵元范围为[-M₂(M₁+1)-(M₁-1),M₂(M₁+1)+(M₁-1)]。

根据步骤3得到的近场信号观测矢量和公式(2)，可以计算只包含近场信号DOA信息的特殊四阶累积量矩阵C₁，其中第个元素可表示为：

其中，分别为矩阵中的坐标标识，

该四阶累积量矩阵C₁的矩阵表达式为:

C₁＝BC_4sB^H

其中，是(2M+1)×K₁维的虚拟导向矩阵，是(2M+1)×1维的虚拟导向矢量。

将累积量矩阵C₁向量化，有

其中，z为四阶累积量虚拟差分阵列的等效接收信号矢量，为等效信源矢量，B^*⊙B为四阶累积量差分阵列的等效阵列流型，⊙表示KR积运算。

结合前文分析的差分阵列连续部分，去除等效接收信号矢量z中对应于冗余阵元的数据，而只保留连续阵元对应的数据，得到新的接收信号矢量其中，为[2M₂(M₁+1)+2(M₁-1)+1]×1维的差分阵列连续阵元部分接收信号矢量，是[2M₂(M₁+1)+2(M₁-1)+1]×K₁维的虚拟差分阵列连续阵元部分阵列流型。其中

是[2M₂(M₁+1)+2(M₁-1)+1]×1维的虚拟差分阵列连续阵元部分导向矢量。

在去冗余并取连续阵元部分后，差分阵列的虚拟阵元位置从-2[M₂(M₁+1)+(M₁-1)]d到2[M₂(M₁+1)+(M₁-1)]d，虚拟阵元间距为2d，一共有2M₂(M₁+1)+2(M₁-1)+1个虚拟阵元。

步骤5：利用谱峰搜索得到近场信号DOA估计值。

将步骤4中求得的四阶累积量虚拟差分阵列连续部分划分为M₂(M₁+1)+M₁个重叠子阵列，每个子阵列均包含有M₂(M₁+1)+M₁个阵元。其中，第i个子阵列的等效接收信号由的第[M₂(M₁+1)+M₁-i+1]个元素到第[2M₂(M₁+1)+2(M₁-1)-i+1]个元素组成。

因此，可以表达为

其中，是第i个子阵列的(M₂(M₁+1)+M₁)×K₁维阵列流型，对应于的第[M₂(M₁+1)+M₁-i+1]行到第[2M₂(M₁+1)+2(M₁-1)-i+1]行。

第i个子阵列等效接收信号的协方差矩阵R_i，可以表达为

对M₂(M₁+1)+M₁个R_i进行平均运算得到空间平滑矩阵R_ss，计算表达式为

将R_ss特征分解，有

其中，E_s是(M₂(M₁+1)+M₁)×K₁维的信号子空间，由R_ss的K₁个最大特征值对应的特征向量张成。Λ_s是K₁×K₁维的的对角矩阵，包含了R_ss的K₁个最大特征值。E_n是(M₂(M₁+1)+M₁)×(M₂(M₁+1)+M₁-K₁)维的噪声子空间，由R的(M₂(M₁+1)+M₁-K₁)个最小特征值对应的特征向量张成。Λ_n是(M₂(M₁+1)+M₁-K₁)×(M₂(M₁+1)+M₁-K₁)维的对角矩阵，包含了R_ss的(M₂(M₁+1)+M₁-K₁)个最小特征值。

然后，利用MUSIC谱峰搜索

得到K₁个近场DOA估计值

步骤6：根据近场信号DOA估计值估计近场信号距离，得到近场信号距离估计值。

根据步骤5得到的近场信号DOA估计近场信号的距离估计可以将每一个代入下式频谱搜索中得到：

因此，第k个近场信号的距离估计值为：

由于使用物理阵列估计近场信号的距离参数，部分阵元间距大于λ/2，有必要在近场范围[0.62(D³/λ)^1/2，2D²/λ]内进行距离模糊性分析。由公式(24)可知，近场信号距离估计值由导向矢量确定。若存在近场距离的模糊值使得则会导致近场距离搜索结果出现模糊值，导致估计精度下降。从导向矢量a(θ_k,r_k)的结构中可知，若想导向矢量a(θ_k,r_k)不唯一，则需要a(θ_k,r_k)的所有元素都存在模糊。因此，只要a(θ_k,r_k)至少有一个元素不模糊，就可以确保a(θ_k,r_k)不模糊。

假设存在a(θ_k，r_k)的模糊导向矢量即则a(θ_k，r_k)中每一个元素均存在模糊，有

其中,r_k是第k个近场信号的真实距离，是第k个近场信号的虚假距离，r_k,2D²/λ]，m∈[-M,M]。为确保存在距离模糊，整数l应当满足|l|≥1。因此，公式(25)进一步推导为

为求得的最大范围，需使公式(26)的右边部分最小，则令cos²θ_k＝1，r_k＝0.62(D³/λ)^1/2，阵列孔径D＝2p_Md和d＝λ4，有

将公式(27)代入公式(26)，得到

将公式(28)进一步简写为

公式(29)表示a(θ_k,r_k)的第m个元素存在模糊的必要条件。因此，当公式(29)不成立时，a(θ_k,r_k)的第m个元素无模糊问题。

令m＝±1，则公式(29)可以表示为

进一步地推导，公式(30)可以变换为

显然，公式(31)不可能成立，即a(θ_k,r_k)至少有两个元素不模糊，则导向矢量a(θ_k,r_k)可以唯一确定。

综上所述，近场距离没有模糊现象。

为验证算法的性能，本实施方式设计两组仿真实验。第一组实验为建议算法、TS-MUSIC算法、MBODS算法和基于导向矢量正交性的混合源定位算法(实验中简称为高阶正交MUSIC，HoOrMuisc算法)在快拍数为400的情况下，DOA与距离估计均方根误差随信噪比的变化关系。而第二组实验为建议算法、TS-MUSIC算法、MBODS算法和高阶正交MUSIC算法在信噪比为15dB的条件下，DOA与距离估计均方根误差随快拍数的变化关系。

两组实验的随机实验次数均为500，所用均匀线阵相同，总阵元数同为为9，阵列间距为d＝λ/4，近场范围为1.7536λ＜r＜8λ。入射的信号源数K＝2，其中包含近场信号和远场信号各一个。信号参数分别为(θ₁,r₁)＝{10°,4.5λ}和(θ₂,r₂)＝{45°,+∞}。两组实验的结果分别如图2、3、4、5所示。

因此，本发明不但使用对称嵌套阵列及其差分阵列，提升了近场DOA和距离的估计精度，还利用了斜投影技术实现了远场信号分量与近场信号的分离，减少了距离谱峰搜索次数，从而降低了算法的复杂度。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (6)

1.一种基于对称嵌套阵列的混合场信源定位方法，其特征在于，该方法包以下步骤：

设置天线阵列，所述天线阵列为对称嵌套阵列；

估计远场信号DOA，获得远场信号DOA估计值；

分离近场分量与远场分量；

计算近场信号的四阶累积量虚拟差分阵列；

利用谱峰搜索得到近场信号DOA估计值；

根据近场信号DOA估计值估计近场信号距离，得到近场信号距离估计值。

2.根据权利要求1所述的一种基于对称嵌套阵列的混合场信源定位方法，其特征在于，所述估计远场信号DOA，获得远场信号DOA估计值的具体方法为：

计算天线阵列的观测数据矢量X(t)在快拍数为N的协方差矩阵R；

对协方差矩阵R进行特征分解，得到其噪声子空间，其中，U_s是(2M+1)×K维信号子空间；Σ_s是K×K维的对角矩阵，对角线元素为R的K个最大特征值；为U_s的共轭转置；U_n是(2M+1)×(2M+1-K)维噪声子空间；Σ_n是(2M+1-K)×(2M+1-K)维的对角矩阵，包含有R的2M+1-K个最小特征值；为U_n的共轭转置；

根据远场MUSIC谱峰搜索，得到K-K₁个远场DOA估计值

3.根据权利要求2所述的一种基于对称嵌套阵列的混合场信源定位方法，其特征在于，所述的分离近场信号分量与远场信号分量的方法为：

根据远场信号DOA估计值计算斜投影矩阵

根据斜投影矩阵分离远场信号分量与近场信号分量。

4.根据权利要求3所述的一种基于对称嵌套阵列的混合场信源定位方法，其特征在于，所述的计算近场信号的四阶累积量虚拟差分阵列的具体方法：

根据近场信号观测矢量计算得到四阶累积量矩阵C₁；

将四阶累积量矩阵C₁向量化，得到四阶累积量虚拟差分阵列。

5.根据权利要求4所述的一种基于对称嵌套阵列的混合场信源定位方法，其特征在于，所述的利用谱峰搜索得到近场信号DOA估计值具体方法为：

将四阶累积量虚拟差分阵列连续部分划分为M₂(M₁+1)+M₁个重叠子阵列，各个子阵列包含M₂(M₁+1)+M₁个阵元；

计算第i个子阵列的协方差矩阵R_i，对M₂(M₁+1)+M₁个协方差矩阵R_i进行平均运算得到空间平滑矩阵R_ss，其中，E_s是(M₂(M₁+1)+M₁)×K₁维的信号子空间；Λ_s是K₁×K₁维的的对角矩阵；为E_s的共轭转置；E_n是(M₂(M₁+1)+M₁)×(M₂(M₁+1)+M₁-K₁)维的噪声子空间；Λ_n是(M₂(M₁+1)+M₁-K₁)×(M₂(M₁+1)+M₁-K₁)维的对角矩阵；为E_n的共轭转置；

将空间平滑矩阵R_ss进行特征分解，得到噪声子空间E_n；

利用MUSIC谱峰搜索得到K₁个近场信号DOA估计值

6.根据权利要求5所述的一种基于对称嵌套阵列的混合场信源定位方法，其特征在于，所述的根据近场信号DOA估计值估计近场信号距离，得到近场信号距离估计值的具体方法为：将近场信号DOA估计值代入二维MUSIC谱峰搜索中，得到相应的一维MUSIC谱峰搜索，进一步得到对应的近场距离估计值k∈[1,K₁]。