CN109683128B - 冲击噪声环境下的单快拍测向方法 - Google Patents
冲击噪声环境下的单快拍测向方法 Download PDFInfo
- Publication number
- CN109683128B CN109683128B CN201910103535.4A CN201910103535A CN109683128B CN 109683128 B CN109683128 B CN 109683128B CN 201910103535 A CN201910103535 A CN 201910103535A CN 109683128 B CN109683128 B CN 109683128B
- Authority
- CN
- China
- Prior art keywords
- buffalo
- african
- optimal position
- fibonacci
- fitness
- 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.)
- Active
Links
Images
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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种冲击噪声环境下的单快拍测向方法,包括建立均匀线阵单快拍采样信号模型;构造基于高斯核的无穷范数协方差矩阵,获得基于高斯核的无穷范数单快拍极大似然方程;初始化非洲水牛种群;计算每头水牛位置适应度,记录每头水牛局部最优位置和整个非洲水牛群全局最优位置;更新水牛位置和水牛交流位置,产生斐波那契权重;利用斐波那契搜索策略更新每头水牛局部最优位置;计算每头水牛所在新位置的适应度,确定每头水牛的局部最优位置和非洲水牛群的全局最优位置;输出的非洲水牛群全局最优位置即为来波方向估计值。本发明在强冲击噪声等复杂环境下仅对单个快拍数据进行处理,降低DOA估计运算量,实现对接收信号波达方向有效估计。
Description
技术领域
本发明涉及一种冲击噪声环境下的单快拍测向方法,特别是一种冲击噪声环境下基于斐波那契非洲水牛搜索机制的单快拍测向方法,本发明属于阵列信号处理领域。
背景技术
测向也称为波达方向角(Direction of Arrival,DOA)估计一直是阵列信号处理的热点内容,在通信、雷达和声纳等系统中有着广泛应用。虽然传统的多重信号分类法(MUSIC)和信号参数估计的旋转不变子空间技术(ESPRIT)已经具有较高的估计性能,但是这些算法都是基于特征值分解运算的基础上进行的,而且往往为了获得良好的估计性能所需快拍数较大,不仅实时性低,而且计算量也很大。
为了降低DOA估计的运算量,提高系统的实时性,单快拍DOA估计受到了学者的广泛关注。单快拍DOA估计即只对单个快拍的数据进行处理,实现输入信号的波达方向估计。
根据已有的技术文献发现,位寅生等在《系统工程与电子技术》(2013,Vol.35,No.3,pp.493–498)发表的“基于噪声特征向量重构的地波雷达单次快拍超分辨算法”在频域采用降维方法估计协方差矩阵,在一定程度上提高了分辨力和分辨精度,但是此方法的二次矩阵分解增加了计算量,损失了阵列孔径,不能在冲击噪声环境下有效测向。谢鑫等在《电子与信息学报》(2010.Vol.32,No.3,pp.604–608)发表的“采用单次快拍数据实现相干信号DOA估计”中,提出了一种不损失阵列孔径的单快拍直接数据域算法,运算量较低,但是该方法对真实接收环境的要求过于苛刻,且无法在冲击噪声背景下测向失效。
已有的文献表明,单快拍DOA估计可以提高系统的实时性,减少运算量,但快拍数量的减少将导致估计性能不准确甚至失效,而至今无有效方法可在冲击噪声背景下单快拍测向,因此需要设计一种适用于冲击噪声背景的高性能单快拍测向方法。本发明设计了一种冲击噪声环境下基于斐波那契非洲水牛搜索的单快拍测向方法,该方法可在复杂冲击噪声环境下,利用高斯核无穷范数极大似然估计对信源进行有效测向。该方法不仅可以实现单快拍测向,而且在高斯噪声、弱冲击噪声和强冲击噪声等其他恶劣环境下均能获得较好的单快拍测向结果。
发明内容
针对上述现有技术,本发明要解决的技术问题是提供一种基于高斯核的无穷范数极大似然估计和斐波那契非洲水牛搜索方法的,在高斯噪声、弱冲击噪声和强冲击噪声等其他恶劣环境下均能获得较好的单快拍测向结果的冲击噪声环境下的单快拍测向方法。
为解决上述技术问题,本发一种冲击噪声环境下的单快拍测向方法,包括以下步骤:
步骤一:建立均匀线阵单快拍采样信号模型:
假设一个阵元数为N的均匀线阵,阵元间距为d,第i个远场窄带信号从θi方向入射到该阵列,且入射信号和噪声信号不相关,i=1,2,...,M,选取第一个阵元为参考阵元,则在t时刻第k个阵元接收到的信号为其中,为时刻的第i个信源的入射信号,为时刻第k个阵元的噪声信号,满足SαS稳定分布的冲击噪声,k=1,2,...,N;λ为波长,则阵列接收的一次快拍信号模型可表示为y(1)=A(θ)s(1)+n(1),式中y(1)=[y1(1),y2(1),...,yN(1)]T,A(θ)=[a(θ1),a(θ2),…,a(θM)]N×M为导向矩阵,其中第i个导向矢量为θ=[θ1,θ2,...,θM]为来波方向矢量;s(1)=[s1(1),s2(1),...,sM(1)]T为信号矢量,n(1)=[n1(1),n2(1),...,nN(1)]T为阵列噪声矢量,T表示转置;
步骤二:利用阵列接收到的单快拍数据构造基于高斯核的无穷范数协方差矩阵,再利用均匀线阵的导向矩阵构造正交投影矩阵,获得基于高斯核的无穷范数单快拍极大似然方程:
直接利用阵列接收的单快拍数据构造矩阵:基于高斯核的无穷范数低阶协方差矩阵可以表示为 中的第k列为具体可表示为其中,σ2为高斯核函数的方差;1≤m≤N;1≤k≤N;1≤l≤N;Ry(m,l)为矩阵Ry中的第m行第l列元素;Ry(k,l)为矩阵Ry中的第k行第l列元素;*表示共轭;正交投影矩阵为PA(θ)=A(θ)(AH(θ)A(θ))-1AH(θ),基于高斯核的无穷范数单快拍极大似然方程的角度估计值为其中,H代表共轭转置;tr()为矩阵求迹函数;
步骤三:初始化非洲水牛群:
将第t代第h头水牛的位置对应于波达方向的角度,将带入第h头水牛位置的适应度函数,计算第t代第h头水牛所在位置的适应度值,记录第h头水牛到第t代为止所搜索到的适应度最大的位置为第h头水牛的局部最优位置记录整个非洲水牛群直到第t代为止所搜索到的适应度最大的位置为非洲水牛群的全局最优位置
步骤五:更新水牛位置和水牛交流位置,并根据斐波那契算子产生斐波那契权重:
构造斐波那契数列使用民主方程更新第h头水牛的第维位置:使用决策方程更新第h头水牛第维交流位置:其中,为斐波那契权重;c1和c2是值为常数的学习因子;和为[0,1]之间的均匀随机数;为第h头水牛局部最优位置的第维;为非洲水牛群全局最优位置的第维;c3为控制参数;
步骤六:利用斐波那契搜索策略更新每头水牛的局部最优位置:
步骤七:计算每头水牛所在新位置的适应度,确定每头水牛的局部最优位置和非洲水牛群的全局最优位置,计算第h头水牛所在新位置的适应度值如果则将赋值给否则;其值不变;使用所有水牛局部最优位置中的最优位置去更新非洲水牛群全局最优位置为
步骤八:判断是否达到设定的最大迭代次数tmax,若未达到,则返回步骤五,并令迭代次数加1;若达到最大迭代次数,输出非洲水牛群全局最优位置,并将其对应的波达方向角度作为单快拍测向结果输出。
与现有技术相比,本发明具有以下优点:
本发明在弱冲击和强冲击噪声等复杂环境下仅对单个快拍数据进行处理,在降低DOA估计运算量的同时,实现对接收信号波达方向的有效估计。
本发明对接收到的单快拍数据重新构造接收矩阵,并对其进行基于高斯核的无穷范数协方差矩阵构造,再结合极大似然测向方法,能够在冲击噪声环境下对独立源、相干源和混合源进行高精度估计。
本发明所设计的基于斐波那契非洲水牛搜索机制的单快拍测向方法,扩展了单快拍测向方法的应用范围,在冲击噪声较强的情况下,测向的鲁棒性能较好,所设计的单快拍测向方法在高斯噪声环境下依旧有较好的测向性能,应用范围更加广泛。
附图说明
图1为基于斐波那契非洲水牛搜索机制的单快拍测向方法基本框图;
图2为特征指数为0.95时两个独立信源的波达方向估计图;
图3为特征指数为1.7时三个独立信源的波达方向估计图;
图4为特征指数为1.7时三个相干信源的波达方向估计图;
图5为特征指数为1.7时三个混合信源的波达方向估计图;
图6为高斯噪声环境下三个相干信号的波达方向估计图。
具体实施方式
下面结合附图对本发明具体实施方式做进一步说明。
为便于叙述,将基于斐波那契非洲水牛搜索机制的单快拍测向方法简记为FABO。
如图1所示,本发明技术方案包括如下步骤:
步骤一:建立均匀线阵单快拍采样信号模型。
假设一个阵元数为N的均匀线阵,阵元间距为d,有M个远场窄带信号分别从θi方向入射到该阵列,且入射信号和噪声信号不相关,i=1,2,...,M。选取第一个阵元为参考阵元,则在时刻第k个阵元接收到的信号为其中,为时刻的第i个信源的入射信号;为时刻第k个阵元的噪声信号,其满足SαS稳定分布的冲击噪声;k=1,2,...,N;λ为波长。则阵列接收的一次快拍信号模型可表示为y(1)=A(θ)s(1)+n(1),式中y(1)=[y1(1),y2(1),...,yN(1)]T,A(θ)=[a(θ1),a(θ2),…,a(θM)]N×M为导向矩阵,其中第i个导向矢量为θ=[θ1,θ2,...,θM]为来波方向矢量;s(1)=[s1(1),s2(1),...,sM(1)]T为信号矢量,n(1)=[n1(1),n2(1),...,nN(1)]T为阵列噪声矢量,T表示转置。
步骤二:利用阵列接收到的单快拍数据构造基于高斯核的无穷范数协方差矩阵,再利用均匀线阵的导向矩阵构造正交投影矩阵,获得基于高斯核的无穷范数单快拍极大似然方程。
直接利用阵列接收的单快拍数据构造矩阵:基于高斯核的无穷范数低阶协方差矩阵可以表示为 中的第k列为具体可表示为其中,σ2为高斯核函数的方差;1≤m≤N;1≤k≤N;1≤l≤N;Ry(m,l)为矩阵Ry中的第m行第l列元素;Ry(k,l)为矩阵Ry中的第k行第l列元素;*表示共轭。正交投影矩阵为PA(θ)=A(θ)(AH(θ)A(θ))-1AH(θ),基于高斯核的无穷范数单快拍极大似然方程的角度估计值为其中,H代表共轭转置;tr()为矩阵求迹函数。
第三步,初始化非洲水牛群。
将第t代第h头水牛的位置对应于波达方向的角度,将其带入第h头水牛位置的适应度函数,计算其所在位置的适应度值。记录第h头水牛到第t代为止所搜索到的适应度最大的位置为第h头水牛的局部最优位置记录整个非洲水牛群直到第t代为止所搜索到的适应度最大的位置为非洲水牛群的全局最优位置
第五步,更新水牛位置和水牛交流位置,并根据斐波那契算子产生斐波那契权重。
构造斐波那契数列使用民主方程更新第h头水牛的第维位置:使用决策方程更新第h头水牛第维交流位置:其中,为斐波那契权重;c1和c2是值为常数的学习因子;和为[0,1]之间的均匀随机数;为第h头水牛局部最优位置的第维;为非洲水牛群全局最优位置的第维;c3为控制参数。
第六步,利用斐波那契搜索策略更新每头水牛的局部最优位置。
第七步,计算每头水牛所在新位置的适应度,确定每头水牛的局部最优位置和非洲水牛群的全局最优位置。计算第h头水牛所在新位置的适应度值如果则将赋值给否则;其值不变。使用所有水牛局部最优位置中的最优位置去更新非洲水牛群全局最优位置为
步骤八,判断是否达到最大迭代次数tmax,若未达到,则返回步骤五,并令迭代次数加1;若达到最大迭代次数,输出非洲水牛群全局最优位置,并将其对应的波达方向角度作为单快拍测向结果输出。
冲击噪声环境下基于斐波那契非洲水牛搜索机制的单快拍测向方法参数设置如下:
图2中,两个独立信源从{30°,-10°}方向入射,冲击噪声特征指数为0.95,广义信噪比为15dB,Monte Carlo试验次数为30。仿真图2中可以看出在,大多数仿真的估计值和真实值近似重合,少数有较大估计偏差,所设计的基于斐波那契非洲水牛搜索的单快拍测向方法在强冲击噪声环境下能准确的估计出独立信源方向。
图3中,三个独立信源从{50°,30°,-10°}方向入射,冲击噪声特征指数为1.7,广义信噪比为15dB,Monte Carlo试验次数为30。仿真图3中可以看出估计值和真实值之间的偏差较小,故设计的单快拍测向方法能够准确的估计信源方向。
图4中,三个相干信源从{50°,20°,-10°}方向入射,冲击噪声特征指数为1.7,广义信噪比为15dB,Monte Carlo试验次数为30。仿真图4中可以看出估计值和真实值近似相等,所设计的单快拍测向方法能够准确的估计相干信源方向。
图5中,三个混合信源从{50°,20°,-10°}方向入射,其中50°方向与20°方向信源相干,50°方向与-10°方向信源独立,冲击噪声指数为1.7,广义信噪比为15dB,Monte Carlo试验次数为30。30次仿真结果和真实来波方向近似重合,本发明能够对混合信源进行准确估计。
图6中,在高斯白噪声下,三个相干信源从{50°,20°,-10°}方向入射,广义信噪比为15dB,Monte Carlo试验次数为30。30次波达方向估计结果都和真实值基本重合,充分说明了这种方法不仅适用于冲击噪声环境,同样适用于高斯白噪声环境下的单快拍测向。
本发明针对DOA估计问题,传统的DOA估计方法为了获得良好的角度估计性能需要较多的快拍数而导致测向实时性低、计算量大,以及现有单快拍测向方法在冲击噪声下测向失效等不足,通过接收的单快拍数据重新构造基于高斯核的无穷范数协方差矩阵,设计高斯核无穷范数单快拍极大似然估计和斐波那契非洲水牛搜索机制对信源方向进行高精度估计。该方法的主要步骤为:建立均匀线阵单快拍采样信号模型;利用阵列接收到的单快拍数据构造基于高斯核的无穷范数协方差矩阵,获得基于高斯核的无穷范数单快拍极大似然方程;初始化非洲水牛种群;计算每头水牛位置的适应度,记录每头水牛的局部最优位置和整个非洲水牛群的全局最优位置;更新水牛位置和水牛交流位置,并根据斐波那契算子产生斐波那契权重;利用斐波那契搜索策略更新每头水牛的局部最优位置;计算每头水牛所在新位置的适应度,确定每头水牛的局部最优位置和非洲水牛群的全局最优位置;最终输出的非洲水牛群全局最优位置即为来波方向估计值。本发明在强冲击噪声等复杂环境下仅对单个快拍数据进行处理,在降低DOA估计运算量的同时,实现对接收信号的波达方向的有效估计。
Claims (1)
1.一种冲击噪声环境下的单快拍测向方法,其特征是,包括以下步骤:
步骤一:建立均匀线阵单快拍采样信号模型:
假设一个阵元数为N的均匀线阵,阵元间距为d,第i个远场窄带信号从θi方向入射到该阵列,且入射信号和噪声信号不相关,i=1,2,...,M,选取第一个阵元为参考阵元,则在时刻第k个阵元接收到的信号为其中,为时刻的第i个信源的入射信号,为时刻第k个阵元的噪声信号,是满足SαS稳定分布的冲击噪声,k=1,2,...,N;λ为波长,则阵列接收的一次快拍信号模型表示为y(1)=A(θ)s(1)+n(1),式中y(1)=[y1(1),y2(1),...,yN(1)]T,A(θ)=[a(θ1),a(θ2),…,a(θM)]N×M为导向矩阵,其中第i个导向矢量为θ=[θ1,θ2,...,θM]为来波方向矢量;s(1)=[s1(1),s2(1),...,sM(1)]T为信号矢量,n(1)=[n1(1),n2(1),...,nN(1)]T为阵列噪声矢量,T表示转置;
步骤二:利用阵列接收到的单快拍数据构造基于高斯核的无穷范数协方差矩阵,再利用均匀线阵的导向矩阵构造正交投影矩阵,获得基于高斯核的无穷范数单快拍极大似然方程:
直接利用阵列接收的单快拍数据构造矩阵:基于高斯核的无穷范数低阶协方差矩阵表示为 中的第k列为具体表示为其中,σ2为高斯核函数的方差;1≤m≤N;1≤k≤N;1≤l≤N;Ry(m,l)为矩阵Ry中的第m行第l列元素;Ry(k,l)为矩阵Ry中的第k行第l列元素;*表示共轭;正交投影矩阵为PA(θ)=A(θ)(AH(θ)A(θ))-1AH(θ),基于高斯核的无穷范数单快拍极大似然方程的角度估计值为其中,H代表共轭转置;tr()为矩阵求迹函数;
步骤三:初始化非洲水牛群:
将第t代第h头水牛的位置对应于波达方向的角度,将带入第h头水牛位置的适应度函数,计算第t代第h头水牛所在位置的适应度值,记录第h头水牛到第t代为止所搜索到的适应度最大的位置为第h头水牛的局部最优位置记录整个非洲水牛群直到第t代为止所搜索到的适应度最大的位置为非洲水牛群的全局最优位置
步骤五:更新水牛位置和水牛交流位置,并根据斐波那契算子产生斐波那契权重:
构造斐波那契数列使用民主方程更新第h头水牛的第维位置:使用决策方程更新第h头水牛第维交流位置:其中,为斐波那契权重;c1和c2是值为常数的学习因子;和为[0,1]之间的均匀随机数;为第h头水牛局部最优位置的第维;为非洲水牛群全局最优位置的第维;c3为控制参数;
步骤六:利用斐波那契搜索策略更新每头水牛的局部最优位置:
步骤七:计算每头水牛所在新位置的适应度,确定每头水牛的局部最优位置和非洲水牛群的全局最优位置,计算第h头水牛所在新位置的适应度值如果则将赋值给否则;其值不变;使用所有水牛局部最优位置中的最优位置去更新非洲水牛群全局最优位置为
步骤八:判断是否达到设定的最大迭代次数tmax,若未达到,则返回步骤五,并令迭代次数加1;若达到最大迭代次数,输出非洲水牛群全局最优位置,并将其对应的波达方向角度作为单快拍测向结果输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910103535.4A CN109683128B (zh) | 2019-02-01 | 2019-02-01 | 冲击噪声环境下的单快拍测向方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910103535.4A CN109683128B (zh) | 2019-02-01 | 2019-02-01 | 冲击噪声环境下的单快拍测向方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109683128A CN109683128A (zh) | 2019-04-26 |
CN109683128B true CN109683128B (zh) | 2022-04-29 |
Family
ID=66195554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910103535.4A Active CN109683128B (zh) | 2019-02-01 | 2019-02-01 | 冲击噪声环境下的单快拍测向方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109683128B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112800596B (zh) * | 2021-01-11 | 2022-12-13 | 哈尔滨工程大学 | 强冲击噪声下基于嵌套阵列的鲁棒动态测向方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013088141A (ja) * | 2011-10-13 | 2013-05-13 | Kumagai Gumi Co Ltd | 音源方向推定方法、音源方向推定装置、及び、音源推定用画像の作成装置 |
CN103135091A (zh) * | 2011-11-25 | 2013-06-05 | 上海无线电设备研究所 | 一种波达方向估计系统中的自适应冲击噪声消除方法 |
CN103901395A (zh) * | 2014-03-28 | 2014-07-02 | 哈尔滨工程大学 | 一种冲击噪声环境下相干信号波达方向动态跟踪方法 |
CN108614235A (zh) * | 2018-05-25 | 2018-10-02 | 哈尔滨工程大学 | 一种多鸽群信息交互的单快拍测向方法 |
CN109239646A (zh) * | 2018-09-01 | 2019-01-18 | 哈尔滨工程大学 | 一种冲击噪声环境下连续量子水蒸发的二维动态测向方法 |
-
2019
- 2019-02-01 CN CN201910103535.4A patent/CN109683128B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013088141A (ja) * | 2011-10-13 | 2013-05-13 | Kumagai Gumi Co Ltd | 音源方向推定方法、音源方向推定装置、及び、音源推定用画像の作成装置 |
CN103135091A (zh) * | 2011-11-25 | 2013-06-05 | 上海无线电设备研究所 | 一种波达方向估计系统中的自适应冲击噪声消除方法 |
CN103901395A (zh) * | 2014-03-28 | 2014-07-02 | 哈尔滨工程大学 | 一种冲击噪声环境下相干信号波达方向动态跟踪方法 |
CN108614235A (zh) * | 2018-05-25 | 2018-10-02 | 哈尔滨工程大学 | 一种多鸽群信息交互的单快拍测向方法 |
CN109239646A (zh) * | 2018-09-01 | 2019-01-18 | 哈尔滨工程大学 | 一种冲击噪声环境下连续量子水蒸发的二维动态测向方法 |
Non-Patent Citations (5)
Title |
---|
An efficient algorithm and pipelined VLSI architecture for the maximum likelihood estimation of directions of arrival;Hwang Jeng-Kuang,et al;《 International Conference on Acoustics》;19901231;p2919-2922 * |
Direction Tracking of Multiple Moving Targets Using Quantum Particle Swarm Optimization;Hongyuan Gao ,et al;《ICFST 2016》;20161231;p1-5 * |
Robust Adaptive Trimming for High-Resolution Direction Finding;Chin-Heng Lim,et al;《IEEE SIGNAL PROCESSING LETTERS》;20090731;p580-583 * |
冲击噪声背景下的 DOA 估计新方法;刁鸣等;《北京邮电大学学报》;20131031;第99-104页 * |
冲击噪声背景下的DOA跟踪;李力;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180715;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109683128A (zh) | 2019-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110208735B (zh) | 一种基于稀疏贝叶斯学习的相干信号doa估计方法 | |
CN106980106B (zh) | 阵元互耦下的稀疏doa估计方法 | |
CN104749553B (zh) | 基于快速稀疏贝叶斯学习的波达方向角估计方法 | |
CN110113085B (zh) | 一种基于协方差矩阵重构的波束形成方法及系统 | |
CN111123192B (zh) | 一种基于圆形阵列和虚拟扩展的二维doa定位方法 | |
CN109375154B (zh) | 一种冲击噪声环境下基于均匀圆阵的相干信号参数估计方法 | |
CN110109050A (zh) | 嵌套阵列下基于稀疏贝叶斯的未知互耦的doa估计方法 | |
CN116224219A (zh) | 一种阵列误差自校正原子范数最小化doa估计方法 | |
CN108614235B (zh) | 一种多鸽群信息交互的单快拍测向方法 | |
CN109212466B (zh) | 一种基于量子蜻蜓演化机制的宽带测向方法 | |
CN109683128B (zh) | 冲击噪声环境下的单快拍测向方法 | |
CN110196417A (zh) | 基于发射能量集中的双基地mimo雷达角度估计方法 | |
Du et al. | Bayesian robust tensor factorization for angle estimation in bistatic MIMO radar with unknown spatially colored noise | |
CN110389319B (zh) | 一种基于低空多径情况下的mimo雷达doa估计方法 | |
Yang et al. | A correlation-aware sparse Bayesian perspective for DOA estimation with off-grid sources | |
CN104459627B (zh) | 基于联合交替优化的降秩波束形成方法 | |
CN114184999B (zh) | 一种互耦小孔径阵列的生成式模型处理方法 | |
Elvander et al. | Non-coherent sensor fusion via entropy regularized optimal mass transport | |
CN114167347A (zh) | 冲击噪声环境下互质阵列的幅相误差校正和测向方法 | |
CN115079090A (zh) | 基于esprit与加权降维搜索的多阵列非圆源快速定位方法 | |
CN110824484B (zh) | 一种基于恒模算法的阵元位置估计方法 | |
Zhuang et al. | Low-complexity method for DOA estimation based on ESPRIT | |
CN109100679B (zh) | 基于多输出支持向量回归机的近场声源参数估计方法 | |
Mao et al. | An Effective Algorithm for Direction-of-Arrival Estimation of Coherent Signals with ULA | |
Cong et al. | Feasible sparse spectrum fitting of DOA and range estimation for collocated FDA-MIMO radars |
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 |