CN111190136B - 一种基于特定频率组合信号的一维doa估计方法 - Google Patents

一种基于特定频率组合信号的一维doa估计方法 Download PDF

Info

Publication number
CN111190136B
CN111190136B CN202010016883.0A CN202010016883A CN111190136B CN 111190136 B CN111190136 B CN 111190136B CN 202010016883 A CN202010016883 A CN 202010016883A CN 111190136 B CN111190136 B CN 111190136B
Authority
CN
China
Prior art keywords
array
matrix
frequency
signal
data
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.)
Expired - Fee Related
Application number
CN202010016883.0A
Other languages
English (en)
Other versions
CN111190136A (zh
Inventor
宁更新
姜伸接
赵雪瑾
陈芳炯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202010016883.0A priority Critical patent/CN111190136B/zh
Publication of CN111190136A publication Critical patent/CN111190136A/zh
Priority to PCT/CN2020/116454 priority patent/WO2021139208A1/zh
Application granted granted Critical
Publication of CN111190136B publication Critical patent/CN111190136B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01S3/74—Multi-channel systems specially adapted for direction-finding, i.e. having a single antenna system capable of giving simultaneous indications of the directions of different signals
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

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)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于特定频率组合信号的一维DOA估计方法，该方法通过发射多个特定频率的信号，将各阵元的接收信号分别通过多个不同频率窄带滤波器分离出对应频率信号，得到频域接收数据模型，再对源信号矩阵归一处理和重构频域接收数据矩阵，将均匀物理阵列一次扩展为虚拟非均匀阵列，最后结合现有非均匀阵列数据协方差矩阵的处理方法，对虚拟非均匀阵列进行二次虚拟扩展，最终获得二次扩展的虚拟均匀阵列，实现阵列孔径的二次扩张。本发明在无需改变传统均匀阵列结构的条件下，通过接收多个特定频率的窄带信号并依靠频率比例这一先验信息，实现了阵列孔径的虚拟扩展，使得估计精度得到提升。

Description

一种基于特定频率组合信号的一维DOA估计方法
技术领域
本发明涉及目标定位技术领域，具体涉及一种将特定频率组合信号联合处理后实现虚拟阵元扩展的一维DOA估计方法。
背景技术
波达方向估计(DOA估计)在众多领域已得到广泛应用，而DOA估计就是指在空间或放置传感器阵列利用阵列信号处理技术来对信源目标进行方向角度估计的方法。随着空间环境日趋复杂化，在目标跟踪、精密制导等各个方面确定目标信号的波达方向角并进行全面的监视和侦察，是在战争中获取主动权的首要前提。因此，研究超分辨高精度的DOA估计技术具有十分重要的意义。
现有的基于相关阵的子空间类方法如MUSIC算法和ESPRIT算法等，在低信噪比条件下性能会快速变差。为了提高阵列处理信号的能力而可以增加物理阵元数量，但这会导致硬件成本和维护成本的急剧增加。因此，如何实现在物理阵元数不变和低信噪比的条件下保证DOA估计算法的精度，成为阵列信号处理领域的一个研究难点和热点。有学者提出非均匀阵列结构，通过利用差协同阵元的更多相位差信息，使得阵列孔径得到提高，在相同物理阵元数的前提下提高了估计精度。但是非均匀阵列需要特定阵列的结构，使得传统均匀阵列失去了改造潜力。也有学者提出基于宽带信号的DOA估计算法，利用带宽内多个频点信号携带的信息，提高了DOA估计的稳健性。但是选取频点过少会导致估计精度下降，同时在相邻阵元间距保持一定的条件下，信号带宽过大会引入过多阵列孔径损失。
发明内容
本发明的目的是为了解决现有技术中的上述缺陷，提供一种基于特定频率组合信号的一维DOA估计方法。该方法在基于传统均匀阵列的前提下通过发射多个特定频率的信号，在每个接收阵元处得到的接收信号分别通过多个不同频率的窄带滤波器获取分离出对应频率信号，得到频域接收数据模型，再对源信号矩阵归一处理和重构频域接收数据矩阵，将均匀物理阵列一次扩展为虚拟非均匀阵列，最后结合现有非均匀阵列数据协方差矩阵的向量化处理，进行虚拟非均匀阵列的二次虚拟扩展，最终获得二次扩展的虚拟均匀阵列，实现了阵列孔径的二次扩张。
本发明的目的可以通过采取如下技术方案达到：
一种基于特定频率组合信号的一维DOA估计方法，所述的估计方法包括以下步骤：
S1、根据时域采样数据构造时域数据接收模型，再利用傅里叶变换得到频域数据接收模型和无噪声数据协方差矩阵
Figure BDA0002359216920000021
S2、根据最低频率数据进行MUSIC算法得到首次构建的角度预估值
Figure BDA0002359216920000022
S3、并根据角度预估值，构建归一矩阵Gp,q，利用无噪声数据协方差矩阵
Figure BDA0002359216920000023
和归一矩阵Gp,q重构出新的协方差矩阵
Figure BDA0002359216920000024
S4、对重构后的频域数据协方差矩阵
Figure BDA0002359216920000025
进行向量化得到接收向量r，实现基于虚拟非均匀阵列的二次阵元扩展；
S5、对向量r进行去冗余和重排处理，得到等效阵列信号接收向量ru；
S6、对得到的接收向量ru进行虚拟子阵划分和平均处理，得到空间平滑后的协方差矩阵Rv，实现解相干；
S7、根据Rv采用MUSIC算法，得到第i次迭代时的目标角度估计值
Figure BDA0002359216920000031
若迭代次数达到最大次数或
Figure BDA0002359216920000032
满足收敛准则，得到最终估计值；否则将
Figure BDA0002359216920000033
作为新的角度预估值并跳转至步骤S3继续执行。
进一步地，所述的步骤S1过程如下：
假设用于一维DOA估计的均匀线阵上分布有M个阵元，阵元间距为d。设定P个频率的窄带发射信号，其中第p,p＝1,2,…,P路信号的频率为fp，接收信号为发射信号经K个远场目标后返回阵列的信号，通过P个窄带滤波器，H个时域快拍数采样可以得到时域接收数据矩阵X，表示为：
Figure BDA0002359216920000034
其中Xp为第p路频率信号的接收数据，表示为：
Xp＝[xp(1),xp(2),…,xp(H)] (2)
xp(t)＝[x1,p(t),x2,p(t),…,xM,p(t)]T,t＝1,2,…,H (3)
第m,m＝1,2,…,M个物理阵元的第p路窄带滤波器的接收快拍信号xm,p(t)如下：
Figure BDA0002359216920000035
其中sk,p(t)为第p路频率信号经第k个目标在t时刻到达阵列的源信号，nm,p(t)为第m阵元第p路窄带滤波器的在t时刻的噪声信号，方向向量第m个元素am,p(θk)表示为：
Figure BDA0002359216920000036
其中qm为第m个物理阵元位置，
Figure BDA0002359216920000037
为相位分量，d为阵列的阵元间距，θk为第k个信源目标的来波方向角度，fp为第p路频率信号的频率，c为信号传播速度；
对于角度θk，阵列存在方向向量ap(θk)：
ap(θk)＝[a1p(θk),a2p(θk),…,aMp(θk)]T (6)
对第m个物理阵元接收到的时域信号xm,p(t)的H个时域快拍数据分成L段，进行傅里叶变换，得到频域快拍数据xm,p,l(f),l＝1,2,…,L，将所有M个阵元的L个频域接收信号排成一个矩阵，得到有关频率fp的所有数据的频域数据接收模型，即
Figure BDA0002359216920000041
其中
Figure BDA0002359216920000042
为源信号矩阵，
Figure BDA0002359216920000043
为噪声信号矩阵，
Figure BDA0002359216920000044
为阵列导向矩阵，表示为：
Figure BDA0002359216920000045
频率fp对应的数据协方差矩阵Rx(fp)表示为：
Figure BDA0002359216920000046
其中Px(fp)表示无噪声数据协方差矩阵，
Figure BDA0002359216920000047
表示源信号矩阵，
Figure BDA0002359216920000048
表示噪声矩阵；
对于数据协方差矩阵Rx(fp)，其噪声功率
Figure BDA0002359216920000049
的估计值表示为：
Figure BDA00023592169200000410
其中λi(U)表示矩阵U特征分解后，第i大的特征值，因此无噪声数据协方差矩阵估计值
Figure BDA00023592169200000411
表示为：
Figure BDA00023592169200000412
其中I表示单位矩阵。
进一步地，所述的步骤S2过程如下：
将频率f1对应的无噪声数据协方差矩阵
Figure BDA00023592169200000413
进行特征分解，获得M个特征值，提取最小的M-K个特征向量构建出噪声子空间；
对于任意角度值θ，根据噪声子空间构造方向向量
Figure BDA0002359216920000051
构建MUSIC谱函数PMUSIC(θ)，使θ从-90到90°变化，找到MUSIC空间谱的K个极大值对应的角度即
Figure BDA0002359216920000052
进一步地，所述的步骤S3过程如下：
无噪声数据协方差矩阵
Figure BDA0002359216920000053
对应的源信号矩阵估计值
Figure BDA0002359216920000054
表示为：
Figure BDA0002359216920000055
其中方向矩阵Ap通过引入角度预估值根据公式(8)构建，为了将频率fp对应的源信号矩阵进行归一化处理，需要矩阵Gp,q满足下式：
Figure BDA0002359216920000056
因此Gp,q的解为：
Figure BDA0002359216920000057
根据
Figure BDA0002359216920000058
和Gpq重构出新的接收信号矩阵
Figure BDA0002359216920000059
Figure BDA00023592169200000510
其中
Figure BDA00023592169200000511
为重构后的方向矩阵，重构后的源信号矩阵为单位矩阵，
Figure BDA00023592169200000512
为重构后的噪声矩阵，B表示如下：
B＝[b(θ1),b(θ2)…,b(θK)] (16)
其中b(θk)为重构方向向量：
Figure BDA00023592169200000513
进一步地，所述的步骤S4过程如下：
由于频率组合f＝[f1,f2,…,fP]T，设最低频点为fL，且所有频点都是fL的整数倍，则有
f＝[g1fL,g2fL,…,gPfL]T (18)
其中g＝[g1,g2,…,gP]T为频率比例向量，
设物理阵列位置y＝[y0,y1,…,yM-1]，则经过矩阵重构，以fL为参考频率的虚拟阵列位置z为
Figure BDA0002359216920000061
方向向量b(θk)重写为：
Figure BDA0002359216920000062
数据重构矩阵RF为MP×MP维的协方差矩阵，第m行n列的元素表示为：
Figure BDA0002359216920000063
其中
Figure BDA0002359216920000064
是重构数据的噪声功率，δm,n为Kronecker delta函数，由式(21)可见，一次扩展阵列协方差矩阵RF中的元素被视为虚拟差协同阵元的接收数据，为了进行二次扩展将协方差矩阵RF向量化，得到：
Figure BDA0002359216920000065
其中，vec为向量化符号，⊙表示Khatri-Rao积，
噪声向量
Figure BDA0002359216920000066
B*⊙B表示为：
Figure BDA0002359216920000067
其中
Figure BDA0002359216920000068
表示Kronecker积。
进一步地，所述的步骤S5过程如下：
使用空间平滑技术解相干，对B*⊙B进行去冗余和重排处理，假设经过去冗余和重排处理后的等效阵列信号接收向量为ru，表示为：
Figure BDA0002359216920000071
其中Q为B*⊙B进行去冗余和重排处理后的方向矩阵，Iu是新的噪声向量，M阵元的均匀阵列经过接收数据重构一次扩展成虚拟非均匀阵列，再通过协方差矩阵矢量化，去冗余和重排处理后将二次扩展成一个新的虚拟均匀线阵，为方便阐述后续步骤，以频率比例向量
Figure BDA0002359216920000072
的频率组合为例，M阵元的物理阵列，得到虚拟均匀线阵位置分布范围为-(M-1)Md～(M-1)Md，即包含了2(M-1)Md+1个虚拟阵元。
进一步地，所述的步骤S6过程如下：
对接收向量ru进行子阵划分，将二次扩展虚拟均匀阵列划分为(M-1)M+1个子阵，每个子阵包含(M-1)M+1个阵元，
第i，i＝1,2,…,(M-1)M+1个子阵的接收数据ru,i等于阵列信号接收向量ru的第i～(i+(M-1)M+1)列，令
Figure BDA0002359216920000073
计算所有Ri的值并进行平均得到空间平滑后的协方差矩阵Rv：
Figure BDA0002359216920000074
进一步地，所述的步骤S7过程如下：
将所获得的Rv进行特征分解，获得(M-1)M+1个特征值，把特征值依照大小实现顺序排列，提取最小的(M-1)M+1-K个特征向量构建出Un，在搜索范围内选取角度θ构造方向向量av(θ)：
Figure BDA0002359216920000075
代入av(θ)得到MUSIC谱函数：
Figure BDA0002359216920000076
根据MUSIC谱函数，使θ从-90到90°变化，通过寻求K个极大值对应的角度，即第i,i≥1次迭代的波达角估计值
Figure BDA0002359216920000081
存在收敛准则：
Figure BDA0002359216920000082
其中biase表示预先设定的允许偏差值，当i达到最大迭代次数或
Figure BDA0002359216920000083
满足上式，则
Figure BDA0002359216920000084
为最终角度估计值；否则将
Figure BDA0002359216920000085
作为新的角度预估值并跳转至步骤S3。
本发明相对于现有技术具有如下的优点及效果：
1、本发明公开的DOA估计方法无需增加物理阵元，而是通过多组不同频率信号之间的比例先验信息完成了数据协方差矩阵重构。重构矩阵的虚拟阵列等效于一组非均匀阵列，进一步对数据协方差矩阵进行向量化，实现了基于虚拟非均匀阵列的二次阵元扩展，最后的等效虚拟均匀阵列相较原物理阵列，阵列孔径增加，DOA估计精度也有较大提升。
2、本发明公开的DOA估计方法为了消除首次角度预估值带来的误差，通过迭代估计实现角度收敛，进一步提高了估计精度。
3、本发明公开的DOA估计方法在对接收向量进行去冗余过程中对位置相同的虚拟差分阵元等效接收数据进行平均处理，进一步提高了DOA估计方法的稳健性。
4、本发明公开的DOA估计方法只需在传统均匀阵列的基础上增加窄带滤波器组，即可适用于大部分现有的DOA估计方法的应用系统，工程可实现性比较高。
附图说明
图1是本发明实施例中公开的DOA估计方法所用的均匀线阵接收信号与窄带滤波器组模型示意图；
图2是本发明实施例中一维均匀阵元与窄带滤波器组的连接示意图；
图3是本发明实施例中公开的基于特定频率组合信号的一维DOA估计方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将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、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
如附图3所示，本实施例公开了一种基于多频率发射信号的一维DOA估计方法包括以下步骤：
S1、根据时域采样数据构造时域数据接收模型，再利用傅里叶变换得到频域数据接收模型和无噪声数据协方差矩阵
Figure BDA0002359216920000091
假设用于一维DOA估计的均匀线阵上分布有M个阵元，阵元间距为d。设定P个频率的窄带发射信号，其中第p,p＝1,2,…,P路信号的频率为fp。接收信号为发射信号经K个远场目标后返回阵列的信号，通过P个窄带滤波器，H个时域快拍数采样可以得到时域接收数据矩阵X，表示为：
Figure BDA0002359216920000092
其中Xp为第p路频率信号的接收数据，表示为：
Xp＝[xp(1),xp(2),…,xp(H)] (2)
xp(t)＝[x1,p(t),x2,p(t),…,xM,p(t)]T,t＝1,2,…,H (3)
第m,m＝1,2,…,M个物理阵元的第p路窄带滤波器的接收快拍信号xm,p(t)如下：
Figure BDA0002359216920000093
其中sk,p(t)为第p路频率信号经第k个目标在t时刻到达阵列的源信号，nm,p(t)为第m阵元第p路窄带滤波器的在t时刻的噪声信号。方向向量第m个元素am,p(θk)表示为：
Figure BDA0002359216920000101
其中qm为第m个物理阵元位置，
Figure BDA0002359216920000102
为相位分量，d为阵列的阵元间距，θk为第k个信源目标的来波方向角度，fp为第p路频率信号的频率，c为信号传播速度。
对于角度θk，阵列存在方向向量ap(θk)：
ap(θk)＝[a1p(θk),a2p(θk),…,aMp(θk)]T (6)
对第m个物理阵元接收到的时域信号xm,p(t)的H个时域快拍数据分成L段，进行傅里叶变换，得到频域快拍数据xm,p,l(f),l＝1,2,…,L，将所有M个阵元的L个频域接收信号排成一个矩阵，得到有关频率fp的频域数据接收模型，即
Figure BDA0002359216920000103
其中
Figure BDA0002359216920000104
为源信号矩阵，
Figure BDA0002359216920000105
为噪声信号矩阵，
Figure BDA0002359216920000106
为阵列导向矩阵，表示为：
Figure BDA0002359216920000107
频率fp对应的数据协方差矩阵Rx(fp)表示为：
Figure BDA0002359216920000108
其中Px(fp)表示无噪声数据协方差矩阵，
Figure BDA0002359216920000109
表示源信号矩阵，
Figure BDA00023592169200001010
表示噪声矩阵。
对于数据协方差矩阵Rx(fp)，其噪声功率
Figure BDA00023592169200001011
的估计值可以表示为：
Figure BDA00023592169200001012
其中λi(U)表示矩阵U特征分解后，第i大的特征值。因此无噪声数据协方差矩阵估计值
Figure BDA0002359216920000111
可以表示为：
Figure BDA0002359216920000112
其中I表示单位矩阵。
S2、根据最低频率数据，通过MUSIC算法得到首次构建的角度预估值
Figure BDA0002359216920000113
将频率f1对应的无噪声数据协方差矩阵
Figure BDA0002359216920000114
进行特征分解，获得M个特征值，提取最小的M-K个特征向量构建出噪声子空间。对于任意角度值θ，根据噪声子空间构造方向向量
Figure BDA0002359216920000115
进一步构建MUSIC谱函数PMUSIC(θ)。使θ从-90到90°变化，找到MUSIC空间谱的K个极大值对应的角度即
Figure BDA0002359216920000116
S3、并根据角度预估值，构建归一矩阵Gp,q，利用无噪声数据协方差矩阵
Figure BDA0002359216920000117
和归一矩阵Gp,q重构出新的协方差矩阵
Figure BDA0002359216920000118
无噪声数据协方差矩阵
Figure BDA0002359216920000119
对应的源信号矩阵估计值
Figure BDA00023592169200001110
表示为：
Figure BDA00023592169200001111
其中方向矩阵Ap通过引入角度预估值根据公式(8)构建。为了将频率fp对应的源信号矩阵进行归一化处理，需要矩阵Gp,q满足下式：
Figure BDA00023592169200001112
因此Gp,q的解为：
Figure BDA00023592169200001113
根据
Figure BDA00023592169200001114
和Gpq重构出新的接收信号矩阵
Figure BDA00023592169200001115
Figure BDA0002359216920000121
其中
Figure BDA0002359216920000122
为重构后的方向矩阵，重构后的源信号矩阵为单位矩阵，
Figure BDA0002359216920000123
为重构后的噪声矩阵。B表示如下：
B＝[b(θ1),b(θ2)…,b(θK)] (16)
其中b(θk)为重构方向向量：
Figure BDA0002359216920000124
S4、对重构后的频域数据协方差矩阵
Figure BDA0002359216920000125
进行向量化得到接收向量r，实现基于虚拟非均匀阵列的二次阵元扩展：
由于频率组合f＝[f1,f2,…,fP]T，设最低频点为fL，且所有频点都是fL的整数倍，则有
f＝[g1fL,g2fL,…,gPfL]T (18)
其中g＝[g1,g2,…,gP]T为频率比例向量。
设物理阵列位置y＝[y0,y1,…,yM-1]，则经过矩阵重构，以fL为参考频率的虚拟阵列位置z为
Figure BDA0002359216920000126
方向向量b(θk)重写为：
Figure BDA0002359216920000127
数据重构矩阵RF为MP×MP维的协方差矩阵，第m行n列的元素表示为：
Figure BDA0002359216920000131
其中
Figure BDA0002359216920000132
是重构数据的噪声功率，δm,n为Kronecker delta函数。由式(21)可见，一次扩展阵列协方差矩阵RF中的元素被视为虚拟差协同阵元的接收数据。为了进行二次扩展将协方差矩阵RF向量化，得到：
Figure BDA0002359216920000133
其中，vec为向量化符号，⊙表示Khatri-Rao积，
噪声向量
Figure BDA0002359216920000134
B*⊙B表示为：
Figure BDA0002359216920000135
其中
Figure BDA0002359216920000136
表示Kronecker积。
通过将一次扩展虚拟阵列接收数据的协方差矩阵向量化，转化为二次扩展虚拟阵列下的等效单快拍接收数据，等效阵元数增加。
S5、对向量r进行去冗余和重排处理，得到等效阵列信号接收向量ru：以频率比例向量
Figure BDA0002359216920000137
的频率组合为例，则经过协方差矩阵向量化得到r后，B*⊙B中只有2(M-1)M+1行是互不相同的，即二次扩展虚拟阵列的阵元数为2(M-1)M+1。此时的入射信号相当于K个相干信号入射。为了使用空间平滑技术解相干，对B*⊙B进行去冗余和重排处理，使处理后的方向矩阵与虚拟均匀线阵的方向矩阵对应。为了提高算法的稳健性，本方法在去冗余过程中需要对位置相同的虚拟阵元等效接收数据做平均求和处理。假设经过去冗余和重排处理后的等效阵列信号接收向量为ru，表示为：
Figure BDA0002359216920000138
其中
Figure BDA0002359216920000139
为B*⊙B进行去冗余和重排处理后的方向矩阵，
Figure BDA00023592169200001310
是新的噪声向量。
M阵元的均匀阵列经过接收数据重构一次扩展成一个虚拟非均匀阵列，再通过协方差矩阵矢量化，去冗余和重排处理后二次扩展成新的虚拟均匀线阵。虚拟均匀线阵的位置分布范围为-(M-1)Md～(M-1)Md，即包含了2(M-1)Md+1个虚拟阵元。
S6、对得到的接收向量ru进行虚拟子阵划分和平均处理，得到空间平滑后的协方差矩阵Rv，实现解相干：
对接收向量ru进行子阵划分，这里将二次扩展虚拟均匀阵列划分为(M-1)M+1个子阵，每个子阵包含(M-1)M+1个阵元，
第i，i＝1,2,…,(M-1)M+1个子阵的接收数据ru,i等于阵列信号接收向量ru的第i～(i+(M-1)M+1)列。令
Figure BDA0002359216920000141
计算所有Ri的值并进行平均就可以得到空间平滑后的协方差矩阵Rv：
Figure BDA0002359216920000142
协方差矩阵Rv为((M-1)M+1)×((M-1)M+1)维矩阵，当信源目标个数K满足K≤(M-1)M+1时，基于空间平滑的估计方法仍然能分辨出全部K个信源目标。
S7、基于Rv采用MUSIC算法得到目标角估计值
Figure BDA0002359216920000143
若迭代次数达到最大次数或
Figure BDA0002359216920000144
满足收敛准则，得到最终估计值；否则将
Figure BDA0002359216920000145
作为新的角度预估值并跳转至S3：将所获得的Rv进行特征分解，获得(M-1)M+1个特征值，把特征值依照大小实现顺序排列，提取最小的(M-1)M+1-K个特征向量构建出Un。在搜索范围内选取角度θ构造方向向量av(θ)：
Figure BDA0002359216920000146
代入av(θ)得到MUSIC谱函数：
Figure BDA0002359216920000151
根据MUSIC谱函数，使θ从-90到90°变化，通过寻求K个极大值对应的角度，即第i,i≥1次迭代的波达角估计值
Figure BDA0002359216920000152
存在收敛准则：
Figure BDA0002359216920000153
其中biase表示预先设定的允许偏差值。当i达到最大迭代次数或
Figure BDA0002359216920000154
满足上式，则
Figure BDA0002359216920000155
为最终角度估计值；否则将
Figure BDA0002359216920000156
作为新的角度预估值并跳转至步骤S3。
实施例二
本实施例公开了一种基于多频率发射信号的一维DOA估计方法，具体工作步骤如下：
T1、假设均匀线阵中的阵元个数M统一定为6。
发射信号为
Figure BDA0002359216920000157
频率数P＝2，频率组合取f＝[f1,f2]T＝[1,6]TkHz；声速取c＝1500m/s，组合信号数据经重构后频率统一为f1＝1kHz，因此最小半波长为0.75m。任意两相邻线阵之间的距离必须小于等于0.75m，在满足此限制条件下可以任意选取阵元间距，所以设置两个均匀线阵的平均间距取0.75m，即第一个阵元和最后一个阵元相隔3.75m。在水下放置K＝2个目标声源，信源目标信号入射的波达方向角分别为(20°，60°)。
T2、进行多次采样；每次采样均匀线阵接收到的信号为x(t)＝[x0,1(t),x1,1(t),…,x4,1(t),x5,1(t),x0,2(t),x1,2(t),…,x5,2(t)]，共时域采样接收1024次，频域快拍数设置为256，并将接收到的信号进行分析处理。
T3、设定MUSIC算法最大迭代次数48，收敛偏差0.02°，MUSIC算法处理步骤具体如下：
T31、将时域采样数据分为L段，对每个子段数据进行离散傅里叶变换得到频域接收数据
Figure BDA0002359216920000161
根据Xp构造频域数据协方差矩阵Rx(fp)，根据公式(11)得到无噪声数据协方差矩阵
Figure BDA0002359216920000162
T32、利用一维MUSIC算法得到角度预估值
Figure BDA0002359216920000163
T33、根据公式(12)求出源信号矩阵估计值
Figure BDA0002359216920000164
根据公式(14)求出频率数据两两对应的归一矩阵Gp,q，根据公式(15)求得重构协方差矩阵
Figure BDA0002359216920000165
T34、对
Figure BDA0002359216920000166
进行向量化得到接收向量r，即虚拟非均匀阵列二次扩展得到2(M-1)M+1个虚拟均匀阵元；
T35、根据公式(24)得到接收向量ru，完成B*⊙B虚拟阵列方向矩阵去冗余和重排序；
T36、对ru进行子阵划分和平均处理，按式(25)得到空间平滑后的最终协方差矩阵Rv；
T37、按照式(27)进行谱峰搜索，得到第i次迭代的角度估计值
Figure BDA0002359216920000167
若迭代次数达到最大次数或
Figure BDA0002359216920000168
满足收敛准则(28)，则得到最终估计值；否则将这组
Figure BDA0002359216920000169
作为新的角度预估值跳转至步骤T33。
步骤T4、根据本实施例算法，经12次迭代估计出的二维波达方向角(20.15°,60.03°)，对目标估计达到了预期精度，说明估计结果正确，本发明方法可行。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (8)

1.一种基于特定频率组合信号的一维DOA估计方法，其特征在于，所述的估计方法包括以下步骤：
S1、根据时域采样数据构造时域数据接收模型，再利用傅里叶变换得到频域数据接收模型和无噪声数据协方差矩阵
Figure FDA0002359216910000011
S2、根据最低频率数据进行MUSIC算法得到首次构建的角度预估值
Figure FDA0002359216910000012
S3、并根据角度预估值，构建归一矩阵Gp,q，利用无噪声数据协方差矩阵
Figure FDA0002359216910000013
和归一矩阵Gp,q重构出新的协方差矩阵
Figure FDA0002359216910000014
S4、对重构后的频域数据协方差矩阵
Figure FDA0002359216910000015
进行向量化得到接收向量r，实现基于虚拟非均匀阵列的二次阵元扩展；
S5、对向量r进行去冗余和重排处理，得到等效阵列信号接收向量ru；
S6、对得到的接收向量ru进行虚拟子阵划分和平均处理，得到空间平滑后的协方差矩阵Rv，实现解相干；
S7、根据Rv采用MUSIC算法，得到第i次迭代时的目标角度估计值
Figure FDA0002359216910000016
若迭代次数达到最大次数或
Figure FDA0002359216910000017
满足收敛准则，得到最终估计值；否则将
Figure FDA0002359216910000018
作为新的角度预估值并跳转至步骤S3继续执行。
2.根据权利要求1所述的一种基于特定频率组合信号的一维DOA估计方法，其特征在于，所述的步骤S1过程如下：
假设用于一维DOA估计的均匀线阵上分布有M个阵元，阵元间距为d； 设定P个频率的窄带发射信号，其中第p,p＝1,2,…,P路信号的频率为fp，接收信号为发射信号经K个远场目标后返回阵列的信号，通过P个窄带滤波器，H个时域快拍数采样可以得到时域接收数据矩阵X，表示为：
Figure FDA0002359216910000021
其中Xp为第p路频率信号的接收数据，表示为：
Xp＝[xp(1),xp(2),…,xp(H)] (2)
xp(t)＝[x1,p(t),x2,p(t),…,xM,p(t)]T,t＝1,2,…,H (3)
第m,m＝1,2,…,M个物理阵元的第p路窄带滤波器的接收快拍信号xm,p(t)如下：
Figure FDA0002359216910000022
其中sk,p(t)为第p路频率信号经第k个目标在t时刻到达阵列的源信号，nm,p(t)为第m阵元第p路窄带滤波器的在t时刻的噪声信号，方向向量第m个元素am,p(θk)表示为：
Figure FDA0002359216910000023
其中qm为第m个物理阵元位置，
Figure FDA0002359216910000024
为相位分量，d为阵列的阵元间距，θk为第k个信源目标的来波方向角度，fp为第p路频率信号的频率，c为信号传播速度；
对于角度θk，阵列存在方向向量ap(θk)：
ap(θk)＝[a1p(θk),a2p(θk),…,aMp(θk)]T (6)
对第m个物理阵元接收到的时域信号xm,p(t)的H个时域快拍数据分成L段，进行傅里叶变换，得到频域快拍数据xm,p,l(f),l＝1,2,…,L，将所有M个阵元的L个频域接收信号排成一个矩阵，得到有关频率fp的所有数据的频域数据接收模型，即
Figure FDA0002359216910000025
其中
Figure FDA0002359216910000026
为源信号矩阵，
Figure FDA0002359216910000027
为噪声信号矩阵，
Figure FDA0002359216910000028
为阵列导向矩阵，表示为：
Figure FDA0002359216910000031
频率fp对应的数据协方差矩阵Rx(fp)表示为：
Figure FDA0002359216910000032
其中Px(fp)表示无噪声数据协方差矩阵，
Figure FDA0002359216910000033
表示源信号矩阵，
Figure FDA0002359216910000034
表示噪声矩阵；
对于数据协方差矩阵Rx(fp)，其噪声功率
Figure FDA0002359216910000035
的估计值表示为：
Figure FDA0002359216910000036
其中λi(U)表示矩阵U特征分解后，第i大的特征值，因此无噪声数据协方差矩阵估计值
Figure FDA0002359216910000037
表示为：
Figure FDA0002359216910000038
其中I表示单位矩阵。
3.根据权利要求2所述的一种基于特定频率组合信号的一维DOA估计方法，其特征在于，所述的步骤S2过程如下：
将频率f1对应的无噪声数据协方差矩阵
Figure FDA0002359216910000039
进行特征分解，获得M个特征值，提取最小的M-K个特征向量构建出噪声子空间；
对于任意角度值θ，根据噪声子空间构造方向向量
Figure FDA00023592169100000310
构建MUSIC谱函数PMUSIC(θ)，使θ从-90到90°变化，找到MUSIC空间谱的K个极大值对应的角度即
Figure FDA00023592169100000311
4.根据权利要求3所述的一种基于特定频率组合信号的一维DOA估计方法，其特征在于，所述的步骤S3过程如下：
无噪声数据协方差矩阵
Figure FDA00023592169100000312
对应的源信号矩阵估计值
Figure FDA00023592169100000313
表示为：
Figure FDA00023592169100000314
其中方向矩阵Ap通过引入角度预估值根据公式(8)构建，为了将频率fp对应的源信号矩阵进行归一化处理，需要矩阵Gp,q满足下式：
Figure FDA0002359216910000041
因此Gp,q的解为：
Figure FDA0002359216910000042
根据
Figure FDA0002359216910000043
和Gpq重构出新的接收信号矩阵
Figure FDA0002359216910000044
Figure FDA0002359216910000045
其中
Figure FDA0002359216910000046
为重构后的方向矩阵，重构后的源信号矩阵为单位矩阵，
Figure FDA0002359216910000047
为重构后的噪声矩阵，B表示如下：
B＝[b(θ1),b(θ2)…,b(θK)] (16)
其中b(θk)为重构方向向量：
Figure FDA0002359216910000048
5.根据权利要求4所述的一种基于特定频率组合信号的一维DOA估计方法，其特征在于，所述的步骤S4过程如下：
根据频率组合f＝[f1,f2,…,fP]T，设最低频点为fL，且所有频点都是fL的整数倍，则有
f＝[g1fL,g2fL,…,gPfL]T (18)
其中g＝[g1,g2,…,gP]T为频率比例向量，
设物理阵列位置y＝[y0,y1,…,yM-1]，则经过矩阵重构，以fL为参考频率的虚拟阵列位置z为
Figure FDA0002359216910000051
方向向量b(θk)重写为：
Figure FDA0002359216910000052
数据重构矩阵RF为MP×MP维的协方差矩阵，第m行n列的元素表示为：
Figure FDA0002359216910000053
其中
Figure FDA0002359216910000054
是重构数据的噪声功率，δm,n为Kronecker delta函数，由式(21)可见，一次扩展阵列协方差矩阵RF中的元素被视为虚拟差协同阵元的接收数据，为了进行二次扩展将协方差矩阵RF向量化，得到：
Figure FDA0002359216910000055
其中，vec为向量化符号，⊙表示Khatri-Rao积，
噪声向量
Figure FDA0002359216910000056
B*⊙B表示为：
Figure FDA0002359216910000057
其中
Figure FDA0002359216910000058
表示Kronecker积。
6.根据权利要求5所述的一种基于特定频率组合信号的一维DOA估计方法，其特征在于，所述的步骤S5过程如下：
使用空间平滑技术解相干，对B*⊙B进行去冗余和重排处理，假设经过去冗余和重排处理后的等效阵列信号接收向量为ru，表示为：
Figure FDA0002359216910000059
其中Q为B*⊙B进行去冗余和重排处理后的方向矩阵，Iu是新的噪声向量，M阵元的均匀阵列经过接收数据重构一次扩展成虚拟非均匀阵列，再通过协方差矩阵矢量化，去冗余和重排处理后将二次扩展成一个新的虚拟均匀线阵，以频率比例向量
Figure FDA0002359216910000061
的频率组合为例，M阵元的物理阵列，得到虚拟均匀线阵位置分布范围为-(M-1)Md～(M-1)Md，即包含2(M-1)Md+1个虚拟阵元。
7.根据权利要求6所述的一种基于特定频率组合信号的一维DOA估计方法，其特征在于，所述的步骤S6过程如下：
对接收向量ru进行子阵划分，将二次扩展虚拟均匀阵列划分为(M-1)M+1个子阵，每个子阵包含(M-1)M+1个阵元，
第i，i＝1,2,…,(M-1)M+1个子阵的接收数据ru,i等于阵列信号接收向量ru的第i～(i+(M-1)M+1)列，令
Figure FDA0002359216910000062
计算所有Ri的值并进行平均得到空间平滑后的协方差矩阵Rv：
Figure FDA0002359216910000063
8.根据权利要求7所述的一种基于特定频率组合信号的一维DOA估计方法，其特征在于，所述的步骤S7过程如下：
将所获得的Rv进行特征分解，获得(M-1)M+1个特征值，把特征值依照大小实现顺序排列，提取最小的(M-1)M+1-K个特征向量构建出Un，在搜索范围内选取角度θ构造方向向量av(θ)：
Figure FDA0002359216910000064
代入av(θ)得到MUSIC谱函数：
Figure FDA0002359216910000065
根据MUSIC谱函数，使θ从-90到90°变化，通过寻求K个极大值对应的角度，即第i,i≥1次迭代的波达角估计值
Figure FDA0002359216910000066
存在收敛准则：
Figure FDA0002359216910000067
其中biase表示预先设定的允许偏差值，当i达到最大迭代次数或
Figure FDA0002359216910000071
满足上式，则
Figure FDA0002359216910000072
为最终角度估计值；否则将
Figure FDA0002359216910000073
作为新的角度预估值并跳转至步骤S3。
CN202010016883.0A 2020-01-08 2020-01-08 一种基于特定频率组合信号的一维doa估计方法 Expired - Fee Related CN111190136B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010016883.0A CN111190136B (zh) 2020-01-08 2020-01-08 一种基于特定频率组合信号的一维doa估计方法
PCT/CN2020/116454 WO2021139208A1 (zh) 2020-01-08 2020-09-21 一种基于特定频率组合信号的一维doa估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010016883.0A CN111190136B (zh) 2020-01-08 2020-01-08 一种基于特定频率组合信号的一维doa估计方法

Publications (2)

Publication Number Publication Date
CN111190136A CN111190136A (zh) 2020-05-22
CN111190136B true CN111190136B (zh) 2023-03-24

Family

ID=70706150

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010016883.0A Expired - Fee Related CN111190136B (zh) 2020-01-08 2020-01-08 一种基于特定频率组合信号的一维doa估计方法

Country Status (2)

Country Link
CN (1) CN111190136B (zh)
WO (1) WO2021139208A1 (zh)

Families Citing this family (65)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111190136B (zh) * 2020-01-08 2023-03-24 华南理工大学 一种基于特定频率组合信号的一维doa估计方法
CN112327303A (zh) * 2020-10-22 2021-02-05 四川长虹电器股份有限公司 天线虚拟均匀线阵数据获取方法
CN112965026B (zh) * 2021-02-08 2023-07-18 华南理工大学 一种具有先验定位角度范围的doa阵元间距设置方法
CN113030842B (zh) * 2021-03-05 2022-11-01 电子科技大学 一种基于宽带信号的角度超分辨doa估计方法
CN113504505B (zh) * 2021-06-02 2023-11-03 华南理工大学 一种适用于低信噪比环境下的一维doa估计方法
CN113671449B (zh) * 2021-07-16 2024-10-29 西安电子科技大学 基于最小冗余线阵的mimo雷达旁瓣干扰抑制方法
CN113589232B (zh) * 2021-07-28 2023-08-08 天津大学 基于重构正则化矩阵的奇异值分解微振动振源定位方法
CN113702899B (zh) * 2021-08-03 2023-09-29 哈尔滨工程大学 一种基于相位分数低阶矩的协方差差分的传播算法
CN113721184B (zh) * 2021-08-19 2023-08-15 西安电子科技大学 基于改进music算法的近场信号源定位方法
CN113702898B (zh) * 2021-08-19 2023-06-30 西安电子科技大学 基于分布式阵列的已知波形信源波达方向估计方法
CN113658606B (zh) * 2021-08-19 2023-08-08 中国人民解放军海军工程大学 一种低信噪比条件下基于自适应压缩感知的波束成形方法
CN113589255B (zh) * 2021-08-23 2023-08-01 武汉大学 一种基于多频联合稀疏贝叶斯学习的到达角估计方法
CN113900060B (zh) * 2021-09-15 2024-07-05 中国科学院国家空间科学中心 一种基于软件无线电设备的doa估计系统及估计方法
CN113937514B (zh) * 2021-09-16 2024-03-26 杭州电子科技大学 基于开关的部分极化信号多极化阵列测向方法
CN113960527B (zh) * 2021-09-28 2024-07-16 西安交通大学 一种近场信号源的定位方法及系统
CN113885004A (zh) * 2021-09-29 2022-01-04 哈尔滨工程大学 一种稀疏面阵二维方位估计方法
CN113901657B (zh) * 2021-10-08 2024-07-12 金陵科技学院 一种复合材料分布式损伤源定位补偿方法及系统
CN113933779B (zh) * 2021-10-15 2024-07-09 福州大学 一种基于s变换的未知声源个数doa估计方法
CN113960525B (zh) * 2021-10-15 2024-04-12 南京航空航天大学 一种基于频域toeplitz矩阵重构的跳频信号快速测向方法
CN113985348B (zh) * 2021-10-25 2024-05-07 合肥工业大学 基于多任务学习的单快拍相干超分辨doa估计技术
CN114047474B (zh) * 2021-10-26 2024-10-15 西北工业大学 基于广义回归神经网络的均匀线列阵目标方位估计方法
CN114185036A (zh) * 2021-11-03 2022-03-15 北京无线电计量测试研究所 基于四阶和差联合协同阵的非圆信号doa估计方法及系统
CN114035148A (zh) * 2021-11-09 2022-02-11 金陵科技学院 一种基于重组嵌套阵列的doa估计方法
CN114167355B (zh) * 2021-11-25 2025-01-14 厦门大学 一种基于稀疏嵌套线性阵列的自相关域的水下doa估计方法
CN114167354B (zh) * 2021-11-25 2025-01-14 厦门大学 一种基于高自由度的水下doa估计方法
CN114280531A (zh) * 2021-12-29 2022-04-05 中仪知联(无锡)工业自动化技术有限公司 分布式超级嵌套天线阵列及其获取目标方位的方法
CN114487990A (zh) * 2022-01-11 2022-05-13 山东农业大学 基于平行嵌套阵列的二维doa估计方法、装置、设备及介质
CN114384463B (zh) * 2022-01-13 2024-10-29 中国电子科技集团公司第五十四研究所 一种基于空间投影的伪信源辨识方法
CN114371441B (zh) * 2022-01-18 2024-09-24 湖南大学 虚拟阵列波达方向估计方法、装置、产品及存储介质
CN114509069B (zh) * 2022-01-25 2023-11-28 南昌大学 基于蓝牙aoa和imu融合的室内导航定位系统
CN114779236A (zh) * 2022-02-11 2022-07-22 西安电子科技大学 一种基于空间平滑music改进的米波雷达低仰角测高方法
CN114518557B (zh) * 2022-02-18 2024-11-26 中国电子科技集团公司第五十四研究所 一种基于投影重合的测向方法
CN114879132B (zh) * 2022-04-25 2025-02-11 南京航空航天大学 基于简化空间平滑的相干信号波达方向估计方法
CN114844544B (zh) * 2022-04-28 2024-05-14 中国人民解放军国防科技大学 一种基于低管秩张量分解的互质阵列波束成形方法、系统及介质
CN115015832B (zh) * 2022-05-10 2024-10-01 哈尔滨工程大学 一种非均匀噪声下大规模阵列幅相误差及目标方位联合估计方法
CN114994651B (zh) * 2022-05-18 2024-02-06 电子科技大学 一种存在通道幅相误差的双基地互质mimo雷达目标定位方法
CN115356678B (zh) * 2022-05-21 2024-05-14 南京理工大学 基于dpnalm算法的稀疏阵列doa估计方法
CN115219989A (zh) * 2022-06-02 2022-10-21 中国人民解放军国防科技大学 一种基于多径利用的极大-极小稳健波束形成方法
CN115085827B (zh) * 2022-06-09 2023-11-10 哈尔滨工程大学 一种基于秩一分解定理的水声目标阵列幅度相位误差校准方法
CN115047529B (zh) * 2022-06-14 2024-11-15 中国科学院空天信息创新研究院 地面拖曳式瞬变电磁系统数据消噪和目标定位方法及装置
CN115390060A (zh) * 2022-06-16 2022-11-25 东南大学 目标二维角度定位方法、装置、雷达和存储介质
CN115201813B (zh) * 2022-06-17 2024-05-14 中国人民解放军空军工程大学 一种基于稀疏阵列的米波tr mimo雷达低空目标测高方法
CN115267662B (zh) * 2022-06-25 2023-08-15 中国人民解放军战略支援部队信息工程大学 一种基于单运动阵列被动合成孔径的相关干涉仪直接定位方法
CN115201747B (zh) * 2022-07-15 2025-01-10 西安科技大学 基于噪声预估计的基追踪去噪稀疏重构doa估计方法
CN115236599B (zh) * 2022-07-29 2024-07-26 北京航空航天大学 一种强干扰下天线阵列doa估计方法
CN115514389B (zh) * 2022-09-16 2024-03-15 西北工业大学 一种同步直扩信号的源数估计方法
CN115390038B (zh) * 2022-09-21 2024-07-26 武汉大学 一种零陷展宽的海杂波抑制方法
CN116405072B (zh) * 2022-12-08 2024-01-26 南京锐声海洋科技有限公司 空域反转阵列导向最小方差波束形成方法及装置
CN116299150B (zh) * 2022-12-27 2023-12-01 南京航空航天大学 一种均匀面阵中降维传播算子的二维doa估计方法
CN116050099A (zh) * 2022-12-27 2023-05-02 南京航空航天大学 一种基于压缩感知的面向冲击噪声的嵌套阵doa估计方法
CN116068502B (zh) * 2023-04-06 2023-06-16 中国人民解放军空军预警学院 一种多域联合抗复合干扰方法、装置和系统
CN116125373A (zh) * 2023-04-17 2023-05-16 西北工业大学 一种宽带阵列天线波达方向估计方法、设备及介质
CN116819429B (zh) * 2023-06-30 2024-02-27 中国人民解放军军事科学院系统工程研究院 一种联合时域快拍检测的弱信号测向方法
CN116819428B (zh) * 2023-06-30 2024-03-15 中国人民解放军军事科学院系统工程研究院 一种联合频域快拍检测的低信噪比信号测向方法
CN116500541B (zh) * 2023-06-30 2023-09-22 南京理工大学 目标波达角度的估计方法、装置、电子设备及存储介质
CN117192471B (zh) * 2023-09-06 2024-06-18 无锡芯光互连技术研究院有限公司 基于hls实现二维doa估计的方法、装置及存储介质
CN117478251B (zh) * 2023-11-06 2024-08-09 山东大学 一种超大规模mimo近场信道估计方法与系统
CN117970227B (zh) * 2024-02-04 2024-07-19 哈尔滨工程大学 强冲击噪声下基于相干分布源的幅相误差和角度参数联合估计方法及系统
CN119355630A (zh) * 2024-02-06 2025-01-24 昆明理工大学 一种用于单比特传感器阵列的doa估计方法
CN117805865B (zh) * 2024-02-29 2024-05-10 中国人民解放军国防科技大学 一种卫星导航信号doa参数估计方法
CN118226370B (zh) * 2024-03-28 2024-08-09 哈尔滨工程大学 一种冲击噪声环境下基于量子斑马机制的多无人机测向方法及系统
CN118362975B (zh) * 2024-04-10 2025-01-03 南京航空航天大学 一种基于平行因子的相干分布式信源直接定位方法
CN118409272B (zh) * 2024-07-01 2024-10-01 杭州海康威视数字技术股份有限公司 信号方向估计方法、装置、电子设备及计算机程序产品
CN118938122A (zh) * 2024-07-22 2024-11-12 苏州市冠伽安全科技有限责任公司 基于子空间聚焦的宽带源加权直接定位方法
CN119044887B (zh) * 2024-10-29 2025-02-14 西北工业大学 一种基于频率着色技术的多目标直接定位鬼影辨别方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012088236A (ja) * 2010-10-21 2012-05-10 Honda Elesys Co Ltd 電子走査型レーダ装置、受信波方向推定方法及び受信波方向推定プログラム
CN104793176A (zh) * 2015-04-28 2015-07-22 周林 一种基于fpga的doa估计快速实现方法
CN107315162A (zh) * 2017-07-25 2017-11-03 西安交通大学 基于内插变换和波束形成的远场相干信号doa估计方法
CN109765521A (zh) * 2018-12-14 2019-05-17 中国科学院声学研究所 一种基于子阵划分的波束域成像方法
CN110031794A (zh) * 2019-04-16 2019-07-19 中国人民解放军国防科技大学 一种基于差分共性阵重构的相干信源doa估计方法
CN110133574A (zh) * 2019-07-02 2019-08-16 华南理工大学 利用多频信号二次虚拟扩展的一维doa估计方法
CN110308417A (zh) * 2019-05-30 2019-10-08 电子科技大学 基于矩阵填充的嵌套阵阵元失效下的波达方向估计方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111190136B (zh) * 2020-01-08 2023-03-24 华南理工大学 一种基于特定频率组合信号的一维doa估计方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012088236A (ja) * 2010-10-21 2012-05-10 Honda Elesys Co Ltd 電子走査型レーダ装置、受信波方向推定方法及び受信波方向推定プログラム
CN104793176A (zh) * 2015-04-28 2015-07-22 周林 一种基于fpga的doa估计快速实现方法
CN107315162A (zh) * 2017-07-25 2017-11-03 西安交通大学 基于内插变换和波束形成的远场相干信号doa估计方法
CN109765521A (zh) * 2018-12-14 2019-05-17 中国科学院声学研究所 一种基于子阵划分的波束域成像方法
CN110031794A (zh) * 2019-04-16 2019-07-19 中国人民解放军国防科技大学 一种基于差分共性阵重构的相干信源doa估计方法
CN110308417A (zh) * 2019-05-30 2019-10-08 电子科技大学 基于矩阵填充的嵌套阵阵元失效下的波达方向估计方法及装置
CN110133574A (zh) * 2019-07-02 2019-08-16 华南理工大学 利用多频信号二次虚拟扩展的一维doa估计方法

Also Published As

Publication number Publication date
WO2021139208A1 (zh) 2021-07-15
CN111190136A (zh) 2020-05-22

Similar Documents

Publication Publication Date Title
CN111190136B (zh) 一种基于特定频率组合信号的一维doa估计方法
CN109655799B (zh) 基于iaa的协方差矩阵向量化的非均匀稀疏阵列测向方法
CN109061554B (zh) 一种基于空间离散网格动态更新的目标到达角度估计方法
CN104730491B (zh) 一种基于l型阵的虚拟阵列doa估计方法
CN110109050B (zh) 嵌套阵列下基于稀疏贝叶斯的未知互耦的doa估计方法
CN107450047B (zh) 嵌套阵下基于未知互耦信息的压缩感知doa估计方法
CN111123192B (zh) 一种基于圆形阵列和虚拟扩展的二维doa定位方法
CN107589399B (zh) 基于多采样虚拟信号奇异值分解的互质阵列波达方向估计方法
CN108896954B (zh) 互质阵中一种基于联合实值子空间的波达角估计方法
CN109633522B (zh) 基于改进的music算法的波达方向估计方法
CN111707985A (zh) 基于协方差矩阵重构的off-grid DOA估计方法
CN107015190A (zh) 基于虚拟阵列协方差矩阵稀疏重建的互质阵列波达方向估计方法
CN109917328B (zh) 一种基于原子范数最小化的l型阵列波达方向估计方法
CN111965591B (zh) 一种基于四阶累积量矢量化dft的测向估计方法
CN112487703B (zh) 基于稀疏贝叶斯在未知噪声场的欠定宽带信号doa估计方法
CN113671439A (zh) 基于非均匀智能超表面阵列的无人机集群测向系统及方法
CN111368256B (zh) 一种基于均匀圆阵的单快拍测向方法
CN105572629A (zh) 一种适用于任意阵列结构的低运算复杂度的二维测向方法
CN111366891B (zh) 一种基于伪协方差矩阵的均匀圆阵单快拍测向方法
CN114460531A (zh) 一种均匀线阵music空间谱估计方法
CN113281698A (zh) 一种嵌套阵中基于级联的非高斯信源测向方法
CN107677988B (zh) 一种基于特殊非均匀线阵的高效压缩感知测向方法
Yan et al. Underdetermined direction of arrival estimation with coprime array constrained by approximated zero norm
CN111983553A (zh) 一种基于互质多载频稀疏阵列的无网格doa估计方法
Al Jabr et al. Modified UCA-ESPRIT for estimating DOA of coherent signals using one snapshot

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20230324

CF01 Termination of patent right due to non-payment of annual fee