CN113391266B - 基于非圆多嵌套阵降维子空间数据融合的直接定位方法 - Google Patents
基于非圆多嵌套阵降维子空间数据融合的直接定位方法 Download PDFInfo
- Publication number
- CN113391266B CN113391266B CN202110591835.9A CN202110591835A CN113391266B CN 113391266 B CN113391266 B CN 113391266B CN 202110591835 A CN202110591835 A CN 202110591835A CN 113391266 B CN113391266 B CN 113391266B
- Authority
- CN
- China
- Prior art keywords
- array
- matrix
- signal
- common
- sum
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000004927 fusion Effects 0.000 title claims abstract description 20
- 230000009467 reduction Effects 0.000 title claims description 12
- 239000011159 matrix material Substances 0.000 claims abstract description 128
- 238000009499 grossing Methods 0.000 claims abstract description 41
- 238000003491 array Methods 0.000 claims description 18
- FBOUIAKEJMZPQG-AWNIVKPZSA-N (1E)-1-(2,4-dichlorophenyl)-4,4-dimethyl-2-(1,2,4-triazol-1-yl)pent-1-en-3-ol Chemical compound C1=NC=NN1/C(C(O)C(C)(C)C)=C/C1=CC=C(Cl)C=C1Cl FBOUIAKEJMZPQG-AWNIVKPZSA-N 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000021615 conjugation Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 229910052739 hydrogen Inorganic materials 0.000 claims 1
- 239000001257 hydrogen Substances 0.000 claims 1
- 125000004435 hydrogen atom Chemical class [H]* 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 42
- 230000008569 process Effects 0.000 description 9
- 230000005855 radiation Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 208000001992 Autosomal Dominant Optic Atrophy Diseases 0.000 description 1
- 206010011906 Death Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/12—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves by co-ordinating position lines of different shape, e.g. hyperbolic, circular, elliptical or radial
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了基于非圆多嵌套阵降维子空间数据融合的直接定位方法,该方法包括如下步骤:步骤一:在多个观测站中接收非圆信号并使用嵌套阵列模型进行定位;步骤二:根据信号的非圆特征接收信号矢量得到扩展信号矩阵,从而得出矢量化协方差,根据矢量化协方差得到噪声子空间并生成和共阵和差共阵;步骤三:将和共阵和差共阵的子阵进行空间平滑并组合成虚拟阵列,并将虚拟阵列根据矩阵e=[0 1 0]T进行降维,去处非圆相位,得到代价函数fRD‑SDF(p);步骤四:将目标定为搜索区域划分为多个二维平面网格,获取网格点的代价函数值。通过使用非圆信号嵌套阵列RD‑SDF算法具有较高的空间自由度,相比于均匀线阵列算法和圆信号算法和两步定位算法的定位精度有显著提高。
Description
技术领域
本发明涉及无线定位技术领域,具体为基于非圆多嵌套阵降维子空间数据融合的直接定位方法。
背景技术
近年来,随着无人机和通信技术的飞速发展,在无人机进行用频时,常常会受到其它频率的干扰,因此,需要捕捉辐射源的精准位置,来减少无人机运行过程中所带来的危害;现如今,直接定位结束得到了越来越多的应用,多天线阵的DPD算法主要集中在均匀线阵上,由于阵列孔径有限,估计精度较低,无法在定位精度上得到显著的提高。传统的两步定位等算法中间步骤处理过多,影响了定位的精度,因此,现通常使用嵌套阵引进直接定位的方法来提高定位精度。
在申请号“201811031153.7”中,该文件通过嵌套阵的算法来定位辐射源的位置,在此过程中使用的是空间平滑MUSIC算法求得辐射源的具体位置,是从特征值中得到信号噪声子空间,并根据从信号噪声子空间中获取到具体的角度估计值,需要获取多个参数值,处理的参数信息较多影响了确认辐射源的具体定位位置。
在公开文件“多阵列中非圆信号借助于降维搜索和子空间数据融合的直接定位算法”中,使用了的是均匀线阵,限制了信源数的接收数目,定位精度不如嵌套阵列,也没有明确显示出具体算法的自由度。
在申请号“202010959291.2”中,使用的是Capon算法进行构造代价函数,Capon算法是利用一部分自由度在用户期望上形成主波束,并使用剩余的自由度在干扰信号上形成零点,但是在估计信号方向时并不如使用MUSIC算法更加精准,在其中虽然仅仅使用一个观测站实现多目标源的高精准定位,节省了需要多个观测站进行定位,但是所测量的精度并不高,所实现的算法自由度并不如申请号“201811031153.7”高。
因此,需要基于非圆多嵌套阵降维子空间数据融合的直接定位方法来解决上述问题。
发明内容
本发明的目的在于提供基于非圆多嵌套阵降维子空间数据融合的直接定位方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:基于非圆多嵌套阵降维子空间数据融合的直接定位方法,该方法包括如下步骤:
步骤一:在多个观测站中接收非圆信号并使用嵌套阵列模型进行定位;
步骤三:将和共阵和差共阵的子阵进行空间平滑并组合成虚拟阵列,并将虚拟阵列根据矩阵e=[0 1 0]T进行降维,去处非圆相位,得到代价函数fRD-SDF(p);
步骤四:将目标定为搜索区域划分为多个二维平面网格,获取网格点的代价函数值,其中峰值所对应的坐标即为目标源估计值;
子空间数据融合是指SDF。
在所述步骤一中,所使用的是两嵌套阵列定位模型进行定位,其中一个所使用为密集均匀线性子阵具有N1阵元且间距d1=d0的传感器,稀疏子阵具有阵元间距d1=d0的传感器;另一个稀疏阵有N2阵元,阵元间距d2=(N1+1)d0;
在所述步骤一中,所使用非圆信号可表示为
s(t)=Φs0(t);
其中:Φ为非圆相位。
在所述步骤二中,将信号矢量进行扩展,生成矢量化协方差,并生成和共阵和差共阵的步骤如下:
步骤2.1将信号矢量进行扩展得到新的矩阵;
步骤2.2接收信号协方差;
步骤2.3根据步骤2.2生成矢量化协方差;
步骤2.4根据步骤2.3生成和共阵和差共阵。
所述步骤2.1具体为:
第l(l=1,2,...,L)个观测站接收到的第k(k=1,2,...,K)个采样快拍时刻对应的接收信号复包络rl(k)表示为:rl(k)=Al(p)sl(k)+nl(k)
其中:nl(k)∈CM×1表示第l个观测站的天线阵列的噪声矢量,al(pq)为方向矢量,sl(k)为信号矢量;
sl(k)=[sl,1(k),sl,2(k),...,sl,Q(k)]T;
扩展信号矩阵为:
上式中:zl(k)第l个观测站接收到的扩展信号矢量,Al(pq)为第l个观测站时的接收信号的方向矩阵,bl(pq)为第l个观测站时的扩展方向矢量,nl(k)为第l个观测站的天线阵列的噪声矢量,sl(k)为源信号矢量的幅度,其中:
所述步骤2.2具体为
根据以下公式计算得到信号协方差:
所述步骤2.3具体为
根据上式得出矢量化协方差:
所述步骤2.4具体为
根据上式生成和共阵和差共阵
在所述步骤三中,将和共阵和差共阵的子阵进行空间平滑并组合成虚拟阵列的步骤如下:
步骤3.1:判断出差共阵DiffΙ经过空间平滑后的信号矩阵;
步骤3.2:判断出和共阵SUMI经过空间平滑后的信号矩阵;
步骤3.3:判断出和共阵SUMII经过空间平滑后的信号矩阵;
步骤3.4:将步骤3.1-步骤3.3中的信号矩阵进行组合,并得到空间平滑后的虚拟阵列。
所述步骤3.1具体为:将差共阵DiffΙ划分为等长等距的子阵,所形成的第一个平滑子阵列的方向矩阵为形成的第q个方向向量表示为经过空间平滑后所得信号矩阵将消除等效信号矩阵,并认为第一个空间平滑子阵为SS-Diff,其中:γ可视为等效入射信号向量,表示噪声功率,I是指单位矩阵,
进一步的,根据矢量化所得到差共阵1、和共阵1、和共阵2和差共阵2,差共阵1和差共阵2的阵元分布为[-(M1-1)d,(M1-1)d],其中M1=N1N2+N2,和共阵1与和共阵2的阵元分布为[-(M2-1)d,0]和[0,(M2-1)d],其中M2=N1N2+N1+N2;
令e=[0,1,0]T进行降维,得出代价函数为
与现有技术相比,本发明所达到的有益效果是:
本发明在无人机平台对辐射源进行监测并定位时,常常会受到其他频率的影响,从而无法及时了解辐射源的具体位置;本发明使用了非圆信号和嵌套阵定位模型,相比于使用均匀阵列算法,其自由度和判断辐射源的位置都大幅度提高,所识别源的数量也逐渐增加;使用了嵌套阵列RD-SDF算法,在进行空间平滑算法时,使用了和阵和差阵拼接在一起,形成了一种较长的虚拟阵列,通过此方法相比于公开文件所使用的方法更加简便,降低了算法应用在无人机平台中的复杂度,提高了应用过程中的实用性,使用了区别于公开文件的矩阵进行降维,使得非圆相位能够完全去除,同时降低了算法的复杂度,提高了算法的实用性能。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明基于非圆信号多嵌套阵降维子空间数据融合的直接定位方法的步骤示意图;
图2是本发明基于非圆信号多嵌套阵降维子空间数据融合的直接定位不同线阵性能对比的仿真示意图;
图3是本发明基于非圆信号多嵌套阵降维子空间数据融合的直接定位不同类型信号性能对比的仿真示意图;
图4是本发明基于非圆信号多嵌套阵降维子空间数据融合的直接定位方法的自由度仿真示意图。
图5是本发明基于非圆信号多嵌套阵降维子空间数据融合的直接定位方法的和差共阵图。
图6是本发明基于非圆信号多嵌套阵降维子空间数据融合的直接定位方法的平滑后虚拟阵列图。
具体实施方式
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,所描述的实施例仅仅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。
请参阅图1-6,本发明提供技术方案:基于非圆多嵌套阵降维子空间数据融合的直接定位方法,该方法包括如下步骤:
步骤一:在多个观测站中接收非圆信号并使用嵌套阵列模型进行定位;
步骤三:将和共阵和差共阵的子阵进行空间平滑并组合成虚拟阵列,并将虚拟阵列根据矩阵e=[0 1 0]T进行降维,去处非圆相位,得到代价函数fRD-SDF(p);
步骤四:将目标定为搜索区域划分为多个二维平面网格,获取网格点的代价函数值,其中峰值所对应的坐标即为目标源估计值。
在所述步骤一中,所使用的是两嵌套阵列定位模型进行定位,其中一个所使用为密集均匀线性子阵具有N1阵元且间距d1=d0的传感器,稀疏子阵具有阵元间距d1=d0的传感器;另一个稀疏阵有N2阵元,阵元间距d2=(N1+1)d0;
在上述过程中,在两级嵌套模型中使用的是稀疏子阵,相比于选择均匀线性子阵的精度和自由度更加高且好,与一般使用均匀线性子阵效果更加好,对于目标源的定位更加精准,具有更高的目标元精准定位精度。
在所述步骤一中,所使用非圆信号可表示为
s(t)=Φs0(t);
其中:Φ为非圆相位;
相比于复原信号随机矢量,它的协方差矩阵不为0,但是椭圆协方差等于零,对于非圆信号随机矢量来讲,上述结果都不为零,因此,假设非圆率为1,从而能够将非圆信号与嵌套阵定位模型相结合使用,降低了算法复杂度。
在所述步骤二中,将信号矢量进行扩展,生成矢量化协方差,并生成和共阵和差共阵的步骤如下:
步骤2.1将信号矢量进行扩展得到新的矩阵;
步骤2.2接收信号协方差;
步骤2.3根据步骤2.2生成矢量化协方差;
步骤2.4根据步骤2.3生成和共阵和差共阵。
所述步骤2.1具体为
第l(l=1,2,...,L)个观测站接收到的第k(k=1,2,...,K)个采样快拍时刻对应的接收信号复包络rl(k)表示为:rl(k)=Al(p)sl(k)+nl(k)
其中:nl(k)∈CM×1表示第l个观测站的天线阵列的噪声矢量,al(pq)为方向矢量,sl(k)为信号矢量;
sl(k)=[sl,1(k),sl,2(k),...,sl,Q(k)]T;
扩展信号矩阵为:
上式中:zl(k)第l个观测站接收到的扩展信号矢量,Al(pq)为第l个观测站时的接收信号的方向矩阵,bl(pq)为第l个观测站时的扩展方向矢量,nl(k)为第l个观测站的天线阵列的噪声矢量,sl(k)为源信号矢量的幅度,其中:
所述步骤2.2具体为
根据以下公式计算得到信号协方差:
所述步骤2.3具体为
根据上式得出矢量化协方差:
所述步骤2.4具体为
根据上式生成和共阵和差共阵
通过上述公式利用嵌套阵列的特点,得到矢量化方差,其中嵌套阵列能够使得自由度和精度得到显著的提高,根据矢量化方差所得到的和差共阵,能够清晰的了解到每个阵列的分布以及效果,从而在通过空间平滑技术平滑后的公式算法增加了自由度,提高了整体的识别信源;
相比于其它方法,这里使用了差共阵与和共阵,来得到更多的阵元数目,根据阵元数目能够得到更多的信号数目,实现和共阵与差共阵的阵元位置互补,将空洞内的数据进行有效添加,从而合理控制了阵元间距,得到了更多的信号数目;
而如果使用Capon算法的方法时,通常会使得算法定位效果不如SDF算法,而使用的均匀阵列会导致阵元数目过低,同时阵元之间的间距过大,从而导致定位精度较低;
在所述步骤三中,将和共阵和差共阵的子阵进行空间平滑并组合成虚拟阵列的步骤如下:
步骤3.1:判断出差共阵DiffΙ经过空间平滑后的信号矩阵;
步骤3.2:判断出和共阵SUMI经过空间平滑后的信号矩阵;
步骤3.3:判断出和共阵SUMII经过空间平滑后的信号矩阵;
步骤3.4:将步骤3.1-步骤3.3中的信号矩阵进行组合,并得到空间平滑后的虚拟阵列。
所述步骤3.1具体为:将差共阵DiffI划分为等长等距的子阵,所形成的第一个平滑子阵列的方向矩阵为形成的第q个方向向量表示为经过空间平滑后所得信号矩阵将消除等效信号矩阵,并认为第一个空间平滑子阵为SS-Diff,其中:γ可视为等效入射信号向量,表示噪声功率,I是指单位矩阵,
通过将平滑后的三个阵列首尾相连,提高了算法的实用性,在此过程中,降低了搜索位数,去除非圆相位,并且提高了阵列的自由度,使得平滑后的自由度变成了N1N2+2N1+N2,从而使得识别的源数量增加,同时使得定位精度增加;
在此过程中使用了差和共阵得到平滑后的接收信号,使用该方法能够实现直接进行定位,而不需要中间的步骤,减少了算法的复杂度,同时它相比于两步定位具有更好的稳定性和抗干扰能力,从而使得定位的结果能够更加精确。在上述过程中,由于等效信号向量是单快拍的相关信号,因此需要使用该方法来消除信号的相关性,它与传统对全阵列的空间平滑不同,传统的空间平滑技术,例如:加权前后向平滑等等,它在DOA相邻很近时无法准确估计,都必须牺牲孔径为代价,因此,当信号源数目足够大时,利用加权前后向平滑方法是无效的,因此通过本方法将三段空间平滑阵列首尾相接,将三段空间平滑子阵拼接在一起,形成了一个更长的虚拟阵列,在得到信号源之后,没有孔径的损失,体现了使用该方法的稳定性和优越性。
进一步的,根据矢量化所得到差共阵1、和共阵1、和共阵2和差共阵2,差共阵1和差共阵2的阵元分布为[-(M1-1)d,(M1-1)d],其中M1=N1N2+N2,和共阵1与和共阵2的阵元分布为[-(M2-1)d,0]和[0,(M2-1)d],其中M2=N1N2+N1+N2;
令e=[0,1,0]T进行降维,得出代价函数为
由于算法求解时需要进行高维搜索,本发明所使用的方法能够将二维搜索转化为一维搜索,从而大大降低了复杂度;
分离矩阵为使用该方法能够实现方向向量中非圆相位进行有效分离,其中e=[0,1,0]T,该方法仅能够运用在本方法的基础上进行使用,根据上述方法所得到的矩阵实现降维,从而使得RD-SDF的算法相比于一般的算法获得更多的信源,具备更大的空间自由度;
本方法与其他方法的最大区别在于,本发明对于判别角度和定位的方式并不相同,所体现的坐标数并不相同,所利用的是阵列接收数据矩阵的协方差在进行分解后所形成的噪声子空间与信号子空间进行正交的方法,通过上述形成的虚拟阵列平移扩大了阵元数量,提高了分辨率。
本方法在经过平滑步骤后,使得和阵与差阵拼接在一起,从而形成了一个较长的虚拟阵列,使得空间平滑算法自由度变成了N1N2+2N1+N2;本方法使用的是非圆信号特征,它相比于均匀阵列算法,本方法所提出自由度和精度都得到了大幅度的提高,同时定位精度得到了提升,所识别源的数量得到了增加。
实施例1:在此通过使用均方根误差(RMSE)来分析该算法的估计性能,
其中MC是蒙特卡罗(MC)模拟试验的次数,Q是目标源的数目,(xq,mc,yq,mc)表示第mc次仿真试验中第q个目标位置的估计值,(xq,yq)是目标的真实值。
图2给出了均匀线阵非圆信号降维SDF、两步定位以及嵌套阵列非圆信号的RD-SDF算法进行比较,其中快拍数为100。从图中可以看出,本发明提出的嵌套阵列非圆信号的RD-SDF算法性能优于均匀阵列非圆信号的RD-SDF算法和两步定位算法。
实施例2:图3给出了嵌套阵列非圆信号的RD-SDF算法与圆信号嵌套阵列SDF、圆信号嵌套阵列Capon以及两步定位进行比较,所提出的算法定位精度有了很大的提高,将提出的算法与两步定位相比,无需中间参数估计步骤避免信息的丢失,提升了定位精度,本发明提出的非圆信号嵌套阵列的RD-SDF算法性能优于圆信号算法和两步定位算法。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.基于非圆多嵌套阵降维子空间数据融合的直接定位方法,其特征在于:该方法包括如下步骤:
步骤一:在多个观测站中接收非圆信号并使用嵌套阵列模型进行定位;
步骤三:将和共阵和差共阵的子阵进行空间平滑并组合成虚拟阵列,并将虚拟阵列根据矩阵e=[0 1 0]T进行降维,去除非圆相位,得到代价函数fRD-SDF(p);
步骤四:将目标定为搜索区域划分为多个二维平面网格,获取网格点的代价函数值;
在所述步骤二中,将信号矢量进行扩展,生成矢量化协方差,并生成和共阵和差共阵的步骤如下:
步骤2.1将信号矢量进行扩展得到新的矩阵;
步骤2.2接收信号协方差;
步骤2.3根据步骤2.2生成的信号协方差生成矢量化协方差;
步骤2.4根据步骤2.3生成的矢量化协方差生成和共阵和差共阵;
所述步骤2.1具体为:
第l(l=1,2,...,L)个观测站接收到的第k(k=1,2,...,K)个采样快拍时刻对应的接收信号复包络rl(k)表示为:rl(k)=Al(p)sl(k)+nl(k);
其中:nl(k)∈CM×1表示第l个观测站的天线阵列的噪声矢量,al(pq)为方向矢量,sl(k)为信号矢量;
sl(k)=[sl,1(k),sl,2(k),...,sl,Q(k)]T;
扩展信号矩阵为:
上式中:zl(k)第l个观测站接收到的扩展信号矢量,Al(pq)为第l个观测站时的方向矩阵,bl(pq)为第l个观测站时的扩展方向矢量,nl(k)为第l个观测站的天线阵列的噪声矢量,sl(k)为源信号矢量的幅度,其中:
所述步骤2.2具体为:
根据以下公式计算得到信号协方差:
所述步骤2.3具体为:
根据下式得出矢量化协方差:
所述步骤2.4具体为:
根据下式生成和共阵和差共阵,
在所述步骤三中,将和共阵和差共阵的子阵进行空间平滑并组合成虚拟阵列的步骤如下:
步骤3.1:判断出差共阵Diff∩经过空间平滑后的信号矩阵;
步骤3.2:判断出和共阵SUMI经过空间平滑后的信号矩阵;
步骤3.3:判断出和共阵SUMII经过空间平滑后的信号矩阵;
步骤3.4:将步骤3.1-步骤3.3中的信号矩阵进行组合,并得到空间平滑后的虚拟阵列;
所述步骤3.1具体为:将差共阵DiffI划分为等长等距的子阵,所形成的第一个平滑子阵列的方向矩阵为形成的第q个方向向量表示为经过空间平滑后所得信号矩阵将消除等效信号矩阵,并认为第一个空间平滑子阵为SS-Diff;其中:γ可视为等效入射信号向量,表示噪声功率,I是指单位矩阵,
根据矢量化所得到差共阵1、和共阵1、和共阵2和差共阵2,差共阵1和差共阵2的阵元分布为[-(M1-1)d,(M1-1)d],其中M1=N1N2+N2,和共阵1与和共阵2的阵元分布为[-(M2-1)d,0]和[0,(M2-1)d],其中M2=N1N2+N1+N2;
令e=[0 1 0]T进行降维,得出代价函数为:
3.根据权利要求1所述的基于非圆多嵌套阵降维子空间数据融合的直接定位方法,其特征在于:在所述步骤一中,所使用非圆信号可表示为:s(t)=φs0(t);其中:φ为非圆相位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110591835.9A CN113391266B (zh) | 2021-05-28 | 2021-05-28 | 基于非圆多嵌套阵降维子空间数据融合的直接定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110591835.9A CN113391266B (zh) | 2021-05-28 | 2021-05-28 | 基于非圆多嵌套阵降维子空间数据融合的直接定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113391266A CN113391266A (zh) | 2021-09-14 |
CN113391266B true CN113391266B (zh) | 2023-04-18 |
Family
ID=77619428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110591835.9A Active CN113391266B (zh) | 2021-05-28 | 2021-05-28 | 基于非圆多嵌套阵降维子空间数据融合的直接定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113391266B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111413667A (zh) * | 2020-03-25 | 2020-07-14 | 北京邮电大学 | 一种信号的波达方向的确定方法、装置及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6658234B1 (en) * | 1995-06-02 | 2003-12-02 | Northrop Grumman Corporation | Method for extending the effective dynamic range of a radio receiver system |
WO2019057173A1 (zh) * | 2017-09-22 | 2019-03-28 | 华为技术有限公司 | 传感器数据处理的方法及装置 |
CN110443832A (zh) * | 2019-06-21 | 2019-11-12 | 西北工业大学 | 一种基于观测区间值的证据滤波目标跟踪方法 |
CN111929637A (zh) * | 2020-07-01 | 2020-11-13 | 华南理工大学 | 基于互质阵列差和虚拟扩充的一维波达方向估计方法 |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6018317A (en) * | 1995-06-02 | 2000-01-25 | Trw Inc. | Cochannel signal processing system |
US6697633B1 (en) * | 1995-06-02 | 2004-02-24 | Northrop Grummar Corporation | Method permitting increased frequency re-use in a communication network, by recovery of transmitted information from multiple cochannel signals |
US6208295B1 (en) * | 1995-06-02 | 2001-03-27 | Trw Inc. | Method for processing radio signals that are subject to unwanted change during propagation |
US7459696B2 (en) * | 2003-04-18 | 2008-12-02 | Schomacker Kevin T | Methods and apparatus for calibrating spectral data |
AU2014280898A1 (en) * | 2014-12-23 | 2016-07-07 | Canon Kabushiki Kaisha | Reconstruction algorithm for Fourier Ptychographic imaging |
WO2017011706A1 (en) * | 2015-07-15 | 2017-01-19 | Nuburu, Inc. | Applications, methods and systems for a laser deliver addressable array |
CN106021194B (zh) * | 2016-05-19 | 2017-10-03 | 哈尔滨工业大学 | 一种多传感器多目标跟踪偏差估计方法 |
US10430690B1 (en) * | 2018-04-20 | 2019-10-01 | Sas Institute Inc. | Machine learning predictive labeling system |
CN109375152B (zh) * | 2018-09-05 | 2020-08-07 | 南京航空航天大学 | 电磁矢量嵌套l阵下低复杂度的doa与极化联合估计方法 |
CN109239657A (zh) * | 2018-09-05 | 2019-01-18 | 南京航空航天大学 | 装载嵌套阵无人机平台下的辐射源高精度定位方法 |
US20200218946A1 (en) * | 2019-01-03 | 2020-07-09 | Luca Dell'Anna | Methods, architecture, and apparatus for implementing machine intelligence which appropriately integrates context |
CN109946643B (zh) * | 2019-03-18 | 2022-08-26 | 西安电子科技大学 | 基于music求解的非圆信号波达方向角估计方法 |
CN109932680B (zh) * | 2019-04-04 | 2022-05-20 | 哈尔滨工程大学 | 一种基于平移互质阵列的非圆信号波达方向估计方法 |
CN110209998B (zh) * | 2019-06-25 | 2022-04-01 | 北京信息科技大学 | 非理想信道下的最优序贯式融合估计方法 |
CN111308418B (zh) * | 2020-03-10 | 2021-11-23 | 慧众行知科技(北京)有限公司 | 一种对高度未知的目标进行二维定位的稳健方法 |
CN111896914A (zh) * | 2020-04-10 | 2020-11-06 | 中兴通讯股份有限公司 | 一种协同定位方法、装置、设备和存储介质 |
CN111965595A (zh) * | 2020-06-30 | 2020-11-20 | 南京航空航天大学 | 一种基于无人机的多非圆信源高精度直接定位方法 |
CN112180324B (zh) * | 2020-09-14 | 2023-10-27 | 南京航空航天大学 | 无人机移动监测中面向非圆信号的降维处理直接定位方法 |
CN112269160A (zh) * | 2020-12-17 | 2021-01-26 | 南京航空航天大学 | 一种基于无人机装载嵌套阵的多信源直接定位方法 |
-
2021
- 2021-05-28 CN CN202110591835.9A patent/CN113391266B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6658234B1 (en) * | 1995-06-02 | 2003-12-02 | Northrop Grumman Corporation | Method for extending the effective dynamic range of a radio receiver system |
WO2019057173A1 (zh) * | 2017-09-22 | 2019-03-28 | 华为技术有限公司 | 传感器数据处理的方法及装置 |
CN110443832A (zh) * | 2019-06-21 | 2019-11-12 | 西北工业大学 | 一种基于观测区间值的证据滤波目标跟踪方法 |
CN111929637A (zh) * | 2020-07-01 | 2020-11-13 | 华南理工大学 | 基于互质阵列差和虚拟扩充的一维波达方向估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113391266A (zh) | 2021-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zheng et al. | DOA estimation for coprime linear arrays: An ambiguity-free method involving full DOFs | |
CN107315160B (zh) | 基于内插虚拟阵列信号原子范数最小化的互质阵列波达方向估计方法 | |
Gershman et al. | One-and two-dimensional direction-of-arrival estimation: An overview of search-free techniques | |
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 | |
CN108375751B (zh) | 多信源波达方向估计方法 | |
CN111123192B (zh) | 一种基于圆形阵列和虚拟扩展的二维doa定位方法 | |
CN104991236B (zh) | 一种单基地mimo雷达非圆信号相干源波达方向估计方法 | |
Zhang et al. | Two-dimensional direction of arrival estimation for coprime planar arrays via polynomial root finding technique | |
CN109375152B (zh) | 电磁矢量嵌套l阵下低复杂度的doa与极化联合估计方法 | |
CN107037392A (zh) | 一种基于压缩感知的自由度增加型互质阵列波达方向估计方法 | |
CN111929637B (zh) | 基于互质阵列差和虚拟扩充的一维波达方向估计方法 | |
CN111049556A (zh) | 一种基于干扰协方差矩阵重构的互素阵稳健自适应波束形成方法 | |
CN113075610B (zh) | 一种基于互质极化阵列的差分阵列内插的doa估计方法 | |
CN108710758A (zh) | 基于嵌套阵和协方差矩阵重构的自适应波束形成算法 | |
CN111693947A (zh) | 基于互质阵列doa估计的改进music方法 | |
Dong et al. | Non-circular sources DOA estimation for coprime array with impulsive noise: A novel augmented phased fractional low-order moment | |
CN106980105B (zh) | 电磁矢量传感器阵列空间旋转解相干测向方法 | |
CN113391266B (zh) | 基于非圆多嵌套阵降维子空间数据融合的直接定位方法 | |
Yadav et al. | Underdetermined DOA estimation using arbitrary planar arrays via coarray manifold separation | |
CN109270483B (zh) | 三维阵虚拟扩展相干源二维波达方向估计方法 | |
Al-Sadoon et al. | A more efficient AOA method for 2D and 3D direction estimation with arbitrary antenna array geometry | |
CN109507634B (zh) | 一种任意传感器阵列下的基于传播算子的盲远场信号波达方向估计方法 | |
CN111830458B (zh) | 一种平行线阵单快拍二维测向方法 | |
CN114047481A (zh) | 一种基于子空间正交性的稳健自适应波束形成方法 | |
CN113281698A (zh) | 一种嵌套阵中基于级联的非高斯信源测向方法 |
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 |