CN113625219B - 基于稀疏贝叶斯学习的矢量共形阵列doa-极化参数联合估计方法 - Google Patents

基于稀疏贝叶斯学习的矢量共形阵列doa-极化参数联合估计方法 Download PDF

Info

Publication number
CN113625219B
CN113625219B CN202110696504.1A CN202110696504A CN113625219B CN 113625219 B CN113625219 B CN 113625219B CN 202110696504 A CN202110696504 A CN 202110696504A CN 113625219 B CN113625219 B CN 113625219B
Authority
CN
China
Prior art keywords
vector
polarization
conformal array
array
doa
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
Application number
CN202110696504.1A
Other languages
English (en)
Other versions
CN113625219A (zh
Inventor
蓝晓宇
王靖宙
邹岩
姜来
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.)
Shenyang Aerospace University
Original Assignee
Shenyang Aerospace University
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 Shenyang Aerospace University filed Critical Shenyang Aerospace University
Priority to CN202110696504.1A priority Critical patent/CN113625219B/zh
Publication of CN113625219A publication Critical patent/CN113625219A/zh
Application granted granted Critical
Publication of CN113625219B publication Critical patent/CN113625219B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO 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
    • G01S3/00Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received
    • G01S3/02Direction-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
    • G01S3/14Systems for determining direction or deviation from predetermined direction
    • G01S3/143Systems for determining direction or deviation from predetermined direction by vectorial combination of signals derived from differently oriented antennae
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO 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
    • G01S3/00Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received
    • G01S3/02Direction-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
    • G01S3/14Systems for determining direction or deviation from predetermined direction
    • G01S3/146Systems for determining direction or deviation from predetermined direction by comparing linear polarisation components

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于稀疏贝叶斯学习的矢量共形阵列DOA‑极化参数联合估计方法,通过利用信号内在具有的稀疏结构特征,将矢量共形阵列的输出信号模型转换为以稀疏贝叶斯表示的矢量共形阵列信号模型后,利用压缩感知方法,提高了子空间的估计精度,在低信噪比和小样本数目基础上,实现高精度的DOA‑极化联合估计;该基于稀疏贝叶斯学习的矢量共形阵列DOA‑极化参数联合估计方法,具有方法简单、易行、精度高等优点。

Description

基于稀疏贝叶斯学习的矢量共形阵列DOA-极化参数联合估计 方法
技术领域
本发明公开涉及天线阵列信号处理的技术领域,尤其涉及一种基于稀疏贝叶斯学习的矢量共形阵列DOA-极化参数联合估计方法。
背景技术
作为现代信号处理的一个重要分支,阵列信号处理在经历了四十多年的蓬勃发展后,在射电天文、图像识别、医学检测、移动通信、地震勘探、声纳和雷达等领域的关键技术已经有了成熟的应用。随着新型技术的进一步发展,势必要求天线阵列具备更好的抗干扰性能、更高的信号分辨力、更稳健的检测能力以及更轻、更小的荷载和更大的观察范围。信号的波达方向角DOA估计是阵列信号处理领域的一个重要分支,它是指利用天线阵列对空间信号进行感应接收,再运用现代信号处理方法快速准确的估计出信号源的方向,在雷达、航空航天、生物医学等领域具有重要应用价值。随着科学技术的不断发展,对信号波达方向估计的精确度和分辨率也逐渐有越来越高的要求。
波达方向(Direction of arrival,DOA)估计,也称角度估计,是共形阵列目标探测的研究热点之一,其基本思想是利用阵列信号处理的方法获得信号到达阵列参考阵元时的入射角。与传统平面阵列不同的是,共形天线单元的方向图指向不一致,导致信源方位和极化参数耦合在阵列流型中,具有多极化特性。因此,在共形阵列的DOA估计当中,不仅需要估计信源的DOA,还要估计极化参数,即极化DOA联合估计。传统阵列多采用标量传感器,只能获得信源的方位信息,不能接收到极化信息,而电磁矢量传感器可以同时获得信源的空域信息和极化信息,拥有更强的抗干扰能力,较高的分辨能力,稳健的检测能力和极化多址能力。因此,研究由电磁矢量传感器构成的共形阵列的极化DOA估计算法具有十分重要的意义。
目前,无论是针对共形阵列还是矢量阵列的极化DOA估计研究,主要还是根据它们与传统阵列信号模型相似的特性,将传统DOA估计技术扩展到共形和矢量阵列当中,也因此涌现了一批以子空间类算法为主流的DOA估计算法,如多重信号分类算法、旋转不变技术等。此类算法的核心思想是利用噪声子空间和信号子空间的正交性构建空间谱函数,来实现高精度的DOA估计,因此,算法性能直接取决于接收数据协方差矩阵、信号/噪声子空间的估计精度,这就需要接收信号具有足够的信噪比和快拍(样本)数。在实际电磁环境中,信号日益密集,干扰信号增加以及目标机动性增强等现象,都会使接收信号面临低信噪比和小快拍数的问题,从而造成算法性能恶化甚至失效。综上所述如何实现稳健的极化DOA联合估计是矢量共形阵列信号处理所面临的关键问题。
发明内容
鉴于此,本发明提供了一种基于稀疏贝叶斯学习的矢量共形阵列DOA-极化参数联合估计方法,以解决以往的估计方法存在稳健性差、精度低的问题。
本发明提供的技术方案,具体为,一种基于稀疏贝叶斯学习的矢量共形阵列DOA-极化参数联合估计方法,其特征在于,包括如下步骤:
S1:建立极化阵列对信号的接收模型,所述接收模型具体为:
Y(n)=Ax(n)+N(n)
其中,A为空域导向矢量矩阵;x(n)是K×1维信号矢量;N(n)为噪声矩阵;
S2:根据矢量共形阵列输出信号的稀疏结构特性,将所述矢量共形阵列的输出信号模型转换为以稀疏特征表示的矢量共形阵列信号模型;
S3:基于所述以稀疏特征表示的矢量共形阵列信号模型,利用谱峰搜索,获取入射信号的DOA估计值;
S4:构建极化参数估计的目标函数,利用所述目标函数的最大特征值对应的特征向量,求得极化参数。
优选,步骤S2中,所述以稀疏特征表示的矢量共形阵列信号模型,具体为:
Y(n)=Φ(β)x(n)+N(n),n=1,…,N;
其中,Φ(β)=A+Bdiag(β);A为空域导向矢量矩阵;K表示入射到矢量共形阵列的信号个数;/> 为与目标真实入射方向θj相隔最近的采样网格;N为矢量共形阵列的快拍数。
进一步优选,步骤S3中,基于所述以稀疏特征表示的矢量共形阵列信号模型,利用谱峰搜索,获得DOA参数的估计,具体为:
S301:构造超参数α0、α以及β,
其中,M为阵元数,N为快拍数,d为阵元间距,Σnn为协方差的第n个对角元素,/>ρ为大于零的很小的常数,/>Un为U的第n行,U=[μ(1),…,μ(N)]=α0ΣΦHY,P为半正定矩阵,且/>Σ为协方差,/>
S302:初始化参数α0,α和β,由参数α0,α和β,根据S301中的公式求解计算获得μ和Σ;再计算获得的μ和Σ,根据S301中的公式更新求解参数α0,α和β,以此往复,直至判定迭代次数达到最大迭代次数或误差小于收敛条件,执行步骤S303;
S303:基于功率谱函数通过搜索谱峰,获取入射信号的DOA估计值。
进一步优选,所述功率谱函数具体为:
其中,U=[μ(1),…,μ(N)]=α0ΣΦHY,为/>的第n行,/>为信号方差的第n个对角元素。
进一步优选,步骤S4中,构建的极化参数估计的目标函数,具体为:
L(θ,γ,η)=EH(γ,η)H(θ)E(γ,η)-μ[EH(γ,η)E(γ,η)-1]
其中,H表示磁场强度E表示电场强度矢量,θ,γ,η分别表示方位角,极化辅助角以及极化相位差。
本发明提供的基于稀疏贝叶斯学习的矢量共形阵列DOA-极化参数联合估计方法,通过利用信号内在具有的稀疏结构特征,将矢量共形阵列的输出信号模型转换为以稀疏贝叶斯表示的矢量共形阵列信号模型后,利用压缩感知方法,提高了子空间的估计精度,在低信噪比和小样本数目基础上,实现高精度的DOA-极化联合估计。
本发明提供的基于稀疏贝叶斯学习的矢量共形阵列DOA-极化参数联合估计方法,具有方法简单、易行、精度高等优点。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明的公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的实施例中涉及的矢量共形阵列的示意图;
图2为采用本发明算法估计的DOA参数示意图(迭代循坏1000次);
图3为采用本发明算法的RMSE性能随信噪比变化的示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的方法的例子。
为了解决以往的估计方法存在精度低的问题,本实施方案提供了一种基于稀疏贝叶斯的矢量共形阵列DOA-极化联合估计方法,其中,矢量共形阵列是指在具有曲率的物体表面铺设电磁矢量传感器阵列而构成的共形阵列,其常见的结构包括柱面共形阵列、锥面共形阵列以及球面等共形阵列等。
上述基于稀疏贝叶斯的矢量共形阵列DOA-极化联合估计方法,具体包括如下步骤:
第一步,假设空间有K个远场窄带信号入射到该阵列中,其中,第k个入射信号的到达角和极化参数分别为(θkkk),方位角θk∈[0°,180°],极化辅助角γk∈[0°,90°],极化相位差ηk∈[0°,360°],极化敏感阵列的信号接收模型可以表示为:
其中,A为空域导向矢量矩阵;x(n)是K×1维信号矢量;N(n)为噪声矩阵;a为第m个信号的导向矢量。
第二步,根据输出信号有的稀疏结构特性,将矢量共形阵列的输出信号模型转换为以稀疏特征表示的矢量共形阵列信号模型;
具体为:将角度空间划分成J个采样网格其中,网格数J通常满足J>>M>K,M为阵元数,K为入射信号的个数,若/>为与目标真实入射方向θj相隔最近的采样网格,则有/>式中/>
β=[β12,…,βN]T且服从均匀分布,β=[-0.5r,0.5r]N,Φ(β)=A+Bdiag(β),其中n∈{1,…,N}。有/>xl(t)=sk(t),式中是距离θk最近的网格点。所以公式(1)中的数学模型可进一步写为:
y(n)=Φ(β)x(n)+N(n) n=1,…,N (2)
第三步:构造三阶分层的稀疏先验:
第一层先验是对矩阵X采用均值为零的高斯先验:
p(X;ρ)=∫p(X|α)p(α;ρ)dα (3)
其中ρ>0,α∈RN,Λ=diag(α),且
第二层先验是对α0施加Chi2超先验,
p(α0|v)=χ20|v) (6)
式中:χ20|v)=[Γ(v/2)]-12-v/2α0 v/2-1exp(-α0/2)。
第三层先验是假设β服从均匀分布的先验信息,可以表示为:
第四步,对超参数α0、β进行更新。定义U=[μ(1),…,μ(N)]=α0ΣΦHY, 可得:
其中,
其中P为半正定矩阵,且:
根据式(8)~(10),交替更新μ和Σ以及参数α0,α和β来判定迭代次数是否达到最大迭代次数或误差是否小于收敛条件,若满足条件之一,进入步骤五,否则继续迭代;
步骤五,当参数更新迭代完成后,可利用空域内潜在目标方位的信号功率估计值构造空间谱,通过搜索谱峰从而获取入射信号的DOA值,式(13)表示信号的空间谱,在字典第n列对应空域角度的信号功率为:
其中, 为/>的第n行,/>是信号方差的第n个对角元素。可通过计算求功率谱函数/>利用谱峰对应的角度索引来获取入射信号的信号个数和DOA估计值。然后根据得到的精确DOA角度,构造极化参数估计的目标函数,从而得到极化参数估计,最终实现DOA-极化参数的稳健估计。
下面以图1中所示的柱面矢量共形阵列为例,对上述实施方案中提供的估计方法进行进一步的详细解释。
如图1所示,该柱面矢量共形阵列,在一个半径为r的圆柱面上沿圆弧方向以固定角度间隔均匀贴放了M个矢量传感器阵元,起始阵元位于X轴的正半轴。
上述柱面矢量共形阵列的输出信号为:
1)单个矢量阵元的极化域导向矢量
假设阵元均为完备得矢量传感器,其每个阵元可输出三个电场向量(ex,ey,ez)和三个磁场分量(hx,hy,hz)。假设有K个完全极化电磁波从无穷远处沿方向以方位(θii),i=1,...,K,方向入射到该阵元,如图2所示。其中,θi和φi分别为第i个入射信号在全局坐标系中的俯仰角和方位角。则对于第k个完全极化电磁波,其单个矢量阵元的极化域导向矢量可以表示为:
公式(14)中,bk表示极化域-空域联合导向矢量,Vk反映了信号的空间,ρk体现了信号的极化状态,η为信号的极化相位差,γ为信号的极化幅度角,和/>为电场矢量的两个分量,如图3所示。因此,矢量传感器的输出不仅含有信号的空间信息Vk,还含有信号的极化信息ρk
2)整个矢量共形阵列的导向矢量
假设在第k个窄带远场信号的入射下,其方位角和俯仰角为(θkk),传播矢量uk=[sinθkcosφk,sinθksinφk,cosθk]T。考虑由于矢量共形阵曲率的影响,该阵列中每个阵元的方向图均有不同的指向。因此,以坐标原点为参考点,第m个阵元对第k个信号的空域导向矢量为:
公式(15)中,gk为M个矢量传感阵元经过欧拉旋转变换后得到的全局坐标系下的方向图矩阵,dk为相对坐标系参考点的时延相位矩阵,“·”表示Hadamard积,“⊙”表示Khatri-Rao积,且gk和dk有如下表达式:
gk=gkkk)=[g1kk),…,gMkk)]T (16)
3)全矢量共形阵列的接收信号模型
在有N个数据样本的情况下,该全矢量共形阵列的接收信号模型可以表示为:
公式(18)中,n=1,…,N为快拍个数,是M×K维的极化-角度域导向矢量矩阵,Y(n)和N(n)分别是接收信号矢量和噪声矢量,x(n)是K×1维信号矢量。
3)根据输出信号有的稀疏结构特性,将矢量共形阵列的输出信号模型转换为以稀疏特征表示的矢量共形阵列信号模型,具体为:将角度空间划分成J个采样网格其中网格数J通常满足J>>M>K,M为阵元数,K为信号个数,若/>为与目标真实入射方向θj相隔最近的采样网格,则有/>式中/>令/>β=[β12,…,βN]T且服从均匀分布,β=[-0.5r,0.5r]N,Φ(β)=A+Bdiag(β),其中n∈{1,…,N},有/>xn(t)=sk(t),式中/>是距离θk最近的网格点。所以公式(18)中的数学模型可进一步写为:
y(n)=Φ(β)x(n)+N(n) n=1,…,N (19)
4)构造三阶分层的稀疏先验:
第一层先验是对矩阵X采用均值为零的高斯先验:
p(X;ρ)=∫p(X|α)p(α;ρ)dα (20)
其中ρ>0,α∈RN,Λ=diag(α),且
第二层先验是对α0施加Chi2超先验,
p(α0|v)=χ20|v) (23)
式中:χ20|v)=[Γ(v/2)]-12-v/2α0 v/2-1exp(-α0/2)。
第三层先验是假设β服从均匀分布的先验信息,可以表示为:
5)对超参数α0、β进行更新。定义U=[μ(1),…,μ(N)]=α0ΣΦHY, 可得:
其中
其中P为半正定矩阵,且:
根据式(24)~(26),交替更新μ和Σ以及参数α0,α和β来判定迭代次数是否达到最大迭代次数或误差是否小于收敛条件,若满足条件之一,进入步骤6),否则继续迭代;
6)当参数更新迭代完成后,可利用空域内潜在目标方位的信号功率估计值构造空间谱,通过搜索谱峰从而获取入射信号的DOA值,式(29)表示信号的空间谱,在字典第n列对应空域角度的信号功率为:
其中, 为/>的第n行,/>是信号方差的第n个对角元素。可通过计算求功率谱函数/>利用谱峰对应的角度索引来获取入射信号的信号个数和DOA估计值。
7)由于极化敏感阵列信号的导向矢量与观测矩阵的相关性较大,因此求解极化参数问题可等同为如下式的优化问题来求解:
其中,Y为阵列接收数据矢量矩阵。
其中:
H(θ)=aH s,p(θ)YYHas,p(θ) (32)
则求解优化问题就等价于如下问题:
max Eγ,η HH(θ)Eγ,ηs.t.|Eγ,η|2=1 (33)
建立代价函数:
L(θ,γ,η)=EH(γ,η)H(θ)E(γ,η)-u[EH(γ,η)E(γ,η)-1] (34)
其中,H表示磁场强度E表示电场强度矢量,θ,γ,η分别表示方位角,极化辅助角以及极化相位差。
对E(γ,η)求梯度,并令其结果等于0,可求得:
即H(θ)Eγ,η=uEγ,η
由此可得,Eγ,η为H(θ)的特征值u所对应的特征向量,要使Eγ,η HH(θ)Eγ,η最大则等同于u取最大值。H(θ)最大特征值u对应的特征向量为Eγ,η,即:
Eγ,η=vmax[H(θ)]
令hk=vmax(H(θk)),则可求得:
从而得到极化参数估计,最终实现DOA-极化参数的稳健估计。
在研究中阵列模型为均匀阵列。在仿真中,设有三个独立互不相关的信号源入射到如图1所示的柱面共形矢量阵列上,其对应的DOA及极化参数(θ,γ,η)分别为(-40°,50°,60°),(-10°,40°,5°),(20°,70°,50°)。
图2为本实施方案对三个目标的DOA参数进行估计的仿真图,设置信噪比SNR=20dB,样本数为200,迭代循环次数1000次。从图中可以看出本发明对DOA参数可以进行准确有效的估计,且精度较高。
图3为本实施方案算法的均方根误差(RMSE)性能对比图。图3中仿真条件同图2,设置样本数为200,迭代循环次数1000次,信噪比SNR从-10dB变化到10dB。由图可知,本实施方案所提供的算法估计精度较高。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述的内容,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (1)

1.一种基于稀疏贝叶斯学习的矢量共形阵列DOA-极化参数联合估计方法,其特征在于,包括如下步骤:
S1:建立极化阵列对信号的接收模型,所述接收模型具体为:
Y(n)=Ax(n)+N(n)
其中,A为空域导向矢量矩阵;x(n)是K×1维信号矢量;N(n)为噪声矩阵;
S2:根据矢量共形阵列输出信号的稀疏结构特性,将所述矢量共形阵列的输出信号模型转换为以稀疏特征表示的矢量共形阵列信号模型;
S3:基于所述以稀疏特征表示的矢量共形阵列信号模型,利用谱峰搜索,获取入射信号的DOA估计值;
S4:构建极化参数估计的目标函数,利用所述目标函数的最大特征值对应的特征向量,求得极化参数;
步骤S2中,所述以稀疏特征表示的矢量共形阵列信号模型,具体为:
Y(n)=Φ(β)x(n)+N(n),n=1,…,N;
其中,Φ(β)=A+Bdiag(β);A为空域导向矢量矩阵;K表示入射到矢量共形阵列的信号个数;/> 为目标真实入射角度,θk为相隔最近的采样网格点;N为矢量共形阵列的快拍数;
步骤S3中,基于所述以稀疏特征表示的矢量共形阵列信号模型,利用谱峰搜索,获得DOA参数的估计,具体为:
S301:构造超参数α0、α以及β,
其中,M为阵元数,N为快拍数,d为阵元间距,Σnn为协方差的第n个对角元素,/>ρ为大于零的很小的常数,/>Un为U的第n行,U=[μ(1),…,μ(N)]=α0ΣΦHY,P为半正定矩阵,且/>Σ为协方差,/>
S302:初始化参数α0,α和β,由参数α0,α和β,根据S301中的公式求解计算获得μ和Σ;利用计算获得的μ和Σ,根据S301中的公式更新求解参数α0,α和β,以此往复,直至判定迭代次数达到最大迭代次数或误差小于收敛条件,执行步骤S303;
S303:基于功率谱函数通过搜索谱峰,获取入射信号的DOA估计值;
所述功率谱函数具体为:
其中,U=[μ(1),…,μ(N)]=α0ΣΦHY,为/>的第n行,/>为信号方差的第n个对角元素;
步骤S4中,构建的极化参数估计的目标函数,具体为:
L(θ,γ,η)=EH(γ,η)H(θ)E(γ,η)-μ[EH(γ,η)E(γ,η)-1]
其中,H(θ)表示磁场强度,E(γ,η)表示电场强度矢量,θ,γ,η分别表示方位角,极化辅助角以及极化相位差。
CN202110696504.1A 2021-06-23 2021-06-23 基于稀疏贝叶斯学习的矢量共形阵列doa-极化参数联合估计方法 Active CN113625219B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110696504.1A CN113625219B (zh) 2021-06-23 2021-06-23 基于稀疏贝叶斯学习的矢量共形阵列doa-极化参数联合估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110696504.1A CN113625219B (zh) 2021-06-23 2021-06-23 基于稀疏贝叶斯学习的矢量共形阵列doa-极化参数联合估计方法

Publications (2)

Publication Number Publication Date
CN113625219A CN113625219A (zh) 2021-11-09
CN113625219B true CN113625219B (zh) 2023-10-13

Family

ID=78378197

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110696504.1A Active CN113625219B (zh) 2021-06-23 2021-06-23 基于稀疏贝叶斯学习的矢量共形阵列doa-极化参数联合估计方法

Country Status (1)

Country Link
CN (1) CN113625219B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104749553A (zh) * 2015-04-10 2015-07-01 西安电子科技大学 基于快速稀疏贝叶斯学习的波达方向角估计方法
CN109116293A (zh) * 2018-08-22 2019-01-01 上海师范大学 一种基于离格稀疏贝叶斯的波达方向估计方法
CN109444810A (zh) * 2018-12-24 2019-03-08 哈尔滨工程大学 一种非负稀疏贝叶斯学习框架下的互质阵列非网格doa估计方法
CN110716171A (zh) * 2019-08-28 2020-01-21 上海无线电设备研究所 一种基于遗传算法的极化doa联合估计方法
CN110954860A (zh) * 2019-12-18 2020-04-03 金陵科技学院 一种doa和极化参数估计方法
CN112505685A (zh) * 2020-10-15 2021-03-16 中国人民解放军空军预警学院 基于bsbl-em算法的分离式极化敏感阵列相干信号doa和极化参数估计
CN112731278A (zh) * 2020-12-28 2021-04-30 杭州电子科技大学 一种部分极化信号的角度与极化参数欠定联合估计方法
CN112924925A (zh) * 2021-01-25 2021-06-08 西安电子科技大学 基于稀疏贝叶斯学习的机载三维异构阵doa估计方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090060008A1 (en) * 2007-08-29 2009-03-05 Harris Corporation System and method for blind source separation of signals using noise estimator

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104749553A (zh) * 2015-04-10 2015-07-01 西安电子科技大学 基于快速稀疏贝叶斯学习的波达方向角估计方法
CN109116293A (zh) * 2018-08-22 2019-01-01 上海师范大学 一种基于离格稀疏贝叶斯的波达方向估计方法
CN109444810A (zh) * 2018-12-24 2019-03-08 哈尔滨工程大学 一种非负稀疏贝叶斯学习框架下的互质阵列非网格doa估计方法
CN110716171A (zh) * 2019-08-28 2020-01-21 上海无线电设备研究所 一种基于遗传算法的极化doa联合估计方法
CN110954860A (zh) * 2019-12-18 2020-04-03 金陵科技学院 一种doa和极化参数估计方法
CN112505685A (zh) * 2020-10-15 2021-03-16 中国人民解放军空军预警学院 基于bsbl-em算法的分离式极化敏感阵列相干信号doa和极化参数估计
CN112731278A (zh) * 2020-12-28 2021-04-30 杭州电子科技大学 一种部分极化信号的角度与极化参数欠定联合估计方法
CN112924925A (zh) * 2021-01-25 2021-06-08 西安电子科技大学 基于稀疏贝叶斯学习的机载三维异构阵doa估计方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Liu Zhangmeng.DOA and polarization estimation via signal reconstruction with linear polarization-sensitive arrays.《Chinese Journal of Aeronautics》.2015,第28卷(第6期),第1718-1724页. *
司伟建等.基于阵列基线旋转的多目标DOA估计算法.《系统工程与电子技术》.2014,第36卷(第5期),第809-815页. *
文方青等.基于子空间和稀疏贝叶斯学习的低信噪比下波达角估计方法.《数据采集与处理》.2013,第28卷(第4期),第460-465页. *

Also Published As

Publication number Publication date
CN113625219A (zh) 2021-11-09

Similar Documents

Publication Publication Date Title
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
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
CN112051540B (zh) 一种快速高精度测向方法
CN109239646B (zh) 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
CN111398902A (zh) 一种直角三角形三元水听器阵被动测距测向方法
CN109696657A (zh) 一种基于矢量水听器的相干声源定位方法
CN113466782B (zh) 一种基于深度学习(dl)的互耦校正doa估计方法
CN113835063B (zh) 一种无人机阵列幅相误差与信号doa联合估计方法
Elvander et al. Tracking and sensor fusion in direction of arrival estimation using optimal mass transport
CN111830459B (zh) 基于离散函数偏导数的共形阵列极化-doa估计精度分析方法
CN113759303A (zh) 一种基于粒子群算法的无网格波达角估计方法
CN113625219B (zh) 基于稀疏贝叶斯学习的矢量共形阵列doa-极化参数联合估计方法
CN113093098B (zh) 基于lp范数补偿的轴向不一致矢量水听器阵列测向方法
CN112800596B (zh) 强冲击噪声下基于嵌套阵列的鲁棒动态测向方法
CN107677988B (zh) 一种基于特殊非均匀线阵的高效压缩感知测向方法
Liu et al. Unified ESPRIT spatial spectrum for Direction-of-Arrival estimation with an arbitrary sparse array
CN114355279A (zh) 基于变分稀疏贝叶斯学习的矢量共形阵列doa-极化参数联合估计方法
CN113378103B (zh) 一种强冲击噪声下相干分布源动态跟踪方法
CN115792792B (zh) 极低样本下基于协方差矩阵迭代估计的测向方法与系统
CN112363106B (zh) 基于量子粒子群的信号子空间波达方向检测方法及系统
Peng et al. An end-to-end DOA estimation method based on deep learning for underwater acoustic array
Hou et al. Doa estimation of uncorrelated, partly correlated and coherent signals using alternating oblique projection
Montlouis et al. DOA and angular velocity estimation using planar array with subspace based initialization
CN113050028A (zh) 基于张量的矢量共形阵列极化-doa联合估计方法
CN114200391A (zh) 一种适用于任意平面传感器阵列的波达方向估计及定位方法

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