CN115514389B - 一种同步直扩信号的源数估计方法 - Google Patents
一种同步直扩信号的源数估计方法 Download PDFInfo
- Publication number
- CN115514389B CN115514389B CN202211133327.7A CN202211133327A CN115514389B CN 115514389 B CN115514389 B CN 115514389B CN 202211133327 A CN202211133327 A CN 202211133327A CN 115514389 B CN115514389 B CN 115514389B
- Authority
- CN
- China
- Prior art keywords
- matrix
- signal
- estimation
- source
- rank
- 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 41
- 230000001360 synchronised effect Effects 0.000 title claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims abstract description 82
- 230000011218 segmentation Effects 0.000 claims abstract description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 3
- 230000007812 deficiency Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 6
- 238000000926 separation method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 229940050561 matrix product Drugs 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
- H04B1/69—Spread spectrum techniques
- H04B1/707—Spread spectrum techniques using direct sequence modulation
- H04B1/7073—Synchronisation aspects
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
-
- 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)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Electromagnetism (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明提供了一种同步直扩信号的源数估计方法,通过将每个阵元的接收信号分段重构,使得重构后的观测矩阵可以重新结合经典的信源数目估计方法,避免了在波达方向重合时经典方法失效的问题,并提出了一种新的判决准则,能够改善比值法的性能,进一步提高了信源估计的准确率,通过重构观测矩阵,避免了导向矩阵秩亏;最后提出了用特征值比值的导数作为判决函数,改善了比值法的效果,提高了信源估计的准确率。本发明实现了在信源波达方向重合时的信源数估计,该方法同时适用于白噪声和有色噪声背景,在较低的信噪比下也具有良好的估计性能,同时该方法在欠定的情况下也能够稳定地实现信源数估计。
Description
技术领域
本发明涉及信号处理领域,具体为一种判断源信号数目的参数估计方法。
背景技术
阵列信号处理作为信号处理领域的一个重要分支,其在雷达、语音处理、无线通信、射电天文和医学诊断等领域有着十分重要且广泛的应用。相比使用单个传感器,利用阵列具有获得更多的空间信息和更高的信号增益等优势,因此阵列信号处理技术近几十年来一直在蓬勃发展。
在阵列信号处理中信源数目往往假设已知,许多经典的DOA方法如MUSIC和ESPRIT等需要依据信源数目才能够正确地划分信号子空间和噪声子空间,从而估计出目标的方向;在语音盲源分离领域,经典的盲源分离方法如Fast-ICA、JADE等也需要根据信源数目才能够成功地分离出各个源信号;在直扩信号系统参数估计中,伪码周期和伪码序列等估计方法往往也需要信源数目这一先验信息;信源数目的不准估计通常会直接影响以上方法的性能结果。
在众多信源数估计方法中,基于信息论的Akaike信息论准则(AIC)和最小描述长度准则(MDL)是最为常见的方法,但是该方法不适用于色噪声背景,Hsien-Tsai Wu等提出的盖世圆盘法(GDE)根据盖世圆盘的半径划分信号和噪声子空间,能够实现色噪声下的信源数估计,但低信噪比下表现不佳。A.P.Liavas等基于对数函数重新拟合特征值减少了噪声的离散程度,能够在色噪声小快拍下估计信源数。D.T.Hoang利用对数特征值构建LogECNet分类网络进一步提高了估计精度,但是在非合作情况下获取数据困难使得其应用受到限制。李鑫凯等结合平滑秩方法和盖氏圆方法研究了多用户周期和非周期长码的信源数估计问题。以上对信源数估计的研究大多都没有考虑信源之间波达方向很近时的情况,此时导向矩阵不满足列满秩的条件,会严重影响源数估计方法的性能,当信源之间的波达方向相同时,经典的信源估计方法会失效。
发明内容
为了克服现有技术的不足,本发明提供一种同步直扩信号的源数估计方法。针对信源波达方向相同时同步直扩信号的信源数估计问题,本发明提出了一种分段重构的方法,通过将每个阵元的接收信号分段重构,使得重构后的观测矩阵可以重新结合经典的信源数目估计方法,避免了在波达方向重合时经典方法失效的问题,并提出了一种新的判决准则,能够改善比值法的性能,进一步提高了信源估计的准确率。
针对同步直扩信号信源数估计方法在信源之间的波达方向很近时性能下降甚至失效的问题,本发明提出了一种针对同步直扩信号的信源数估计方法,通过重构观测矩阵,避免了导向矩阵秩亏;最后提出了用特征值比值的导数作为判决函数,改善了比值法的效果,提高了信源估计的准确率。本发明利用直扩信号扩频码之间的不相关性,实现了在信源波达方向重合时的信源数估计,该方法同时适用于白噪声和有色噪声背景,在较低的信噪比下也具有良好的估计性能,同时该方法在欠定(阵元数小于信源数)的情况下也能够稳定地实现信源数估计。
针对在同步直扩系统中,当信源之间的波达方向很近时造成信源数估计方法性能下降甚至失效的问题,本发明提出了针对同步直扩信号的信源数估计方法。
本发明解决其技术问题所采用的技术方案包括如下步骤:
步骤一:利用阵列得到接收信号X(t),并将第r个阵元的接收信号单独提取出来,记为xr;
步骤二:将xr按照码元长度分段得到
其中L是xr的长度,L0是码元长度,表示xr的第i段数据;
步骤三:将组成重构矩阵Xr:
其中p是分段数目,满足p=[L/L0];
步骤四:计算重构矩阵Xr的协方差矩阵,得到重构协方差矩阵Rr:
Rr=E(XrXr H) (3)
其中H代表共轭转置;
步骤五:对重构协方差矩阵Rr取平均值,得到平均协方差矩阵Rx:
其中M为阵元个数;
步骤六:对平均协方差矩阵Rx进行特征分解:
Rx=U∑UH (5)
其中U是特征值对应的特征向量矩阵,∑是由特征值组成的对角阵;
步骤七:将特征值矩阵∑中的特征值λ按照从大到小排列,从大到小排列后计算特征值序列的比值导数,比值导数γi按照式(7)计算:
其中,i=1,2,…,p-2;
步骤八:计算比值导数γi取最大时i的取值,该值等于信源数目的估计值k;
最终实现信源波达方向相同时的同步直扩信号的信源数目估计。
所述步骤四中,重构协方差矩阵Rr为:
式中,Rs为源信号的协方差矩阵,为重构噪声协方差矩阵,H代表共轭转置,I代表单位矩阵,A表示分段信号的导向矩阵;其中:
式(4)Sp表示经过截取后第p段源信号矩阵,fs代表采样率,式(11)中aK为第k个信源的信号幅度,θi是第i个源信号的方向角,λ是源信号的波长,重构后的协方差矩阵中,第一项A是由子矩阵[a1 a2 … aK]组成的块对角阵,利用初等列变换容易证明A的秩为K,第二项是Sp的协方差矩阵Rs,写成分块矩阵的形式:
由于不同信号源的码元之间是不相关的,因此每一个子矩阵都是对角阵,而每一行的非零元素表示同一个源信号的不同码元之间的相关,非零元素/>的模相同,因此经过初等列变换只有第一列的子矩阵不等于单位阵,此时矩阵Rs的秩等于子矩阵的秩等于K,得到rank(Rr)≤K,实际上矩阵Rr在无噪声的条件下有rank(Rr)=K,且Rr为p阶Hermitian矩阵,对其进行特征分解能够得到p-k重为0的特征值和k个较大的特征值。
本发明的有益效果在于本发明提出了一种同步直扩信号的信源数估计方法,通过重构观测矩阵,避免了导向矩阵秩亏,能够在所有信源的波达方向都相同时实现信源数估计。并提出了用特征值比值的导数作为判决函数,改善了比值法的效果,提高了信源估计的准确率,并且本发明方法在高斯白噪声和空间色噪声条件下均能够稳定地实现信源数估计,同时方法仅利用单通道的数据也能够对多个信源进行稳定地估计,在信源之间的波达方向很近和阵元数目受限的场景中具有很大的应用价值。
附图说明
图1是本发明的估计方法流程图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
步骤一:利用阵列得到的接收信号记为X(t),并将第r个阵元的接收信号单独提取出来,记为xr。
步骤二:将xr按照码元长度分段得到
其中L是xr的长度,L0是码元长度,i表示xr的第i段数据,xr(j)表示经过采样后离散信号的第j个点。
步骤三:将组成p×L0维矩阵,分段数目p满足p=[L/L0],得到重构矩阵Xr:
步骤四:计算重构矩阵Xr的协方差矩阵:
式中,Rs为源信号的协方差矩阵,为重构噪声协方差矩阵,H代表共轭转置,I代表单位矩阵,A表示分段信号的导向矩阵。其中:
式(16)Sp表示经过截取后第p段源信号矩阵,fs代表采样率。式(17)中ai为第k个信源的信号幅度,θi是第i个源信号的方向角,λ是源信号的波长。观察重构后的协方差矩阵,第一项A是由子矩阵[a1 a2 … aK]组成的块对角阵,利用初等列变换容易证明A的秩为K。第二项是Sp的协方差矩阵Rs,写成分块矩阵的形式:
由于不同信号源的码元之间是不相关的,因此每一个子矩阵都是对角阵,而每一行的非零元素表示同一个源信号的不同码元之间的相关,他们的模相同,因此经过初等列变换只有第一列的子矩阵不等于单位阵,此时矩阵Rs的秩等于子矩阵的秩等于K。根据矩阵乘积的秩的不等式可以得到rank(Rr)≤K。实际上矩阵Rr在无噪声的条件下有rank(Rr)=K,且Rr为p阶Hermitian矩阵,对其进行特征分解能够得到p-k重为0的特征值和k个较大的特征值。因此本发明成功将导向矩阵的秩由1转变为k,避免了其秩亏的情况。
步骤五:对Rr取平均得到平均协方差矩阵Rx:
其中阵元个数为M。由于不同阵元之间的信源的协方差是相同的,而噪声是随机的,类似时域平均法,通过平均提高了信噪比,阵元越多信噪比提升越多。从而可以提升本发明的性能。
步骤六:对平均协方差矩阵Rx进行特征分解:
Rx=U∑UH (20)
其中U是特征值对应的特征向量矩阵,∑是由特征值λ组成的对角阵,其形式如式(9):
步骤七:将特征值矩阵∑中的特征值按照从大到小排列,在得到排列好的特征值后,计算特征值序列的比值导数γi:
λ1>λ2>…>λp-1>λp (22)
其中,i=1,2,…,p-2;
步骤八:计算γi取最大时i的取值,该值等于信源数目的估计值k。
最终根据以上步骤实现信源波达方向相同时的同步直扩信号的信源数目估计。
Claims (2)
1.一种同步直扩信号的源数估计方法,其特征在于包括下述步骤:
步骤一:利用阵列得到接收信号X(t),并将第r个阵元的接收信号单独提取出来,记为xr;
步骤二:将xr按照码元长度分段得到
其中L是xr的长度,L0是码元长度,表示xr的第i段数据;
步骤三:将组成重构矩阵Xr:
其中p是分段数目,满足p=[L/L0];
步骤四:计算重构矩阵Xr的协方差矩阵,得到重构协方差矩阵Rr:
Rr=E(XrXr H) (3)
其中H代表共轭转置;
步骤五:对重构协方差矩阵Rr取平均值,得到平均协方差矩阵Rx:
其中M为阵元个数;
步骤六:对平均协方差矩阵Rx进行特征分解:
Rx=U∑UH (5)
其中U是特征值对应的特征向量矩阵,∑是由特征值组成的对角阵;
步骤七:将特征值矩阵∑中的特征值λ按照从大到小排列,从大到小排列后计算特征值序列的比值导数,比值导数γi按照式(7)计算:
其中,i=1,2,…,p-2;
步骤八:计算比值导数γi取最大时i的取值,该值等于信源数目的估计值k;
最终实现信源波达方向相同时的同步直扩信号的信源数目估计。
2.根据权利要求1所述的同步直扩信号的源数估计方法,其特征在于:
所述步骤四中,重构协方差矩阵Rr为:
式中,Rs为源信号的协方差矩阵,为重构噪声协方差矩阵,H代表共轭转置,I代表单位矩阵,A表示分段信号的导向矩阵;其中:
式(4)Sp表示经过截取后第p段源信号矩阵,fs代表采样率,式(11)中aK为第k个信源的信号幅度,θi是第i个源信号的方向角,λ是源信号的波长,重构后的协方差矩阵中,第一项A是由子矩阵[a1 a2 … aK]组成的块对角阵,利用初等列变换容易证明A的秩为K,第二项是Sp的协方差矩阵Rs,写成分块矩阵的形式:
由于不同信号源的码元之间是不相关的,因此每一个子矩阵都是对角阵,而每一行的非零元素表示同一个源信号的不同码元之间的相关,非零元素/>的模相同,因此经过初等列变换只有第一列的子矩阵不等于单位阵,此时矩阵Rs的秩等于子矩阵的秩等于K,得到rank(Rr)≤K,实际上矩阵Rr在无噪声的条件下有rank(Rr)=K,且Rr为p阶Hermitian矩阵,对其进行特征分解能够得到p-k重为0的特征值和k个较大的特征值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211133327.7A CN115514389B (zh) | 2022-09-16 | 2022-09-16 | 一种同步直扩信号的源数估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211133327.7A CN115514389B (zh) | 2022-09-16 | 2022-09-16 | 一种同步直扩信号的源数估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115514389A CN115514389A (zh) | 2022-12-23 |
CN115514389B true CN115514389B (zh) | 2024-03-15 |
Family
ID=84504769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211133327.7A Active CN115514389B (zh) | 2022-09-16 | 2022-09-16 | 一种同步直扩信号的源数估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115514389B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117491985B (zh) * | 2023-12-28 | 2024-05-10 | 深圳大学 | 一种波达方向及速度联合估计方法及相关装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106646344A (zh) * | 2016-12-16 | 2017-05-10 | 西北工业大学 | 一种利用互质阵的波达方向估计方法 |
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 |
CN111983554A (zh) * | 2020-08-28 | 2020-11-24 | 西安电子科技大学 | 非均匀l阵下的高精度二维doa估计 |
WO2021139208A1 (zh) * | 2020-01-08 | 2021-07-15 | 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 |
CN113884980A (zh) * | 2021-09-29 | 2022-01-04 | 西安建筑科技大学 | 基于加权特征空间投影的鲁棒盖氏圆信源数估计方法 |
WO2022007573A1 (zh) * | 2020-07-09 | 2022-01-13 | 深圳大学 | 低数据量相干信号doa估计方法、装置、设备及介质 |
CN114329934A (zh) * | 2021-12-20 | 2022-04-12 | 厦门城市职业学院(厦门开放大学) | 一种讯源数估测方法、系统、设备及存储介质 |
CN114520755A (zh) * | 2022-01-12 | 2022-05-20 | 中国人民解放军63892部队 | 一种改进式特征值对角加载信源数估计方法 |
CN114879137A (zh) * | 2022-06-10 | 2022-08-09 | 杭州电子科技大学 | 基于深度学习重构协方差矩阵的互质阵波达方向估计方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101272168B (zh) * | 2007-03-23 | 2012-08-15 | 中国科学院声学研究所 | 一种信源数估计方法及其波达方向估计方法 |
US10075323B2 (en) * | 2015-10-14 | 2018-09-11 | Intel IP Corporation | Interleaving and deinterleaving source data for single carrier modulation and coding schemes |
-
2022
- 2022-09-16 CN CN202211133327.7A patent/CN115514389B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106646344A (zh) * | 2016-12-16 | 2017-05-10 | 西北工业大学 | 一种利用互质阵的波达方向估计方法 |
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 |
WO2021139208A1 (zh) * | 2020-01-08 | 2021-07-15 | 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 |
WO2022007573A1 (zh) * | 2020-07-09 | 2022-01-13 | 深圳大学 | 低数据量相干信号doa估计方法、装置、设备及介质 |
CN111983554A (zh) * | 2020-08-28 | 2020-11-24 | 西安电子科技大学 | 非均匀l阵下的高精度二维doa估计 |
CN113884980A (zh) * | 2021-09-29 | 2022-01-04 | 西安建筑科技大学 | 基于加权特征空间投影的鲁棒盖氏圆信源数估计方法 |
CN114329934A (zh) * | 2021-12-20 | 2022-04-12 | 厦门城市职业学院(厦门开放大学) | 一种讯源数估测方法、系统、设备及存储介质 |
CN114520755A (zh) * | 2022-01-12 | 2022-05-20 | 中国人民解放军63892部队 | 一种改进式特征值对角加载信源数估计方法 |
CN114879137A (zh) * | 2022-06-10 | 2022-08-09 | 杭州电子科技大学 | 基于深度学习重构协方差矩阵的互质阵波达方向估计方法 |
Non-Patent Citations (7)
Title |
---|
A Source Number Estimation Method Based on Improved Eigenvalue Decomposition Algorithm;F. Wan, J. Wen and L. Liang;2020 IEEE 20th International Conference on Communication Technology (ICCT);1184-1189 * |
An Efficient Percolation-based Routing Protocol for Underwater Acoustic Networks:web of science;Y. Liu, H. Wang, L. Cai and X. Shen;OCEANS 2021: San Diego – Porto;20220215;第1-4页 * |
Two dimensional direction of arrival estimation for co-prime L-shaped array using sparse reconstruction;Q. Liu, X. Yi, L. Jin and W. Chen;2015 8th International Congress on Image and Signal Processing (CISP);20160218;第 1499-150 3 页 * |
基于子带平均的宽带源个数估计方法;刘翔, 黄可生, 黄知涛等;电子信息对抗技术;20060228(第01期);第22-25页 * |
水声传感器网络信号到达时间差目标定位的最小二乘法估计性能;王领, 申晓红, 康玉柱等;兵工学报;20200331;第41卷(第03期);第542-551页 * |
盲信号处理中信 源个数估计方法研究;冷巨昕;《硕士电子期刊 2009 年第 11 期》;20091115;第1-67页 * |
非协作直接序列扩频信号参数估计技术研究;沈斌;《硕士电子期刊2019年第07期》;32,80-81 * |
Also Published As
Publication number | Publication date |
---|---|
CN115514389A (zh) | 2022-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110031794B (zh) | 一种基于差分共性阵重构的相干信源doa估计方法 | |
CN104698433B (zh) | 基于单快拍数据的相干信号doa估计方法 | |
CN109188344B (zh) | 脉冲噪声环境下基于互循环相关music算法信源个数与来波方向角估计方法 | |
Khmou et al. | Comparative study between several direction of arrival estimation methods | |
Thakre et al. | Single snapshot spatial smoothing with improved effective array aperture | |
CN115514389B (zh) | 一种同步直扩信号的源数估计方法 | |
CN110515033B (zh) | 一种基于Toeplitz矩阵恢复的欠通道测向系统及方法 | |
CN111239678A (zh) | 一种基于l型阵列的二维doa估计方法 | |
CN110244258B (zh) | 用于双平行阵二维测向中扩展doa矩阵方法 | |
CN111366892A (zh) | 一种基于神经网络Massive MIMO DOA系统及实现方法 | |
CN112699735A (zh) | 基于深度学习的近场源定位方法 | |
CN108828586B (zh) | 一种基于波束域的双基地mimo雷达测角优化方法 | |
Shmuel et al. | Deep root MUSIC algorithm for data-driven DoA estimation | |
CN109212465B (zh) | 一种基于文化蚁狮机制的特殊阵列动态测向方法 | |
Steinwandt et al. | Knowledge-aided direction finding based on unitary ESPRIT | |
Huang et al. | Low-complexity MDL method for accurate source enumeration | |
CN111693937A (zh) | 一种基于稀疏重构的无需网格化的近场信号源定位方法 | |
Changgan et al. | An improved forward/backward spatial smoothing root-MUSIC algorithm based on signal decorrelation | |
Wang et al. | A MUSIC like DOA estimation method for signals with low SNR | |
CN111337872B (zh) | 一种用于相干信源测向的广义doa矩阵方法 | |
Zoubir et al. | High resolution estimation of directions of arrival in nonuniform noise | |
Wirfält et al. | Prior knowledge-based direction of arrival estimation | |
CN109298384B (zh) | 一种基于变分贝叶斯推断的非均匀直线阵波达方向角估计方法 | |
Vasylyshyn et al. | Signal denoising using modified complex SSA method with application to frequency estimation | |
Nguyen et al. | High-performance DOA estimation for coprime arrays with unknown number of sources |
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 |