CN116054909B - 一种基于改进型传播算子的卫星通信抗干扰方法 - Google Patents
一种基于改进型传播算子的卫星通信抗干扰方法 Download PDFInfo
- Publication number
- CN116054909B CN116054909B CN202211625753.2A CN202211625753A CN116054909B CN 116054909 B CN116054909 B CN 116054909B CN 202211625753 A CN202211625753 A CN 202211625753A CN 116054909 B CN116054909 B CN 116054909B
- Authority
- CN
- China
- Prior art keywords
- matrix
- signal
- regression model
- training
- beam space
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/14—Relay systems
- H04B7/15—Active relay systems
- H04B7/185—Space-based or airborne stations; Stations for satellite systems
- H04B7/1851—Systems using a satellite or space-based relay
- H04B7/18519—Operations control, administration or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Aviation & Aerospace Engineering (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Astronomy & Astrophysics (AREA)
- Radio Relay Systems (AREA)
Abstract
本发明提出一种基于改进型传播算子的卫星通信抗干扰方法,涉及信号处理的技术领域,利用传感器组建均匀圆形阵列,对入射信号进行接收采样得到输出信号,再对均匀圆形阵列进行模式空间转换,获得对应的四阶累积量矩阵,然后基于四阶累积量矩阵和通过弹性网络回归模型得到的超参数μ构建传播子,最后将利用深度卷积神经网络得到的超参数γ作为干扰信号到达角度对应的波峰阈值,并进行角度搜索,得到干扰信号的到达角度信息,既摆脱了对特征值分解的高计算量,同时消除了信号源数量估计不准确带来的定位结果不稳定性,有效提高了在卫星通信时检测干扰信号的实用性。
Description
技术领域
本发明涉及信号处理的技术领域,更具体地,涉及一种基于改进型传播算子的卫星通信抗干扰方法。
背景技术
自20世纪90年代以来,卫星通信服务发展极为迅速,来自地面的有意或无意的射频干扰对通信卫星的威胁也在增加。大部分的干扰信号是短暂的,可以通过常规的卫星监测措施来消除;但是,少数持续时间较长的干扰信号会导致整个系统无法正常运行。为了避免干扰而重新分配卫星通信频率资源是非常困难的,而且在实践中容易受到各种因素的限制。因此,对于卫星通信抗干扰技术的研究具有重要意义。
卫星通信抗干扰技术的研究难点在于如何快速有效地识别干扰信号的来源,即干扰源的准确定位,而干扰源定位的问题的重点在于空间信号的来波到达方向估计。现有技术中公开了一种阵列天线抗干扰的方法及装置,通过接收N个射频通道对应的N组数字复信号并生成对应的互相关系数矩阵,计算与预设的自适应选取条件相符的约束导向矢量,结合预设的最优准则确定抗干扰权值,但是该方案依赖于先验信号源数量的准确性,在战时被动雷达的敌方信号定位、声纳系统、雷达抗干扰的干扰定位等许多应用场景中,很难获得准确的信号源数先验信息,导致干扰信号源的定位可信度大幅度降低。
发明内容
为解决现有卫星通信抗干扰方法在先验信号源数量的不准确的应用场景中无法对干扰信号精准定位的问题,本发明提出一种基于改进型传播算子的卫星通信抗干扰方法,规避了传统定位算法对于信号源数量必须准确已知的依赖性,提高了在卫星通信时检测干扰信号的实用性。
为了达到上述技术效果,本发明的技术方案如下:
一种基于改进型传播算子的卫星通信抗干扰方法,包括:
S1.利用传感器组建均匀圆形阵列,利用均匀圆形阵列对入射信号进行接收采样,得到输出信号;
S2.基于输出信号,对均匀圆形阵列进行模式空间转换,得到模式空间的波束空间数据矩阵和波束空间流形矩阵;
S3.基于波束空间数据矩阵和波束空间流形矩阵,获得对应的四阶累积量矩阵;
S4.采集多组干扰信号的信噪比、定位角度、合理阈值和选择的超参数数据,构造为标记数据集,将标记数据集划分为训练集和测试集;
S5.构建弹性网络回归模型,利用训练集对弹性网络回归模型进行训练,利用测试集测试弹性网络回归模型的有效性,通过训练好的弹性网络回归模型预测更新后的超参数μ;
构建深度卷积神经网络,利用训练集对深度卷积神经网络进行训练,利用测试集测试深度卷积神经网络的有效性,通过训练好的深度卷积神经网络获得另一超参数γ;
S6.基于四阶累积量矩阵和超参数μ,构建传播子;
S7.将超参数γ作为干扰信号到达角度对应的波峰阈值并进行角度搜索,得到干扰信号的到达角度信息。
本技术方案不需要准确的信号源数量信息,通过构造改进后的传播子避免了对先验信号源数量的依赖,有效提高了在卫星通信时检测干扰信号的实用性。
优选地,在步骤S1中,利用均匀圆形阵列对入射信号进行T次接收采样,获取均匀圆形阵列的输出信号X,计算公式如下:
X=AS+N
X=[x(1),x(2),…,x(T)]
S=[s(1),s(2),...,s(T)]
其中,K表示远场窄带信号的数量,分别表示每个远场窄带信号入射到接收阵列的角度,X表示M×T的接收信号矩阵,A表示M×K的方向响应矩阵,S表示K×T的入射信号矩阵,N表示M×T的噪声矩阵,M表示构建均匀圆形阵列的传感器数量。
优选地,在步骤S2中,定义波束空间转换矩阵Fr,波束空间转换矩阵Fr的定义式如下:
其中,W、CV和V通过波束空间转换技术获取,W为具有中心赫米特的矩阵,CV和V为波束空间转换算子;
通过采用转换,得到波束空间数据矩阵Y和波束空间流形矩阵B,计算公式如下:
优选地,在步骤S3中,基于Y和B,得到输出信号X的四阶累积量矩阵CY,计算公式如下:
其中,E代表数学期望,代表克罗内克积,(·)H表示矩阵的共轭转置;
在此,使用四阶累积量矩阵替代传统方法中的协方差矩阵,有利于抑制高斯有色噪声的影响,同时扩展虚拟阵列孔径,进一步提升定位精度与分辨率。
优选地,在步骤S4中,采集P组干扰信号的信噪比q、定位角度θ和合理阈值即超参数γ、另一超参数μ构造为标记数据集,将标记数据集分为训练集和测试集,将训练集中的信噪比q作为预测量,定位角度θ和/>作为标签。
优选地,在步骤S5中,构建弹性网络回归模型,利用训练集对弹性网络回归模型进行训练,利用测试集测试弹性网络回归模型的有效性,通过训练好的弹性网络回归模型获得合适的超参数μ,具体步骤如下:
构建弹性网络回归模型ω:
其中,cost(ω)为弹性网络回归算法的代价函数,y为选择的超参数μ,λ和ρ为惩罚项系数;
利用训练集对弹性网络回归模型ω进行训练,获得使得代价函数最小时的ω,利用测试集测试弹性网络回归模型ω的有效性;通过训练好的弹性网络回归模型ω预测获得更新后的超参数μ,通过得到的超参数μ给干扰信号的检测带来更高的精度。
优选地,在步骤S5中,利用坐标下降法来求解ω。
优选地,在步骤S5中,所述深度卷积神经网络由卷积层和池化层的叠加组成;利用训练集对深度卷积神经网络进行训练,在训练过程中,通过特征矩阵相同位置上的数字进行相加进行降维,并使用批量归一化加速训练;利用测试集测试深度卷积神经网络的有效性,得到训练好的深度卷积神经网络,通过训练好的深度卷积神经网络预测得到更新后的超参数γ。
优选地,在步骤S6中,基于四阶累积量矩阵CY和超参数μ,构建传播算子U′N,构建公式如下:
其中,I为单位矩阵。在此,使用构造传播子的方法替代了传统方法中的特征值分解,构造出来的传播子能够与方向矢量正交,避免了特征值分解带来的高额计算量,并消除了信号源数量估计不准确带来的定位结果不稳定性。
优选地,在步骤S7中,将超参数γ作为到达角度对应的波峰阈值,将搜索角度θ=[0°,180°]和代入空间谱估计公式,得到空间谱图,空间谱估计公式如下:
在空间谱图中,超过波峰阈值γ的波峰所对应的角度θ和即为干扰信号的到达角度信息。
与现有技术相比,本发明技术方案的有益效果是:
本发明提出一种基于改进型传播算子的卫星通信抗干扰方法,利用传感器组建均匀圆形阵列,对入射信号进行接收采样得到输出信号,再对均匀圆形阵列进行模式空间转换,获得对应的四阶累积量矩阵,然后基于四阶累积量矩阵和通过弹性网络回归模型得到的超参数μ构建传播子,最后将利用深度卷积神经网络得到的超参数γ作为干扰信号到达角度对应的波峰阈值并进行角度搜索,得到干扰信号的到达角度信息,既摆脱了对特征值分解的高计算量,同时消除了信号源数量估计不准确带来的定位结果不稳定性,有效提高了在卫星通信时检测干扰信号的实用性。
附图说明
图1表示本发明实施例1中提出的基于改进型传播算子的卫星通信抗干扰方法的流程示意图;
图2表示本发明实施例1中提出的均匀圆形阵列示意图;
图3表示本发明实施例1中提出的卫星抗干扰场景示意图;
图4表示本发明实施例3中提出的深度卷积神经网络预测超参数的流程示意图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好地说明本实施例,附图某些部位会有省略、放大或缩小,并不代表实际尺寸;
对于本领域技术人员来说,附图中某些公知内容说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
附图中描述位置关系的仅用于示例性说明,不能理解为对本专利的限制;
实施例1
如图1所示,本实施例提出一种基于改进型传播算子的卫星通信抗干扰方法,包括以下步骤:
S1.利用传感器构建均匀圆形阵列,参见图2,利用均匀圆形阵列对入射信号进行T次接收采样,获取均匀圆形阵列的输出信号X,计算公式如下:
X=AS+N
X=[x(1),x(2),…,x(T)]
S=[s(1),s(2),...,s(T)]
其中,K表示远场窄带信号的数量,分别表示每个远场窄带信号入射到接收阵列的角度,X表示M×T的接收信号矩阵,A表示M×K的方向响应矩阵,S表示K×T的入射信号矩阵,N表示M×T的噪声矩阵,M表示构建均匀圆形阵列的传感器数量。
S2.基于输出信号,对均匀圆形阵列进行模式空间转换,得到模式空间的波束空间数据矩阵和波束空间流形矩阵;
定义波束空间转换矩阵Fr,波束空间转换矩阵Fr的定义式如下:
其中,W、CV和V通过波束空间转换技术获取,W为具有中心赫米特的矩阵,CV和V为波束空间转换算子;
通过采用转换,得到波束空间数据矩阵Y和波束空间流形矩阵B,计算公式如下:
S3.基于得到的波束空间数据矩阵Y和波束空间流形矩阵B,得到输出信号X的四阶累积量矩阵CY,计算公式如下:
其中,E代表数学期望,代表克罗内克积,(·)H表示矩阵的共轭转置。
S4.采集P组干扰信号的信噪比q、定位角度θ和合理阈值即超参数γ、另一超参数μ构造为标记数据集,将标记数据集分为训练集和测试集,将训练集中的信噪比q作为预测量,定位角度θ和/>作为标签。
S5.构建弹性网络回归模型,利用训练集对弹性网络回归模型进行训练,利用测试集测试弹性网络回归模型的有效性,通过训练好的弹性网络回归模型预测更新后的超参数μ;
构建深度卷积神经网络,利用训练集对深度卷积神经网络进行训练,利用测试集测试深度卷积神经网络的有效性,通过训练好的深度卷积神经网络获得另一超参数γ;
S6.基于四阶累积量矩阵CY和超参数μ,构建传播子U′N,构建公式如下:
其中,I为单位矩阵。
S7.将超参数γ作为到达角度对应的波峰阈值,将搜索角度θ=[0°,180°]和代入空间谱估计公式,得到空间谱图,空间谱估计公式如下:
在空间谱图中,超过波峰阈值γ的波峰所对应的角度θ和即为干扰信号的到达角度信息,参考图3,实现卫星通信的抗干扰应用。
实施例2
在本实施例中,构建弹性网络回归模型,利用训练集对弹性网络回归模型进行训练,利用测试集测试弹性网络回归模型的有效性,通过训练好的弹性网络回归模型预测更新后的超参数μ,包括以下步骤:
构建弹性网络回归模型ω:
其中,cost(ω)为弹性网络回归算法的代价函数,y为选择的超参数μ,λ和ρ为惩罚项系数;
由于代价函数cost(ω)并非处处可导,在本实施例中,利用坐标下降法来求解ω:初始化权重系数ω零向量,在第k次迭代时,每次将ω的其中一个系数当作变量,其他系数复用上一次计算的结果,更新权重方法如下式:
实施例3
如图4所示,在本实施例中,引入深度学习算法对超参数γ进行学习;
利用处理后的数据集对深度卷积神经网络resnet上进行模型进行训练,深度卷积神经网络由卷积层和池化层的叠加组成;在利用训练集进行训练的过程中,通过特征矩阵相同位置上的数字进行相加进行降维,并使用批量归一化加速训练;
利用测试集测试深度卷积神经网络的有效性,得到训练好的深度卷积神经网络,通过训练好的深度卷积神经网络预测得到更新后的超参数γ。
显然,本发明的上述实施例仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (1)
1.一种基于改进型传播算子的卫星通信抗干扰方法,其特征在于,包括:
S1.利用传感器组建均匀圆形阵列,利用均匀圆形阵列对入射信号进行接收采样,得到输出信号;
利用均匀圆形阵列对入射信号进行T次接收采样,获取均匀圆形阵列的输出信号X,计算公式如下:
X=AS+N
X=[x(1),x(2),…,x(T)]
S=[s(1),s(2),…,s(T)]
其中,K表示远场窄带信号的数量,分别表示每个远场窄带信号入射到接收阵列的角度,X表示M×T的接收信号矩阵,A表示M×K的方向响应矩阵,S表示K×T的入射信号矩阵,N表示M×T的噪声矩阵,M表示构建均匀圆形阵列的传感器数量;
S2.基于输出信号,对均匀圆形阵列进行模式空间转换,得到模式空间的波束空间数据矩阵和波束空间流形矩阵;
定义波束空间转换矩阵Fr,波束空间转换矩阵Fr的定义式如下:
其中,W、CV和V通过波束空间转换技术获取,W为具有中心赫米特的矩阵,CV和V为波束空间转换算子;
通过采用转换,得到波束空间数据矩阵Y和波束空间流形矩阵B,计算公式如下:
S3.基于波束空间数据矩阵和波束空间流形矩阵,获得对应的四阶累积量矩阵;
基于Y和B,得到输出信号X的四阶累积量矩阵CY,计算公式如下:
其中,E代表数学期望,代表克罗内克积,(·)H表示矩阵的共轭转置;
S4.采集P组干扰信号的信噪比q、定位角度θ和合理阈值即超参数γ、另一超参数μ构造为标记数据集,将标记数据集分为训练集和测试集,将训练集中的信噪比q作为预测量,定位角度θ和/>作为标签;
S5.构建弹性网络回归模型,利用训练集对弹性网络回归模型进行训练,利用测试集测试弹性网络回归模型的有效性,通过训练好的弹性网络回归模型预测更新后的超参数μ,具体步骤如下:
构建弹性网络回归模型ω:
其中,cost(ω)为弹性网络回归算法的代价函数,y为选择的超参数μ,λ和ρ为惩罚项系数;
利用训练集对弹性网络回归模型ω进行训练,利用坐标下降法来求解获得使得代价函数最小时的ω,利用测试集测试弹性网络回归模型ω的有效性;通过训练好的弹性网络回归模型ω预测获得更新后的超参数μ;
构建深度卷积神经网络,所述深度卷积神经网络由卷积层和池化层的叠加组成;利用训练集对深度卷积神经网络进行训练,在训练过程中,通过特征矩阵相同位置上的数字进行相加进行降维,并使用批量归一化加速训练;利用测试集测试深度卷积神经网络的有效性,得到训练好的深度卷积神经网络,通过训练好的深度卷积神经网络预测得到更新后的超参数γ;
S6.基于四阶累积量矩阵CY和超参数μ,构建传播算子U′ N,构建公式如下:
其中,I为单位矩阵;
S7.将超参数γ作为到达角度对应的波峰阈值,将搜索角度θ=[0°,180°]和代入空间谱估计公式,得到空间谱图,空间谱估计公式如下:
在空间谱图中,超过波峰阈值γ的波峰所对应的角度θ和即为干扰信号的到达角度信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211625753.2A CN116054909B (zh) | 2022-12-16 | 2022-12-16 | 一种基于改进型传播算子的卫星通信抗干扰方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211625753.2A CN116054909B (zh) | 2022-12-16 | 2022-12-16 | 一种基于改进型传播算子的卫星通信抗干扰方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116054909A CN116054909A (zh) | 2023-05-02 |
CN116054909B true CN116054909B (zh) | 2023-08-08 |
Family
ID=86113867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211625753.2A Active CN116054909B (zh) | 2022-12-16 | 2022-12-16 | 一种基于改进型传播算子的卫星通信抗干扰方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116054909B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017036990A (ja) * | 2015-08-10 | 2017-02-16 | 三菱電機株式会社 | 到来方向推定装置 |
CN108594166A (zh) * | 2018-04-19 | 2018-09-28 | 广东工业大学 | 一种二维波达方向估计方法及装置 |
CN110320491A (zh) * | 2019-07-22 | 2019-10-11 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 波达方向的计算方法、装置及电子设备 |
CN111610492A (zh) * | 2020-06-03 | 2020-09-01 | 电子科技大学 | 一种多声传感器阵列智能感知方法及系统 |
CN113567922A (zh) * | 2021-07-21 | 2021-10-29 | 中国人民解放军国防科技大学 | 一种基于深度展开网络的近场源定位方法及系统 |
CN113608192A (zh) * | 2021-08-09 | 2021-11-05 | 广东工业大学 | 一种探地雷达远场定位方法、装置及计算机可读存储介质 |
CN114884841A (zh) * | 2022-04-29 | 2022-08-09 | 华中科技大学 | 基于高阶统计和非均匀阵列的欠定参数联合估计方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2883980B1 (fr) * | 2005-04-01 | 2009-04-17 | Thales Sa | Procede et dispositif de goniometrie a haute resolution a un ordre pair arbitraire |
KR101413229B1 (ko) * | 2013-05-13 | 2014-08-06 | 한국과학기술원 | 방향 추정 장치 및 방법 |
US10416619B2 (en) * | 2016-07-25 | 2019-09-17 | General Electric Company | System modeling, control and optimization |
EP3358756A1 (en) * | 2017-02-02 | 2018-08-08 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Beamforming codebook adaption to antenna array imperfections |
-
2022
- 2022-12-16 CN CN202211625753.2A patent/CN116054909B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017036990A (ja) * | 2015-08-10 | 2017-02-16 | 三菱電機株式会社 | 到来方向推定装置 |
CN108594166A (zh) * | 2018-04-19 | 2018-09-28 | 广东工业大学 | 一种二维波达方向估计方法及装置 |
CN110320491A (zh) * | 2019-07-22 | 2019-10-11 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 波达方向的计算方法、装置及电子设备 |
CN111610492A (zh) * | 2020-06-03 | 2020-09-01 | 电子科技大学 | 一种多声传感器阵列智能感知方法及系统 |
CN113567922A (zh) * | 2021-07-21 | 2021-10-29 | 中国人民解放军国防科技大学 | 一种基于深度展开网络的近场源定位方法及系统 |
CN113608192A (zh) * | 2021-08-09 | 2021-11-05 | 广东工业大学 | 一种探地雷达远场定位方法、装置及计算机可读存储介质 |
CN114884841A (zh) * | 2022-04-29 | 2022-08-09 | 华中科技大学 | 基于高阶统计和非均匀阵列的欠定参数联合估计方法 |
Non-Patent Citations (1)
Title |
---|
基于模式空间算法的声源二维DOA估计;张祺;《数据采集与处理》;第867-879页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116054909A (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Friedlander et al. | Direction finding using noise covariance modeling | |
CN108375763B (zh) | 一种应用于多声源环境的分频定位方法 | |
Viberg et al. | Analysis of the combined effects of finite samples and model errors on array processing performance | |
CN110940949B (zh) | 强冲击噪声环境下基于量子企鹅搜索机制的互质阵列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 | |
CN108872932B (zh) | 基于神经网络的超视距目标直接定位结果纠偏方法 | |
CN108375752A (zh) | 基于全角度搜索的幅相误差单辐射源测向方法 | |
CN109298383A (zh) | 一种基于变分贝叶斯推断的互质阵波达方向角估计方法 | |
CN106501770A (zh) | 基于幅相误差阵列的远近场宽带混合源中近场源定位方法 | |
CN109600152A (zh) | 一种基于子空间基变换的自适应波束形成方法 | |
CN111273269B (zh) | 基于ipso-bp的频率分集阵列的雷达目标定位方法 | |
CN113759303B (zh) | 一种基于粒子群算法的无网格波达角估计方法 | |
CN108594165B (zh) | 一种基于期望最大化算法的窄带信号波达方向估计方法 | |
CN112924924B (zh) | 一种基于l1范数稀疏表示的宽带信号DOA估计方法 | |
CN116054909B (zh) | 一种基于改进型传播算子的卫星通信抗干扰方法 | |
CN114460531A (zh) | 一种均匀线阵music空间谱估计方法 | |
CN115826004B (zh) | 一种基于二维角度及时差联合的三星协同直接定位方法 | |
CN116299176A (zh) | 一种基于霍夫变换的目标空间特征提取及融合定位方法 | |
Zhu et al. | Robust wideband DOA estimation based on element-space data reconstruction in a multi-source environment | |
CN115980721A (zh) | 一种无误差协方差矩阵分离的阵列自校正方法 | |
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 | |
Rajani et al. | Direction of arrival estimation by using artificial neural networks | |
CN114996653A (zh) | 一种基于原子范数最小化的二维鲁棒自适应波束形成方法 | |
CN108051773A (zh) | 基于盖式圆盘准则估计信源数目的epuma方法 | |
CN114755628A (zh) | 非均匀噪声下声矢量传感器阵列波达方向估计方法 |
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 |