CN116125373A - 一种宽带阵列天线波达方向估计方法、设备及介质 - Google Patents
一种宽带阵列天线波达方向估计方法、设备及介质 Download PDFInfo
- Publication number
- CN116125373A CN116125373A CN202310403050.3A CN202310403050A CN116125373A CN 116125373 A CN116125373 A CN 116125373A CN 202310403050 A CN202310403050 A CN 202310403050A CN 116125373 A CN116125373 A CN 116125373A
- Authority
- CN
- China
- Prior art keywords
- particles
- weight
- arrival
- doa
- broadband
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 239000002245 particle Substances 0.000 claims abstract description 67
- 238000009826 distribution Methods 0.000 claims abstract description 23
- 238000001914 filtration Methods 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims abstract description 12
- 230000035772 mutation Effects 0.000 claims abstract description 10
- 230000014509 gene expression Effects 0.000 claims abstract description 9
- 238000012216 screening Methods 0.000 claims abstract description 5
- 238000012952 Resampling Methods 0.000 claims abstract description 4
- 206010033307 Overweight Diseases 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000005484 gravity Effects 0.000 abstract description 2
- 230000001427 coherent effect Effects 0.000 description 11
- 238000001228 spectrum Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000009827 uniform distribution 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
- 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
- G01S3/14—Systems for determining direction or deviation from predetermined direction
-
- 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
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种宽带阵列天线波达方向估计方法、设备及介质,属于阵列信号处理领域,包括步骤:针对空间中的宽带信号,获取接收阵列的输出信号,并对宽带信号进行处理;定义参数向量,根据贝叶斯准则,将后验概率分布转化成先验分布来表示;利用贝叶斯准则确定权值及其迭代表达式;在粒子滤波算法的基础上对粒子进行高斯‑柯西突变重采样,设定权重阈值和高权重粒子比重阈值,通过设定的阈值对粒子进行筛选;对筛选后的粒子,根据不同频率点的目标阵列流形递归估计DOA。本发明可以减小宽带阵列天线波达方向估计误差,提高DOA估计性能。
Description
技术领域
本发明涉及阵列信号处理领域,更为具体的,涉及一种宽带阵列天线波达方向估计方法、设备及介质。
背景技术
宽带信号具有抗干扰能力强、目标信息量大和分辨率高等特点,有利于目标检测和参数的准确估计。通常情况下,天线阵列处理宽带信号时,会将宽带信号划分为一系列在频率上不重叠的窄带信号。目前用于波达方向(Direction of Arrival,DOA)估计的宽带信号处理主要分为非相干信号子空间法(Incoherent Signal-subspace Method,ISM)和相干信号子空间法(Coherent Signal-subspace Method,CSM)。但是由于都要估计协方差矩阵,这两种算法都需要大量的样本以保证协方差矩阵的估计精度,当快拍数较少时,上述算法会失效。除此之外,近些年还提出稀疏贝叶斯学习(Sparse Bayesian Learning,SBL)算法,该算法能解决有限快拍情况下的宽带信号估计问题,但这一算法需要先验信息和其他条件来初始化参数,先验信息的缺失会导致严重的估计误差。
现有宽带阵列天线DOA估计技术方案,存在估计误差大的技术问题。
发明内容
本发明的目的在于克服现有技术的不足,提供一种宽带阵列天线波达方向估计方法、设备及介质,提高了DOA估计性能。
本发明的目的是通过以下方案实现的:
一种宽带阵列天线波达方向估计方法,包括以下步骤:
S1,针对空间中
K个宽带信号,获取接收阵列的输出信号,并对宽带信号进行处理;
K为整数;
S2,定义参数向量,其中表示某一频率对应的信号向量,表示参数向量;根据贝叶斯准则,将后验概率分布转化成先验分布来表示,通过最大后验概率估计出,进而得出简化后参数;其中和分别为待估计信号源数及其波达角DOA;
S3,根据步骤S2中,利用贝叶斯准则确定权值及其迭代表达式;
S4,在粒子滤波算法的基础上对粒子进行高斯-柯西突变重采样,设定权重阈值和高权重粒子比重阈值,通过设定的阈值对粒子进行筛选;
S5,对筛选后的粒子,根据不同频率点的目标阵列流形递归估计DOA。
进一步地,在步骤S1中,所述对宽带信号进行处理,包括子步骤:对接收阵列接收到的信号进行傅里叶变换。
进一步地,在步骤S2中,包括子步骤:在将后验概率分布转化成先验分布来表示之前,设接收到的高斯噪声满足独立同分布。
进一步地,在步骤S3中,所述根据步骤S2中,利用贝叶斯准则确定权值及其迭代表达式,包括子步骤:设估计目标的后验概率密度能够由一组粒子集得出。
进一步地,在步骤S3中,所述根据步骤S2中,利用贝叶斯准则确定权值及其迭代表达式,包括子步骤:根据实际情况改写权值。
进一步地,在步骤S4中,所述通过设定的阈值对粒子进行筛选,包括子步骤:当粒子权重大于时,粒子为高权重粒子,对高权重粒子进行高斯突变操作,对低权重粒子进行柯西突变操作。
进一步地,在步骤S5中,对筛选后的粒子,所述根据不同频率点的目标阵列流形递归估计DOA,包括子步骤:从一维随机初值开始,在不观测协方差矩阵的前提下,根据不同频率点的目标阵列流形递归估计DOA。
进一步地,高权重粒子数为粒子总数乘高权重粒子的权值。
一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有计算机程序,当所述计算机程序被所述处理器加载时并执行如上任一项所述的方法。
一种计算机可读存储介质,在可读存储介质中存储有计算机程序,所述计算机程序被处理器加载并执行如上任一项所述的方法。
本发明的有益效果包括:
本发明的方案直接作用于当前观测值,从一组无角度预估计的随机初值开始,利用最大似然递归估计波达角DOA,这一方法对信号中存在的相关性具有一定鲁棒性。在短快拍、低信噪比和相干源的背景下,该方法具有较好的DOA估计性能。
附图说明
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,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为四种算法对非相干信号DOA估计的空间谱图;
图2为四种算法对非相干信号的DOA和频率估计结果;
图3为非相干信号DOA估计精度与信噪比的关系;
图4为四种算法对相干信号DOA估计的空间谱图;
图5为四种算法对相干信号的DOA和频率估计结果;
图6为相干信号DOA估计精度与信噪比的关系;
图7为本发明实施例的实施流程图。
具体实施方式
本说明书中所有实施例公开的所有特征,或隐含公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合和/或扩展、替换。
鉴于背景中的技术问题,本发明的发明人经过创造性的思考后,发现粒子滤波算法是一种基于序贯蒙特卡洛仿真的最优递推贝叶斯滤波算法,可以直接作用于观测值。在不计算协方差矩阵的情况下,该算法在短快拍条件下具有较好的性能。此外,粒子滤波从一组没有角度预估计的随机初始值开始,利用最大似然方法递归估计波达角,该方法针对信号中存在的相关性较为稳健。在短快拍、低信噪比、相干源的情况下,粒子滤波方法优于ISM、CSM和SBL方法。因此,本发明的发明人认为基于粒子滤波算法的宽带阵列天线DOA估计具有重要的应用价值。
在进一步的思考中,由于现有宽带信号处理方法存在需要大量样本或一定的先验信息以保证波达方向估计的精度。ISM和CSM方法需要大量样本进行协方差矩阵的估计,在低快拍的情况下,两种方法都会失效。而SBL方法会因为先验信息的缺失导致DOA估计误差。因此,为了减小波达方向估计误差,本发明考虑利用粒子滤波方法来解决上述问题。具体而言,本发明旨在提供一种宽带信号的波达方向估计方法,采用粒子滤波来跟踪目标信号的阵列流形,将输出信号进行傅里叶变换,变换后得到的表示在频率点对应的阵列流形,它在宽带信号的不同频率点上存在一定的变换关系,可以通过跟踪阵列流形在不同频率上的变化来进行DOA估计。具体包括以下步骤:
步骤1:针对空间中个宽带信号,获取接收阵列的输出信号,并对宽带信号进行处理:第个阵元接收到的信号为,为待估计信号源数,表示第个信源信号;表示第个阵元处的时延;表示第个信号估计信号源的波达角DOA;表示加性噪声。对其进行傅里叶变换,则在处的傅里叶变换为,表示傅里叶变换后的频点;和分别表示和在频率为时的傅里叶变换系数。而对于整个阵列来说,可以得到。其中,为阵元个数,是阶阵列流形,第个导向矢量为,表示转置。对于均匀线阵,设定第一个阵元为参考阵元,则第个阵元处的时延为,表示均匀线阵的阵元间距,表示波速。
步骤2:定义参数向量,其中表示某一频率对应的信号向量,表示频率集1到的参数集,假设接收到的高斯噪声是独立同分布的。根据贝叶斯准则,后验概率分布可以由参数的先验分布表示为:
(1)
其中,和分别为待估计信号源数以及其波达角DOA;,表示的是似然函数,表示从频率1到的信号傅里叶变换集合,表示采样粒子数,表示窄带信号分量个数;,表示共轭转置;,表示均匀分布,表示分布区间范围;而噪声方差的先验分布为可逆的分布,即,表示逆分布,和表示逆分布的参数;的先验分布是参数为的泊松分布,即。
然后,将上述先验分布带入到(1)中,则得到后验概率密度函数为:
(2)
其中,;;。
经过积分处理,可以估计出,即为,表示频率为时信号的傅里叶变换,表示的最大后验概率估计,进而简化得到。
步骤3:由,利用贝叶斯准则确定权值及其迭代表达式,具体包括以下子步骤:
(1)观测数据已知,估计目标的后验概率密度,通过粒子滤波可以得到的统计特性,假设可以由一组粒子集得出,且满足;其中表示在频率处的第个粒子,为对应的权值。
(2)是重要性密度函数,其子集包含后验概率密度函数的子集,根据贝叶斯准则,粒子权值的迭代为;在考虑实际情况时,有,由此权值改写为。
步骤4:经过多次迭代,几乎所有粒子都会出现一个负的权值从而导致粒子的“退化”,所以需要在前面步骤的基础上进行重采样;设定权重阈值和高权重粒子比重阈值,当粒子权重大于时,粒子为高权重粒子,高权重粒子数为粒子总数乘高权重粒子的权值,对高权重粒子进行高斯突变操作,对低权重值粒子进行柯西突变操作,增加粒子扰动,提高对于目标的估计精度。阈值的设定是根据仿真结果而设定的,具体可以设置在0.8~0.9之间。
步骤5:对筛选后的粒子,从一维随机初值开始,在不观测协方差矩阵的前提下,根据不同频率点的目标阵列流形递归估计DOA。
下面结合仿真实验对本发明的效果做进一步验证。
实验一:考虑一个阵元数为7的均匀线阵,阵元间距为(为中心频率对应的波长);假设有三个完全不相关的远场宽带信号源,其中心频率为,带宽为中心频率的40%;采样频率。三个信号源真实的DOA分别是、和,信噪比为20dB,快拍数为200,粒子数,阈值,初始角度在范围内生成,Monte Carlo实验次数为100。图1为四种算法对非相干信号DOA估计的空间谱图(GCFP算法即为粒子滤波算法)。可以看出,四种方法的空间谱在目标入射方向附近出现峰值,说明了四种方法针对DOA估计的准确性,而本发明方法形成的谱峰更尖锐,旁瓣更低,更接近真实的频谱特征。图2是四种算法对非相干信号的DOA和频率估计结果。图3显示了非相干信号DOA估计精度与信噪比的关系,表明在非相干信号源条件下,本发明的GCPF算法具有最好的性能。
实验二:本实验条件与实验一基本相同,只是把非相干信号源换成相干信号源。图4为四种算法对相干信号DOA估计的空间谱图,可以看出本发明方法形成的空间谱比较清晰,旁瓣更低。值得注意的是,ISM方法由于没有利用相干信号源的特性而具有较高的旁瓣。图5是四种算法对相干信号的DOA和频率估计结果。图6显示了相干信号DOA估计精度与信噪比的关系。ISM方法不具备相干信号源的DOA估计特性,而在范围内产生随机的初始估计角度,CSM和SBL方法不能够得到好的应用,但GCFP则可以具有较好的估计性能。
实施例
如图7所示,本发明实施例方法包括如下步骤:
1) 针对空间中个宽带信号,获取接收阵列的输出信号,并对宽带信号进行处理。
2) 定义,其中表示某一频率对应的信号向量,表示频率集1到的参数集,表示参数向量。根据贝叶斯准则,将后验概率分布转化成先验分布来表示,然后通过最大后验概率估计出,进而得出简化后参数;其中和分别为待估计信号源数及其波达角DOA。
3) 由,利用贝叶斯准则确定权值及其迭代表达式。
4) 在传统的粒子滤波算法的基础上,对粒子进行高斯-柯西突变重采样,设定权重阈值和高权重粒子比重阈值,通过设定的阈值对粒子进行筛选。
5) 对筛选后的粒子,从一维随机初值开始,在不观测协方差矩阵的前提下,根据不同频率点的目标阵列流形递归估计DOA。
需要说明的是,在本发明权利要求书中所限定的保护范围内,以下实施例均可以从上述具体实施方式中,例如公开的技术原理,公开的技术特征或隐含公开的技术特征等,以合乎逻辑的任何方式进行组合和/或扩展、替换。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
根据本发明实施例的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各种可选实现方式中提供的方法。
作为另一方面,本发明实施例还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该电子设备执行时,使得该电子设备实现上述实施例中所述的方法。
Claims (10)
1.一种宽带阵列天线波达方向估计方法,其特征在于,包括以下步骤:
S1,针对空间中K个宽带信号,获取接收阵列的输出信号,并对宽带信号进行处理;K为整数;
S2,定义参数向量,其中表示某一频率对应的信号向量,表示参数向量;根据贝叶斯准则,将后验概率分布转化成先验分布来表示,通过最大后验概率估计出,进而得出简化后参数;其中和分别为待估计信号源数及其波达角DOA;
S3,根据步骤S2中,利用贝叶斯准则确定权值及其迭代表达式;
S4,在粒子滤波算法的基础上对粒子进行高斯-柯西突变重采样,设定权重阈值和高权重粒子比重阈值,通过设定的阈值对粒子进行筛选;
S5,对筛选后的粒子,根据不同频率点的目标阵列流形递归估计DOA。
2.根据权利要求1所述的宽带阵列天线波达方向估计方法,其特征在于,在步骤S1中,所述对宽带信号进行处理,包括子步骤:对接收阵列接收到的信号进行傅里叶变换。
3.根据权利要求1所述的宽带阵列天线波达方向估计方法,其特征在于,在步骤S2中,包括子步骤:在将后验概率分布转化成先验分布来表示之前,设接收到的高斯噪声满足独立同分布。
4.根据权利要求1所述的宽带阵列天线波达方向估计方法,其特征在于,在步骤S3中,所述根据步骤S2中,利用贝叶斯准则确定权值及其迭代表达式,包括子步骤:设估计目标的后验概率密度能够由一组粒子集得出。
5.根据权利要求1所述的宽带阵列天线波达方向估计方法,其特征在于,在步骤S3中,所述根据步骤S2中,利用贝叶斯准则确定权值及其迭代表达式,包括子步骤:根据实际情况改写权值。
6.根据权利要求1所述的宽带阵列天线波达方向估计方法,其特征在于,在步骤S4中,所述通过设定的阈值对粒子进行筛选,包括子步骤:当粒子权重大于时,粒子为高权重粒子,对高权重粒子进行高斯突变操作,对低权重粒子进行柯西突变操作。
7.根据权利要求1所述的宽带阵列天线波达方向估计方法,其特征在于,在步骤S5中,对筛选后的粒子,所述根据不同频率点的目标阵列流形递归估计DOA,包括子步骤:从一维随机初值开始,在不观测协方差矩阵的前提下,根据不同频率点的目标阵列流形递归估计DOA。
8.根据权利要求6所述的宽带阵列天线波达方向估计方法,其特征在于,高权重粒子数为粒子总数乘高权重粒子的权值。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有计算机程序,当所述计算机程序被所述处理器加载时并执行如权利要求1~8任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,在可读存储介质中存储有计算机程序,所述计算机程序被处理器加载并执行如权利要求1~8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310403050.3A CN116125373A (zh) | 2023-04-17 | 2023-04-17 | 一种宽带阵列天线波达方向估计方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310403050.3A CN116125373A (zh) | 2023-04-17 | 2023-04-17 | 一种宽带阵列天线波达方向估计方法、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116125373A true CN116125373A (zh) | 2023-05-16 |
Family
ID=86295952
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310403050.3A Pending CN116125373A (zh) | 2023-04-17 | 2023-04-17 | 一种宽带阵列天线波达方向估计方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116125373A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107247250A (zh) * | 2017-05-23 | 2017-10-13 | 中国民航大学 | 一种基于粒子滤波的相干分布源波达方向跟踪方法 |
CN107703477A (zh) * | 2017-09-11 | 2018-02-16 | 电子科技大学 | 基于块稀疏贝叶斯学习的准平稳宽带阵列信号波达方向估计方法 |
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 |
CN113759303A (zh) * | 2021-08-04 | 2021-12-07 | 中山大学 | 一种基于粒子群算法的无网格波达角估计方法 |
WO2022110833A1 (zh) * | 2020-11-30 | 2022-06-02 | 海南大学 | 一种基于嵌套交叉偶极子阵列的无网格单比特doa估计方法 |
-
2023
- 2023-04-17 CN CN202310403050.3A patent/CN116125373A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107247250A (zh) * | 2017-05-23 | 2017-10-13 | 中国民航大学 | 一种基于粒子滤波的相干分布源波达方向跟踪方法 |
CN107703477A (zh) * | 2017-09-11 | 2018-02-16 | 电子科技大学 | 基于块稀疏贝叶斯学习的准平稳宽带阵列信号波达方向估计方法 |
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 |
WO2022110833A1 (zh) * | 2020-11-30 | 2022-06-02 | 海南大学 | 一种基于嵌套交叉偶极子阵列的无网格单比特doa估计方法 |
CN113759303A (zh) * | 2021-08-04 | 2021-12-07 | 中山大学 | 一种基于粒子群算法的无网格波达角估计方法 |
Non-Patent Citations (2)
Title |
---|
吴孙勇;廖桂生;杨志伟;: "基于粒子滤波的宽带信号波达方向估计", 电子学报, no. 06 * |
宫延云: "稳健的卫星导航系统干扰抑制技术研究", 中国博士学位论文全文数据库 信息科技辑, no. 6 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110045321B (zh) | 基于稀疏和低秩恢复的稳健doa估计方法 | |
US9804999B2 (en) | Signal/noise separation using FrFT rotational parameter obtained in relation to Wigner Distribution | |
WO2022022239A1 (zh) | 一种基于检测前估计的雷达目标检测方法 | |
CN109633538B (zh) | 非均匀采样系统的最大似然时差估计方法 | |
CN111337873B (zh) | 一种基于稀疏阵的doa估计方法 | |
CN109597048B (zh) | 基于二维卷积神经网络的米波雷达doa估计方法 | |
CN111398910A (zh) | 雷达信号检测方法、装置、电子设备及存储介质 | |
CN110275131B (zh) | 一种基于虚拟差分阵列的doa跟踪方法及装置 | |
CN113219402A (zh) | 基于Modified-ALM算法的稀疏阵列DOA估计方法 | |
CN112147589A (zh) | 基于卷积神经网络的频率分集阵列的雷达目标定位方法 | |
CN116125373A (zh) | 一种宽带阵列天线波达方向估计方法、设备及介质 | |
CN114184999B (zh) | 一种互耦小孔径阵列的生成式模型处理方法 | |
CN114035157B (zh) | 一种基于期望最大化算法的分频带时延估计方法及其系统 | |
CN112327260B (zh) | 一种sar回波数据中脉冲式干扰信号的抑制方法和装置 | |
CN114047481A (zh) | 一种基于子空间正交性的稳健自适应波束形成方法 | |
CN113447916A (zh) | 非平稳干扰下的自适应目标检测方法 | |
CN114152918A (zh) | 基于压缩感知的抗间歇式主瓣干扰方法 | |
CN109270509B (zh) | 数据损失情况下基于矩阵填充的doa估计方法及系统 | |
CN113805139A (zh) | 基于聚焦变换的宽带信号稀疏表示波达方向估计方法 | |
CN114296039B (zh) | 一种基于稀疏重构的lfmcw雷达目标恒虚警检测方法及设备 | |
Ganage et al. | Wavelet-based denoising of direction of arrival estimation signals in smart antenna | |
Sakhnini et al. | Direction of arrival estimation using the generalized SPICE criterion | |
CN114019447B (zh) | 冲击噪声下基于聚焦分数低阶协方差的宽带测向方法及系统 | |
Chandraiah et al. | Adaptive PCA-Based Spectral Estimation Method for MST Radar Signal Processing | |
CN116359834A (zh) | 一种基于嵌套阵列改进的samp的波达方向估计方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230516 |