CN116299150B - 一种均匀面阵中降维传播算子的二维doa估计方法 - Google Patents
一种均匀面阵中降维传播算子的二维doa估计方法 Download PDFInfo
- Publication number
- CN116299150B CN116299150B CN202211687257.XA CN202211687257A CN116299150B CN 116299150 B CN116299150 B CN 116299150B CN 202211687257 A CN202211687257 A CN 202211687257A CN 116299150 B CN116299150 B CN 116299150B
- Authority
- CN
- China
- Prior art keywords
- matrix
- dimensional
- area array
- uniform area
- estimation
- 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 61
- 239000011159 matrix material Substances 0.000 claims abstract description 65
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims abstract description 12
- 238000001228 spectrum Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 15
- 239000000654 additive Substances 0.000 claims description 7
- 230000000996 additive effect Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 2
- 238000000354 decomposition reaction Methods 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 28
- 238000004088 simulation Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 230000003595 spectral effect Effects 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
-
- 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
Abstract
本发明公开了一种均匀面阵中降维传播算子的二维DOA估计方法,包括如下步骤:利用整个均匀面阵的接收信号构造协方差矩阵;对构造的协方差矩阵进行分块处理,得到各个分块矩阵,通过传播算子矩阵的旋转不变性进行初始估计;接着,通过降维处理,将二维优化问题转变为一维优化问题;然后,根据最小二乘思想直接求解目标信号的方位角信息作为初估计。最后,对初估计进行转换得到均匀面阵中的二维DOA估计值。本发明不需对接收信号的协方差矩阵进行特征值分解,只需一维局部谱峰搜索即可获得更加精确的估计值,以及二维估计参数的自动配对,所提方法的性能与传统均匀面阵二维PM算法相近。此外,该方法在保证估计性能的同时显著降低了计算复杂度。
Description
技术领域
本发明属于阵列信号处理DOA估计技术领域,尤其涉及一种均匀面阵中降维传播算子的二维DOA估计方法。
背景技术
阵列信号处理时信号处理的一个重要分支,其中的二维DOA估计是阵列信号处理的一个重要内容,也是阵列信号方向重要的研究领域。由于二维DOA估计可以更加准确的定位到某一确定空间中的多个感兴趣的空间信号的方向角与俯仰角,所获取的信息量更大,使得近年来关于二维DOA估计的相关内容越来越受到人们的关注。
现有的关于DOA估计的二维PM算法的角度估计精度很高,许多学者将二维PM算法运用于双L型阵列、立体十字型互耦阵列、双平行线阵等DOA估计中,得到了较好的DOA估计性能。但是传统二维PM算法进行DOA估计时需要进行全局谱峰搜索,这也带来了高维搜索问题,计算复杂度大大增加。为了解决上述问题,本发明提出了一种均匀面阵中降维传播算子的二维DOA估计方法。
发明内容
发明目的:为了解决现有技术存在的问题,本发明提供了一种均匀面阵中降维传播算子的二维DOA估计方法,在保证估计性能的同时显著降低了计算复杂度,易于实时处理。
技术方案:本发明所述的一种均匀面阵中降维传播算子的二维DOA估计方法,包括以下步骤:
一种均匀面阵中降维传播算子的二维DOA估计方法,包括以下步骤:
1)构造均匀面阵的信号模型,得到接收信号模型x(t),构造所述接收信号模型x(t)的协方差矩阵
2)对构造的协方差矩阵进行分块处理,通过传播算子矩阵的旋转不变性进行初始估计,得到用于谱峰搜索的初始估计值/>
3)通过降维处理,将二维优化问题转变为一维优化问题,进行一维局部谱峰搜索获得俯仰角u的估计值
4)根据最小二乘思想获取方位角v的估计值
5)利用估计值和/>得到均匀面阵中的二维DOA精确估计值/>
优选的,步骤1)中:
所述均匀面阵共有M×N个均匀分布的阵元,M与N分别为x轴与y轴上的阵元个数,x轴与y轴上的相邻阵元间距均为d,且d≤λ/2,λ为波长,其中将每一列的阵元集合称作一个子阵,则有子阵1,2,…,n,…,N,共N个子阵;
假设某一空间有K个信号源以二维波达方向θk,入射到所述均匀面阵上,其中θk,/>分别表示第k(k=1,2,…,K)个信号源的仰角与方位角,定义接收信号x(t)为:
其中:
其中:为Kronecker乘积,/>为方向矩阵Ay和Ax的Khatri-Rao乘积;
为信号源矢量,sK(t)为第K个信号源矢量,(·)T为转置;n(t)=[n1(t)T,n2(t)T,…,nN(t)T]T为所述均匀面阵的加性高斯白噪声,nn(t)为子阵n的加性高斯白噪声;/>为x轴上的信号源方向向量,/>为y轴上的信号源方向向量;
构造接收信号x(t)的协方差矩阵为:
其中,L为快拍数,()H表示共轭转置。
优选的,步骤2)中:
定义参量u和v分别为将x轴与y轴上的信号源方向向量和/>转化为:
ax(v)=[1,ej2dv/λ,…,e-j2πd(N-1)v/λ]T
ay(u)=[1,e-j2πdu/λ,…,e-jπ2d(M1)u/λ]T
构造矩阵Pc为:
其中,P为传播算子,IK为K阶单位矩阵,()H为共轭转置;
将矩阵Pc划分为N块:
Pc=Pc1,Pc2,…,PcN T
其中,矩阵n=1,…,N;
分别构造矩阵P1和P2:
P1=Pc1,Pc2,…,Pc(N-1) T
P2=Pc2,Pc3,…,PcN T
得到:
P2=P1T-1ΦT
其中,为对角矩阵,uk为第k个信号源的俯仰角,T为K×K阶的满秩矩阵,然后将P1 +·P2进行特征值分解,记得到的第k个特征值为pk,(·)+为求广义逆,·表示相乘,从而得出uk的初始估计值/>为:
其中k=1,2,,K。
优选的,步骤3)中:
定义矩阵Q:
其中,P为传播算子,IMN-K为MN-K阶单位矩阵;
定义参数V(u,v):
将V(u,v)变形为:
为了便于后续的计算,令参数IM为M阶单位矩阵;
用e1 Hax(v)=1来消除ax(v)=0M的平凡解,其中矩阵考虑到e1 Hax(v)=1,则将变形之后的V(u,v)重构为:
然后构造代价函数L(u,v):
L(u,v)=ax(v)HC(u)ax(v)-ω(e1 Hax(v)-1)
其中,ω为一个常数,则有:
则有ax(v)=μC(u)-1e1,由于e1 Hax(v)=1,则μ=1/e1 HC-1(u)e1为常量,所以ax(v)表示为:
结合得到俯仰角u的估计值/>
将估计值用另一种表示方式为:
优选的,步骤4)中:
在区间内对参量u进行一维局部搜索,得到C-1(u)中第(1,1)元素中最大的K个值,其中Δu→0;这最大的K个值的峰值(u1,u2,…,uK)便与sinθksinφk,(k=1,2,…,K)的估计值相对应;
然后求出K个导向矢量
由于得出:
gk=-angle(ax(vk))=0,2πdvk/λ,…,2π(M-1)dvk/λT=vkq
为了便于进一步推导,定义参数q=0,2πd/λ,…,2π(M-1)d/λT;归一化再通过最小二乘法求vK,最小二乘法则为:
其中:E=[1M,q],
ck1是vk的估计值;则ck的解为:
得到vk的估计值
优选的,步骤5)中:
将和/>代入上式即得到均匀面阵中的二维DOA精确估计值/>
有益效果:与现有技术相比,本发明的有益效果:本发明所提算法不需对接收信号的协方差矩阵进行特征值分解,而是首先利用传播算子矩阵的旋转不变性进行初始估计,然后在通过降维处理,将二维优化问题转变为一维优化问题,仅需一维局部谱峰搜索即可获得更加精确的估计值,同时还可以实现参数估计角度的自动配对,角度估计性能与2D-ESPRIT算法估计性能相近;同时,与均匀面阵中传统的二维PM算法相比,所提算法极大的降低了计算复杂度;本发明可以在保证估计性能的情况下显著降低计算复杂度。
附图说明
图1为本发明的流程图;
图2为均匀面阵分布图;
图3为本发明所述方法与2D-PM算法计算复杂度随信源数K变化示意图;
图4为本发明所述方法与2D-PM算法计算复杂度随快拍数J变化示意图;
图5为本发明所述方法与2D-PM算法计算复杂度随阵元数M变化示意图;
图6为本发明所述方法与2D-PM算法计算复杂度随阵元数N变化示意图;
图7为本发明所述方法的角度估计散点图;
图8为本发明所述方法与2D-ESPRIT算法、2D-MUSIC算法的方位角角度估计性能对比示意图;
图9为本发明所述方法与2D-ESPRIT算法、2D-MUSIC算法的俯仰角角度估计性能对比示意图。
具体实施方式
下面结合附图对本发明做进一步详细说明。
本发明提供一种均匀面阵中降维传播算子的二维DOA估计方法,如图1所示,具体包括以下步骤:
步骤1:构造如图2所示的均匀面阵的信号模型,得到接收信号模型x(t),构造所述接收信号模型x(t)的协方差矩阵
均匀面阵共有M×N个均匀分布的阵元(M与N分别为x轴与y轴上的阵元个数),且相邻阵元间距为d,(d≤λ/2,λ为波长)。假设某一空间有K个信号源以二维波达方向(θk,φk)入射到均匀面阵上,其中θk,φk分别表示第k个信号源的仰角与方位角。x轴与y轴上的信号源方向向量分别为
均匀面阵中子阵1的接收信号可以表示为x1(t)=Axs(t)+n1(t);其中,为x轴上子阵1对应的方向矩阵,n1(t)是子阵1的加性高斯白噪声,/>是信号源矢量。
根据均匀面阵的特性,子阵1的方向矩阵为Ax,而子阵2的方向矩阵就要考虑沿y轴的偏移情况,每个阵元相对于参考阵元(子阵1)的波程差就等于子阵1的阵元的波程差加上2πdsinφsin/λ,所以可得子阵n的接收信号为其中,为由矩阵的n行构造的一个对角矩阵,nn(t)是子阵n的加性高斯白噪声;
因此,得到整个均匀面阵的接收信号为:
其中,xi(t),i=1,2,,N表示第i个子阵的接收信号,表示Ay和Ax的Khatri-Rao乘积,/>为y轴上子阵1对应的方向矩阵,n(t)=[n1(t)T,n2(t)T,…,nN(t)T]T为均匀面阵的加性高斯白噪声,(·)T表示转置;
根据Khatri-Rao乘积的定义,接收信号x(t)可以转化为:
其中,表示Kronecker乘积,/>
对矩阵Ax分块得
在假设阵列无空间模糊(Ax列为满秩)的情况下,是非奇异矩阵,而可以由Ax1的线性变换得到。所以,该阵列方向矩阵A可以写成
其中,Ax2=PHAx1,P是传播算子,是单位矩阵。定义矩阵Q为
可以得到QHAx=0(MN-K)×K,定义协方差矩阵为其中,L为快拍数。
步骤2:对构造的协方差矩阵进行分块处理,得到各个分块矩阵,通过传播算子矩阵的旋转不变性进行初始估计,得到用于谱峰搜索的初始估计值/>
其次,定义参量u和v分别为则/>和/>可以转化为:
ax(v)=[1,e-j2πdv/λ,…,e-j2πd(N1)v/λ]T
ay(u)=[1,e-j2πdu/λ,…,e-j2πd(M1)u/λ]T
然后构造矩阵Pc为
其中,P为传播算子,IK为一个K阶单位矩阵。
将矩阵Pc划分为N块Pc=Pc1,Pc2,…,PcN T,其中,n=1,…,N;然后分别构造矩阵P1和P2
P1=Pc1,Pc2,…,Pc(N-1) T
P2=Pc2,Pc3,…,PcN T
可以得到
P2=P1T-1ΦT
其中,为由K个互不相关的信号源到达阵元的波程差构成的对角矩阵,式中uk表示第k个(k=1,2,...,K)互不相关信号源的俯仰角构成的方向信息;T为一个K×K阶的满秩矩阵;然后将P1+P2进行特征值分解得到的第k个特征值记为pk,()+表示求广义逆,从而得出uk的初始估计值/>为:
其中k=1,2,,K。
步骤3:通过降维处理,将二维优化问题转变为一维优化问题,实现参数估计角度的自动配对,仅需一维局部谱峰搜索可获得俯仰角u的估计表达式
接着定义
上式还可变形为
其中,为了便于后续的计算,令IM为一个M阶单位矩阵。上式为二次优化问题,用e1 Hax(v)=1来消除ax(v)=0M的平凡解,其中考虑到e1 Hax(v)=1,则上述二次优化问题可以重构为
然后构造如下的代价函数
L(u,v)=ax(v)HC(u)ax(v)-λ(e1 Hax(v)-1)
其中,λ为一个常数,则有
根据上式,可以得到ax(v)=μC(u)-1e1,由于e1 Hax(v)=1,则μ=1/e1 HC-1(u)e1为一个常量。所以ax(v)可以表示为
结合和上式,可以得到u的估计表达式为
此外,还可以表示为
步骤4:根据最小二乘思想直接求解目标信号的方位角信息作为DOA的初估计值vK。
通过对u在区间内进行一维局部搜索,从而得到C-1(u)中第(1,1)元素中最大的K个值,其中Δu→0;这最大的K个值的峰值(u1,u2,…,uK)便与sinθksinφk,(k=1,2,…,K)的估计相对应;
然后可以求出K个导向矢量
由可以得出
gk=-angle(ax(vk))=0,2πdvk/λ,…,2π(M-1)dvk/λT=vkq
其中,为了便于进一步推导,令q=0,2πd/λ,…,2π(M-1)d/λT;归一化再通过最小二乘法求vK。其中最小二乘法则为/> E=[1M,q],ck1是vk的估计值。则ck的解可以表示为
因为前面已经表示出是一个2×1阶矩阵,根据最小二乘法则可以求出/>的表达式即为/>也是一个2×1阶矩阵,所以该矩阵的第一行第一列元素值为ck0的结果,
根据上式即可得出vk的估计值。
步骤5:利用初估计值和/>通过/>进行角度信息转换,得到均匀面阵中的二维DOA精确估计值。
其中分别为
将俯仰角初估计值和方位角初始估计值/>代入上式,即可得到均匀面阵中二维DOA估计的俯仰角和方位角信息。
本发明方法得到的计算的复杂度为O{JM2N2},初始估计的复杂度为O{KM2N2+K2MN+2K3+2K2M(N-1)},局部谱峰搜索需要的复杂度为O{n1K[(M2N+M2)(MN-K)+M2]},则降维PM算法的二维DOA估计所需的总复杂度为O{KM2N2+K2MN+2K3+2K2M(N-1)+n1K[(M2N+M2)(MN-K)+M2]+JM2N2},其中n1是局部谱峰搜索的循环次数;而2D-PM算法的总复杂度为O{KM2N2+2K3+n2[(MN+1)(MN-K)]+JM2N2},其中n2为全局谱峰搜索的循环次数,且n1<<n2;所以本文算法的计算复杂度远小于2D-PM算法。
图3为本发明所述方法与传统2D-PM的DOA估计方法的计算复杂度(复数乘法次数)随信源数K数目变化的示意图。仿真条件为:信噪比SNR=50dB,阵元数M=8,N=8、快拍数J=100。
图4为本发明所述方法与传统2D-PM的DOA估计方法的计算复杂度(复数乘法次数)随快拍数J数目变化的示意图。仿真条件为:信噪比SNR=50dB,阵元数M=8,N=8、信源数K=3。
图5为本发明所述方法与传统2D-PM的DOA估计方法的计算复杂度(复数乘法次数)随阵元数M变化的示意图。仿真条件为:信噪比SNR=50dB,快拍数J=100、信源数K=3、阵元数N=8。
图6为本发明所述方法与传统2D-PM的DOA估计方法的计算复杂度(复数乘法次数)随阵元数N变化的示意图。仿真条件为:信噪比SNR=50dB,快拍数J=100、信源数K=3、阵元数M=8。
从图3至图6中可以看出,本发明所述的降维PM方法无需谱峰搜索,计算复杂度远小于2D-PM算法。
本发明性能估计标准为均方根误差(root mean square error,RMSE),定义RMSE、方位角的RMSE和俯仰角的RMSE分别为
其中,分别为第l次蒙特卡洛仿真时θk、φk的估计值。假设某一空间中有K=3个信号源,方位角和俯仰角分别为/> 阵元间距为d=λ/2;M与N分别代表x轴与y轴上的阵元数量,J代表快拍数。
图7为本发明所述方法的角度估计散点图。仿真条件为:有3个信源,它们的方位角与俯仰角分别为均匀面阵M=8,N=10,快拍数J为100,信噪比SNR为20dB,仿真1000次。从图7可以看出,本发明可以较准确的对信源的俯仰角进行估计。而且,在大信噪比情况下,算法的角度估计性能更好。
图8为本发明所述方法与2D-ESPRIT算法、2D-MUSIC算法的方位角角度估计性能对比。仿真条件为:有3个信源,它们的方位角与俯仰角分别为 均匀面阵M=8,N=8,快拍数J为100,信噪比SNR为50dB,仿真1000次。
图9为本发明所述方法与2D-ESPRIT算法、2D-MUSIC算法的俯仰角角度估计性能对比。仿真条件为:有3个信源,它们的方位角与俯仰角分别为 均匀面阵M=8,N=8,快拍数J为100,信噪比SNR为50dB,仿真1000次。
从图8和图9可以看出,本文所提降维PM(RD-PM)方法的角度估计性能与2D-EPRIT算法性能相近,均优于2D-MUSIC算法的估计性能。
综上所述,从仿真效果图的分析可知,本发明提出的一种均匀面阵中降维传播算子的二维DOA估计方法不需要进行二维全局谱峰搜索,而是通过一维局部谱峰搜索得到方向角与俯仰角的估计值,成功减少了二维全局谱峰搜索带来的巨大计算量,显著降低了计算复杂度,而且还可以实现角度估计参数的自动配对。同时,通过仿真验证了本文所提方法的角度估计性能与2D-ESPRIT算法估计性能相近。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (4)
1.一种均匀面阵中降维传播算子的二维DOA估计方法,其特征在于,包括以下步骤:
1)构造均匀面阵的信号模型,得到接收信号模型x(t),构造所述接收信号模型x(t)的协方差矩阵
2)对构造的协方差矩阵进行分块处理,通过传播算子矩阵的旋转不变性进行初始估计,得到用于谱峰搜索的初始估计值/>
3)通过降维处理,将二维优化问题转变为一维优化问题,进行一维局部谱峰搜索获得俯仰角u的估计值
4)根据最小二乘思想获取方位角v的估计值
5)利用估计值和/>得到均匀面阵中的二维DOA精确估计值/>
步骤1)中:
所述均匀面阵共有M×N个均匀分布的阵元,M与N分别为x轴与y轴上的阵元个数,x轴与y轴上的相邻阵元间距均为d,且d≤λ/2,λ为波长,其中将每一列的阵元集合称作一个子阵,则有子阵1,2,…,n,…,N,共N个子阵;
假设某一空间有K个信号源以二维波达方向θk,入射到所述均匀面阵上,其中θk,/>分别表示第k(k=1,2,…,K)个信号源的仰角与方位角,定义接收信号x(t)为:
其中:
其中:为Kronecker乘积,/>为方向矩阵Ay和Ax的Khatri-Rao乘积;为信号源矢量,sK(t)为第K个信号源矢量,(·)T为转置;n(t)=n1(t)T,n2(t)T,…,nN(t)T T为所述均匀面阵的加性高斯白噪声,nn(t)为子阵n的加性高斯白噪声;/>为x轴上的信号源方向向量,/>为y轴上的信号源方向向量;
构造接收信号x(t)的协方差矩阵为:
其中,L为快拍数,(·)H表示共轭转置;
步骤2)中:
定义参量u和v分别为将x轴与y轴上的信号源方向向量和/>转化为:
ax(v)=[1,e-j2πdv/λ,…,e-j2πd(N-1)v/λ]T
ay(u)=[1,e-j2πdu/λ,…,e-j2πd(M-1)u/λ]T
构造矩阵Pc为:
其中,P为传播算子,IK为K阶单位矩阵,(·)H为共轭转置;
将矩阵Pc划分为N块:
Pc=[Pc1,Pc2,…,PcN]T
其中,矩阵n=1,…,N;
分别构造矩阵P1和P2:
P1=[Pc1,Pc2,…,Pc(N-1)]T
P2=[Pc2,Pc3,…,PcN]T
得到:
P2=P1T-1ΦT
其中,为对角矩阵,uk为第k个信号源的俯仰角,T为K×K阶的满秩矩阵,然后将P1 +·P2进行特征值分解,记得到的第k个特征值为pk,(·)+为求广义逆,·表示相乘,从而得出uk的初始估计值/>为:
其中k=1,2,…,K。
2.如权利要求1所述的一种均匀面阵中降维传播算子的二维DOA估计方法,其特征在于,步骤3)中:
定义矩阵Q:
其中,P为传播算子,IMN-K为MN-K阶单位矩阵;
定义参数V(u,v):
V(u,v)=[ay(u) ax(v)]HQQH[ay(u) ax(v)]
将V(u,v)变形为:
V(u,v)=ax(v)H[ay(u) IM]HQQH[ay(u) IM]ax(v)=ax(v)HC(u)ax(v)
为了便于后续的计算,令参数C(u)=[ay(u) IM]HQQH[ay(u) IM],IM为M阶单位矩阵;
用e1 Hax(v)=1来消除ax(v)=0M的平凡解,其中矩阵考虑到e1 Hax(v)=1,则将变形之后的V(u,v)重构为:
然后构造代价函数L(u,v):
L(u,v)=ax(v)HC(u)ax(v)-ω(e1 Hax(v)-1)
其中,ω为一个常数,则有:
则有ax(v)=μC(u)-1e1,由于e1 Hax(v)=1,则μ=1/{e1 HC-1(u)e1}为常量,所以ax(v)表示为:
结合得到俯仰角u的估计值/>
将估计值用另一种表示方式为:
3.如权利要求2所述的一种均匀面阵中降维传播算子的二维DOA估计方法,其特征在于,步骤4)中:
在区间内对参量u进行一维局部搜索,得到C-1(u)中第(1,1)元素中最大的K个值,其中Δu→0;这最大的K个值的峰值(u1,u2,…,uK)便与sinθksinφk,(k=1,2,…,K)的估计值相对应;
然后求出K个导向矢量
由于得出:
gk=-angle(ax(vk))=[0,2πdvk/λ,…,2π(M-1)dvk/λ]T=vkq
为了便于进一步推导,定义参数q=[0,2πd/λ,…,2π(M-1)d/λ]T;归一化再通过最小二乘法求vK,最小二乘法则为:
其中:E=[1M,q],
ck1是vk的估计值;则ck的解为:
得到vk的估计值
4.如权利要求3所述的一种均匀面阵中降维传播算子的二维DOA估计方法,其特征在于,步骤5)中:
将和/>代入上式即得到均匀面阵中的二维DOA精确估计值/>
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211687257.XA CN116299150B (zh) | 2022-12-27 | 2022-12-27 | 一种均匀面阵中降维传播算子的二维doa估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211687257.XA CN116299150B (zh) | 2022-12-27 | 2022-12-27 | 一种均匀面阵中降维传播算子的二维doa估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116299150A CN116299150A (zh) | 2023-06-23 |
CN116299150B true CN116299150B (zh) | 2023-12-01 |
Family
ID=86817452
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211687257.XA Active CN116299150B (zh) | 2022-12-27 | 2022-12-27 | 一种均匀面阵中降维传播算子的二维doa估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116299150B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116500543B (zh) * | 2023-06-25 | 2023-09-05 | 河北大学 | 一种基于参考方向变换的来波角度快速估计方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113253192A (zh) * | 2021-04-15 | 2021-08-13 | 南京航空航天大学 | 一种用于非圆信号的互质线阵级联doa估计方法 |
CN113567913A (zh) * | 2021-06-21 | 2021-10-29 | 电子科技大学 | 基于迭代重加权可降维的二维平面doa估计方法 |
CN113673317A (zh) * | 2021-07-12 | 2021-11-19 | 电子科技大学 | 基于原子范数最小化可降维的二维离格doa估计方法 |
CN113820654A (zh) * | 2021-08-09 | 2021-12-21 | 西安电子科技大学 | 基于波束域降维的s波段雷达目标低仰角doa估计方法 |
CN114895234A (zh) * | 2022-04-18 | 2022-08-12 | 南京航空航天大学 | 互质面阵下降维Capon的二维DOA估计方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6028388B2 (ja) * | 2012-05-11 | 2016-11-16 | 富士通株式会社 | 到来方向推定装置、及び到来方向推定方法 |
KR101413229B1 (ko) * | 2013-05-13 | 2014-08-06 | 한국과학기술원 | 방향 추정 장치 및 방법 |
-
2022
- 2022-12-27 CN CN202211687257.XA patent/CN116299150B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113253192A (zh) * | 2021-04-15 | 2021-08-13 | 南京航空航天大学 | 一种用于非圆信号的互质线阵级联doa估计方法 |
CN113567913A (zh) * | 2021-06-21 | 2021-10-29 | 电子科技大学 | 基于迭代重加权可降维的二维平面doa估计方法 |
CN113673317A (zh) * | 2021-07-12 | 2021-11-19 | 电子科技大学 | 基于原子范数最小化可降维的二维离格doa估计方法 |
CN113820654A (zh) * | 2021-08-09 | 2021-12-21 | 西安电子科技大学 | 基于波束域降维的s波段雷达目标低仰角doa估计方法 |
CN114895234A (zh) * | 2022-04-18 | 2022-08-12 | 南京航空航天大学 | 互质面阵下降维Capon的二维DOA估计方法 |
Non-Patent Citations (1)
Title |
---|
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;张小飞;数据采集与处理(第2020年06期期);1023-1032 * |
Also Published As
Publication number | Publication date |
---|---|
CN116299150A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110208735B (zh) | 一种基于稀疏贝叶斯学习的相干信号doa估计方法 | |
CN110927659B (zh) | 互耦条件下任意阵列流形doa估计与互耦校准方法及系统 | |
CN106980106B (zh) | 阵元互耦下的稀疏doa估计方法 | |
CN107315162B (zh) | 基于内插变换和波束形成的远场相干信号doa估计方法 | |
CN108710102B (zh) | 基于互质阵列二阶等价虚拟信号离散傅里叶逆变换的波达方向估计方法 | |
CN111965598B (zh) | 一种利用非均匀阵列进行辐射源定位方法 | |
CN110749857B (zh) | 基于秩损法的均匀矩形阵列二维非圆信号doa估计方法 | |
CN112731278B (zh) | 一种部分极化信号的角度与极化参数欠定联合估计方法 | |
CN116299150B (zh) | 一种均匀面阵中降维传播算子的二维doa估计方法 | |
CN111999712B (zh) | 一种三维gtd散射中心模型的散射中心点的参数估计方法 | |
CN112462363A (zh) | 非均匀稀疏极化阵列相干目标参数估计方法 | |
CN113835063B (zh) | 一种无人机阵列幅相误差与信号doa联合估计方法 | |
CN111352063A (zh) | 一种均匀面阵中基于多项式求根的二维测向估计方法 | |
CN114779236A (zh) | 一种基于空间平滑music改进的米波雷达低仰角测高方法 | |
CN113567913A (zh) | 基于迭代重加权可降维的二维平面doa估计方法 | |
CN110749856B (zh) | 一种基于零化去噪技术的互质阵欠定测向方法 | |
CN110261814B (zh) | 基于空间谱重构和导向矢量直接估计的波束形成方法 | |
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 | |
CN115575941A (zh) | 面向稀疏阵列的频控阵mimo雷达目标参数估计方法 | |
CN112698263A (zh) | 一种基于正交传播算子的单基地互质mimo阵列doa估计算法 | |
CN114397619A (zh) | 基于非均匀稀疏阵列二维定位算法 | |
CN113820654A (zh) | 基于波束域降维的s波段雷达目标低仰角doa估计方法 | |
CN109061564B (zh) | 基于高阶累积量的简化近场定位方法 | |
CN113093111A (zh) | 基于压缩感知和遗传算法的均匀圆阵解调二维相干信号方法及系统 | |
CN111830458A (zh) | 一种平行线阵单快拍二维测向方法 |
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 |