未知相关噪声环境下相干宽带源波达方向宽容估计算法

提出了一种未知相关噪声环境下,相干宽带源波达方向宽容估计算法。在实际应用中,尤其当阵列的孔径相对较小时,环境噪声通常是空间相关的,这引起了相干子空间类算法聚焦误差的增加和波达方向估计性能的严重下降。为此,提出了一种基于差分矩阵的聚焦变换算法,该算法抵消了未知相关噪声,从而减小了聚焦误差。仿真和实验结果表明,提出的方法能适用于低信噪比环境下的方位估计,宽容性及分辨率得到明显提高。     

基于Khatri-Rao子空间和传播算子的宽带声源波达方向估计算法

本文提出基于Khatri-Rao子空间和传播算子的宽带声源波达方向估计算法。该算法将声源不同频率处的协方差矩阵变换重排为一个高维矩阵,然后利用传播算子方法估计宽带声源波达方向。该算法计算复杂度介于聚焦Khatri-Rao子空间和相干子空间算法之间。仿真和实验结果表明,该算法在降低计算量的同时,估计误差与聚焦Khatri-Rao子空间算法相近,远小于相干子空间算法。     

高斯噪声中的参数盲估计

一般的盲信号处理方法常忽略噪声的影响,而实际问题中噪声的影响是存在的。本文主要讨论了在协方差矩阵未知的加性高斯噪声中混合系数的盲估计问题。以最大似然估计为基础,本文提出一种求解参数的最优化算法,并给出了混合矩阵和协方差矩阵的计算式。采用高斯混合模型(GMM)来逼近源信号的概率密度函数,简化了算法中的积分,导出了一种实用的期望最大算法(EM)算法迭代式。计算机仿真结果表明,算法不仅能稳定收敛,而且在低信噪比下的性能也很好。     

依赖于频率变化模型的相干信号子空间聚焦处理方法

提出了一种依赖于频率变化模型的相干信号子空间聚焦处理新方法。相干信号子空间(CSS)宽带处理方法的核心思想是通过聚焦变换将宽带信号各频率分量的信号子空间映射成为一个信号子空间。而依赖于频率变化模型(FDM)的宽带处理方法则是通过引入一组关于频率的基函数,建立阵列信号依赖于频率变化的模型,从而直接进行宽带处理。本文把CSS的聚焦思想应用到FDM,提出了一种宽带目标方位估计方法,并构造了对角聚焦矩阵。新方法采用了FDM,增大了相关矩阵的维数,有效地反映了噪声子空间,因此比CSS具有更好的性能;采用聚焦,大大减小了FDM方法庞大的运算量。计算机仿真结果验证了新方法的有效性。     

基于灰度共生矩阵的自动聚焦算法

为了快速而准确的进行聚焦,提出一种基于灰度共生矩阵的自动聚焦评价算法。算法利用灰度共生矩阵提取图像的纹理,以此矩阵的对比度作为图像的清晰度值;为了提高算法的实时性,在计算对比度时,选取合适的阈值去掉矩阵对角线附近灰度差较小的元素,减少算法的计算量。实验结果表明:算法满足无偏性和单峰性,具有较高的灵敏度和陡峭度,聚焦性能较好,对引入噪声的图像同样具有很好的聚焦性能。     

基于二次相关的语音信号时延估计改进算法

目前语音信号的时延估计研究,大部分采用的是广义互相关算法。然而,广义互相关时延估计算法易受噪声和混响环境影响。为此,本文提出了一种基于二次相关的语音信号时延估计改进算法,该算法对语音信号进行二次互相关运算,并结合Hilbert变换,对二次互相关峰值进行进一步的锐化处理,使得反映时延的峰值点检测更为准确。实验结果表明,改进的时延估计方法在非平稳的语音信号中能够有效地抑制噪声干扰,且在不同混响条件下时延估计具有更好的性能。     

低复杂度的MIMO声呐协方差矩阵重构方法*

多输入多输出声纳在对目标进行测向时会产生复杂的运算量,从而降低算法的测向效率。针对这一问题,提出了一种基于降维变换方法的低复杂度协方差矩阵重构方法。该方法能够抑制噪声,提高目标侧向性能。首先利用降维变换方法对接收信号进行波束形成,获得低维度的协方差矩阵,再对矩阵进行Toeplitz处理,抑制矩阵的相干性。所得到的新的协方差矩阵,通过特征分解获得噪声子空间和信号子空间,利用MUSIC方法进行测向。为了进一步降低运算复杂度,利用阵型所满足的旋转不变性,可以采用ESPRIT算法对目标进行波达方向估计。理论分析和实验结果表明,该方法有效降低了运算复杂度,提高了算法的测向性能。在有限快拍数的情况下,与传统测向方法相比,具有运算速度快,目标分辨力强的特点。     

采用四阶累积量多重矩阵重构的低信噪比相干声源波达方向估计

针对相干声源子空间能量扩散且协方差矩阵欠秩难以有效估计波达方向(DOA)的问题,提出了一种采用高阶矩阵变换的估计方法-四阶累积量多重矩阵重构(FOC-MMR)。该方法首先对阵列声压数据分帧进行短时傅里叶变换,然后对四阶累积量扩展的高阶协方差矩阵进行奇异值分解(SVD)得到高阶噪声特征向量,保证该噪声特征向量与扩展后的高阶阵列流形矢量正交匹配,最终实现相干信号的DOA估计。相干单频矩形脉冲信号仿真结果表明,将FOC-MMR方法应用于均匀线阵(ULA, M=4),在信噪比SNR≥-15 dB时,相干信号(θ₁=-20°和θ₂=20°)的均方根误差保持在1.5°以内;在SNR=10 dB时,可正确分辨的两相干信号方位间隔Δθ可以低至5°。在相干脉冲声源实验中,通过混入SNR=5 dB高斯白噪声,验证了FOC-MMR算法在应用于由多个ULA组成的矩形面阵时,其分辨邻近声源和抑制高斯噪声的能力较高。FOC-MMR算法通过对声压阵列数据扩展得到满秩的高阶协方差矩阵,不仅解决了由信号相干造成的噪声和信号特征向量之间能量扩散的问题,还实现了以较高的测向精度和...     

噪声方差未知时的分布式量化估计融合方法

为了解决观观测噪声和信道噪声概率分布不完全已知时的多传感器分布式量化估计融合问题,提出了一种期望极大化算法(EM算法)的分布式量化估计融合方法。该方法将未知的噪声参数以及局部量化器量化概率建模为EM算法中二元高斯混合模型参数,利用极大似然估计方法的估计不变性得到目标参数的估计融合结果。仿真实验结果表明:该方法在局部传感器观测样本数目大于6000和信噪比大于6 dB时与已有理想信道条件下的估计方法性能相当。本文方法对水下分布式协同探测问题提供了一种简化的估计融合实现途径。      

基于压缩感知理论的大规模MIMO系统下行信道估计中的导频优化理论分析与算法设计

针对大规模多输入多输出(multiple input multiple output, MIMO)系统信道估计中的导频设计问题,在压缩感知理论框架下,提出了一种基于信道重构错误率最小化的自适应自相关矩阵缩减参数导频优化算法.首先以信道重构错误率最小化为目标,推导了正交匹配追踪(orthogonal matching pursuit, OMP)算法下信道重构错误率与导频矩阵列相关性之间的关系,并得出优化导频矩阵的两点准则,即导频矩阵列相关性期望和方差最小化;然后研究了优化导频矩阵的方法,并提出相应的自适应自相关矩阵缩减参数导频矩阵优化算法,即在每次迭代过程中,以待优化矩阵平均列相关程度是否减小作为判断条件,调整自相关矩阵缩减参数值,使参数不断趋近于理论最优.仿真结果表明,与采用Gaussian矩阵、Elad方法、低幂平均列相关方法得到的导频矩阵相比,本文所提方法具有更好的列相关性,且具有更低的信道重构错误率.