高分辨力空间谱估计性能对比教程方案.pptVIP

高分辨力空间谱估计性能对比分析研究 信号处理 阵列信号处理（空域信号处理） 空间谱估计 角度的估计精度 角度分辨力 运算速度 高分辨力空间谱估计 对比 多重信号分类算法MUSIC 旋转不变子空间算法ESPRIT DOA估计 空间谱估计的发展 第一阶段：基于阵列的DOA算法为常规波束形成法（CBF法），也称为Bartlett波束形成法 第二阶段：20世纪70年代以来，主要的高分辨谱估计方法有：谐波分析法、最大熵法（MEM）、最小方差发（MVM） 第三阶段：20世纪70年代末开始出现多重信号分类（MUSIC）算法为突出，促进子空间分解类算法，ESPRIT算法 第四阶段：20世纪80年代后期开始又出现了一类子空间拟合类算法，其中比较有代表性的算法有最大似然（ML）算法、加权子空间拟合（WSF）算法和多维MUSIC（MD-MUSIC）算法等 通过空间阵列接收数据的相位差来确定一个或几个待估计的参数，如方位角、俯仰角及信号源数等。 DOA估计原理图 波程差 相位差 空间谱估计基本原理： 一般的情况下，对于空间任意两个阵元而言，两阵元接收的波程差应为： 空间谱估计系统 有三部分组成：空间信号入射、空间阵列接受和参数估计。相应地可分为三个空间，即目标空间、观察空间和估计空间。 估计空间相当于是对目标空间的一个重构过程，这个重构的精度由众多因素决定，如环境的复杂性、空间阵元间的互耦、通道不一致、频带不一致等。 这个重构过程的理论基础就是下面要阐述的数学模型。 阵列向量的二阶统计量用其外积的统计平均值表示，称之为协方差矩阵： 进行特征分解 在实际中，由于接收数据矩阵是有限长的，所以阵列协方差矩阵通常由下面的估计值代替： MUSIC算法的谱估计公式为 均匀线阵 导向矢量 L型阵列 十字型阵列 典型数学模型及其导向矢量 多重信号分类算法——MUSIC算法 基本思想：是将任意阵列输出数据协方差矩阵进行特征分解，从而得到相互正交的信号子空间和噪声子空间，然后利用这两个子空间的正交性来估计信号的参数。 算法原理 DOA数学模型 进行特征分解 以最小优化搜索实现DOA MUSIC 算法的谱估计 MUSIC算法流程图 MUSIC 算法的计算量主要集中在： 1、协方差矩阵的特征分解 2、空间谱函数的角度搜索 MUSIC算法与信噪比的关系 MUSIC算法与阵元间距的关系 MUSIC算法与阵元个数的关系 MUSIC算法性能仿真分析 旋转不变子空间类算法——ESPRIT算法 算法思想：是将阵列在结构上划分成两个完全一致的位置平移的子阵，即平移不变，使入射角在两个子阵列上仅相差一个旋转不变因子，而这一旋转因子（包含各个入射信号的波达方向信息）可以通过求解一个广义特征值方程得到。 算法原理 阵列模型 合并 得到协方差矩阵 分解、修正 两个子阵的信号子空间的关系为： 阵列流A满秩，则： 则利用右式可得到入射角： 反映了旋转不变性 ESPRIT算法的常用方法 LS—EPRIT算法 TLS—EPRIT算法 当 满秩时 考虑噪声是，该方法是有偏差的，故引入下面的算法 TLS-ESPRIT算法中去噪过程同最小二乘算法相比，得到信号子空间需要经过两次特征分解，所以计算量更大。 阵元数M 信噪比（dB） 采样点数 均值 均方误差 6 10 256 -19.4822 0.5654 10.6567 0.2194 0.4578 0.4475 512 -19.7013 0.3120 10.3856 0.1685 0.3962 0.3137 20 256 -19.8689 0.2096 10.2978 0.0970 0.2467 0.1958 512 -19.9144 0.1062 10.1372 0.0549 0.1986 0.1628 8 10 256 -19.8944 0.2526 10.2794 0.1115 0.3678 0.2054 512 -19.9596 0.1228 10.1358 0.0163 0.1564 0.1036 20 256 -19.9230 0.2005 10.2534 0.0591 0.1932 0.1620 512 -19.9665 0.1058 10.1302 0.0162 0.1054 0.1000 ESPRIT算法性能仿真分析 阵元数为6、8 信噪比为10dB、20dB 入射角分别为-20o、0o、 10o LS-ESPRIT算法与信噪比的关系 随着信噪比的增加，该算法的估计方差越来越小 当信噪比超过20dB的时候，估计方差几乎为零 小结 MUSIC算法和ESPRIT算法是DOA估计中比较成熟的算法，已成为空间谱估计理论体系中的标志性算法，也是