一种新的高分辨稳定阵列信号估计算法.docVIP

一种新的高分辨稳定阵列信号估计算法 摘 要： 关键特征空间1 序言阵列信号处理作为信号处理的一个重要分支领域，被广泛的应用与雷达，声纳，通信生物医学等方面。由于空域滤波器和时域滤波器的相似点，20世纪70年代一些高分辨的谱估计方法在的推广成为大热如Capon的最小方差法，burg的最大熵法其中最突出的是20世纪70年代 Schmidt等人提出的多重信号分类（MUSIC）法。这类算法的一个共同点是通过矩阵分解将数据分成信号子空间和噪声子空间，正交空间频谱，提高算法的分辨力。本文主要是子空间分解算法种一类算法的改进，通过构造矩阵，在重构造矩阵种分离出噪声空间，实现信号的分辨。2 基于均匀线阵的窄带阵列模型的MUSIC算法由于应用中均匀线阵（ULC）设计结构简单，工程和理论实现方便，且得到广泛应用，因此我们以均匀线阵作为算法的研究模型，如图1所。假设有个远场的窄带信号(波长为)入射到空间某阵列上，其中阵列天线由个阵元组成，阵元间距为个信号的入射方向角度分别是。则我们取第次的快拍矢量为： (1) 式中为快拍数, 元阵列输出矢量为噪声矢量，为阵列流型, 其中“”表示矩阵转置，为均值为0，方差为的高斯白噪声。假设信号和噪声以及各个阵列上的噪声不相关，那么我们可以得到阵列输出数据的协方差矩阵 （2） 是的赫尔米特矩阵，为信号协方差矩阵，为噪声协方差矩阵进行特征分解后，可以得到个特征值: = ，对应的特征矢量为 1 2 3 4 5 6 7 M-2 M-1 M 图1 M元均匀线阵模型 ,其中前个构成信号空间，而后几个构成噪声子空间。通过子空间原理，我们可以得到信号子空间和阵列流型构成得空间是一样的，即 rank ()=rank (),并且和噪声子空间正交。所以我们可以利用这一性质构造算法 (3) 最后可以通过搜索谱峰值确定信号得入射方向。这就是典型得MUSIC算法。但是当入射信号相干时，我们对式中的进行特征分解后得到的对应的个特征值将不在满足先前的规则，即不能使= 。假设有个相干信号则对应的主特征值就为个，此时通过特征分解得到的较大特征值对应特征矢量构成的特征空间显然不是信号空间，自然小特征值对应的特征矢量对应的特征空间也不是，所以此时阵列流型与不完全正交，所以对应(3)式中的算法不再有效。所以传统MUSIC法几乎没有解相干性。通常信号源相干时可以通过平滑算法来实现相干信号的预处理，然后再进行MUSIC进行估计。而空间平滑算法的基本思想是把M元的均匀线阵划分成相互交错的个子阵，每个子阵的阵元数为，即有,由于整个阵列的自相关矩阵为,则对应的第个子阵的自相关矩阵就可以表示为： （4） 即第列(行)到列(行)的一个矩阵块，平滑后的自相关矩阵为 (5) 而修正后的双向平滑算法(FBSS)则是进一步对自相关矩阵进行处理： (6) 其中式中的为置换矩阵，通过预处理的数据经过MUSIC法后可实现信号的DOA估计。平滑算法主要利用原始协方差矩阵的对角各子阵的自相关特性，而各子阵间的互相关特性没有考虑，所以整个矩阵的信息总会有一定的损失，从而影响它的算法性能。 3 新的DOA方法 由文献可知MUSIC法的信号分辨能力与两信号源间的角度差、阵列孔径及信号的波长有关，且两者是一个四次幂的关系，因而在大信噪比大快拍情况下MUSIC算法往往有较高的信号分辨能力和稳定性，但是在较低信噪比情况下，信号的分辨能力将大大降低。而文献提供了一种高分辨稳定谱估计算法，即OVSS法，对相关阵的最大特征矢量按照一定的方式进行排列，通过对新排列矩阵的SVD分解两个空间，可以进行相应的谱峰搜索,然后对它进行特征分解，我们取出其中最大特征值对应的特征矢量， (7) 首先我们定义矩阵 (8) 式中, , ,且均为整数, 由于线阵的个数是固定的,为了满足排阵条件，通常取=1，此时。此时先根据文献构造阵列流型假设阵列流型对应的空间为，其中。在无噪声条件下由(7)式我们可以得到： (9