多方位信号分类和最低规范方法的限定数据性能.docxVIP

多方位信号分类和最低规范方法的限定数据性能在有关到达估计量问题方面，我们遇到限定数据和不足阵列特性知识。因此，重要的是在这种情况下，研究如何实现基于子空间方法实现。目前在传感增益和相位误差方面，已经分析了多方位信号分类和最低规范方法的限定数据性能，并且在有关到达估计量问题方面推导出均方误差的表达式。假设任意阵列和简化为特殊情况下等方位传感器统一线性阵列下，推导出这些表达式。它们可以进一步简化为仅有限定数据和灵敏误差的情况。它们可以减小到【9-12】所给最近结果。在均方误差预测值和仿真结果之间，计算机仿真过去常验证二者的相似性。1 介绍从窄带信源发出的平面波，采用基于特征结构技术来估量到达方位，Pisarenko在这方面开启先河，Schmidt，Bienvenu和Kopp继续研究，在近些年里，他们在这个课题有活跃性的研究。诸如最低规范和以旋转不变估计法和信号参数的其他方法在这方面落后了。而多方位信号分类方法适用于任意几何形状，任意敏感的方位特征阵列，这种特殊的视角，称为Root-多方位信号分类方法，它可以用于统一的线性阵列，ESPRT适合于某些特定阵列。所有基于子空间方法的把区别在于，它们对于DOAS产生高昂解决办法和一致精确地结果。另一个特色是它们要求在各自几何结构，传感增益，相位方面有精确地阵列特性。事实上，我们仅能够以限定数据去处理，从正常价值来看，阵列的性能也许不同，要么事因为它的几何形状特性误差，要么是在传感增益性能和相位方面的误差，或许二者都有。Kavah和Barabell可能第一个提出这些方法中两个统计性能分析的问题—多方位信号分类和最低规范在限定数据的例子中。Rao和Hari各自在【9 和10】分析求根多信号分类和求根最小范数算法的限定数据性能。近来，Srinath,Reddy和Friedlander在假设无限数据下，分析多信号分类方法对于传感器增益和相位变动的灵敏度。Srinvas和Reddy对于最小范数算法认定有相似的问题。但提到以前实际应用，我们既遇到限定数据，又有传感增益和相位变动。重要的是在这些情况下，知道如何技术才会起作用。我们提到的这个问题，对于辐射信号的波达方向估计的均方误差方面进行分析表述，这是在多信号分类和最小范数算法情况下的。当这些表述简化后用于特定的情况，可以减少到【9-12】给定的结果。这儿目前的分析采用在一定意义下统一框架，这种步骤适用于二者。权向量在最小范数里代替多信号分类里的噪声特征向量矩阵。另外一点提到的是由于最小范数算法和总最小二乘放算法对于前面的线性预测问题是一样的（见12），这也适用于TSL-FLP。在第二部分，对有关辐射信号的波达方向估计和基于特征结构算法，我们彰显一些背景材料。（多信号分类方法，求根多信号分类方法，最小范数和谱最小范数）。第三部分，对于传感增益，相位变动和估计阵列协方差矩阵，我们讨论有关模型。在变动协方差矩阵信号特征向量中描述一阶变动。第四节中，对于辐射信号的波达方向估计，假设任意整列，采用过信号分类和谱最小范数算法，我们首先推出均方误差表达式，然后将其简化为适用于具有等方位传感器的统一线性阵列的情况。这些还可以进一步简化为特定情形。在第五节，我们彰显仿真结果来展示理论和仿真的吻合度，研究不同情形下算法性能。最后第六节，作了总结。背景假设从D 窄带信源辐射出的平面波撞击到含有M个传感器的一个阵列，这些信源的辐射信号的波达方向是（θ1，θ2，θD ），阵列的输出向量是K维德观察常量，称作第K个片段，可以表示成：r(K)=AS(K)+n(K)这里Sk是一个随机信号的D*1维的向量，这个随机信号假定均值为零，固定的，复杂的高斯随机变量，nk是M*1维的加性噪声向量，它也别假定为均值为零，固定的，复杂的高斯随机变量，其与其他信号和其他噪声不相关，A是由A=【a(θ1),a(θ2),…a(θD)】.来给定的矩阵。这个决定向量与第i路辐射信号的波达方向一致θi,a(θ)=[a1(θi))T这里am(θi)表示第M个传感器对于以θi角度到达的波阵面的合成增益响应，表示信号的中心频率，()表示参考点和第M个传感器间的传播延迟，这是对于以角度来撞击的波阵面来说的。阵列信号向量的协方差矩阵是：R=E=AS+I+I这儿上标“+”表示转置阵的结合，S=E和是加性噪声的变化。让==…==…=表示R的特征值和,,…表示相应的特征向量，如果矩阵和写成= (4)= (5)Es的线性范围，（信号的子空间），和A的列数的范围相同。的线性范围（噪声子空间）是信号子空间的正交补集，那么=0, k=1,2,…,D.A 多方位信号分类在传统的多方位信号分类（又叫作谱多方位信号分类），辐射信号的波达方向由搜索方向向量决定，它与噪声子空间正交。对于此，普测度（又叫无用光谱），写成D（θ）=