空间谱估计测向.pptVIP

* 四、典型谱估计测向系统 * 谢 谢 * 空间谱估计测向 * 主要内容 一、空间谱估计测向技术的发展 二、空间谱估计测向基本原理 三、空间谱估计测向系统的发展 四、典型空间谱估计测向系统 * 幅度法测向：性能较差，噪声影响较大，测向精度为天下主瓣的一半，精度较差。 相位法测向：性能较好，测向精度有所提高，不能消除噪声影响，空间分辨能力不高， 产生背景 * 空间谱估计测向 空间谱估计测向的优点: （1）多信号测向能力：既可以对不相关或部分相的多个同频来波信号进行测向，也可以通过预处理对个相干信号同时测向； （2）测向分辨力高：能分辨出入阵列同一波束内的多个信号（超分辨测向能力）； （3）测向精度高：采用阵列信号处理方法，获得更高的测向精度； （4）测向灵敏度高。在短数据低信噪比条件下也获得良好的测向性能。 * 上个世纪六七十年代： Ralph.O.Schmich等为代表，将“向量空间”概念引入空间谱估计领域，提出多重信号分类(MUSIC)算法核心思想：以观测数据位基础，将观测空间分解为信号子空间和噪声子空间，根据两个空间之间的正交关系来估计空间谱，实现超分辨率的飞跃。 MUSIC算法的提出也促进了特征子空间类兴起。子空间分解类算法从处理方式上可分为两类：一类是以MUSIC为代表的一类噪声子空间类算法，另一类是以旋转不变子空间(ESPRIT)为代表的信号子空间类算法。以MUSIC算法为代表的算法包括特征矢量法、MUSIC法、求根MUSIC法以及MNM法等。以ESPRIT为代表的算法主要有TAM法，LS-ESPRIT法及TLS-ESPRIT等。 一、空间谱估计技术的发展历程 * 20世纪80年代后期： 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)算法及多维MUSIC(MD-MUSIC)算法等。最大似然(ML)参数估计类方法是参数估计理论中一种典型和实用的估计方法，它包括确定性最大似然算法(DML)和随机性最大似然算法(SML)。WSF算法同样按子空间特性分为两类：一类是信号子空间拟合算法；另一类是噪声子空间拟合算法。子空间拟合算法具有运算量大，但与子空间分解类算法(如MUSIC，ESPRIT)相比，它的估计性能优良，尤其是低信噪比、小块拍数据情况下，此类算法比MUSIC及别的子空间分解类算法性能好得多。另为ML，WSF等子空间拟合算法在相干源情况下仍能有效估计，而此时子空间分解类算法若不做特殊处理则失效。 一、空间谱估计技术的发展历程 * 一、空间谱估计技术的发展历程 * 1.数学模型 阵列：多个天线的组合 每个天线－阵元：天线、传感器 假设: (1) 窄带信号 ：点信源 (2) 远场(far field): 波前－平面波 二、空间谱估计测向的基本原理 * 1 · … 1 d 2 3 4 m 波达方向 (DOA:direction of arrival)：入射线与法线之间的夹 角，可以有正有负。 （半波长条件）：若不满足该条件，会出现DOA估计的模糊 二、空间谱估计测向的基本原理 1.数学模型 * 1 2 m P个信号 信号 的方向向量，(阵列响应)向量： 方向矩阵 满列秩 Vandermonde矩阵 二、空间谱估计测向的基本原理 1.数学模型 * 信号模型 阵元k上的观测数据 阵列信号处理的数学模型： 阵列信号处理的问题： 已知数据向量 ，求空间参数 N个快拍 波达方向 1.数学模型 二、空间谱估计测向的基本原理 * 2. 子空间方法 假设1： 对于不同的 值，向量 线性独立 假设2： 各阵元上复加性噪声具有零均值、相同方差，且不相关 （实部和虚部不相关，具有相同方差） 假设3： 满秩矩阵（非奇异） 二、空间谱估计测向的基本原理 * 特征值分解： 即 二、空间谱估计测向的基本原理 2. 子空间方法 * 按特征值大小，将U分为两部分： 信号S 噪声G 子空间：向量组 线性组合的集合，称为 张成的空间。 二、空间谱估计测向的基本原理 2. 子空间方法 * 信号子空间： 噪声子空间： 观测空间： 观测空间＝信号子空间＋噪声子空间 特征值分解后，与大特征值对应 与小特征值对应 二、空间谱估计测向的基本原理 2. 子空间方法 * 子空间的几何意义： 投影矩阵 二、空间谱估计测向的基本原理 2. 子空间方法 *