矩阵理论应用论文.docxVIP

高维随机矩阵理论在数组信号检测与估计中的应用 摘要 本文中，我们展示了高维随机矩阵理论在频谱中的要素、相关源的检测并解决了在大 数组中的估计问题。这些结果适用于样本空间的协方差矩阵 ？冲所感测的数据。可以看出， 可以实现的检测样品尺寸大小小于传统方法所要求的。 如果确定了预定的方向， 可以通过给 ?设置限制条件，包括从高维随机矩阵理论中提出的，可以得到更加准确的估计。一组理论 用来解决可行性问题。讨论 了一些没有解决的问题。 问题声明 我们认为，当p很大时，检测映射在数列 p( qp)的传感器上的q的数量以及他们的 到达方向是个问题。该模型的成像机制如下。在每个时间 t的第j个信号出现在场景中时， 第i个传感器的加性噪声和在第 i个传感器接收到的数据可以分别用平方可积的复数值随机 ?? 变 量序列????)? ?????和?????表 示。随机向量(S(t) = [?? ??……???) , 0, + 8 , ???? = 0和奇异空间的协方差矩阵 ？??= ???0)??0)?。此外，假设随机变量序列 2 (???t | 1 i p, ??€ 0, + ), e?? 0 = 0 和 E | ?? 0 | = ??, ??未知，与随机变量 序列(？??t | 1 j W p, ??€ 0, + 8)独立。让n t = dW t = H??1 ??……？??御？?(？???？？ 被标准化)和X t = [?? ??……？??t)] ??这些由阵列传感器收集的数据被建模成为随机向量 的观测值X t = AS t + N(t) ??€ 0, + 8 , A是根据阵列的几何尺寸和信号参数的 p*q的 矩阵，假设秩为q。 在数据处理中的检测问题是从观测到的 n个快照(?????), W勺中估计q。根据上述假设， 随机向量(????)??€ ,+ 8由空间的协方差 R= EX0 ??0 ?=??????+???决定，？?表示p*p 2 的单位矩阵。此外，R的p-q的最小特征值等于 d。这些特征值被称为噪声特征值，频谱 的其余部分被称为信号的特征值。 由于不知道R的频谱，所以必须从观察到的样本协方差矩 阵??= (1/ ?? ?? ?????????中推断。严格的说，必须决定观察到的频谱从哪分成噪声和信 号的特征值。 这个估计问题是确定源(？??1W詡的到达方向。在标准的假设下，这个问题是可以通过了 解R,用MUSIC方法解决的。然而，在实践中当 n不是足够大时只能得到 ？？从而导致较差 的估计。 在本文中，我们把发挥维随机矩阵谱理论的要素，并展示他们的相关源检测与估计。 高维随机矩阵理论 设M是一个有实特征值(A?1 ????的m*m维随机矩阵。然后，(A?1 ^皆的经验分布函数 ?? ?x € ?x € IR ??? ??= ?? 1[-8,??( A? ■■ ??1 是个随机过程。我们现在回顾的主要成果，发现一个极限定理: 理论1设(?????,?1是E | ??1 - ???? | 2 = 1的独立同分布的实值随机变量。对 IN?中的每一个 与??■独立，存在一个整数序列（??1使得对 与??■独立，存在一个整数序列（??1使得对IN?中每一个k有 + °° 1 ???? ???????? =￡?????? ??? ??T + OO 0 ?? 满足克莱曼法则的充分条件， ？? 1????2 ?? ???= （1/ ???????????o依概率弱收敛于在离散函数 ?? ?x €I?S? ???= ???-?? ??=1 + ^,有且仅有离散函数 H在（（!?）？?伞时。使 F 当（？乡???）？？肖, ?? ??1 ???? ??1 ? ???■■ ??! ????』？？ 1 ■ ?? ■???? ??? QQ QQ ??1 ????= ??- ??+ 1 和??1 ????= k。此 理论2当???= ????, F已知，代数密度在［?? 1 - 内核遍历所有w的所有非负整数使得（??1 ? ????）使得 外，此时唯一确定 Fo 下面的理论在T??是单位矩阵的倍数时适用。 _ 2 _ 2 ?? ,?? 1 + ??］是正实数。？???最大 _ 2 的特征值几乎可以肯定收敛［各自概率］于?? 1 + ?? ,m t + o当且仅当 E?? = 0, ????1 4 + O［分别有？??？？?！ ?? t 0,x t + O］。此外，如果？?1 是标准高斯化， _ 2 当y 1时，？???的最小特征值收敛于 ？？ 1 - ?? o 还几个有关于F的结果在［14］中提到，包括在yT0时，F收敛于H和通过y和H计算 F的方法。 信号检测中的应用 现有的方法，比如在信息论的基础上，依靠样本空间的协方差的噪声特征值之间的相