相干信号空间谱估计测向Matlab仿真研究.docxVIP

相干信号空间谱估计测向Matlab仿真研究 由于多径传播、电磁干扰等因素的影响，相干信源存在的电磁环境是经常碰到的。当空间存在相干源时，经典的超分辨doa估计方法：music算法和esprit算法，已经失去了其高分辨性能优势，有时甚至不能正确地估计出信源的真实方位。新music算法在空间不存在相干源时，其估计性能基本上是和music算法是接近的，但若有相干源存在时，其估计性能也是大大降低。因此，若将其用于相干源，必须和经典的music算法一样，首先对阵列输出的协方差矩阵进行各种去相干处理，然后再采用新music算法实现对相干信源的doa估计。基于加权空间平滑的music算法，该算法充分利用了子阵输出的自相关信息和互相关信息，将阵列协方差矩阵的所有子阵阵元数阶子矩阵进行加权平均，而权矩阵的选取以平滑后等价的信源协方差矩阵与对角阵的逼进为约束条件，以期对相干信源最大限度地去相干，改进常规空间平滑算法对相干源的分辨力。基于此本文提出的基于加权空间平滑的新music算法，以实现对相干源最大限度的去相干，实现相干源的高分辨doa估计。 2.窄带阵列相干源的数学模型和空间平滑算法2.1窄带阵列相干源的数学模型 对于m元均匀线阵，阵源间距为d，且假设均为各向同性阵元。阵列远场中在以线阵轴线法线为参照的θk(k=1,2,...p)处为p个窄带点源以平面波入射光，以阵列第一阵元为参考点，某一特定信号抵达线阵时，各阵元发送信号间仅仅存有因波程差引发的相位差。阵列发送的快拍摄数据可以由下式则表示为: x(t)=a(θ)s(t)+n(t)(2-1) (2-1)式中x(t)为m?1慢拍摄数据矢量，就是阵元输入信号， x(t)=[x1(t),......xm(t)]t。 n(t)为m?1阵列阵元噪声矢量，且是与信号源不相关的黑噪声，均值为0，方差为σn2，n(t)=[n1(t),......nm(t)]t。s(t)为输出信号矢量 )为阵列的流形矩阵,如式(2-2)所示。s(t)=[st),......stt。a((θ)]1(m ?-j?(θ1)...e-j?(θp)?-j?(θ2) ee??....a(θ)=[a(θ1),......a(θp)]=?.....?(2-2)... ?e-j(m-1)?(θ1)e-j(m-1)?(θ2)e-j(m-1)?(θp)??? （?(θi)= dsin(θi),i=1,2,...m） 向量a(θi)称为第i个信号源的方向向量。矩阵a列向量即是阵列方向向量的集合，它表示所有信源的方向，称为阵列的方向矩阵。阵列的协方差矩阵r定义为r=e[x(t)xh(t)]=arsah+σ2i,式中rs=e[s(t)sh(t)]为信源的协方差矩阵。 当空间信源互不相干时，对协方差矩阵r展开特征水解，结构信号子空间和噪声子空间，利用其拓扑性轻易使用music或esprit算法展开doa 估计，令其特征值分解为rs=u∑uh,式中，∑=diag(σ12,......,σm)，如 果信号不相干，则a为列满秩，rank(arsah)=p，于是 2uharsahu=diag(α12,...,αp,0,...0)，将r同时左乘u和右乘u，可以得 2至：uhru=uharsahu+σ2uhu=diag(α12,...,αp,0,...0)+σ2i，所以自二者 2关矩阵r的特征值为α12+σ2,...αp+σ2,σ2,...σ2，前p个特征值为信号特征值, 后m-p个特征值为噪声特征值,由信号特征值对应的所有特征向量构成的 矢量空间称为信号子空间,信号子空间同时可以用信号的方向矢量a(θi)表示。由噪声特征值对应的特征向量形成的矢量空间称为噪声子空间,二者组成信号自相关矩阵的信息空间,利用信号矢量与噪声空间的所有矢量都是正交的这一特性来估计来波信号的到达角（如式2-3所示）,即music法。 （2-3）hh a（θ）uua(θ) 仿真结果如下： music测向 music五音 -80-60-40-20 [1**********] 图1无相干信号源时的music测向 但若存有电磁波信源时，阵列输入信号协方差的秩rank(r) music测向 music五音 -80-60-40-20 [1**********] 图2有相干信号源时的music测向 因此，我们必须对阵列输入的协方差矩阵首先展开预处理，并使其阵列协方差矩阵的秩恢复正常为信号元数p，然后再使用music或