空间谱估计算法综述.docxVIP

空间谱估计算法综述 空间谱是矩阵处理过程中的一个重要概念。“空间谱”表示信号在每个方向上的能量分布。若能够估计出空间谱就可以得到信号源的波达方向(direction of arrival,DOA),所以空间谱估计也常称为DOA估计。 最早的阵列的DOA估计算法可以追述到常规波束形成算法(CBF)法,也叫做Bartlett波束形成算法,该算法是时域傅里叶谱估计在空域的一种简单扩展,即用空域各阵列数据代替传统时域处理的时域数据,与时域傅里叶变换一样空域分辨力受到空域傅里叶限即瑞利限的限制。故CBF不能分辨一个波束宽度内的多个信号源。接着突破瑞利限的DOA估计算法如非线性估计算法如Capon波束形成技术得到了研究。 20世纪70年代起利用子空间分解类的算法开始兴起,最具代表性的经典算法有:1)多重信号分类(MUSIC),即利用接收数据的协方差矩阵进行特征分解得到两个相互正交的信号子空间和噪声子空间,信号的子空间的划分依据是与阵列流形空间构成相同的空间,剩余构成噪声子空间。利用噪声子空间与阵列流形正交构造出空间谱(并不代表能量分布,只说明噪声子空间和阵列流形的正交程度),从而得到DOA估计。2)旋转不变信号子空间算法(ESPRIT),是以阵列流形中隐含的空间平移不变性,即阵列形式可以划分成两个完全相同的子阵,从而利用与阵列形成相同空间的信号子空间得到旋转不变方程,然后利用各种解旋转不变方程方法如最小二乘(LS)、总体最小二乘(TLS)解方程得到DOA估计。 20世纪80年代后期又出现了一批子空间拟合类算法,比较经典的有最大似然(ML)算法、子空间拟合(SF)算法,但由于DOA估计似然函数是非线性的,故求其最优解需要多维搜索,运算量比较大。 1 doa评估经典算法 1.1 信号模型估计 考虑p个远场窄带信号入射到空间M阵元的均匀线阵(ULA),这里假设阵元数等于通道数,即各阵元接收到信号后经各自的传输通道送入到处理器,还假设目标为点目标,第一个阵元为参考点,为避免测角模糊设阵元间距为半波长。则信号模型用矢量形式可表示为: 其中X(t)表示M×1维接收快拍数据矢量,S(t)为P×1维信号源矢量,N(t)为M×1维噪声数据矢量,为了方便分析这里假设噪声为均值为0、方差为σ2的高斯白噪声。A表示空间M×N的阵列流形矩阵,A=[a(θ1),a(θ2),…,a(θP)],其中第p(p=1,…,P)个信号阵列流形为a(θp)=[1,exp(jπsinθp),…,exp(jπ(M-1)sinθp)]。DOA估计技术可理解为从模型(1)中估计出P个未知参量θp(p=1,…,P)。下面介绍6种经典算法。 1.2 确定l次快拍输出的平均功率 假设M个阵元的加权矢量为w=[w1,w2,…,wM]T,则整个阵列的输出为y=wHx(t),那么L次快拍输出的平均功率为 其中R为接收阵列的协方差矩阵。当加权值为w=a(θ)时,式(2)即为CBF空间谱图,等于 通过扫描得到得到谱曲线,找到P个谱峰所对应的角度值就得到了DOA估计值。 1.3 最小方差法输出capon波束形成谱线 可以证明式(2)的波束形成的最优权矢量为则整个阵列的输出可以简化为 由于期待信号是未知的,可通过扫描得到Capon波束形成谱曲线即 亦叫做最小方差法(MVM),找到个谱峰所对应的角度值就得到了DOA估计值。 1.4 音乐算法的认知矩阵空间 MUSIC算法的提出开创了信号谱估计算法研究的新时代,促进了特征结构类算法的兴起和发展,该算法以成为空间谱估计的标志性算法。该算法不同于上述两种算法,上述算法是针对接收数据协方差矩阵进行直接处理。而MUSIC算法需要对协方差矩阵进行特征值分解,即 US是由P个大特征值对应的特征矢量张成的信号子空间,UN是由M-P个小特征值对应的特征矢量张成的子空间也即噪声子空间。需要指出的是这里的P值是未知的,需要用信息论方法或者平滑秩方法等事先估计。信号子空间和噪声子空间是正交的,故理想条件下阵列流形正交于噪声子空间,即aH(θ)UN=0。但是实际接收阵列协方差矩阵是有偏差的,可用有限个快拍数据来估计即进行特征值分解得到近似噪声子空间但该噪声子空间并不与阵列流形完全正交。因此可以通过下面的空域搜索得到MUSIC空间谱: 1.5 两个子阵间的旋转不变模型 ESPRIT算法最基本的假设是存在2个完全相同的子阵,且两个子阵间的间距是Δ已知的。假设两个相同的子阵分别为: 其中φp=(2πΔsinθp/λ),由上述可知只要得到两个子阵间的旋转不变关系Φ就可求取DOA估计值。将两个子阵模型合并得: 类似于MUSIC算法,对上述接收协方差矩阵进行特征分解得到信号子空间 则可得到 对式(12)进行解方程可得Ψ=U*S1US2(LS结果),上标*表示pense-moore伪逆。再对Ψ进行