一种改进的基于奇异值分解的信源数目估计算法

信源数目估计问题在盲源分离中具有重要的意义。研究了传感器数目大于信源数目时的源数估计问题。首先分析了用奇异值分解法进行信源数目估计的优势与不足,然后提出了一种改进的基于奇异值分解的信源数目估计算法。该算法首先对含噪混合信号进行奇异值分解,然后检测信号分量与噪声分量之间的转折点,将信号分量与噪声分量区分开来,从而得到信号源的数目。实验仿真表明,该算法在低信噪比以及采样点数较少时仍然具有好的性能。     

对流层散射通信中基于改进SVD的信道估计算法

针对基于OFDM的对流层散射通信中传统奇异值分解(SVD)信道估计算法以循环前缀长度为界来截取特征值会引入较大信道噪声问题,提出了一种SVD改进算法.该算法先对散射信道的最大多径时延进行估计,再利用该估计值来截取特征值,从而减少了噪声影响.仿真表明,该算法的均方误差以及误码率性能都优于传统SVD算法,信道估计效果接近于最小均方误差(MMSE)算法.     

用于正弦波频率估计的修正Kay算法

Kay算法能够估计出采样点较少的正弦波频率，但低信噪比下估计性能不佳。针对此问题，提出了修正Kay算法。首先基于最大似然估计准则，推导了观测信号模值与相位的条件概率密度函数，进而重建了Kay算法的相位差噪声矢量协方差矩阵与权值矩阵。实验结果表明，修正算法能够有效估计正弦波信号频率，与Kay算法相比，抗噪性更强。     

一种新的多信号卷积混合信号盲分离算法

对于含噪声情况下多个源信号卷积混合盲分离,由于混合矩阵比较复杂,分 离算法会出现迭代次数增加、收敛速度变慢等问题。在对多信号卷积混合进行合理简 化的基础上,提出一种以四阶累积量为独立准则的多信号卷积混合的新的时域盲源分离算法 。由于采用高阶累积量为独立准则,该算法对高斯噪声具有良好的抑制作用,改善了信噪比 。 其次,算法也建立了步长因子的选取与二次残差之间的非线性函数关系,使得算法既获得了 较 快的收敛速度,也得到较高的分离精度。仿真数据表明提出的算法对于多个源信号卷积 混合具有良好的分离效果。     

应用萤火虫算法的混沌信号盲源分离

针对现有的独立成分分析法分离混合混沌信号精度不理想的问题,提出了一种新的混沌信号盲分离方法。该方法以求解最优解混矩阵为目标,利用峭度构造目标函数,将混沌信号的盲源分离转化为一个优化问题,并用萤火虫算法求解。同时,通过预白化和正交矩阵的参数化表示降低优化问题的维数,能有效提高分离精度。仿真结果表明,无论是处理混合的混沌映射信号还是混合的混沌流信号,该方法都能快速收敛,并且其分离精度在各项实验中都优于独立成分分析法等现有的盲源分离方法。     

一种基于矩阵重组的功率倒置改进算法

针对功率倒置（Power Inversion,PI）算法信噪比恶化问题,推导了最小均方误差准则下最优权矢量组成,提出了处理增益更高、工作范围更广的改进算法。算法通过对接收信号协方差矩阵进行特征分解,根据特征值分布特点舍去噪声特征向量,组成新的协方差矩阵,得到具有指向性的最优权值矢量。仿真结果表明,与传统PI算法相比,改进算法在期望方向形成自适应波束,获得的信干噪比增益和信噪比增益高出约9.6 dB,较好地改善了信噪比恶化问题。     

一种改进的基于EMD分解的超宽带信号消噪算法

针对低信噪比超宽带信号的消噪问题，提出一种改进的基于经验模式分解（EMD）的 消噪算法。该算法首先对含噪信号进行EMD分解，得到多个固有模态函数（IMF）分量，然后 选取高阶IMF重构原信号，达到消噪的目的。针对对UWB信号的IMF重构过程中阶数阈值难以 确定的问题，通过数值仿真的方法，得到信号分量和噪声分量在不同阶IMF上的能量分布特 性；在对所得特性进行分析的基础上，设计了一种数据自适应的阶数阈值选取算法，解决了 EMD消噪中的阶数阈值选取问题。仿真结果表明，EMD消噪算法能够在较低信噪比下提供平均 10 dB的信噪比增益，可以有效地对超宽带信号进行消噪。     

双平行线阵的快速一维DOA估计

针对传统子空间算法需要进行特征值分解或奇异值分解等复杂计算的问题，提出一种双平行线阵（Double Parallel Linear Array,DPLA）的快速一维波达方向（Direction of Arrival，DOA）估计算法。算法通过处理互协方差矩阵的第一列元素构造出等效的噪声子空间，再通过求根MUSIC（Multiple Signal Classification）算法得到DOA估计，有效避开了特征值分解或奇异值分解，降低了计算复杂度，提高了运算速度。仿真结果表明，该算法在提高了估计精度的同时减少了估计时间。     

基于加权最小二乘支持向量机的欠定盲源分离

为了进一步提高欠定盲源分离算法中混合矩阵估计方法的性能,提出了一种基于加权最小二乘支持向量机（SVM）的欠定盲源分离混合矩阵估计方法。该方法利用信号的方向角度特征估计出有效信源信号个数,然后采用加权最小二乘支持向量机方法获得初始权值,每次将其中一个权值对应的样本点作为测试样本,其余点作为训练样本,依次对样本的误差变量进行更新,再根据权值计算公式实现所有权值的更新,进而确定最优分类平面,实现对观测信号的最优分类,最终估计出混合矩阵。实验结果表明,新算法是有效的,其平均误差是基于K-均值方法误差的0.2倍左右,是基于SVM算法平均误差的0.5倍左右。     

基于改进EASI算法的DS-CDMA信息码与伪码盲估计

针对直扩序列码分多址(DS-CDMA)系统多用户检测的问题,提出 了一种基于性能指标（PI）变步长EASI算法信息码与伪码盲估计的算法。该算法在比较盲源 分离（BSS）和DS-CDMA系统模型的基础上,用自适应的方法估 计混合矩阵进而估计出伪码,并利用分离矩阵分离观测信号从而估计出信息码。另外,该算 法利用PI值来调整步长,使算法收敛速度和稳定性能达到一个理想平衡点。实验结果显示, 该算法具有很好的抗多址干扰(MAI)的能力,伪码和信息码的误码率分别在-10 dB和0 dB时达到10－2以下;对不同用户数,5 dB时所有扩频码被完全正确检测 的概率几乎都在80%以上。     

基于二阶矩的雷达信号盲分离

针对雷达接收机在现代战场复杂电磁环境下接收到的混叠信号,提出了一种基于二阶矩的信号盲源分离方法。在混合信号球化过程中,对于具有加性白噪声的模型,构造了一组新的协方差矩阵,在信噪比不是很高的情况下,使其不会影响分离结果。在协方差矩阵对角化过程中,采用自然梯度的方法,避免分离矩阵更新过程中的求逆问题,提高了算法的实时性。仿真实验证明,在信噪比为-10 dB的条件下,对比FastICA算法,所提算法分离精度高,收敛速度快,为进一步的信号识别提供可靠依据。     

修正的干扰噪声自相关矩阵重构波束形成算法

为改善采样自相关矩阵求逆（SMI）算法中期望信号存在于接收信号所引起的性能下降,提出一种修正干扰噪声自相关矩阵重构（CMR）算法。该算法首先选取采样自相关矩阵特征分解的最小特征值对应的特征向量构造空间分布系数,再对其在非期望信号波达方向上进行累加实现矩阵的重构。当存在相干信号时,可采取先利用特征向量元素对协方差矩阵进行托普利兹化处理实现解相干,再进行矩阵重构的托普利兹矩阵重构（TCMR）算法。计算机仿真与实验结果证明适用于非相干信号条件下的CMR算法与适用于相干信号条件下的TCMR算法具有更好的输出性能。     

基于协方差矩阵重构的阵元失效MIMO雷达DOA估计

在实际应用中由于恶劣环境或人为干扰等因素而导致多输入多输出(Multiple-Input Multiple-Output,MIMO)雷达部分阵元失效,使得其接收数据缺失及其协方差矩阵秩亏,从而导致子空间类算法的波达方向(Direction of Arrival,DOA)估计性能恶化甚至完全失效。针对上述问题,提出了一种接收阵元失效下基于协方差矩阵重构的MIMO雷达DOA估计方法。该方法根据MIMO雷达协方差矩阵中以接收阵元数划分的子方块矩阵具有Toeplitz特性,利用正常工作接收阵元的协方差矩阵元素来恢复相应的缺失元素,从而重构出完整的数据协方差矩阵,提高阵元失效MIMO雷达的DOA估计性能。仿真结果验证了所提方法的有效性。     

基于BPSK和MASK信号源特点的实值ESPRIT算法

在信号源为BPSK和MASK的情况下，提出了一种波达方向（DOA）估计方法。对于等距线阵上的接收数据，此算法根据信号源为实信号的特点，利用欧拉公式形成正弦和余弦数据，并将其加以串联，这相当于将阵元个数加倍，然后在此基础上运用ESPRIT类算法估计波达方向。由于正（余）弦数据为实值数据，所以本文提出的算法可以有效地将运算量减少到相同维数复值运算量的1／4。仿真实验表明新算法不仅估计精度高，而且能够处理的信号个数可大于阵元个数。     

训练样本不足时的子空间信号检测方法

为了解决训练样本不足时的子空间信号检测问题，提出了两种有效的降秩检测器。基于主分量分析（PCA）的思想，先把常规自适应子空间检测器中采样协方差矩阵（SCM）的求逆运算用噪声特征子空间矩阵与其共轭转置的乘积代替，构造降秩子空间检测器；为进一步提高算法稳健性，把降秩子空间检测器的求逆运算用Moore-Penrose逆代替。仿真结果表明,所提方法在训练样本充足及不足时，均比现有方法具有更好的检测性能。     

采用矩阵累乘的自相关矩阵构造

提出了一种适用于低信噪比情况下提取扩频信号特征参数的算法。该算法通过对被测信号的多次采样、分段累乘,扩大了待分解信号的样本数,降低了噪声的影响,从而能够获得比传统子空间分解算法更好的性能。通过分段累乘构造的自相关矩阵,对其进行特征值分解后,表现出对噪声不敏感的特性,在一定程度上克服了常规方法的噪声敏感缺点。对算法的仿真计算表明,该方法应用在低信噪比的通信环境下,信号特征值不会被噪声湮没,解决了传统子空间方法在低信噪比条件下的分辨率不足的问题。该算法的提出对低信噪比条件下的扩频信号处理和参数检测有重要的工程和实际意义。     

高斯白噪声下L阵二维波达方向快速估计

针对L型阵列,提出一种在高斯白噪声环境下的二维波达方向(DOA)快速估计方法。首先利用阵列结构特点构建两个互协方差矩阵,同时实现了噪声分量的有效抑制,再依据协方差矩阵的性质构造了波达方向矩阵。对该矩阵进行一次特征分解即可分别得到包含方位角和俯仰角信息的方向矢量和方向元素,实现二维DOA估计。该算法避免了传统算法的谱峰搜索或大矩阵构造及其特征分解过程,计算量小,且参数自动配对。仿真结果表明,该算法在低性噪比和少快拍下的估计精度与2D ESPRIT算法近似,但计算复杂度大幅降低,适用于实时性高的工程应用背景。