一种修正的矢量奇异值分解DOA估计算法

在均匀线性阵列模型下,特征矢量奇异值分解算法能够对相干信号进行DOA估计, 但相干和不相关信号同时存在时,算法的估计会出现错误。针对这一问题,提出了一种修正 算法（MESVD）,该算法选取经过加权处理的特征向量来构造矩阵,并利用该矩阵进行子空 间估计。理论分析和数值仿真证明：修正后的算法能够正确估计相干、相关和不相 关信号, 估计性能与空间平滑算法（FBSS）相当。     

一种估计多信号频率的快速子空间方法

多重信号分类（Multiple Signal Classification,MUSIC）法在估计多信号频率时需要对采样数据序列的自相关矩阵进行特征值分解,并准确划分出信号和噪声子空间,使得其计算量比较大。利用自相关矩阵的Toeplitz特性快速计算其逆矩阵,通过计算逆矩阵的多次幂来逼近噪声子空间,避免了MUSIC法的特征值分解和估计信号个数的过程。在谱峰搜索环节,采用先粗估计频率值再在小区间进行精细搜索的策略,能够避免搜索无用的频率范围。计算量比较分析以及与理论克拉美罗界（Cramer-Rao Bound,CRB）的对比验证结果表明,快速方法性能与MUSIC法相当,能够较好地逼近CRB,且计算量更小,适合实时性要求高的应用场合。     

基于矩阵重构的非相干分布源参数估计方法

针对现有非相干分布源参数估计算法计算量大等问题,提出了一种新的DOA和角度扩展估计算法.该算法利用空间频率近似模型下的非相干分布源协方差矩阵的结构特点.协方差矩阵可分为相位信息矩阵和幅度信息矩阵.对相位信息矩阵进行重构,对重构后的协方差矩阵利用MUSIC等传统方法即可实现DOA的估计;对幅度信息矩阵的各主次对角线上的元素均进行平滑得到幅度信息平滑向量,估计得到的DOA代入幅度信息中即可得到角度扩展的估计,从而实现非相干分布源DOA和角度扩展分离估计.计算机仿真验证了算法的性能.     

GMSK信号的后解码相干解调

为提高现有通信系统中高斯最小频移键控（GMSK）信号的接收性能,提出了一种基于后解码的GMSK相干解调方法。对于接收到的GMSK基带信号,首先完成相位和载波的同步,将信号的初始相位补偿到零相位;然后通过交替抽取GMSK基带信号的虚部与实部幅度采样值完成信息提取;最后通过后续解码处理完成信号解调。仿真表明,在误码率为10-3时,基于后解码的GMSK解调性能仅比预编码GMSK相干解调差0.5 dB,与传统基于维特比迭代处理的GMSK相干解调性能基本相当,但算法实现更为简化,有利于在现有非相干解调GMSK通信系统中的性能提升实现。     

一种新的低复杂度信道估计算法

提出了一种低复杂度的最小线性均方误差（LMMSE）估计算法,该算法依据重叠和非重叠技 术将相关矩阵进行分块。由于该算法采用小的子矩阵而不是整个相关矩阵,尽管性能稍微恶 化但复杂度大大降低。以指数衰落信道模型为例,评价了该算法的均方误差性能,证实了该 算法的有效性。     

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。     

无需信源数目的相干信号快速方位估计

针对空间平滑MUSIC算法会降低阵列孔径且运算量较大的难题,提出了一种新算法。该算 法通过对矩阵最大特征值对应的特征向量进行矢量重排,可实现不损失阵列孔径的解相干处 理。再利用重构矩阵逆的高阶次幂来逼近真实的噪声子空间,可避免特征分解,降低了运算 量且不需信源先验数目。计算机仿真结果证实了算法的有效性。     

一种不考虑信源数目的修正MUSIC算法

分析了信源数目估计误差下的MUSIC算法性能.为了解决信源数目过估计下出现虚假信号和欠估计下谱峰消失的问题,提出了一种改进算法.该算法通过对采样数据的共轭重排再利用,重新构造相关矩阵来改善测向性能.改进的算法不仅能成功运用于非相关信号源和相关信号源,还具有不用考虑信源数目的优点.计算机仿真结果证明了改进算法的正确性和有效性.     

基于压缩感知的伪随机等效采样信号重构

伪随机等效采样利用采样周期数与采样点数间的互质关系使各采样点均匀复现于同一周期,从而达到较高的等效采样速率。然而为了精确重构出原始信号,需大量采样数据,因此导致采样时间过长,实时性能差。针对上述问题,提出了一种基于压缩感知理论的伪随机等效采样信号重构方法,通过构造伪随机等效采样观测矩阵并选择离散傅里叶变换基建立稀疏重构模型,然后利用压缩感知中的正交匹配追踪算法求解该模型,从而重构出原始信号。仿真实验表明,所提方法在采样点个数40时,重构成功率达99.73%。     

多载波系统中一种基于预编码的改进PAPR降低方案

针对多载波系统中峰均功率比（Peak to Average Power Ratio,PAPR）普遍较高的问题,首先给出预编码技术抑制PAPR的基本思路和预编码矩阵的一般性设计规则;然后将降低信号峰值的问题转化为在信号瞬时功率均值不变的条件下最小化信号瞬时功率方差的优化问题;最后,为了使预编码矩阵能够联合改善载波的相位和发送信号的非周期自相关性以提高PAPR的抑制效果,基于梯度搜索算法提出一种将非周期自相关性和相位共同优化的算法求解上述最小化问题,通过互补误差函数（Complementary Cumulative Distribution Function,CCDF）表示对PAPR的抑制效果。仿真结果表明,该算法在不影响甚至稍微提高系统误码率性能的前提下,相比于预编码方法改善约0.8 dB。     

星载AIS的复值FastICA算法改进

针对星载船舶自动识别系统(AIS)的含噪复值信号盲分离算法分离效果不佳的问题,提出了改进的复值快速独立分量分析算法（FastICA）。该改进算法针对混合信号数目大于源信号数目的超定情况,对含噪混合信号的协方差矩阵进行特征值分解,利用其噪声对应的几个较小特征值估计噪声方差,修正白化矩阵,再应用Huber M估计函数优化该算法的目标函数。实验结果表明,运用该算法信号均方误差(SMSE)变小,信干比(SIR)变大,提高了信号的分离性能;同时,优化后的目标函数使算法具有良好的稳健性。     

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。     

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。     

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。     

几种自适应波束形成方法的对比

波束形成在无线通信、雷达、声呐等阵列系统中具有广泛应用。数字波束形成通常是基于接收信号的阵列响应和协方差矩阵的估计设计。由于天线增益、相位、波达方向(Direction-of-Arrival,DOA)和协方差矩阵估计的误差会导致导向矢量(Steering Vector,SV)产生模型失配,而这种模型失配会导致波束形成性能的下降。针对以上问题,给出了基于精度矩阵收缩估计的方法,采用了线性脊估计结构且用数据驱动和留一交叉验证来选择参数。通过Matlab仿真,研究了当存在模型不确定性时,基于精度矩阵收缩估计的方法以及基于协方差矩阵收缩估计和干扰加噪声协方差矩阵重构等方法的鲁棒性。结果显示,当存在模型失配时,基于精度矩阵收缩的波束形成方法在低信噪比时具有更优的鲁棒性。     

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。     

Khatri-Rao积变换下的离格信号DOA估计

当存在离格信号时,基于稀疏表示的波达角（DOA）估计算法性能损失严重。为解决这个问题,在对接收数据协方差矩阵进行Khatri-Rao积变换的基础上,推导了离格信号网格偏离量与紧邻信号原子系数之间的关系,提出了一种单一离格信号DOA估计方法。为提高对邻近离格信号DOA的估计性能,利用矩阵的广义逆性质提出了基于多原子系数的联合估计方法。仿真实验表明,单一离格信号DOA估计方法在低信噪比下有较好的性能,联合估计方法在高信噪比条件下对邻近离格信号DOA有较高的估计精度,同时所提算法估计性能几乎不受网格划分间距的影响,可以通过增大网格间距降低算法运算量。相关研究对阵列天线DOA估计具有一定的参考价值。     

一种基于简化极化敏感阵列的APES波束形成算法

为了有效降低极化敏感阵列各共点分量之间互耦的相互影响,进一步提高极化阵列的滤波性能,基于新的阵列模型提出了幅度相位估计（APES）波束形成算法。首先,给出了简化极化阵列的布阵模型和接收信号模型;然后,针对简化极化阵列给出了极化APES波束形成算法的详细理论推导,得到了最优权向量的表达式;最后,通过仿真实验验证了极化APES在波束形成方面的有效性。仿真结果表明该算法在强期望信号功率、低采样快拍数或是存在相干干扰的情况下都具有稳定的波束图。