CN109696652B - 一种二维doa估计方法及其装置、设备、存储介质 - Google Patents

一种二维doa估计方法及其装置、设备、存储介质 Download PDF

Info

Publication number
CN109696652B
CN109696652B CN201910086840.7A CN201910086840A CN109696652B CN 109696652 B CN109696652 B CN 109696652B CN 201910086840 A CN201910086840 A CN 201910086840A CN 109696652 B CN109696652 B CN 109696652B
Authority
CN
China
Prior art keywords
matrix
signal
obtaining
eigenvector
received data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910086840.7A
Other languages
English (en)
Other versions
CN109696652A (zh
Inventor
相征
徐豪
任鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201910086840.7A priority Critical patent/CN109696652B/zh
Publication of CN109696652A publication Critical patent/CN109696652A/zh
Application granted granted Critical
Publication of CN109696652B publication Critical patent/CN109696652B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S3/00—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received
    • G01S3/02—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received using radio waves
    • G01S3/14—Systems for determining direction or deviation from predetermined direction

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种二维DOA估计方法及其装置、设备、存储介质，该方法包括：获取三线阵阵列参数；根据三线阵阵列参数，得到三线阵阵列的信号接收模型；根据三线阵阵列的信号接收模型得到第一信号矩阵和第二信号矩阵，根据第一信号矩阵得到第一信号矩阵的第一特征值和第一特征向量，根据第一特征向量，得到第二信号矩阵的第二特征值；根据第一特征值和第二特征值，得到二维DOA的方位角和仰视角。本发明采用三线阵阵列的接收数据模型，对信号源的方位角和仰视角进行了快速配对，因为不需要对涉及方位角和仰视角的矩阵同时进行特征值分解，只需要对其中一个进行特征值分解，从而降低了运算的复杂度，实现了信号源的方位角和仰视角的快速配对。

Description

一种二维DOA估计方法及其装置、设备、存储介质
技术领域
本发明属于阵列信号处理技术领域，具体涉及一种二维DOA估计方法及其装置、设备、存储介质。
背景技术
在通信、雷达以及声呐等众多领域中，会涉及到阵列信号处理，而阵列信号处理的一个基本问题是空间信号到达方向(Direction of Arrival,简称DOA)估计的问题。
在二维DOA估计中，需要对各个信号源的方位角和俯仰角进行估计并进行准确地配对，从而精确地确定信号源的位置。实际中，二维DOA估计分为两大类：第一类为考虑使用阵列天线的结构来完成二维DOA估计；第二类为考虑利用空时二次处理的方法来完成二维DOA估计。阵列天线处理***对二维DOA估计的核心主要是估计出信号源的仰视角和方位角，一般阵列天线常用的阵列结构有线阵、L型阵列、圆阵、面阵以及平行线阵等，而对信号进行处理的方法常用的有二维MUSIC(Multiple Signal Classification,简称MUSIC)方法、二维ESPRIT(Estimation of signal parameters via rotational invariancetechniques,简称ESPRIT)方法以及二维传播算子方法等，其中二维MUSIC方法是利用了二维谱峰搜索的方法，求出信号源的仰视角和方位角；二维ESPRIT方法则是对二维信号进行分维处理，分别计算求出方位角及其仰视角，最后对这两个参数进行配对；二维传播算子方法则是对信号源的数据进行数据重构，不需要特征值分解，通过得到噪声子空间计算求出方位角及其仰视角。
但在传统的二维DOA估计方法，均存在计算量大，不能快速匹配信号源方位角和仰视角的问题。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了一种二维DOA估计方法及其装置、设备、存储介质。
本发明实施例提供了一种二维DOA估计方法，该方法包括：
获取三线阵阵列参数；
根据所述三线阵阵列参数，得到所述三线阵阵列的信号接收模型；
根据所述三线阵阵列的信号接收模型得到第一信号矩阵和第二信号矩阵，根据所述第一信号矩阵得到所述第一信号矩阵的第一特征值和第一特征向量，根据所述第一特征向量，得到所述第二信号矩阵的第二特征值；
根据所述第一特征值和所述第二特征值，得到二维DOA的方位角和仰视角。
在本发明的一个实施例中，所述三线阵阵列的信号接收模型为：
X1＝AxS(t)+Nx1(t)
X2＝AxΦxS(t)+Nx2(t)
Y＝AyS(t)+Ny(t)
Z＝AxΦzS(t)+Nz(t)
其中，X1为第一接收数据矩阵，X2为第二接收数据矩阵，Y为第三接收数据矩阵，Z为第四接收数据矩阵，S(t)为信号源的接收数据矩阵，Nx1为第一噪声矩阵，Nx2为第二噪声矩阵，Ny为第三噪声矩阵，Nz为第四噪声矩阵，Ax为第一方向矩阵，Ay为第二方向矩阵，Φx为第一对角矩阵、Φz为第二对角矩阵。
在本发明的一个实施例中，根据所述三线阵阵列的信号接收模型，得到第一信号矩阵和第二信号矩阵，包括：
对所述第一接收数据矩阵X1、所述第二接收数据矩阵X2、所述第三接收数据矩阵Y、所述第四接收数据矩阵Z进行互相关处理，得到第一互协方差矩阵、第二互协方差矩阵、第三互协方差矩阵；
根据所述第一互协方差矩阵、第二互协方差矩阵、第三互协方差矩阵，得到信号矩阵；
根据所述信号矩阵，得到信号子空间矩阵；
根据所述信号子空间矩阵，得到所述第一信号矩阵和所述第二信号矩阵。
在本发明的一个实施例中，根据所述信号矩阵，得到信号子空间矩阵，包括：
对所述信号矩阵进行奇异值分解处理，得到第三特征值、第三特征向量；
根据所述第三特征值、所述第三特征向量，得到所述信号子空间矩阵。
在本发明的一个实施例中，根据所述第一信号矩阵得到所述第一信号矩阵的第一特征值和第一特征向量，包括：
对所述第一信号矩阵进行特征值分解处理，得到第一特征值和第一特征向量。
在本发明的一个实施例中，根据所述第一特征向量，得到所述第二信号矩阵的第二特征值，包括：
根据所述第一特征向量，得到所述第二信号矩阵的第二特征向量；
根据所述第一特征向量和所述第二特征向量，得到所述第二信号矩阵的第二特征值。
在本发明的一个实施例中，根据所述第一特征值和所述第二特征值，得到二维DOA的方位角和仰视角，包括：
根据所述第二特征值，得到二维DOA的所述仰视角；
根据所述第一特征值、所述仰视角，得到二维DOA的所述方位角。
本发明的另一个实施例提供了一种二维DOA估计的装置，该装置包括：
数据获取模块，用于获取所述三线阵阵列参数；
数据模型构建模块，用于根据所述三线阵阵列参数，得到所述三线阵阵列的信号接收模型；
数据处理模块，用于根据所述三线阵阵列的信号接收模型得到所述第一信号矩阵和所述第二信号矩阵，根据所述第一信号矩阵得到所述第一信号矩阵的所述第一特征值和所述第一特征向量，根据所述第一特征向量，得到所述第二信号矩阵的所述第二特征值；
数据确定模块，用于根据所述第一特征值和所述第二特征值，得到二维DOA的所述方位角和所述仰视角。
本发明的再一个实施例提供了一种二维DOA估计的电子设备，该电子设备包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上存放的所述计算机程序时，实现上述任一所述的方法。
本发明的又一个实施例提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一所述的方法。
与现有技术相比，本发明的有益效果：
1、本发明采用三线阵阵列的接收数据模型，对信号源的方位角和仰视角两个参数进行了快速配对，因为不需要对涉及方位角和仰视角两个参数的矩阵同时进行特征值分解，只需要对其中一个进行特征值分解，然后利用两矩阵特征值分解的特征向量相同的特点，求解出另一个矩阵的特征值，从而降低了运算的复杂度，实现了信号源的方位角和仰视角两个参数的快速配对。
2、本发明相比于传统的双平行线阵的ESPRIT方法，防止了信号源的方位角和仰视角同时进行估计，减少仰角接近90度时，DOA估计方法失效的几率，从而提高DOA估计方法的正确度。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是本发明实施例提供的一种二维DOA估计方法的流程示意图；
图2是本发明实施例提供的一种二维DOA估计方法中的三线阵阵列的结构示意图；
图3是本发明实施例提供的一种二维DOA估计的装置结构示意图；
图4是本发明实施例提供的一种二维DOA估计的电子设备结构示意图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
实施例一
请参见图1、图2，图1是本发明实施例提供的一种二维DOA估计方法的流程示意图，图2是本发明实施例提供的一种二维DOA估计方法中的三线阵阵列的结构示意图。本发明实施例提供了一种二维DOA估计方法，该方法包括如下步骤：
步骤1、获取三线阵阵列参数。
具体地，请再参见图2，三线阵阵列分为在x轴、y轴、z轴上的三条线段，获取三线阵阵列x轴、y轴、z轴每条线段的阵元数，其中，x轴的线段的阵元数为N，y轴和z轴的线段的阵元数均为N-1，x轴、y轴、z轴的阵元之间的间距均为d，三线阵阵列中的信号源的数量为M，信号源的频率为f，信号源的发射波长为λ，本实施例中
Figure BDA0001962037890000061
三线阵阵列中信号源的接收数据为S(t)。其中，每个阵元接收数据时的干扰信号噪声为相互统计独立的高斯白噪声，该高斯白噪声的均值均为0、方差均为σ2，且高斯噪声与信号源信号之间相互独立。
优选地，N为8，M为3，d为0.5m，λ为1m。
步骤2、根据三线阵阵列参数，得到三线阵阵列的信号接收模型。
具体地，根据三线阵阵列的结构，将三线阵阵列分为4个阵列，从原点开始，x轴的前N-1个阵元为第一阵列，x轴上的后N-1个阵元为第二阵列，y轴上的N-1个阵元为第三阵列，x轴的前N-1个阵元往z轴平移得到第四阵列。则本实施例中，第一阵列、第二阵列、第三阵列、第四阵列的接收数据可以表示为：
Figure BDA0001962037890000062
其中，X1为第一接收数据矩阵，表示三线阵阵列中第一阵列的接收数据，X2为第二接收数据矩阵，表示三线阵阵列中第二阵列的接收数据，Y为第三接收数据矩阵，表示三线阵阵列中第三阵列的接收数据，Z为第四接收数据矩阵，表示三线阵阵列中第四阵列的接收数据，S(t)为三线阵阵列信号源的接收数据矩阵，Nx1为第一噪声矩阵、Nx2为第二噪声矩阵、Ny为第三噪声矩阵、Nz为第四噪声矩阵，第一噪声矩阵Nx1、第二噪声矩阵Nx2、第三噪声矩阵Ny、第四噪声矩阵Nz分别表示为第一阵列、第二阵列、第三阵列、第四阵列接收数据时，干扰信号所带来的高斯白噪声，高斯白噪声的均值均为0、方差均为σ2，Ax为第一方向矩阵，具体为第一阵列的方向矩阵，Ay为第二方向矩阵，具体为第三阵列的方向矩阵，Φx为第一对角矩阵，具体为第一阵列平移为第二阵列产生的对角矩阵，Φz为第二对角矩阵，第一阵列平移为第四阵列产生的对角矩阵。本实施例中，第一方向矩阵
Figure BDA0001962037890000071
Figure BDA0001962037890000072
第二方向矩阵
Figure BDA0001962037890000073
其中，
Figure BDA0001962037890000074
为仰视角和θ为俯视角，
Figure BDA0001962037890000075
Figure BDA0001962037890000076
d为阵元之间的间距，λ为信号源的发射波长；第一对角矩阵
Figure BDA0001962037890000077
第二对角矩阵
Figure BDA0001962037890000078
Figure BDA0001962037890000079
为仰视角，θ为俯视角，d为阵元之间的间距。
步骤3、根据三线阵阵列的信号接收模型得到第一信号矩阵和第二信号矩阵，根据第一信号矩阵得到第一信号矩阵的第一特征值和第一特征向量，根据第一特征向量，得到第二信号矩阵的第二特征值。
步骤3.1，根据三线阵阵列的信号接收模型得到第一信号矩阵和第二信号矩阵，包括：
对第一接收数据矩阵X1、第二接收数据矩阵X2、第三接收数据矩阵Y、第四接收数据矩阵Z进行互相关处理，得到第一互协方差矩阵、第二互协方差矩阵、第三互协方差矩阵；
根据第一互协方差矩阵、第二互协方差矩阵、第三互协方差矩阵，得到信号矩阵；
根据信号矩阵，得到信号子空间矩阵；
根据信号子空间矩阵，得到第一信号矩阵和第二信号矩阵。
步骤3.1.1、对第一接收数据矩阵X1、第二接收数据矩阵X2、第三接收数据矩阵Y、第四接收数据矩阵Z进行互相关处理，得到第一互协方差矩阵、第二互协方差矩阵、第三互协方差矩阵。
具体地，通过公式(1)的三线阵阵列的信号接收模型，对三线阵阵列的信号接收模型中的第一接收数据矩阵X1、第二接收数据矩阵X2、第三接收数据矩阵Y、第四接收数据矩阵Z这4个接收数据矩阵进行互相关处理，具体计算第一接收数据矩阵X1与第三接收数据矩阵Y的第一互协方差矩阵R1，第二接收数据矩阵X2与第三接收数据矩阵Y的第二互协方差矩阵R2，第四接收数据矩阵Z与第三接收数据矩阵Y的第三互协方差矩阵R3，本实施例中，第一互协方差矩阵R1、第二互协方差矩阵R2、第三互协方差矩阵R3分别表示为：
Figure BDA0001962037890000081
其中，E[·]表示·的数学期望，H表示共轭转置，Rs＝E[S(t)S(t)H]为M×M的信号相关矩阵。
步骤3.1.2、根据第一互协方差矩阵R1、第二互协方差矩阵R2、第三互协方差矩阵R3，得到信号矩阵R。
具体地，利用第一互协方差矩阵R1、第二互协方差矩阵R2、第三互协方差矩阵R3构造信号矩阵R，本实施例中，信号矩阵R具体表示为：
R＝[R1，R2，R3]T (3)
可见，信号矩阵R的维数为3(N-1)×(N-1)。
步骤3.1.3、根据信号矩阵R，得到信号子空间矩阵Us。
本实施例中，根据信号矩阵R，得到信号子空间矩阵Us，包括：
对矩阵R进行奇异值分解处理，得到第三特征值、第三特征向量；
根据第三特征值、第三特征向量，得到信号子空间矩阵Us。
进一步地，对信号矩阵R进行奇异值分解处理，得到第三特征值、第三特征向量。
具体地，利用矩阵的奇异值分解定理，对信号矩阵R进行奇异值分解处理，具体奇异值分解表示为：
R＝U∑VH (4)
其中，U和VH分别为信号矩阵R进行奇异值分解产生的矩阵，其中U为第三特征向量，∑为第三对角矩阵，第三对角矩阵中对角线的值为信号矩阵R的第三特征值。
进一步地，根据第三特征值、第三特征向量，得到信号子空间矩阵Us。
具体地，本实施例并不是直接取用第三特征向量U作为信号子空间矩阵Us，而是首先将第三特征值进行从小到大的升序排列，从升序排列中获取前M个较大第三特征值对应的特征向量，将这M个第三特征值对应的特征向量组成信号子空间Us，本实施例中，信号子空间Us表示为：
Us＝U(：，1：M) (5)
步骤3.1.4、根据信号子空间矩阵Us，得到第一信号矩阵和第二信号矩阵。
具体地，因为三线阵阵列中的M个信号源之间是相互独立的，则信号子空间Us与信号矩阵R的阵列流型张成的子空间是相同的，所以必然存在一个非奇异矩阵T，使：
Figure BDA0001962037890000101
其中，Us1＝Us(1：M，：)，Us2＝Us(M+1：2M，：)，Us3＝Us(2M+1：3M，：)，A为由Ax和
Figure BDA0001962037890000105
构成的转换矩阵。
令第一信号矩阵Ψx＝T-1ΦxT，第二信号矩阵ΨZ＝T-1ΦzT，将第一信号矩阵Ψx、第二信号矩阵ΨZ代入公式(6)，由此公式(6)可以重新表示为：
Figure BDA0001962037890000102
通过公式(7)可以得到第一信号矩阵Ψx、第二信号矩阵ΨZ，第一信号矩阵Ψx、第二信号矩阵ΨZ具体表示为：
Figure BDA0001962037890000103
其中，·-1表示·的逆。
步骤3.2、根据第一信号矩阵Ψx得到第一信号矩阵Ψx的第一特征值和第一特征向量。
具体的，传统的DOA估计方法是同时对公式(8)中的第一信号矩阵Ψx、第二信号矩阵ΨZ进行特征值分解，求解DOA的仰视角
Figure BDA0001962037890000104
和俯视角θ，但这样会带来大量的计算量。本实施例不需要对第一信号矩阵Ψx、第二信号矩阵ΨZ两个矩阵同时进行特征值分解，只是对第一信号矩阵Ψx进行特征值分解，得到第一信号矩阵Ψx的第一特征值Vxi(i＝1，2，...，M)，第一特征值Vxi中包含了信号源的方位角和仰视角信息。
通过第一特征值Vxi可以得到第一特征值Vxi对应的第一特征向量Ui(i＝1，2，...，M)，第一特征向量Ui表示为：
Ui＝[ui1ui2...uiM]T (9)
其中，uji表示第一特征向量Ui中第j个特征向量的第i个矢量，T表示矩阵的转置。
本实施例通过只对第一信号矩阵Ψx进行特征值分解，避免了传统的DOA估计方法同时对第一信号矩阵Ψx、第二信号矩阵ΨZ进行特征值分解，从而降低了DOA估计方法的运算复杂度，提高了参数匹配速度，实现参数的快速配对。
步骤3.3、根据第一特征向量Ui，得到第二信号矩阵ΨZ的第二特征值。
本实施例中，根据第一特征向量Ui，得到第二信号矩阵ΨZ的第二特征值，包括：
根据第一特征向量Ui，得到第二信号矩阵ΨZ的第二特征向量；
根据第一特征向量Ui和第二特征向量，得到第二信号矩阵的第二特征值。
进一步地，根据第一特征向量Ui，得到第二信号矩阵ΨZ的第二特征向量。
具体地，因为第一信号矩阵Ψx、第二信号矩阵ΨZ具有相同的特征向量，本实施例中设第二信号矩阵ΨZ的第二特征向量为ΨzUi，第二特征向量为ΨZUi可以通过第一特征向量Ui表示为：
ΨzUi＝[wi1wi2...wiM]T (10)
其中，wji表示第二特征向量ΨZUi中第j个特征向量的第i个矢量，T表示矩阵的转置。
进一步地，根据第一特征向量Ui和第二特征向量ΨZUi，得到第二信号矩阵ΨZ的第二特征值。
具体地，利用第一特征向量Ui和第二特征向量ΨZUi，求解第二信号矩阵ΨZ的第二特征值Vzi(i＝1，2，...，M)，本实施例第二特征值Vzi表示为：
Figure BDA0001962037890000121
其中，uik表示第一特征向量Ui中第i个特征向量中的第k个矢量，wik表示第二特征向量ΨZUi中第i个特征向量中的第k个矢量。
为了提高DOA估计的精确度，本实施例求取了第二特征值Vzi的平均值，该平均值表示为：
Figure BDA0001962037890000122
本实施例通过公式(11)～(12)求取第二特征值Vzi，实现了参数的配对，参数的配对实际上是同一信号源的方位角θ和仰视角
Figure BDA0001962037890000123
要一一对应，这样才能估计出这个信号源在三维空间上的具体方向，配对的过程中如果求解的方位角θ和仰视角
Figure BDA0001962037890000124
不属于同一个信号源，则参数的配对失败，最后不能正确的估计出信号源的方向。传统的DOA估计方法是对公式(8)中第一信号矩阵Ψx、第二信号矩阵ΨZ两个矩阵同时进行特征值分解，可以实现参数的配对，但运算量比较大。本实施例的DOA估计方法是只对其中一个矩阵进行特征值分解，本实施例是对第一信号矩阵Ψx进行特征值分解，然后利用第一信号矩阵Ψx、第二信号矩阵ΨZ两矩阵具有相同的特征向量这一特点，保证了DOA估计中信号源的方位角θ和仰视角
Figure BDA0001962037890000131
信息是一一对应的，实现了参数的自动配对，最主要的是运算量小，实现了参数的快速配对。
步骤4、根据第一特征值和第二特征值，得到二维DOA的方位角θ和仰视角
Figure BDA0001962037890000132
本实施例中，根据第一特征值和第二特征值，得到二维DOA的方位角θ和仰视角
Figure BDA0001962037890000133
包括：
根据第二特征值，得到二维DOA的仰视角
Figure BDA0001962037890000134
根据第一特征值、仰视角
Figure BDA0001962037890000135
得到二维DOA的方位角θ。
具体地，通过公式(12)求出第二特征值Vzi，通过上述第一信号矩阵Ψx求出第一特征值Vxi，则本实施例信号源的方位角θ和仰视角
Figure BDA0001962037890000136
表示为：
Figure BDA0001962037890000137
通过公式(13)可见，本实施例是通过第二特征值Vzi、阵元之间的间距d对信号源的仰视角
Figure BDA0001962037890000138
先进行单独估计，然后再通过第一特征值Vxi、阵元之间的间距d以及求出的仰视角
Figure BDA0001962037890000139
对信号源的方位角θ进行估计。
本实施例因为第二特征值Vzi只包含了各个信号源的仰视角
Figure BDA00019620378900001310
信息，并没有包含方位角θ信息，因此本实施例基于三线阵阵列的参数匹配方法可以先对仰视角
Figure BDA00019620378900001311
进行单独的估计，无需考虑方位角的估计误差，因此提高了传统DOA估计方法对信号源二维波达角估计的有效性，防止了传统DOA估计方法在仰角接近90度时，DOA估计方法失效的问题，其中，信号源的方位角θ和仰视角
Figure BDA00019620378900001312
合称二维波达角。
综上所述，本实施例采用三线阵阵列的接收数据模型，相比于传统的双平行线阵的ESPRIT方法，防止了信号源的方位角θ和仰视角
Figure BDA0001962037890000141
同时进行估计，减少仰角接近90度时，DOA估计方法失效的几率，从而提高DOA估计方法的正确度；本实施例采用三线阵阵列的接收数据模型，对信号源的方位角θ和仰视角
Figure BDA0001962037890000142
两个参数进行了快速配对，因为不需要对涉及方位角θ和仰视角
Figure BDA0001962037890000143
两个参数的两个矩阵同时进行特征值分解，只需要对其中一个进行特征值分解，然后利用两个矩阵特征值分解的特征向量相同，求解出另一个矩阵的特征值，从而降低了运算的复杂度，本实施例中两个矩阵分别是第一信号矩阵Ψx、第二信号矩阵ΨZ。
请参见图3，图3为本发明实施例提供的一种二维DOA估计的装置结构示意图。本发明的另一实施例提供了一种二维DOA估计的装置，该装置包括：
数据获取模块，用于获取三线阵阵列参数；
数据模型构建模块，用于根据三线阵阵列参数，得到三线阵阵列的信号接收模型；
数据处理模块，用于根据三线阵阵列的信号接收模型得到第一信号矩阵和第二信号矩阵，根据第一信号矩阵得到第一信号矩阵的第一特征值和第一特征向量，根据第一特征向量，得到第二信号矩阵的第二特征值；
数据确定模块，用于根据第一特征值和第二特征值，得到二维DOA的方位角和仰视角。
本发明实施例提供的一种二维DOA估计的装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
请参见图4，图4为本发明实施例提供的一种二维DOA估计的电子设备结构示意图。本发明的再一实施例提供了一种二维DOA估计的电子设备，该电子设备包括处理器、通信接口、存储器和通信总线，其中，处理器、通信接口、存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的计算机程序时，该计算机程序被处理器执行时实现以下步骤：
获取三线阵阵列参数；
根据三线阵阵列参数，得到三线阵阵列的信号接收模型；
根据三线阵阵列的信号接收模型得到第一信号矩阵和第二信号矩阵，根据第一信号矩阵得到第一信号矩阵的第一特征值和第一特征向量，根据第一特征向量，得到第二信号矩阵的第二特征值；
根据第一特征值和第二特征值，得到二维DOA的方位角和仰视角。
本发明实施例提供的一种二维DOA估计的电子设备，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
本发明的又一实施例提供了一种计算机可读存储介质，其上存储有计算机程序，上述计算机程序被处理器执行时实现以下步骤：
获取三线阵阵列参数；
根据三线阵阵列参数，得到三线阵阵列的信号接收模型；
根据三线阵阵列的信号接收模型得到第一信号矩阵和第二信号矩阵，根据第一信号矩阵得到第一信号矩阵的第一特征值和第一特征向量，根据第一特征向量，得到第二信号矩阵的第二特征值；
根据第一特征值和第二特征值，得到二维DOA的方位角和仰视角。
本发明实施例提供的一种计算机可读存储介质，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (4)

1.一种二维DOA估计方法，其特征在于，包括：
获取三线阵阵列参数；
根据所述三线阵阵列参数，得到所述三线阵阵列的信号接收模型，所述三线阵阵列的信号接收模型为：
Figure FDA0002515932540000011
其中，X1为第一接收数据矩阵，X2为第二接收数据矩阵，Y为第三接收数据矩阵，Z为第四接收数据矩阵，S(t)为信号源的接收数据矩阵，Nx1为第一噪声矩阵，Nx2为第二噪声矩阵，Ny为第三噪声矩阵，Nz为第四噪声矩阵，Ax为第一方向矩阵，Ay为第二方向矩阵，Φx为第一对角矩阵、Φz为第二对角矩阵；
根据所述三线阵阵列的信号接收模型得到第一信号矩阵和第二信号矩阵，对所述第一信号矩阵进行特征值分解处理得到所述第一信号矩阵的第一特征值和第一特征向量，根据所述第一特征向量，得到所述第二信号矩阵的第二特征值，其中，
根据所述三线阵阵列的信号接收模型，得到第一信号矩阵和第二信号矩阵，包括：
对所述第一接收数据矩阵X1、所述第二接收数据矩阵X2、所述第三接收数据矩阵Y、所述第四接收数据矩阵Z进行互相关处理，得到第一互协方差矩阵、第二互协方差矩阵、第三互协方差矩阵；
根据所述第一互协方差矩阵、第二互协方差矩阵、第三互协方差矩阵，得到信号矩阵；
根据所述信号矩阵，得到信号子空间矩阵，包括：
对所述信号矩阵进行奇异值分解处理，得到第三特征值、第三特征向量；
根据所述第三特征值、所述第三特征向量，得到所述信号子空间矩阵；
根据所述信号子空间矩阵，得到所述第一信号矩阵和所述第二信号矩阵；
根据所述第一特征向量，得到所述第二信号矩阵的第二特征值，包括：
根据所述第一特征向量，得到所述第二信号矩阵的第二特征向量；
根据所述第一特征向量和所述第二特征向量，得到所述第二信号矩阵的第二特征值；
根据所述第一特征值和所述第二特征值，得到二维DOA的方位角和仰视角，包括：
根据所述第二特征值，得到二维DOA的所述仰视角；
根据所述第一特征值、所述仰视角，得到二维DOA的所述方位角。
2.一种二维DOA估计的装置，其特征在于，所述装置包括：
数据获取模块，用于获取三线阵阵列参数；
数据模型构建模块，用于根据所述三线阵阵列参数，得到所述三线阵阵列的信号接收模型，所述三线阵阵列的信号接收模型为：
Figure FDA0002515932540000031
其中，X1为第一接收数据矩阵，X2为第二接收数据矩阵，Y为第三接收数据矩阵，Z为第四接收数据矩阵，S(t)为信号源的接收数据矩阵，Nx1为第一噪声矩阵，Nx2为第二噪声矩阵，Ny为第三噪声矩阵，Nz为第四噪声矩阵，Ax为第一方向矩阵，Ay为第二方向矩阵，Φx为第一对角矩阵、Φz为第二对角矩阵；
数据处理模块，用于根据所述三线阵阵列的信号接收模型得到第一信号矩阵和第二信号矩阵，对所述第一信号矩阵进行特征值分解处理得到所述第一信号矩阵的第一特征值和第一特征向量，根据所述第一特征向量，得到所述第二信号矩阵的第二特征值，其中，
根据所述三线阵阵列的信号接收模型，得到第一信号矩阵和第二信号矩阵，包括：
对所述第一接收数据矩阵X1、所述第二接收数据矩阵X2、所述第三接收数据矩阵Y、所述第四接收数据矩阵Z进行互相关处理，得到第一互协方差矩阵、第二互协方差矩阵、第三互协方差矩阵；
根据所述第一互协方差矩阵、第二互协方差矩阵、第三互协方差矩阵，得到信号矩阵；
根据所述信号矩阵，得到信号子空间矩阵，包括：
对所述信号矩阵进行奇异值分解处理，得到第三特征值、第三特征向量；
根据所述第三特征值、所述第三特征向量，得到所述信号子空间矩阵；
根据所述信号子空间矩阵，得到所述第一信号矩阵和所述第二信号矩阵；
根据所述第一特征向量，得到所述第二信号矩阵的第二特征值，包括：
根据所述第一特征向量，得到所述第二信号矩阵的第二特征向量；
根据所述第一特征向量和所述第二特征向量，得到所述第二信号矩阵的第二特征值；
数据确定模块，用于根据所述第一特征值和所述第二特征值，得到二维DOA的方位角和仰视角，包括：
根据所述第二特征值，得到二维DOA的所述仰视角；
根据所述第一特征值、所述仰视角，得到二维DOA的所述方位角。
3.一种二维DOA估计的电子设备，其特征在于，所述电子设备包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上存放的所述计算机程序时，实现权利要求1所述的方法。
4.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1所述的方法。
CN201910086840.7A 2019-01-29 2019-01-29 一种二维doa估计方法及其装置、设备、存储介质 Active CN109696652B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910086840.7A CN109696652B (zh) 2019-01-29 2019-01-29 一种二维doa估计方法及其装置、设备、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910086840.7A CN109696652B (zh) 2019-01-29 2019-01-29 一种二维doa估计方法及其装置、设备、存储介质

Publications (2)

Publication Number Publication Date
CN109696652A CN109696652A (zh) 2019-04-30
CN109696652B true CN109696652B (zh) 2020-07-31

Family

ID=66234560

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910086840.7A Active CN109696652B (zh) 2019-01-29 2019-01-29 一种二维doa估计方法及其装置、设备、存储介质

Country Status (1)

Country Link
CN (1) CN109696652B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112327244B (zh) * 2020-10-22 2022-06-24 中国电子科技集团公司第五十四研究所 一种基于l型阵列的二维非相干分布式目标参数估计方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7714782B2 (en) * 2004-01-13 2010-05-11 Dennis Willard Davis Phase arrays exploiting geometry phase and methods of creating such arrays
CN106526531A (zh) * 2016-10-10 2017-03-22 天津大学 基于三维天线阵列的改进传播算子二维doa估计算法
CN106526530A (zh) * 2016-09-30 2017-03-22 天津大学 基于传播算子的2‑l型阵列二维doa估计算法
CN108020812A (zh) * 2017-11-28 2018-05-11 天津大学 基于特殊三平行线阵结构的二维doa估计方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106802402B (zh) * 2017-03-09 2019-04-19 西安电子科技大学 基于双层平行圆阵列天线的doa估计方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7714782B2 (en) * 2004-01-13 2010-05-11 Dennis Willard Davis Phase arrays exploiting geometry phase and methods of creating such arrays
CN106526530A (zh) * 2016-09-30 2017-03-22 天津大学 基于传播算子的2‑l型阵列二维doa估计算法
CN106526531A (zh) * 2016-10-10 2017-03-22 天津大学 基于三维天线阵列的改进传播算子二维doa估计算法
CN108020812A (zh) * 2017-11-28 2018-05-11 天津大学 基于特殊三平行线阵结构的二维doa估计方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Computational Efficient Two-Dimension DOA Estimation for Incoherently Distributed Noncircular Sources With Automatic Pairing;ZHENGLIANG DAI等;《IEEE Access》;20171025;第20249-20259页 *
Enhanced 2D-DOA Estimation for Large Spacing Three-Parallel Uniform Linear Arrays;Dong Zhang等;《International Journal of Antennas and Propagation》;20181231;第1-7页 *
一种基于双平行线阵相干源二维波达方向估计的新方法;曾操等;《雷达科学与技术》;20030831;第1卷(第2期);第104-108页 *
二维ESPRIT 算法参数的快速配对;刁鸣等;《哈尔滨工程大学学报》;20080331;第29卷(第3期);第291-293页 *

Also Published As

Publication number Publication date
CN109696652A (zh) 2019-04-30

Similar Documents

Publication Publication Date Title
Wen et al. Direction finding in MIMO radar with large antenna arrays and nonorthogonal waveforms
CN107870315B (zh) 一种利用迭代相位补偿技术估计任意阵列波达方向方法
CN108020812B (zh) 基于特殊三平行线阵结构的二维doa估计方法
CN109375154B (zh) 一种冲击噪声环境下基于均匀圆阵的相干信号参数估计方法
CN110161452B (zh) 基于互质式l型电磁矢量传感器阵列的波达方向估计方法
CN110244272B (zh) 基于秩一去噪模型的波达方向估计方法
CN106526531A (zh) 基于三维天线阵列的改进传播算子二维doa估计算法
CN108872930B (zh) 扩展孔径二维联合对角化doa估计方法
CN110837076A (zh) 一种基于张量分解的矢量水听器阵列方位估计方法
CN112130111A (zh) 一种大规模均匀十字阵列中单快拍二维doa估计方法
CN106980105B (zh) 电磁矢量传感器阵列空间旋转解相干测向方法
US9578433B2 (en) Method for self-calibration of a set of sensors, in particular microphones, and corresponding system
CN109696652B (zh) 一种二维doa估计方法及其装置、设备、存储介质
CN112733333A (zh) 互质面阵中一种基于多项式求根的二维测向估计方法
CN113381793B (zh) 一种面向相干信源估计的无网格波达方向估计方法
CN113821907B (zh) 针对大型平面天线阵列***的幅度和相位自动校准方法
CN114184999B (zh) 一种互耦小孔径阵列的生成式模型处理方法
CN113341371B (zh) 一种基于l阵和二维esprit算法的doa估计方法
CN112327244B (zh) 一种基于l型阵列的二维非相干分布式目标参数估计方法
Zhang et al. Data-driven scheme for joint estimation of direction-of-arrival and frequency with uniform linear array
CN110888106B (zh) 一种角度与频率联合估计的增广doa矩阵方法
CN112579972A (zh) 方向性电磁耦合效应下空域信息联合估计方法
Jin et al. 2D DOA estimation of coherent sources based on reconstruction of Toeplitz matrix sets
CN111585631A (zh) 一种提高分布式极化敏感阵列发射增益的波束形成方法
CN110873866A (zh) 一种互耦条件下单基地mimo雷达目标角度估计方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant