CN110308418A - 一种doa估计架构方法 - Google Patents
一种doa估计架构方法 Download PDFInfo
- Publication number
- CN110308418A CN110308418A CN201910719938.1A CN201910719938A CN110308418A CN 110308418 A CN110308418 A CN 110308418A CN 201910719938 A CN201910719938 A CN 201910719938A CN 110308418 A CN110308418 A CN 110308418A
- Authority
- CN
- China
- Prior art keywords
- signal
- doa
- noise
- estimates
- evaluation criterion
- 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.)
- Pending
Links
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
-
- 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
- G01S3/46—Systems for determining direction or deviation from predetermined direction using antennas spaced apart and measuring phase or time difference between signals therefrom, i.e. path-difference systems
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
本发明提供了一种DOA估计架构方法,特别涉及一种面向***级智能天线波达方位估计的改进方法。所述方法为:(1)预先针对不同的信号频率模型,推导出不同模型下的DOA估计评价标准,并确定评价标准。(2)从所述天线阵列接收到数据之后,从所述数据中提取作为分析对象信号频率的特征。(3)将所述作为分析对象信号频率进行分类。(4)采用触发机制,根据所述作为分析对象信号频率选择不同的预先确定的所述DOA估计评价标准。(5)利用触发选择的所述DOA估计评价标准,得到所述信号的波达方位估计。
Description
技术领域
本发明涉及一种DOA估计架构方法,特别是涉及一种面向***级智能天线的DOA估计架构方法。
背景技术
阵列信号处理是信号处理领域内的一个重要分支,在近40年来得到了迅速的发展,其应用涉及雷达、通信、声纳、地震、勘探、射电天文以及生物医学工程等众多军事及国民经济领域。
正如大家所熟悉的时域频谱是时域处理中的一个重要概念一样,空间谱是阵列信号处理中的一个重要概念。时域频谱表示信号在各个频率上的能量分布,而空间谱则表示信号在空间各个方向上的能量分布。因此,如果可以得到信号的“空间谱”,就能得到信号的波达方向,所以,空间谱通常称为波达方位(DOA)估计。
早期的DOA估计以常规波束形成法(CBF)波束形成法为代表。但是此类算法受到阵元数目以及阵元之间的间距的限制,分辨率比较低下。随后以Capon法和最大熵法为代表的高分辨谱估计算法在一定程度上突破了上述的限制。
20世纪70年代开始,以美国的Schmidt R O等人提出多重信号分类(MultipleSignal Classification,MUSIC),随后旋转不变子空间(Estimation of SignalParameters via Rotational Invariance Techniques,ESPRIT[6-7])得以提出,两种子空间分解类算法大大提高了信号测量的精度。后期最大似然算法(ML)、加权子空间拟合(Weighted Subspace Fitting,WSF)等高分辨算法也得到了迅速发展。其精度高、可以同时检测多个信号的方位信息及可以处理相干信号得到了快速发展,但是这些算法复杂,实时性比较差,不利于在实际工程实践中信号方位的实时性估计。在当前实际的测向仪器中,干涉仪测向是应用最为广泛的测向算法。
干涉仪测向的实质就是利用电磁波信号到达固定间距的天线阵中不同天线阵元之间的时间差所产生的相位关系来确定无线电信号的方位。其不需要进行子空间分类或者空间拟合等复杂的计算,可以实现信号波达方位估计的实时性要求,并且其精度也相对较高,可以满足信号方位估计的需求,因此在工程实践中得到了广泛的发展。
虽然相关干涉仪算法在实际波达方位估计中广泛应用,但是天线的半径与信号波长的比例会直接影响信号的估计精度。当阵元之间的距离大于信号波长的一半时测向存在相位模糊问题,之前的改进是根据正余弦在最大值处的相反性进一步提高信号测量的相关性,求解出精度更高的信号角度,但是信号的测量值精度仍不是很高;当阵元之间的距离小于(或等于)信号波长的一半时存在测向角基线镜像对称模糊问题。这两类问题都是由于在计算中方位的不确定性及所在象限的不确定性引起的。
因此,针对这个问题,本发明提出了改进的相关干涉仪算法,即:先将信号转换到(-π~+π)之间,再根据信号所在象限不同加以区分,进而解决基线镜像对称模糊和相位模糊问题。最后,通过仿真实验及分析,本发明所提出的算法提高了信号方位估计的精度,有利于在实际***中的应用。
发明内容
为克服上述镜像基对称问题、相位模糊问题和精度低的缺点,有效解决这两类问题和提高DOA估计精度,本发明的目的在于提出一种基于信号频率的自适应的DOA估计架构方法。
具体地,本申请是通过如下技术方案实现的:
在包括天线阵列、波达方位估计模块以及波束成形模块这三个部分的智能天线***中,所述波达方位估计架构方法包括以下步骤:
(1)预先针对不同的信号频率模型,推导出不同模型下的DOA估计评价标准,并确定评价标准;
(2)从所述天线阵列接收到数据之后,从所述数据中提取作为分析对象信号频率的特征;
(3)将所述作为分析对象信号频率进行分类;
(4)采用触发机制,根据所述作为分析对象信号频率选择不同的预先确定的所述DOA估计评价标准;
(5)利用触发选择的所述DOA估计评价标准,得到所述信号的波达方位估计。
可选地,(1)步骤中,所述推导使用算法为相关干涉仪算法、象限分类法算法。
可选地,所述信号分为窄带信号、宽带信号、循环平稳信号。
可选地,(2)步骤后,
(1)将噪声进行分类,噪声分为高斯白噪声、有色噪声;
(2)事先针对不同的噪声模型,使用相关干涉仪算法和象限分类算法算法推导出不同模型下的DOA估计评价标准,并将评价标准固定下来;
(3)采用触发机制,在不同频率情况下,根据不同的噪声模型选择不同的DOA估计评价标准。
可选地,信号源为单信源。
可选地,所述天线阵列为圆阵、线阵。
可选地,在检测信号为窄带信号、宽带信号、循环平稳信号,噪声为高斯白噪声、有色噪声的情况下,选择针对信号为窄带信号、宽带信号、循环平稳信号,噪声为高斯白噪声、有色噪声的情况下所推导出来的DOA估计评价标准。
本发明相对于现有技术具有如下有益效果:
根据发明的波达方位估计架构方法基于所采用的取整取余象限分类法,在基本不增加计算复杂度的情况下,成功是解决了镜像基对称问题和相位模糊问题,并且提高了DOA估计的精度。
附图说明
图1是模式化表示智能天线***构成的图。
图2是模式化表示智能天线中自适应天线阵列的基本工作原理的图。
图3是模式化表示本发明的智能天线中DOA估计的传统流程图与本发明的流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步的描述。
传统的DOA估计架构是:在天线阵列接收到数据之后,将时间延迟直接转化为相位延迟,再通过相关干涉仪算法进行处理,进而得到信号源的DOA估计。
基于此,本发明提供了一种新的可有效解决镜像基对称问题、相位模糊问题并有效提高波达方位估计的精度的架构(特别是在高频和低信噪比的条件下),其流程图如图3所示。
在包括天线阵列(Antenna Array)、波达方位(DOA)估计模块和波束形成(Adaptive Algorithm)模块该三部分的智能天线***中,本发明的波达方位估计架构方法包括以下步骤。预先设定频率阈值的步骤;从所述天线阵列接收数据,从所述信号数据得出实际频率的步骤;对所述实际频率与所述信号频率阈值的大小进行比较分为两种不同情况的步骤;当所述实际频率小于所述频率阈值时,采用传统的相关干涉仪算法求解出信号的DOA结果;当所述实际频率大于等于所述信号频率阈值时,首先,通过所述信号到达不同天线阵子时的时间差转化为相位差,再将所得的相位差与(2*pi)作比,求出整数部分和余数部分,将所得的余数部分利用进行分类,接着利用改进的相关干涉仪算法进行解析处理的步骤;
其中,再利用改进的相关干涉仪算法进行求解信号的相位差并作为初始相位差;最后,将初始相位差+(2*pi)*整数部分求得最终相位差,然后根据相位差与信号之间的转化关系求解出信号的DOA估计。
频率阈值一般可以根据天线阵元半径灵活修改。本发明以300MHz为例。
如图3所示,本发明涉及的波达方位估计架构方法是面向智能天线中DOA估计的传统流程图与本发明的流程图,主要包括以下步骤:
(1)从天线阵列接收到数据之后,首先提取信号频率的特征。
(2)将信号和噪声进行分类。比如信号分为:窄带信号、宽带信号、循环平稳信号等等。噪声分为高斯白噪声、有色噪声等等。
(3)事先针对不同的信号和噪声模型,使用相关干涉仪算法和象限分类算法等算法推导出不同模型下的DOA估计评价标准,并将评价标准固定下来。
(4)采用触发机制,在不同频率情况下,根据不同的信号和噪声模型选择不同的DOA估计评价标准。比如如果检测信号为宽带、循环平稳信号,噪声为有色噪声,则选择针对信号为宽带、循环平稳信号,噪声为有色噪声模型下所推导出来的DOA估计评价标准。
(5)利用触发选择的评价标准,对接收到的数据进行处理,并得到信号的波达方位估计。
根据本发明是波达方位估计架构方法,基于所采用的象限分类法,在基本不增加计算复杂度的情况下使DOA估计的精度得以提高。
以上对本发明的实施方式进行了说明,但该实施方式仅作为一个范例,并不是有限定发明范围的意图。本发明能够通过其他各种形态实施,能够在不超出发明主旨的范围内进行各种各样的变更。
Claims (7)
1.一种DOA估计架构方法,其特征在于,
在包括天线阵列、波达方位估计模块以及波束成形模块这三个部分的智能天线***中,所述波达方位估计架构方法包括以下步骤:
(1)预先针对不同的信号频率模型,推导出不同模型下的DOA估计评价标准,并确定评价标准;
(2)从所述天线阵列接收到数据之后,从所述数据中提取作为分析对象信号频率的特征;
(3)将所述作为分析对象信号频率进行分类;
(4)采用触发机制,根据所述作为分析对象信号频率选择不同的预先确定的所述DOA估计评价标准;
(5)利用触发选择的所述DOA估计评价标准,得到所述信号的波达方位估计。
2.根据权利要求1所述的DOA估计架构方法,其特征在于,(1)步骤中,所述推导使用算法为相关干涉仪算法、象限分类法算法。
3.根据权利要求1所述的DOA估计架构方法,其特征在于,所述信号分为窄带信号、宽带信号、循环平稳信号。
4.根据权利要求1所述的DOA估计架构方法,其特征在于,
(2)步骤后,
(1)将噪声进行分类,噪声分为高斯白噪声、有色噪声;
(2)事先针对不同的噪声模型,使用相关干涉仪算法和象限分类算法算法推导出不同模型下的DOA估计评价标准,并将评价标准固定下来;
(3)采用触发机制,在不同频率情况下,根据不同的噪声模型选择不同的DOA估计评价标准。
5.根据权利要求1所述的DOA估计架构方法,其特征在于,信号源为单信源。
6.根据权利要求1所述的DOA估计架构方法,其特征在于,所述天线阵列为圆阵、线阵。
7.根据权利要求4所述的DOA估计架构方法,其特征在于,在检测信号为窄带信号、宽带信号、循环平稳信号,噪声为高斯白噪声、有色噪声的情况下,选择针对信号为窄带信号、宽带信号、循环平稳信号,噪声为高斯白噪声、有色噪声的情况下所推导出来的DOA估计评价标准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910719938.1A CN110308418A (zh) | 2019-08-06 | 2019-08-06 | 一种doa估计架构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910719938.1A CN110308418A (zh) | 2019-08-06 | 2019-08-06 | 一种doa估计架构方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110308418A true CN110308418A (zh) | 2019-10-08 |
Family
ID=68083078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910719938.1A Pending CN110308418A (zh) | 2019-08-06 | 2019-08-06 | 一种doa估计架构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110308418A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7477192B1 (en) * | 2007-02-22 | 2009-01-13 | L-3 Communications Titan Corporation | Direction finding system and method |
WO2015109869A1 (zh) * | 2014-01-24 | 2015-07-30 | 深圳大学 | 高分辨率 doa 估计方法及*** |
CN105301557A (zh) * | 2015-11-06 | 2016-02-03 | 中国石油大学(华东) | 波达方位估计架构方法 |
CN105425204A (zh) * | 2015-11-03 | 2016-03-23 | 中国石油大学(华东) | 波达方位估计架构方法 |
CN107356921A (zh) * | 2017-08-11 | 2017-11-17 | 桂林电子科技大学 | 一种频率分集阵列雷达基于一次频偏目标定位的方法 |
-
2019
- 2019-08-06 CN CN201910719938.1A patent/CN110308418A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7477192B1 (en) * | 2007-02-22 | 2009-01-13 | L-3 Communications Titan Corporation | Direction finding system and method |
WO2015109869A1 (zh) * | 2014-01-24 | 2015-07-30 | 深圳大学 | 高分辨率 doa 估计方法及*** |
CN105425204A (zh) * | 2015-11-03 | 2016-03-23 | 中国石油大学(华东) | 波达方位估计架构方法 |
CN105301557A (zh) * | 2015-11-06 | 2016-02-03 | 中国石油大学(华东) | 波达方位估计架构方法 |
CN107356921A (zh) * | 2017-08-11 | 2017-11-17 | 桂林电子科技大学 | 一种频率分集阵列雷达基于一次频偏目标定位的方法 |
Non-Patent Citations (1)
Title |
---|
蔡丽萍 等: "改进相关干涉仪算法在DOA估计中的应用", 《计算机***应用》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9689983B2 (en) | Radar apparatus and running vehicle sensing method | |
Wang et al. | Understanding and modeling of wifi signal based human activity recognition | |
CN107683423B (zh) | 用于调频连续波雷达中的对象检测的低复杂度超分辨率技术 | |
EP2983007B1 (en) | Radar apparatus and object sensing method | |
CN109188344B (zh) | 脉冲噪声环境下基于互循环相关music算法信源个数与来波方向角估计方法 | |
CN109324322A (zh) | 一种基于被动相控阵天线的测向与目标识别方法 | |
CN103616661B (zh) | 一种稳健的远场窄带信号源个数估计方法 | |
Abedi et al. | AI-powered in-vehicle passenger monitoring using low-cost mm-wave radar | |
JP7190663B2 (ja) | レーダ装置及びレンジサイドローブ判定方法 | |
US11899132B2 (en) | Super-resolution enhancement techniques for radar | |
KR101468548B1 (ko) | 레이더 장치 및 레이더 장치에서의 방위각 추정 방법 | |
Kim et al. | Extrapolation-RELAX estimator based on spectrum partitioning for DOA estimation of FMCW radar | |
Qu et al. | Dynamic hand gesture classification based on multichannel radar using multistream fusion 1-D convolutional neural network | |
Ali Khan et al. | Direction of arrival estimation using adaptive directional time-frequency distributions | |
Lim et al. | Radar sensor-based estimation of vehicle orientation for autonomous driving | |
Li et al. | Passive Multi-user Gait Identification through micro-Doppler Calibration using mmWave Radar | |
Cui et al. | Millimetre-wave radar for low-cost 3D imaging: A performance study | |
CN110308418A (zh) | 一种doa估计架构方法 | |
Chang et al. | An MHT algorithm for UWB radar-based multiple human target tracking | |
CN112924928B (zh) | 一种基于路径分离的室内Wi-Fi多人检测方法 | |
Tan et al. | Learning approach to FMCW radar target classification with feature extraction from wave physics | |
Yousefi et al. | An improved extended Kalman filter for localization of a mobile node with NLOS anchors | |
Luo et al. | An effective multipath ghost recognition method for sparse MIMO radar | |
Huang et al. | A rd-t network for hand gesture recognition based on millimeter-wave sensor | |
Kirmaz et al. | ToA and TDoA estimation using artificial neural networks for high-accuracy ranging |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
CB03 | Change of inventor or designer information |
Inventor after: Chen Haihua Inventor after: Hu Jialiang Inventor after: Zhao Yu Inventor after: Yang Mingyang Inventor before: Chen Haihua Inventor before: Hu Jialiang Inventor before: Zhao Yu |
|
CB03 | Change of inventor or designer information | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191008 |
|
RJ01 | Rejection of invention patent application after publication |