CN113221059B - 无需构造协方差矩阵的快速共轭梯度测向算法 - Google Patents
无需构造协方差矩阵的快速共轭梯度测向算法 Download PDFInfo
- Publication number
- CN113221059B CN113221059B CN202010721858.2A CN202010721858A CN113221059B CN 113221059 B CN113221059 B CN 113221059B CN 202010721858 A CN202010721858 A CN 202010721858A CN 113221059 B CN113221059 B CN 113221059B
- Authority
- CN
- China
- Prior art keywords
- vector
- signal
- equation
- initial value
- subspace
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明属于阵列信号处理技术领域,具体的说是一种实现了在不损失精度的情况下,显著降低了计算复杂度的无需构造协方差矩阵的快速共轭梯度测向算法,其特征在于,接收辐射源信号后,利用最小二乘法改进维纳霍夫方程,获得最小二乘维纳霍夫方程,最小二乘维纳霍夫方程为正态方程,使用正态方程构造仅与接收数据有关的参考信号,设置迭代初始值并进行共轭梯度迭代后,根据信源数估计出信号子空间并获得信号波达方向。
Description
技术领域:
本发明属于阵列信号处理技术领域,具体的说是一种实现了在不损失精度的情况下,显著降低了计算复杂度的无需构造协方差矩阵的快速共轭梯度测向算法。
背景技术:
信号的波达方向估计是雷达、声呐、无线通信和无源定位等应用中经常遇到的重要研究课题。以多重信号分类和旋转不变子空间为代表的子空间类算法的提出,实现了传统空间谱估计向超分辨测角的飞跃,但MUSIC算法庞大的计算量和ESPRIT算法较低的估计精度阻碍了超分辨算法的工程化进度。针对此问题,促成了基于Krylov子空间的共轭梯度(Conjugate Gradient,CG)算法的诞生。
CG算法是最经典的基于Krylov子空间的波达方向(Direction of Arrival,DOA)估计方法之一。与传统的特征子空间类算法不同的是,CG算法利用Krylov子空间代替信号子空间,由梯度迭代实现了快速DOA估计的有效算法。由于CG算法在迭代初始值设置与迭代过程中都要计算阵列协方差矩阵(Array Covariance Matrix,ACM),计算ACM的计算复杂度约为O(M2N),在梯度迭代过程中若避免ACM的计算,则计算复杂度将会大大降低,在大快拍数时尤其明显。更重要的是,大多数现有的CG算法与MUSCI算法相比,在降低计算复杂度的同时还保持良好的估计性能。因此,相比传统方法,应该选择基于Krylov子空间的CG技术。
上述算法丰富了CG的理论内涵,但在实际工程应用中需要借助迭代估计出信号子空间。众所周知,迭代初始值的设置影响着算法的效率和准确性,不合适的处置可能导致迭代无法收敛或收敛到错误解。
发明内容:
本发明针对现有计算ACM引起CG算法高复杂度的问题,提出一种通过改进维纳霍夫方程将ACM利用接收数据矩阵代替来减少CG算法的计算复杂度,实现了在不损失精度的情况下,显著降低了计算复杂度的无需构造协方差矩阵的快速共轭梯度测向算法。
本发明可以通过以下措施达到:
一种无需构造协方差矩阵的快速共轭梯度测向算法,其特征在于,接收辐射源信号后,利用最小二乘法改进维纳霍夫方程,获得最小二乘维纳霍夫方程,最小二乘维纳霍夫方程为正态方程,使用正态方程构造仅与接收数据有关的参考信号,设置迭代初始值并进行共轭梯度迭代后,根据信源数估计出信号子空间并获得信号波达方向。
本发明所述利用最小二乘法改进维纳霍夫方程具体包括以下步骤:
步骤1-1:维纳霍夫方程为RW=rxd,化简维纳霍夫方程,R和rxd分别表示为:其中X为接收数据信号矩阵,有X=[X(0),X(1),…,X(M-1)],d为参考信号,有d=[d(0),d(1),…,d(M-1)];
将以上式子带入到维纳霍夫方程中,有
化简后得到XHW=dH;
步骤1-2:定义最小二乘维纳霍夫方程,为r+XHW=dH,其中,r为最小二乘残差矢量,最小二乘维纳霍夫方程为正态方程;
步骤1-3:为避免计算阵列协方差矩阵R,并且根据最小二乘维纳霍夫方程得到改进的过渡矢量,为v=XHp;
步骤1-4:定义中间变量正态方程残差为q=Xr,其中q只与阵列接收数据与参考信号有关。
本发明所述构造仅与接收数据有关的参考信号具体包括以下步骤:
可知,正态方程残差初始值qcg,0为信号导向矢量的线性组合,则qcg,0张成的K维的Krylov子空间为信号子空间的子集,表示为
span{Qcg,K}≡span{A(θ)},
其中
Qcg,K={qcg,0,qcg,1,…,qcg,K-1};
步骤2-3:当θ≠θi,i∈{1,…,K},正态方程残差初始值qcg,0表示为:
此时正态方程残差矢量也为导向矢量的线性组合,是由K个信号矢量和搜索导向矢量组合的,即此时的正态方程残差矢量张成的K+1维Krylov子空间也为信号导向矢量张成的子空间的子集,表示为
span{Qcg,K+1}≡span{A(θ),a(θ)},
其中
Qcg,K+1={qcg,0,qcg,1,…,qcg,K-1,qcg,K}。
本发明所述设置迭代初始值并进行共轭梯度迭代具体包括以下步骤:
步骤3-1:共轭梯度初始值设置中,初始权矢量为:w0=0,搜索向量初始值:p1=-r1=-d,其中d为参考信号;
步骤3-2:初始值设置中最小二乘残差矢量初始值为:r0=dH-XHW,搜索矢量初始值:p1=q0,γ0=||q0||2,正态方程残差矢量初始值为:q0=Xr0;
步骤3-3:当迭代次数为k=1,2,…,M,得到中间过渡变量:vk=XHpk,确定步长:αk=γi-1/||vk||2,得到权矢量:wk=wk-1+αkpk,利用最小二乘残差:rk=rk-1-αkvk,得到正态方程残差:qk=Xrk,确定共轭方向向量:
本发明所述根据信源数估计出信号子空间并获得信号波达方向具体包括以下步骤:
步骤4-1:已知信源数为K,仅需要迭代K次就得到等价于信号子空间的Krylov子空间为:Wcg,K={wcg,0,wcg,1,…,wcg,K-1},MUSIC算法谱峰搜索函数为:其中a(θ)为搜索导向矢量,θ∈(-90°,90°),UN为噪声子空间;
本发明接收辐射源信号表示如下:假设L个相互独立的阵元,以等间距d组成均匀线阵(ULA),考虑空间中存在K个远场窄带信号入射到阵列。其中,假设K先验已知,d满足d≤λ2,以避免相位模糊,λ为窄带信号的波长,阵列接收辐射源信号为:其中,A(θ)为L×K维的阵列流型矩阵,S(t)为K×1维的入射信号矢量,N(t)为L×1维的加性高斯白噪声矢量,α(θ)为A(θ)的列向量,可以表示为:
本发明实现了通过改进维纳霍夫方程,利用接收数据矩阵代替ACM,避免了设置迭代初始值与迭代过程中需要计算ACM而引起的高复杂度问题,为波达方向的工程化实现提供了技术支持。
附图说明:
附图1为本发明的流程图。
附图2为本发明和MUSIC算法、CG算法的谱峰搜索对比图,其中M=10,SNR=10dB,N=100,K=2,θ1=20°,θ2=40°。
附图3为RMSE随输入SNR的变化曲线图,其中M=10,信噪比以5dB为步长,从-20dB变化到0dB,N=200,K=2,θ1=10°,θ2=30°。
附图4为本发明和MUSIC算法、CG算法、RV-CG算法的计算效率对比图,其中M从10到70,步长为10,SNR=10dB,N=200,K=2,θ1=10°,θ2=30°。
具体实施方式:
本发明针对初始值与迭代过程都需要计算ACM引起算法高复杂度的问题,提出一种无需构造协方差矩阵DOA估计器,通过改进维纳霍夫方程将ACM利用接收数据矩阵代替来减少CG算法的计算复杂度,理论分析和试验结果表明,本发明在不损失精度的情况下,显著降低了计算复杂度,还可以有效避免迭代过程中的错误解,从而为CG的实际工程化提供理论参考,下面结合附图和实施例,进一步介绍本发明的技术方案。
如附图1所示,本发明是一种基于Krylov子空间的无需构造协方差矩阵的共轭梯度新方法,具体步骤如下:
第一步,利用天线阵列接收辐射源信号,所述第一步包括以下步骤:(1)假设L个相互独立的阵元,以等间距d组成均匀线阵(ULA),考虑空间中存在K个远场窄带信号入射到阵列。其中,假设K先验已知,d满足d≤λ/2,以避免相位模糊,λ为窄带信号的波长。阵列接收辐射源信号为:
其中,A(θ)为L×K维的阵列流型矩阵,S(t)为K×1维的入射信号矢量,N(t)为L×1维的加性高斯白噪声矢量,α(θ)为A(θ)的列向量,可以表示为:
第二步,利用最小二乘法改进维纳霍夫方程,所述第二步包括以下步骤:
(1)维纳霍夫方程为RW=rxd,经典共轭梯度求解过程为:
首先设置初始权矢量为w0=0,搜索向量初始值为p1=-r1=-d,当k=1,2…,M时,确定步长为:过渡矢量为:v=Rpk,更新权矢量:wk=wk-1+αkpk,得到梯度向量:rk+1=rk+αkRdk,确定共轭方向向量:搜索方向向量pk是R共轭的,也就是说对所有的i≠j,都有
经过k次迭代后,负梯度方向向量r1,r2,…,rk相互正交。搜索方向p1,p2,…,pk张成的空间、梯度方向张成的空间、矩阵R与初始梯度向量r1形成的Krylov子空间相等: 由此得到信号子空间或噪声子空间,从而进行DOA估计。
(2)化简维纳霍夫方程,R和rxd可以分别表示为:
(3)此时的维纳霍夫方程中X并不满足厄米共轭矩阵结构,所以为了满足在Krylov子空间内对共轭梯度迭代的要求,定义最小二乘维纳霍夫方程,为r+XHW=dH,其中,r为最小二乘残差矢量,最小二乘维纳霍夫方程为正态方程。
(4)在传统的共轭梯度算法中,过渡矢量定义为v=Rp,
其中p为搜索矢量,为避免计算阵列协方差矩阵R,并且根据最小二乘维纳霍夫方程得到改进的过渡矢量,为v=XHp。
(5)定义中间变量正态方程残差为q=Xr,其中q只与阵列接收数据与参考信号有关。
第三步,构造仅与接收数据有关的参考信号,所述第三步包括以下步骤:
,从上式中可以看出正态方程残差初始值qcg,0为信号导向矢量的线性组合,则qcg,0张成的K维的Krylov子空间为信号子空间的子集,表示为
span{Qcg,K}≡span{A(θ)},其中Qcg,K={qcg,0,qcg,1,…,qcg,K-1}。
(3)当θ≠θi,i∈{1,…,K},正态方程残差初始值qcg,0表示为:
上式可以看出此时正态方程残差矢量也为导向矢量的线性组合,是由K个信号矢量和搜索导向矢量组合的,即此时的正态方程残差矢量张成的K+1维Krylov子空间也为信号导向矢量张成的子空间的子集,表示为
span{Qcg,K+1}≡span{A(θ),a(θ)},其中Qcg,K+1={qcg,0,qcg,1,…,qcg,K-1,qcg,K}。
第四步,设置迭代初始值并进行共轭梯度迭代,所述第四步包括以下步骤:
(1)经典共轭梯度初始值设置中初始权矢量为:
w0=0,搜索向量初始值:p1=-r1=-d,其中d为参考信号。
(2)新算法中的初始值设置中最小二乘残差矢量初始值为:r0=dH-XHW,搜索矢量初始值:p1=q0,γ0=||q0||2,正态方程残差矢量初始值为:q0=Xr0。
(3)当迭代次数为k=1,2,…,M,得到中间过渡变量:vk=XHpk,确定步长:αk=γi-1/||vk||2,得到权矢量:wk=wk-1+αkpk,利用最小二乘残差:rk=rk-1-αkvk,得到正态方程残差:qk=Xrk,确定共轭方向向量:
第五步,根据信源数估计出信号子空间并获得DOA,所述第五步包括以下步骤:
(1)已知信源数为K,仅需要迭代K次就得到等价于信号子空间的Krylov子空间为:Wcg,K={wcg,0,wcg,1,…,wcg,K-1}。
实施例:
下面通过实施例仿真来说明本发明的性能:
仿真条件:假设采用10阵元的阵元间距为d=λ2的ULA阵型,两个入射信号的方向为θ1=10°和θ2=30°。为了进一步评价本发明的性能,设置蒙特卡洛实验次数为500,将均方根误差(Root Mean Square Error,RMSE)作为评价指标。
仿真内容和结果:
仿真1,比较本发明、MUSIC算法和CG算法的谱峰搜索图,结果如图2所示。
图2中设置初始参考信号为d0=Xa(θ)/||Xa(θ)||,其中θ∈(-90°,90°)。从图中可以看出最小二乘CG算法的空间谱峰比经典CG算法和MUSIC算法的空间谱峰都要尖锐,具有良好的估计性能,并且WCC-CG算法的计算复杂度要低于经典CG算法,从而能够更好的应用到实际中。
仿真2,比较本发明与不同算法的RMSE随输入(Signal-to-NoiseRatio,SNR)的变化情况,其结果如图3所示。
从图3中可以看出RV-CG算法和WCC-CG算法的估计精度都几乎接近于MUSIC算法的估计精度,而RV-CG算法和WCC-CG算法为实值运算和不需要计算接收数据协方差矩阵与特征值分解,所以在精度几乎接近相同的情况下,RV-CG算法和WCC-CG算法的运算量相对而言是较小的,在-20dB到-7dB之间,WCC-CG算法的精度是要优于其它两种算法,在-5dB到0dB之间WCC-CG算法的性能较差一些,但是是在可以接受的范围内。经过对以上三种算法的对比,可以发现RV-CG算法和WCC-CG算法都具备一定的优势,进一步满足实际工程所需要的条件,并且新算法适用于低信噪比和小快拍数的情况。
仿真3,利用不同阵元数来比较本发明与不同算法的计算效率。通过在相同环境中运行MATLAB代码,由具有AMD Ryzen 5 3500U with Radeon Vega Mobile Gfx 2.10GHz和8.00GBRAM的PC端给出仿真结果。从CPU时间的角度对计算效率进行等效评估,结果如图4所示。
图4中是去掉谱峰搜索的算法计算时间,只记录参考信号的计算与梯度迭代得到信号子空间的过程。从图中可以看出CG算法及其改进CG算法的的计算速度是较快于MUSIC算法的,并且阵元数越大,算法的优势就越明显。其中WCC-CG算法的计算速度是最快的,其次为RV-CG算法和CG算法。
本发明实现了通过改进维纳霍夫方程,利用接收数据矩阵代替ACM,避免了设置迭代初始值与迭代过程中需要计算ACM而引起的高复杂度问题,为波达方向的工程化实现提供了技术支持。
Claims (4)
1.一种无需构造协方差矩阵的快速共轭梯度测向算法,其特征在于,接收辐射源信号后,利用最小二乘法改进维纳霍夫方程,获得最小二乘维纳霍夫方程,最小二乘维纳霍夫方程为正态方程,使用正态方程构造仅与接收数据有关的参考信号,设置迭代初始值并进行共轭梯度迭代后,根据信源数估计出信号子空间并获得信号波达方向;所述利用最小二乘法改进维纳霍夫方程具体包括以下步骤:
步骤1-1:维纳霍夫方程为RW=rxd,化简维纳霍夫方程,R和rxd分别表示为:其中X为接收数据信号矩阵,有X=[X(0),X(1),…,X(M-1)],d为参考信号,有d=[d(0),d(1),…,d(M-1)];
将以上式子带入到维纳霍夫方程中,有
化简后得到XHW=dH;
步骤1-2:定义最小二乘维纳霍夫方程,为r+XHW=dH,其中,r为最小二乘残差矢量,最小二乘维纳霍夫方程为正态方程;
步骤1-3:为避免计算阵列协方差矩阵R,并且根据最小二乘维纳霍夫方程得到改进的过渡矢量,为v=XHp;
步骤1-4:定义中间变量正态方程残差为q=Xr,其中q只与阵列接收数据与参考信号有关;
所述构造仅与接收数据有关的参考信号具体包括以下步骤:
可知,正态方程残差初始值qcg,0为信号导向矢量的线性组合,则qcg,0张成的K维的Krylov子空间为信号子空间的子集,表示为
span{Qcg,K}≡span{A(θ)},
其中
Qcg,K={qcg,0,qcg,1,…,qcg,K-1};
步骤2-3:当θ≠θi,i∈{1,…,K},正态方程残差初始值qcg,0表示为:
此时正态方程残差矢量也为导向矢量的线性组合,是由K个信号矢量和搜索导向矢量组合的,即此时的正态方程残差矢量张成的K+1维Krylov子空间也为信号导向矢量张成的子空间的子集,表示为
span{Qcg,K+1}≡span{A(θ),a(θ)},
其中
Qcg,K+1={qcg,0,qcg,1,…,qcg,K-1,qcg,K}。
2.根据权利要求1所述的一种无需构造协方差矩阵的快速共轭梯度测向算法,其特征在于,所述设置迭代初始值并进行共轭梯度迭代具体包括以下步骤:
步骤3-1:共轭梯度初始值设置中,初始权矢量为:w0=0,搜索向量初始值:p1=-r1=-d,其中d为参考信号;
步骤3-2:初始值设置中最小二乘残差矢量初始值为:r0=dH-XHW,搜索矢量初始值:p1=q0,γ0=||q0||2,正态方程残差矢量初始值为:q0=Xr0;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010721858.2A CN113221059B (zh) | 2020-07-24 | 2020-07-24 | 无需构造协方差矩阵的快速共轭梯度测向算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010721858.2A CN113221059B (zh) | 2020-07-24 | 2020-07-24 | 无需构造协方差矩阵的快速共轭梯度测向算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113221059A CN113221059A (zh) | 2021-08-06 |
CN113221059B true CN113221059B (zh) | 2023-01-17 |
Family
ID=77085794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010721858.2A Active CN113221059B (zh) | 2020-07-24 | 2020-07-24 | 无需构造协方差矩阵的快速共轭梯度测向算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113221059B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102353947A (zh) * | 2011-07-08 | 2012-02-15 | 哈尔滨工程大学 | 一种基于csa-mwf的无源雷达目标回波信号子空间的估计方法 |
CN105699950A (zh) * | 2016-04-22 | 2016-06-22 | 西安电子科技大学 | 基于自适应迭代前后向平滑共轭梯度的雷达杂波抑制方法 |
CN106443594A (zh) * | 2016-08-30 | 2017-02-22 | 西安电子科技大学 | 一种基于稀疏约束的雷达天线阵列稳健波束形成方法 |
CN108981721A (zh) * | 2018-07-24 | 2018-12-11 | 浙江大学 | 一种用于微纳卫星定姿的静态红外地球敏感器目标角确定方法 |
-
2020
- 2020-07-24 CN CN202010721858.2A patent/CN113221059B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102353947A (zh) * | 2011-07-08 | 2012-02-15 | 哈尔滨工程大学 | 一种基于csa-mwf的无源雷达目标回波信号子空间的估计方法 |
CN105699950A (zh) * | 2016-04-22 | 2016-06-22 | 西安电子科技大学 | 基于自适应迭代前后向平滑共轭梯度的雷达杂波抑制方法 |
CN106443594A (zh) * | 2016-08-30 | 2017-02-22 | 西安电子科技大学 | 一种基于稀疏约束的雷达天线阵列稳健波束形成方法 |
CN108981721A (zh) * | 2018-07-24 | 2018-12-11 | 浙江大学 | 一种用于微纳卫星定姿的静态红外地球敏感器目标角确定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113221059A (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109061554B (zh) | 一种基于空间离散网格动态更新的目标到达角度估计方法 | |
CN108375751B (zh) | 多信源波达方向估计方法 | |
CN111123192B (zh) | 一种基于圆形阵列和虚拟扩展的二维doa定位方法 | |
CN103902826B (zh) | 一种冲击噪声环境下的多移动目标跟踪方法 | |
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 | |
CN110940949B (zh) | 强冲击噪声环境下基于量子企鹅搜索机制的互质阵列doa估计方法 | |
CN110361691B (zh) | 基于非均匀阵列的相干信源doa估计fpga实现方法 | |
CN112881972B (zh) | 一种阵列模型误差下基于神经网络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 | |
CN109239646B (zh) | 一种冲击噪声环境下连续量子水蒸发的二维动态测向方法 | |
CN107238812B (zh) | 一种基于最小间隙阵列的鲁棒动态测向方法 | |
CN113835063A (zh) | 一种无人机阵列幅相误差与信号doa联合估计方法 | |
CN115236584A (zh) | 基于深度学习的米波雷达低仰角估计方法 | |
CN113759303B (zh) | 一种基于粒子群算法的无网格波达角估计方法 | |
CN109212466B (zh) | 一种基于量子蜻蜓演化机制的宽带测向方法 | |
CN112731280B (zh) | 互质阵列混合噪声环境下的esprit-doa估计方法 | |
CN109188346B (zh) | 大规模均匀圆柱阵列单快拍doa估计方法 | |
CN105572629A (zh) | 一种适用于任意阵列结构的低运算复杂度的二维测向方法 | |
CN113221059B (zh) | 无需构造协方差矩阵的快速共轭梯度测向算法 | |
CN113093111B (zh) | 基于压缩感知和遗传算法的均匀圆阵解调二维相干信号方法及*** | |
CN116582158A (zh) | 一种大规模mimo方阵信源数与波达方向联合估计方法 | |
CN113203997B (zh) | 基于fpga的雷达超分辨测向方法、***及应用 | |
CN109683128B (zh) | 冲击噪声环境下的单快拍测向方法 | |
CN108051773A (zh) | 基于盖式圆盘准则估计信源数目的epuma方法 | |
Liu et al. | Fast Root-MUSIC algorithm based on Nystrom method and spectral factorization |
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 |