CN113946955B - 基于融合中心反馈信息的多目标贝叶斯波达方向估计方法 - Google Patents
基于融合中心反馈信息的多目标贝叶斯波达方向估计方法 Download PDFInfo
- Publication number
- CN113946955B CN113946955B CN202111199863.2A CN202111199863A CN113946955B CN 113946955 B CN113946955 B CN 113946955B CN 202111199863 A CN202111199863 A CN 202111199863A CN 113946955 B CN113946955 B CN 113946955B
- Authority
- CN
- China
- Prior art keywords
- arrival
- target
- array
- mean square
- square error
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000004927 fusion Effects 0.000 title claims abstract description 22
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000004088 simulation Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于融合中心反馈信息的多目标贝叶斯波达方向估计方法,包括:根据融合中心的反馈信息,确定多个目标波达方向的先验分布信息;根据阵列接收信号和所述先验分布信息,构造最小均方误差估计量;对所述最小均方误差估计量进行离散近似,以得到近似积分;基于蒙特卡洛法对先验分布信息对应的随机数和所述近似积分进行计算,以确定每个目标波达方向的估计值。本发明能够在低信噪比、少快拍数情况下,提高多目标波达方向估计性能。
Description
技术领域
本发明属于信号处理领域,具体涉及一种基于融合中心反馈信息的多目标贝叶斯波达方向估计方法。
背景技术
波达方向估计在雷达、声纳和无线通信中,有很广泛的应用。
目前,在传统的波达方向估计方法中常规波束形成法的分辨率通常会受到瑞利限的限制,为了克服该问题,提出了子空间类方法,如MUSIC算法。尽管子空间类法能够突破瑞利限的限制,能够在极大的提高目标的分辨率的同时保证估计性能,但是该类方法在进行波达方向估计的过程中需要计算阵列接收信号的相关矩阵。为了准确计算相关矩阵,需要大量快拍数,因此,计算过程受到快拍数的影响极大,尤其是当快拍数较少或者接收信号相干时,阵列接收信号的相关矩阵会发生秩亏,从而严重影响子空间类算法的估计性能,甚至无法完成估计。此外,子空间类算法的估计性能受信噪比影响极大,当信噪比降低时,估计性能也会急剧下降。
进一步的,传统的波达方向估计方法在建模时,均假定目标的波达方向是一个确定的值,需要通过阵列接收信号进行估计,导致波达方向估计方法受到极大限制。
另外,针对多目标的波达方向估计问题,现有技术中通常采用两种估计方法:一种是最大后验估计法,另一种是传统的最小均方误差估计法。其中,最大后验估计法会遇到多维最大值求解问题,其算法复杂度会随着目标数量的增加而呈指数增加;传统的最小均方误差估计法中包含多重积分,其解析求解过程复杂。因此,现有技术中针对多目标的波达方向估计方法存在耗时过长、估计准确度低等问题。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种基于融合中心反馈信息的多目标贝叶斯波达方向估计方法。本发明要解决的技术问题通过以下技术方案实现:
一种基于融合中心反馈信息的多目标贝叶斯波达方向估计方法,应用于传感器网络,所述传感器网络中包括融合中心和均匀线列阵,所述方法包括:步骤1:根据融合中心的反馈信息,确定多个目标波达方向的先验分布信息;步骤2:根据阵列接收信号和所述先验分布信息,构造最小均方误差估计量;步骤3:对所述最小均方误差估计量进行离散近似,以得到近似积分;步骤4:基于蒙特卡洛法对所述先验分布信息对应的随机数和所述近似积分进行计算,以确定每个目标波达方向的估计值。
在本发明的一个实施例中,所述步骤1包括:步骤1-1:获取融合中心的反馈信息,其中,所述反馈信息中包括K个目标对应的位置预测值及其协方差矩阵Qui,所述x、y表示直角坐标系中的x坐标轴、y坐标轴;步骤1-2:假设均匀线列阵与x坐标轴平行,根据每个目标对应的所述位置预测值/>计算目标的波达方向的预测值θi o,以及根据每个目标对应的所述协方差矩阵Qui计算目标的波达方向的预测方差/>表示为:
其中,bi为参数,表示为:
sx和sy分别表示阵列几何中心的位置坐标;步骤1-3:假设目标波达方向满足高斯分布,根据所述预测值θi o和所述预测方差确定目标波达方向的先验分布信息,表示为:
其中,θ表示波达方向,θ=[θ1,θ2,…,θK]T, diag(·)表示由向量形成的对角阵。
在本发明的一个实施例中,所述步骤2包括:步骤2-1:设所述均匀线列阵中包括N个阵元,将阵列接收信号x(t)表示为:
x(t)=A(θ)s(t)+n(t),
其中,t=1,2,…,M,M表示阵列快拍数;s(t)=[s1(t),s2(t),…,sK(t)]T,表示t时刻的第i个来波信号,ati和φti表示t时刻的第i个来波信号的幅度和相位,j表示虚数单位;n(t)~CN(0,Qn)表示均值为零且协方差矩阵为Qn的复值圆对称高斯白噪声;A(θ)表示阵列流形向量,A(θ)=[a(θ1),a(θ2),…,a(θK)],其中,a(θi)表示为:
a(θi)的第k个元素代表第i个信号在第k个阵元的时间延迟所带来的相位变化,d表示阵元间距,λ表示接收信号的波长;步骤2-2:令变量且将阵列接收信号x(t)改写为:/>基于上式,获取目标波达方向的似然函数,表示为:
其中,步骤2-3:基于贝叶斯公式,对所述先验分布信息进行计算,以得到后验分布信息/>表示为:
则得到最小均方误差估计量,表示为:
本发明的有益效果:
本发明能够根据融合中心的反馈信息进行多目标贝叶斯波达方向估计,具体的,利用先验分布信息和阵列接收信号构造最小均方误差估计量,能够将被估计量视为需估计出其现实的随机变量,在估计时引入被估计量的先验分布信息,并且得到后验概率密度函数,最后得到波达方向的最小均方误差统计量,并通过蒙特卡洛方法进行数值求解。
本发明相比于最大后验估计方法,能够避免多维搜索;相比于传统最小均方误差估计方法,能够基于蒙特卡洛方法降低求解复杂度,从而提高目标波达方向估计性能。另外,本发明还能够在低信噪比、少快拍数情况下,进一步提高多目标波达方向估计性能。
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基于融合中心反馈信息的多目标贝叶斯波达方向估计方法流程示意图;
图2是本发明实施例提供的另一种基于融合中心反馈信息的多目标贝叶斯波达方向估计方法流程示意图;
图3是本发明实施例提供的在信噪比为15dB时的仿真实验估计结果示意图;
图4是本发明实施例提供的在信噪比为-15dB时的仿真实验估计结果示意图;
图5是本发明实施例提供的在信噪比为-15dB时的10000次估计结果误差统计直方图;
图6是本发明实施例提供的在不同信噪比情况下的单目标波达方向估计性能结果示意图。
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
请参见图1,图1是本发明实施例提供的一种基于融合中心反馈信息的多目标贝叶斯波达方向估计方法示意图,应用于传感器网络,所述传感器网络中包括融合中心和均匀线列阵,所述方法包括:
步骤1:根据融合中心的反馈信息,确定多个目标波达方向的先验分布信息。
可选的,所述步骤1包括:
步骤1-1:获取融合中心的反馈信息,其中,所述反馈信息中包括K个目标对应的位置预测值及其协方差矩阵Qui,所述x、y表示直角坐标系中的x坐标轴、y坐标轴。
步骤1-2:假设均匀线列阵与x坐标轴平行,根据每个目标对应的所述位置预测值计算目标的波达方向的预测值θio,以及根据每个目标对应的所述协方差矩阵Qui计算目标的波达方向的预测方差/>表示为:
其中,bi为参数,表示为:
sx和sy分别表示阵列几何中心的位置坐标。
步骤1-3:假设目标波达方向满足高斯分布,根据所述预测值θi o和所述预测方差确定目标波达方向的先验分布信息,表示为:
其中,θ表示波达方向,θ=[θ1,θ2,…,θK]T, diag(·)表示由向量形成的对角阵。
步骤2:根据阵列接收信号和所述先验分布信息,构造最小均方误差估计量。
可选的,所述步骤2包括:
步骤2-1:设所述均匀线列阵中包括N个阵元,将阵列接收信号x(t)表示为:
x(t)=A(θ)s(t)+n(t) (5)
其中,t=1,2,…,M,M表示阵列快拍数;s(t)=[s1(t),s2(t),…,sK(t)]T,表示t时刻的第i个来波信号,ati和φti表示t时刻的第i个来波信号的幅度和相位,j表示虚数单位;n(t)~CN(0,Qn)表示均值为零且协方差矩阵为Qn的复值圆对称高斯白噪声;
A(θ)表示阵列流形向量,A(θ)=[a(θ1),a(θ2),…,a(θK)],其中,a(θi)表示为:
a(θi)的第k个元素代表第i个信号在第k个阵元的时间延迟所带来的相位变化,d表示阵元间距,λ表示接收信号的波长。
可选的,一般取d=λ/2。
步骤2-2:令变量 且/>将阵列接收信号x(t)改写为:
基于上式,获取目标波达方向的似然函数,表示为:
其中,
步骤2-3:基于贝叶斯公式,对所述先验分布信息进行计算,以得到后验分布信息表示为:
结合θ的先验分布p(θ),利用贝叶斯公式可以计算得到其后验分布
进一步,则得到最小均方误差估计量,表示为:
可以看出,该估计量是关于未知量的非线性函数的复杂积分,很难进行闭式解析求解,因此,本发明通过以下步骤3将对该积分进行离散近似后,通过蒙特卡洛方法给出数值解。
步骤3:对所述最小均方误差估计量进行离散近似,以得到近似积分。
可选的,所述步骤3包括:
步骤3-1:将所述最小均方误差估计量中的分子看作变量关于θ的先验分布取期望,记为/>以及将所述最小均方误差估计量中的分母看作变量关于θ的先验分布取期望,记为/>
则将所述最小均方误差估计量改写为:
步骤3-2:对所述改写后的最小均方误差估计量进行离散近似求平均,以得到近似积分,表示为:
其中,Nm表示离散求和的点数。
通常,点数越大,近似越精确。
步骤4:根据蒙特卡洛法对所述先验分布信息对应的随机数和所述近似积分进行计算,以确定每个目标波达方向的估计值。
可选的,所述步骤4包括:
步骤4-1:令:
解得:
步骤4-2:将步骤4-1解得的带入/>再将该/>代入所述近似积分中,化简可得:
其中,是仅关于θ(k)的函数,θ(k)表示样本。
由于函数也包含了自变量/>因此不能直接计算,需要将/>表示为θ(k)的函数。
步骤4-3:根据所述先验分布信息的概率密度函数,得到Nm个样本。
步骤4-4:将所述Nm个样本代入步骤4-2中的公式,计算得到目标波达方向的估计值
综上,本发明的有益效果:
本发明能够根据融合中心的反馈信息进行多目标贝叶斯波达方向估计方法,具体的,利用先验分布信息和阵列接收信号构造最小均方误差估计量,能够将被估计量视为需估计出其现实的随机变量,在估计时引入被估计量的先验分布信息,并且得到后验概率密度函数,最后得到波达方向的最小均方误差统计量,并通过蒙特卡洛方法进行数值求解。
本发明相比于最大后验估计方法能够避免多维搜索,相比于传统最小均方误差估计方法,能够基于蒙特卡洛方法降低降低求解复杂度。另外,本发明能够在低信噪比、少快拍数情况下,提高多目标波达方向估计性能。
进一步地,基于仿真实验验证本发明的有益效果:
实验条件:
设置均匀线列阵中有10个阵元,取阵元间距d为半波长值,即假设一共有两个目标且信号频率均为f=1000Hz,采样频率fs=8192Hz,目标所处坐标位置通过式(1)换算可得两个信号的波达方向分别为/>度,/>度,假设通过式(2)计算两个波达方向的预测方差分别为σθ1=2度,σθ2=1度。
实验过程:
参见图3,图3中快拍数为30,信噪比设置为15dB。
将阵列接收信号x(t)按照式(7)构造然后根据式(4)的先验分布信息产生Nm=800个样本θ(k),k=1,2,…,800。然后将构造的/>和样本θ(k),k=1,2,…,800带入公式(14)进行计算/>那么/>就是第一个目标的波达方向,/>就是第二个目标的波达方向。
从图3可以看出MUSIC方法和本发明的提出的MMSE(最小均方误差,Minimum MeanSquared Error)估计方法都可以准确的估计出两个目标方向。图4重复了图3的仿真实验,只是信噪比设置为-15dB,远低于图3的信噪比。可以看到此时图4中的MUSIC算法仅能估计一个目标,因此已经失效,而本发明的方法依然可以估计出两个目标位置。验证了本发明的方法在低信噪比时的优异性能。
图5分别给出已有MUSIC算法和本发明方法的10000次仿真实验估计误差结果的统计直方图。可以看到在同样条件下,总体而言本发明的MMSE方法的估计误差更集中在0度附近,意味着估计结果更集中在真实角度附近。而MUSIC算法的估计误差结果尽管在0度附近有所集中,但是其估计误差分布广泛,比如在-60°到60°范围外依然还存在,这意味着MUSIC方法的估计结果的可靠性不高。特别是针对目标二,MUSIC算法在0度附近的次数少于1000次,而本发明的方法误差在0度附近的次数约为1100次。因此可以直观看出来,本发明的MMSE方法的估计精度和估计可靠度优于MUSIC算法。
图6对比MUSIC算法,给出了MMSE方法的单目标波达方向估计性能结果,性能指标由估计的均方误差(RMSE)衡量,指标定义如下:
式中,θl表示第l次实验的估计位置,L=500表示总实验次数。信噪比从-30dB变为20dB。图6中快拍数设置为10,两种方法在信噪比较低(-5dB附近)时,MUSIC算法的估计结果已经远离BCRB(贝叶斯克拉美罗下界,Bayesian Cramer-Rao Bound),而本发明提出的MMSE方法在该信噪比依然可以达到BCRB。验证了本方法在低信噪比条件下的优越性能。
需要说明的是,如在仿真实验中,随机数根据仿真软件产生标准的正态分布(期望为0,方差为1),然后变换到给定期望和方差的正态分布。所述仿真软件如matlab。
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 (2)
1.一种基于融合中心反馈信息的多目标贝叶斯波达方向估计方法,其特征在于,应用于传感器网络,所述传感器网络中包括融合中心和均匀线列阵,所述方法包括:
步骤1:根据融合中心的反馈信息,确定多个目标波达方向的先验分布信息;
步骤2:根据阵列接收信号和所述先验分布信息,构造最小均方误差估计量;
步骤3:对所述最小均方误差估计量进行离散近似,以得到近似积分;
步骤4:根据蒙特卡洛法对所述先验分布信息对应的随机数和所述近似积分进行计算,以确定每个目标波达方向的估计值;
所述步骤1包括:
步骤1-1:获取融合中心的反馈信息,其中,所述反馈信息中包括K个目标对应的位置预测值i=1,2,…,K及其协方差矩阵Qui,所述x、y表示直角坐标系中的x坐标轴、y坐标轴;
步骤1-2:假设均匀线列阵与x坐标轴平行,根据每个目标对应的所述位置预测值i=1,2,…,K计算目标的波达方向的预测值θi o,以及根据每个目标对应的所述协方差矩阵Qui计算目标的波达方向的预测方差/>表示为:
其中,bi为参数,表示为:
sx和sy分别表示阵列几何中心的位置坐标;
步骤1-3:假设目标波达方向满足高斯分布,根据所述预测值θi o和所述预测方差确定目标波达方向的先验分布信息,表示为:
其中,θ表示波达方向,θ=[θ1,θ2,…,θK]T, diag(·)表示由向量形成的对角阵;
所述步骤2包括:
步骤2-1:设所述均匀线列阵中包括N个阵元,将阵列接收信号x(t)表示为:
x(t)=A(θ)s(t)+n(t),
其中,t=1,2,…,M,M表示阵列快拍数;s(t)=[s1(t),s2(t),…,sK(t)]T,表示t时刻的第i个来波信号,ati和φti表示t时刻的第i个来波信号的幅度和相位,j表示虚数单位;n(t)~CN(0,Qn)表示均值为零且协方差矩阵为Qn的复值圆对称高斯白噪声;
A(θ)表示阵列流形向量,A(θ)=[a(θ1),a(θ2),…,a(θK)],其中,a(θi)表示为:
a(θi)的第k个元素代表第i个信号在第k个阵元的时间延迟所带来的相位变化,d表示阵元间距,λ表示接收信号的波长;
步骤2-2:令变量 且/>将阵列接收信号x(t)改写为:
基于上式,获取目标波达方向的似然函数,表示为:
其中,
步骤2-3:基于贝叶斯公式,对所述先验分布信息进行计算,以得到后验分布信息表示为:
则得到最小均方误差估计量,表示为:
所述步骤3包括:
步骤3-1:将所述最小均方误差估计量中的分子看作变量关于θ的先验分布取期望,记为/>以及将所述最小均方误差估计量中的分母看作变量/>关于θ的先验分布取期望,记为/>则将所述最小均方误差估计量改写为:
步骤3-2:对所述改写后的最小均方误差估计量进行离散近似求平均,以得到近似积分,表示为:
其中,Nm表示离散求和的点数。
2.根据权利要求1所述的方法,其特征在于,所述步骤4包括:
步骤4-1:令:
解得:
步骤4-2:将步骤4-1解得的带入/>再将该/>代入所述近似积分中,化简可得:
其中,是仅关于θ(k)的函数,θ(k)表示样本;
步骤4-3:根据所述先验分布信息的概率密度函数,得到Nm个样本;
步骤4-4:将所述Nm个样本代入步骤4-2中的公式,计算得到目标波达方向的估计值
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111199863.2A CN113946955B (zh) | 2021-10-14 | 2021-10-14 | 基于融合中心反馈信息的多目标贝叶斯波达方向估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111199863.2A CN113946955B (zh) | 2021-10-14 | 2021-10-14 | 基于融合中心反馈信息的多目标贝叶斯波达方向估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113946955A CN113946955A (zh) | 2022-01-18 |
CN113946955B true CN113946955B (zh) | 2023-08-08 |
Family
ID=79330575
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111199863.2A Active CN113946955B (zh) | 2021-10-14 | 2021-10-14 | 基于融合中心反馈信息的多目标贝叶斯波达方向估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113946955B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013195511A (ja) * | 2012-03-16 | 2013-09-30 | Nippon Telegr & Teleph Corp <Ntt> | スペクトル推定装置、その方法及びプログラム |
CN108845325A (zh) * | 2018-05-25 | 2018-11-20 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 拖曳线列阵声纳子阵误差失配估计方法 |
-
2021
- 2021-10-14 CN CN202111199863.2A patent/CN113946955B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013195511A (ja) * | 2012-03-16 | 2013-09-30 | Nippon Telegr & Teleph Corp <Ntt> | スペクトル推定装置、その方法及びプログラム |
CN108845325A (zh) * | 2018-05-25 | 2018-11-20 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 拖曳线列阵声纳子阵误差失配估计方法 |
Non-Patent Citations (1)
Title |
---|
陆兴华 ; 陈富树 ; .基于高阶累积量的近场通信波达方向估计算法.电声技术.2016,(01),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN113946955A (zh) | 2022-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108710103B (zh) | 基于稀疏阵列的强弱多目标超分辨测向与信源数估计方法 | |
CN110320490B (zh) | 一种无直达信号条件下的无线电波达方向估计方法 | |
CN107870314B (zh) | 基于极化敏感阵列的完备电磁分量加权融合测向优化方法 | |
CN112612010A (zh) | 一种基于波瓣***预处理的米波雷达低仰角测高方法 | |
CN111913155A (zh) | 基于阵列雷达的二维doa估计方法 | |
CN111273269B (zh) | 基于ipso-bp的频率分集阵列的雷达目标定位方法 | |
CN115390027A (zh) | 非均匀杂波下目标知识辅助智能融合检测方法 | |
CN114624742A (zh) | 用于极化敏感阵列的幅相误差校准定位方法及装置 | |
CN115372925A (zh) | 一种基于深度学习的阵列稳健自适应波束形成方法 | |
CN112014835A (zh) | 分布式稀疏阵列雷达在栅瓣模糊下的目标跟踪方法和装置 | |
CN106125039B (zh) | 基于局域联合处理的改进空时自适应单脉冲测角方法 | |
CN113946955B (zh) | 基于融合中心反馈信息的多目标贝叶斯波达方向估计方法 | |
Kang et al. | Analysis of space–time adaptive processing performance using K-means clustering algorithm for normalisation method in non-homogeneity detector process | |
CN109117698B (zh) | 一种基于最小均方误差准则的噪声背景估计方法 | |
CN114487993B (zh) | 一种均匀圆阵相关干涉仪测向方法及*** | |
CN113625265B (zh) | 基于波束空间的方位超分辨方法 | |
CN115436909A (zh) | 一种基于矩阵重构Root-MUSIC算法的FMCW雷达测距方法 | |
CN116203522A (zh) | 一种复杂电磁环境下四通道雷达单脉冲测角方法与*** | |
CN116106829A (zh) | 部分均匀杂波加干扰下目标智能检测方法 | |
CN113917389A (zh) | 一种相控阵协同探测***和差波束角度估计方法 | |
CN113589223A (zh) | 基于互耦情况下嵌套阵列的测向方法 | |
CN112698263A (zh) | 一种基于正交传播算子的单基地互质mimo阵列doa估计算法 | |
CN113381793A (zh) | 一种面向相干信源估计的无网格波达方向估计方法 | |
CN114063005A (zh) | 基于融合中心反馈信息的最大后验波达方向估计方法 | |
CN108923869B (zh) | 一种基于正交算子的Capon噪声功率估计方法 |
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 |