WO2021139208A1 - 一种基于特定频率组合信号的一维doa估计方法 - Google Patents
一种基于特定频率组合信号的一维doa估计方法 Download PDFInfo
- Publication number
- WO2021139208A1 WO2021139208A1 PCT/CN2020/116454 CN2020116454W WO2021139208A1 WO 2021139208 A1 WO2021139208 A1 WO 2021139208A1 CN 2020116454 W CN2020116454 W CN 2020116454W WO 2021139208 A1 WO2021139208 A1 WO 2021139208A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- array
- matrix
- frequency
- signal
- data
- Prior art date
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
- G01S3/74—Multi-channel systems specially adapted for direction-finding, i.e. having a single antenna system capable of giving simultaneous indications of the directions of different signals
-
- 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
Definitions
- the invention relates to the technical field of target positioning, in particular to a one-dimensional DOA estimation method for realizing virtual array element expansion after joint processing of specific frequency combined signals.
- DOA estimation Direction of arrival estimation
- the non-uniform array requires a specific array structure, which makes the traditional uniform array lose its potential for modification.
- Some researchers have also proposed a DOA estimation algorithm based on wideband signals, which utilizes the information carried by multiple frequency point signals within the bandwidth to improve the robustness of DOA estimation.
- selecting too few frequency points will result in a decrease in the estimation accuracy.
- too much signal bandwidth will introduce too much array aperture loss.
- the purpose of the present invention is to solve the above-mentioned defects in the prior art and provide a one-dimensional DOA estimation method based on a combination signal of a specific frequency.
- This method is based on the traditional uniform array by transmitting multiple signals of specific frequencies, and the received signal obtained at each receiving element is obtained through multiple narrowband filters of different frequencies to separate the corresponding frequency signals, and obtain the frequency domain Receive the data model, then normalize the source signal matrix and reconstruct the frequency-domain received data matrix, expand the uniform physical array into a virtual non-uniform array at one time, and finally combine the vectorization processing of the covariance matrix of the existing non-uniform array data.
- the second virtual expansion of the virtual non-uniform array finally obtains the second-expanded virtual uniform array, which realizes the second expansion of the array aperture.
- a one-dimensional DOA estimation method based on a combination of specific frequencies includes the following steps:
- step S1 is as follows:
- the received signal is the signal that the transmitted signal returns to the array after passing through K far-field targets, and passes through P
- a narrow-band filter and H time-domain snapshot samples can get the time-domain received data matrix X, which is expressed as:
- n m,p (t) is the p-th channel narrowband filter of the m-th array element at time t
- the noise signal of, the m-th element a m,p ( ⁇ k ) of the direction vector is expressed as:
- q m is the position of the m-th physical array element, Is the phase component, d is the element spacing of the array, ⁇ k is the direction angle of the k-th source and target, f p is the frequency of the p-th frequency signal, and c is the signal propagation speed;
- the array has a direction vector a p ( ⁇ k ):
- a p ( ⁇ k ) [a 1p ( ⁇ k ),a 2p ( ⁇ k ),...,a Mp ( ⁇ k )] T (6)
- the data covariance matrix R x (f p ) corresponding to the frequency f p is expressed as:
- P x (f p ) represents the covariance matrix of noise-free data, Represents the source signal matrix, Represents the noise matrix;
- I represents the identity matrix
- step S2 is as follows:
- the noise-free data covariance matrix corresponding to frequency f 1 Perform feature decomposition to obtain M feature values, and extract the smallest MK feature vectors to construct a noise subspace;
- step S3 is as follows:
- the direction matrix A p is constructed according to formula (8) by introducing the angle estimation value.
- the matrix G p, q needs to satisfy the following formula:
- the reconstructed source signal matrix is the identity matrix
- B is expressed as follows:
- step S4 is as follows:
- the data reconstruction matrix R F is a covariance matrix of MP ⁇ MP dimensions, and the elements in the mth row and n column are expressed as:
- vec is a vectorized symbol
- ⁇ represents the Khatri-Rao product
- Noise vector B * ⁇ B is expressed as:
- step S5 is as follows:
- step S6 is as follows:
- the second array into a uniform virtual extension (M-1) M + 1 sub-arrays, each sub-array comprising (M-1) M + 1 array elements,
- step S7 is as follows:
- the ⁇ is changed from -90 to 90°, and the angles corresponding to the K maximums are sought, that is, the estimated value of the arrival angle of the i-th, i ⁇ 1 iteration
- convergence criteria :
- biase represents the preset allowable deviation value
- i reaches the maximum number of iterations or Satisfy the above formula
- the present invention has the following advantages and effects:
- the DOA estimation method disclosed in the present invention does not need to increase physical array elements, but completes the data covariance matrix reconstruction through the priori information of the proportions between multiple sets of different frequency signals.
- the virtual array of the reconstruction matrix is equivalent to a set of non-uniform arrays, and the data covariance matrix is further vectorized to realize the expansion of the secondary array elements based on the virtual non-uniform array.
- the final equivalent virtual uniform array is compared with the original physical Array, the array aperture is increased, and the DOA estimation accuracy is also greatly improved.
- the DOA estimation method disclosed in the present invention realizes angle convergence through iterative estimation, which further improves the estimation accuracy.
- the DOA estimation method disclosed in the present invention performs averaging processing on the equivalent received data of the virtual differential array elements with the same position in the process of de-redundancy of the received vector, which further improves the robustness of the DOA estimation method.
- the DOA estimation method disclosed in the present invention only needs to add a narrow-band filter bank on the basis of the traditional uniform array, which can be applied to most of the application systems of the existing DOA estimation method, and the engineering feasibility is relatively high.
- FIG. 1 is a schematic diagram of a uniform linear array received signal and a narrowband filter bank model used in the DOA estimation method disclosed in an embodiment of the present invention
- FIG. 2 is a schematic diagram of the connection of a one-dimensional uniform array element and a narrowband filter bank in an embodiment of the present invention
- Fig. 3 is a flowchart of a one-dimensional DOA estimation method based on a specific frequency combination signal disclosed in an embodiment of the present invention.
- this embodiment discloses a one-dimensional DOA estimation method based on multi-frequency transmission signals, including the following steps:
- the array element spacing is d.
- the received signal is the signal that the transmitted signal returns to the array after passing through K far-field targets.
- n m,p (t) is the m-th array element of the p-th narrowband filter at time t Noise signal.
- the m-th element a m,p ( ⁇ k ) of the direction vector is expressed as:
- q m is the position of the m-th physical array element
- d is the element spacing of the array
- ⁇ k is the direction angle of the k-th source and target
- f p is the frequency of the p-th frequency signal
- c is the signal propagation speed.
- the array has a direction vector a p ( ⁇ k ):
- a p ( ⁇ k ) [a 1p ( ⁇ k ),a 2p ( ⁇ k ),...,a Mp ( ⁇ k )] T (6)
- the data covariance matrix R x (f p ) corresponding to the frequency f p is expressed as:
- P x (f p ) represents the covariance matrix of noise-free data
- I represents the identity matrix
- the noise-free data covariance matrix corresponding to frequency f 1 Perform feature decomposition to obtain M feature values, and extract the smallest MK feature vectors to construct a noise subspace. For any angle value ⁇ , construct a direction vector according to the noise subspace Further construct the MUSIC spectral function P MUSIC ( ⁇ ). Change ⁇ from -90 to 90°, find the angles corresponding to the K maximums of the MUSIC space spectrum, that is
- the direction matrix A p is constructed according to formula (8) by introducing the angle estimation value.
- the matrix G p, q needs to satisfy the following formula:
- the reconstructed direction matrix is the identity matrix
- B is as follows:
- the data reconstruction matrix R F is a covariance matrix of MP ⁇ MP dimensions, and the elements in the mth row and n column are expressed as:
- vec is a vectorized symbol
- ⁇ represents the Khatri-Rao product
- Noise vector B * ⁇ B is expressed as:
- this method needs to perform average summation processing on the equivalent received data of the virtual array elements with the same position during the de-redundancy process. Assuming that the equivalent array signal receiving vector after de-redundancy and rearrangement processing is ru , expressed as:
- the uniform array of M array elements is reconstructed into a virtual non-uniform array once by receiving data, and then is vectorized by the covariance matrix, de-redundant and rearranged, and then expanded into a new virtual uniform linear array twice.
- the position distribution range of the virtual uniform linear array is -(M-1)Md ⁇ (M-1)Md, that is, it contains 2(M-1)Md+1 virtual array elements.
- each sub-array comprising (M-1) M + 1 array elements
- Column. make Calculate the values of all R i and average them to get the spatially smoothed covariance matrix R v :
- the covariance matrix R v is ((M-1)M+1) ⁇ ((M-1)M+1) dimensional matrix.
- the ⁇ is changed from -90 to 90°, and the angles corresponding to the K maximums are sought, that is, the estimated value of the arrival angle of the i-th, i ⁇ 1 iteration
- convergence criteria :
- biase represents the preset allowable deviation value.
- This embodiment discloses a one-dimensional DOA estimation method based on multi-frequency transmission signals.
- the specific working steps are as follows:
- the distance between any two adjacent linear arrays must be less than or equal to 0.75m, and the array element spacing can be selected arbitrarily under this restriction. Therefore, the average distance between two uniform linear arrays is set to 0.75m, that is, the first The last element is 3.75m apart.
- K 2 target sound sources are placed underwater, and the direction of arrival angles of the source target signals are respectively (20°, 60°).
- T31 Divide time domain sampling data into L segments, and perform discrete Fourier transform on each sub-segment data to obtain frequency domain received data Construct the frequency domain data covariance matrix R x (f p ) according to X p , and obtain the noise-free data covariance matrix according to formula (11)
- Step T4 the two-dimensional direction of arrival angle (20.15°, 60.03°) estimated by 12 iterations achieves the expected accuracy of the target estimation, indicating that the estimation result is correct and the method of the present invention is feasible.
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
一种基于特定频率组合信号的一维DOA估计方法,该方法通过发射多个特定频率的信号,将各阵元的接收信号分别通过多个不同频率窄带滤波器分离出对应频率信号,得到频域接收数据模型,再对源信号矩阵归一处理和重构频域接收数据矩阵,将均匀物理阵列一次扩展为虚拟非均匀阵列,最后结合现有非均匀阵列数据协方差矩阵的处理方法,对虚拟非均匀阵列进行二次虚拟扩展,最终获得二次扩展的虚拟均匀阵列,实现阵列孔径的二次扩张。该方法在无需改变传统均匀阵列结构的条件下,通过接收多个特定频率的窄带信号并依靠频率比例这一先验信息,实现了阵列孔径的虚拟扩展,使得估计精度得到提升。
Description
本发明涉及目标定位技术领域,具体涉及一种将特定频率组合信号联合处理后实现虚拟阵元扩展的一维DOA估计方法。
波达方向估计(DOA估计)在众多领域已得到广泛应用,而DOA估计就是指在空间或放置传感器阵列利用阵列信号处理技术来对信源目标进行方向角度估计的方法。随着空间环境日趋复杂化,在目标跟踪、精密制导等各个方面确定目标信号的波达方向角并进行全面的监视和侦察,是在战争中获取主动权的首要前提。因此,研究超分辨高精度的DOA估计技术具有十分重要的意义。
现有的基于相关阵的子空间类方法如MUSIC算法和ESPRIT算法等,在低信噪比条件下性能会快速变差。为了提高阵列处理信号的能力而可以增加物理阵元数量,但这会导致硬件成本和维护成本的急剧增加。因此,如何实现在物理阵元数不变和低信噪比的条件下保证DOA估计算法的精度,成为阵列信号处理领域的一个研究难点和热点。有学者提出非均匀阵列结构,通过利用差协同阵元的更多相位差信息,使得阵列孔径得到提高,在相同物理阵元数的前提下提高了估计精度。但是非均匀阵列需要特定阵列的结构,使得传统均匀阵列失去了改造潜力。也有学者提出基于宽带信号的DOA估计算法,利用带宽内多个频点信号携带的信息,提高了DOA估计的稳健性。但是选取频点过少会导致估计精度下降,同时在相邻阵元间距保持一定的条件下,信号带宽过大会引入过多阵列孔径损失。
发明内容
本发明的目的是为了解决现有技术中的上述缺陷,提供一种基于特定频率组合信号的一维DOA估计方法。该方法在基于传统均匀阵列的前提下通过发射多个特定频率的信号,在每个接收阵元处得到的接收信号分别通过多个不同频率的窄带滤波器获取分离出对应频率信号,得到频域接收数据模型,再对源信号矩阵归一处理和重构频域接收数据矩阵,将均匀物理阵列一次扩展为虚拟非均匀阵列,最后结合现有非均匀阵列数据协方差矩阵的向量化处理,进行虚拟非均匀阵列的二次虚拟扩展,最终获得二次扩展的虚拟均匀阵列,实现了阵列孔径的二次扩张。
本发明的目的可以通过采取如下技术方案达到:
一种基于特定频率组合信号的一维DOA估计方法,所述的估计方法包括以下步骤:
S5、对向量r进行去冗余和重排处理,得到等效阵列信号接收向量r
u;
S6、对得到的接收向量r
u进行虚拟子阵划分和平均处理,得到空间平 滑后的协方差矩阵R
v,实现解相干;
进一步地,所述的步骤S1过程如下:
假设用于一维DOA估计的均匀线阵上分布有M个阵元,阵元间距为d。设定P个频率的窄带发射信号,其中第p,p=1,2,…,P路信号的频率为f
p,接收信号为发射信号经K个远场目标后返回阵列的信号,通过P个窄带滤波器,H个时域快拍数采样可以得到时域接收数据矩阵X,表示为:
其中X
p为第p路频率信号的接收数据,表示为:
X
p=[x
p(1),x
p(2),…,x
p(H)] (2)
x
p(t)=[x
1,p(t),x
2,p(t),…,x
M,p(t)]
T,t=1,2,…,H (3)
第m,m=1,2,…,M个物理阵元的第p路窄带滤波器的接收快拍信号x
m,p(t)如下:
其中s
k,p(t)为第p路频率信号经第k个目标在t时刻到达阵列的源信号,n
m,p(t)为第m阵元第p路窄带滤波器的在t时刻的噪声信号,方向向量第m个元素a
m,p(θ
k)表示为:
对于角度θ
k,阵列存在方向向量a
p(θ
k):
a
p(θ
k)=[a
1p(θ
k),a
2p(θ
k),…,a
Mp(θ
k)]
T (6)
对第m个物理阵元接收到的时域信号x
m,p(t)的H个时域快拍数据分成L段,进行傅里叶变换,得到频域快拍数据x
m,p,l(f),l=1,2,…,L,将所有M个阵元的L个频域接收信号排成一个矩阵,得到有关频率f
p的所有数据的频域数据接收模型,即
频率f
p对应的数据协方差矩阵R
x(f
p)表示为:
其中I表示单位矩阵。
进一步地,所述的步骤S2过程如下:
进一步地,所述的步骤S3过程如下:
其中方向矩阵A
p通过引入角度预估值根据公式(8)构建,为了将频率f
p对应的源信号矩阵进行归一化处理,需要矩阵G
p,q满足下式:
因此G
p,q的解为:
B=[b(θ
1),b(θ
2)…,b(θ
K)] (16)
其中b(θ
k)为重构方向向量:
进一步地,所述的步骤S4过程如下:
由于频率组合f=[f
1,f
2,…,f
P]
T,设最低频点为f
L,且所有频点都是f
L的整数倍,则有
f=[g
1f
L,g
2f
L,…,g
Pf
L]
T (18)
其中g=[g
1,g
2,…,g
P]
T为频率比例向量,
设物理阵列位置y=[y
0,y
1,…,y
M-1],则经过矩阵重构,以f
L为参考频率的虚拟阵列位置z为
方向向量b(θ
k)重写为:
数据重构矩阵R
F为MP×MP维的协方差矩阵,第m行n列的元素表示为:
其中
是重构数据的噪声功率,δ
m,n为Kronecker delta函数,由式(21)可见,一次扩展阵列协方差矩阵R
F中的元素被视为虚拟差协同阵元的接收数据,为了进行二次扩展将协方差矩阵R
F向量化,得到:
其中,vec为向量化符号,⊙表示Khatri-Rao积,
进一步地,所述的步骤S5过程如下:
使用空间平滑技术解相干,对B
*⊙B进行去冗余和重排处理,假设经 过去冗余和重排处理后的等效阵列信号接收向量为r
u,表示为:
其中Q为B
*⊙B进行去冗余和重排处理后的方向矩阵,I
u是新的噪声向量,M阵元的均匀阵列经过接收数据重构一次扩展成虚拟非均匀阵列,再通过协方差矩阵矢量化,去冗余和重排处理后将二次扩展成一个新的虚拟均匀线阵,为方便阐述后续步骤,以频率比例向量
的频率组合为例,M阵元的物理阵列,得到虚拟均匀线阵位置分布范围为-(M-1)Md~(M-1)Md,即包含了2(M-1)Md+1个虚拟阵元。
进一步地,所述的步骤S6过程如下:
对接收向量r
u进行子阵划分,将二次扩展虚拟均匀阵列划分为(M-1)M+1个子阵,每个子阵包含(M-1)M+1个阵元,
进一步地,所述的步骤S7过程如下:
将所获得的R
v进行特征分解,获得(M-1)M+1个特征值,把特征值依照大小实现顺序排列,提取最小的(M-1)M+1-K个特征向量构建出U
n,在搜索范围内选取角度θ构造方向向量a
v(θ):
代入a
v(θ)得到MUSIC谱函数:
本发明相对于现有技术具有如下的优点及效果:
1、本发明公开的DOA估计方法无需增加物理阵元,而是通过多组不同频率信号之间的比例先验信息完成了数据协方差矩阵重构。重构矩阵的虚拟阵列等效于一组非均匀阵列,进一步对数据协方差矩阵进行向量化,实现了基于虚拟非均匀阵列的二次阵元扩展,最后的等效虚拟均匀阵列相较原物理阵列,阵列孔径增加,DOA估计精度也有较大提升。
2、本发明公开的DOA估计方法为了消除首次角度预估值带来的误差,通过迭代估计实现角度收敛,进一步提高了估计精度。
3、本发明公开的DOA估计方法在对接收向量进行去冗余过程中对位置相同的虚拟差分阵元等效接收数据进行平均处理,进一步提高了DOA估计方法的稳健性。
4、本发明公开的DOA估计方法只需在传统均匀阵列的基础上增加窄带滤波器组,即可适用于大部分现有的DOA估计方法的应用***,工程可实现性比较高。
图1是本发明实施例中公开的DOA估计方法所用的均匀线阵接收信号与窄带滤波器组模型示意图;
图2是本发明实施例中一维均匀阵元与窄带滤波器组的连接示意图;
图3是本发明实施例中公开的基于特定频率组合信号的一维DOA估计方法的流程图。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
如附图3所示,本实施例公开了一种基于多频率发射信号的一维DOA估计方法包括以下步骤:
假设用于一维DOA估计的均匀线阵上分布有M个阵元,阵元间距为d。设定P个频率的窄带发射信号,其中第p,p=1,2,…,P路信号的频率为f
p。接收信号为发射信号经K个远场目标后返回阵列的信号,通过P个窄带滤波器,H个时域快拍数采样可以得到时域接收数据矩阵X,表示为:
其中X
p为第p路频率信号的接收数据,表示为:
X
p=[x
p(1),x
p(2),…,x
p(H)] (2)
x
p(t)=[x
1,p(t),x
2,p(t),…,x
M,p(t)]
T,t=1,2,…,H (3)
第m,m=1,2,…,M个物理阵元的第p路窄带滤波器的接收快拍信号x
m,p(t)如下:
其中s
k,p(t)为第p路频率信号经第k个目标在t时刻到达阵列的源信号, n
m,p(t)为第m阵元第p路窄带滤波器的在t时刻的噪声信号。方向向量第m个元素a
m,p(θ
k)表示为:
对于角度θ
k,阵列存在方向向量a
p(θ
k):
a
p(θ
k)=[a
1p(θ
k),a
2p(θ
k),…,a
Mp(θ
k)]
T (6)
对第m个物理阵元接收到的时域信号x
m,p(t)的H个时域快拍数据分成L段,进行傅里叶变换,得到频域快拍数据x
m,p,l(f),l=1,2,…,L,将所有M个阵元的L个频域接收信号排成一个矩阵,得到有关频率f
p的频域数据接收模型,即
频率f
p对应的数据协方差矩阵R
x(f
p)表示为:
其中I表示单位矩阵。
将频率f
1对应的无噪声数据协方差矩阵
进行特征分解,获得M个特征值,提取最小的M-K个特征向量构建出噪声子空间。对于任意角度值θ,根据噪声子空间构造方向向量
进一步构建MUSIC谱函数P
MUSIC(θ)。使θ从-90到90°变化,找到MUSIC空间谱的K个极大值对应的角度即
其中方向矩阵A
p通过引入角度预估值根据公式(8)构建。为了将频率f
p对应的源信号矩阵进行归一化处理,需要矩阵G
p,q满足下式:
因此G
p,q的解为:
B=[b(θ
1),b(θ
2)…,b(θ
K)] (16)
其中b(θ
k)为重构方向向量:
由于频率组合f=[f
1,f
2,…,f
P]
T,设最低频点为f
L,且所有频点都是f
L的整数倍,则有
f=[g
1f
L,g
2f
L,…,g
Pf
L]
T (18)
其中g=[g
1,g
2,…,g
P]
T为频率比例向量。
设物理阵列位置y=[y
0,y
1,…,y
M-1],则经过矩阵重构,以f
L为参考频率的虚拟阵列位置z为
方向向量b(θ
k)重写为:
数据重构矩阵R
F为MP×MP维的协方差矩阵,第m行n列的元素表示为:
其中
是重构数据的噪声功率,δ
m,n为Kronecker delta函数。由式(21)可见,一次扩展阵列协方差矩阵R
F中的元素被视为虚拟差协同阵元的接收数据。为了进行二次扩展将协方差矩阵R
F向量化,得到:
其中,vec为向量化符号,⊙表示Khatri-Rao积,
通过将一次扩展虚拟阵列接收数据的协方差矩阵向量化,转化为二次扩展虚拟阵列下的等效单快拍接收数据,等效阵元数增加。
S5、对向量r进行去冗余和重排处理,得到等效阵列信号接收向量r
u:以频率比例向量
的频率组合为例,则经过协方差矩阵向量化得到r后,B
*⊙B中只有2(M-1)M+1行是互不相同的,即二次扩展虚拟阵列的阵元数为2(M-1)M+1。此时的入射信号相当于K个相干信号入射。为了使用空间平滑技术解相干,对B
*⊙B进行去冗余和重排处理,使处理后的方向矩阵与虚拟均匀线阵的方向矩阵对应。为了提高算法的稳健性,本方法在去冗余过程中需要对位置相同的虚拟阵元等效接收数据做平均求和处理。假设经过去冗余和重排处理后的等效阵列信号接收向量为r
u,表示为:
M阵元的均匀阵列经过接收数据重构一次扩展成一个虚拟非均匀阵列,再通过协方差矩阵矢量化,去冗余和重排处理后二次扩展成新的虚拟均匀线阵。虚拟均匀线阵的位置分布范围为-(M-1)Md~(M-1)Md,即包含了2(M-1)Md+1个虚拟阵元。
S6、对得到的接收向量r
u进行虚拟子阵划分和平均处理,得到空间平滑后的协方差矩阵R
v,实现解相干:
对接收向量r
u进行子阵划分,这里将二次扩展虚拟均匀阵列划分为(M-1)M+1个子阵,每个子阵包含(M-1)M+1个阵元,
协方差矩阵R
v为((M-1)M+1)×((M-1)M+1)维矩阵,当信源目标个数K满足K≤(M-1)M+1时,基于空间平滑的估计方法仍然能分辨出全部K个信源目标。
若迭代次数达到最大次数或
满足收敛准则,得到最终估计值;否则将
作为新的角度预估值并跳转至S3:将所获得的R
v进行特征分解,获得(M-1)M+1个特征值,把特征值依照大小实现顺序排列,提取最小的(M-1)M+1-K个特征向量构建出U
n。在搜索范围内选取角度θ构造方向向量a
v(θ):
代入a
v(θ)得到MUSIC谱函数:
实施例二
本实施例公开了一种基于多频率发射信号的一维DOA估计方法,具体工作步骤如下:
T1、假设均匀线阵中的阵元个数M统一定为6。
发射信号为
频率数P=2,频率组合取f=[f
1,f
2]
T=[1,6]
TkHz;声速取c=1500m/s,组合信号数据经重构后频率统一为f
1=1kHz,因此最小半波长为0.75m。任意两相邻线阵之间的距离必须小于等于0.75m,在满足此限制条件下可以任意选取阵元间距,所以设置两个均匀线阵的平均间距取0.75m,即第一个阵元和最后一个阵元相隔3.75m。在水下放置K=2个目标声源,信源目标信号入射的波达方向角分别为(20°,60°)。
T2、进行多次采样;每次采样均匀线阵接收到的信号为x(t)=[x
0,1(t),x
1,1(t),…,x
4,1(t),x
5,1(t),x
0,2(t),x
1,2(t),…,x
5,2(t)],共时域采样接收1024次,频域快拍数设置为256,并将接收到的信号进行分析处理。
T3、设定MUSIC算法最大迭代次数48,收敛偏差0.02°,MUSIC算法处理步骤具体如下:
T35、根据公式(24)得到接收向量r
u,完成B
*⊙B虚拟阵列方向矩阵去冗余和重排序;
T36、对r
u进行子阵划分和平均处理,按式(25)得到空间平滑后的最终协方差矩阵R
v;
步骤T4、根据本实施例算法,经12次迭代估计出的二维波达方向角(20.15°,60.03°),对目标估计达到了预期精度,说明估计结果正确,本发明方法可行。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (8)
- 一种基于特定频率组合信号的一维DOA估计方法,其特征在于,所述的估计方法包括以下步骤:S5、对向量r进行去冗余和重排处理,得到等效阵列信号接收向量r u;S6、对得到的接收向量r u进行虚拟子阵划分和平均处理,得到空间平滑后的协方差矩阵R v,实现解相干;
- 根据权利要求1所述的一种基于特定频率组合信号的一维DOA估计方法,其特征在于,所述的步骤S1过程如下:假设用于一维DOA估计的均匀线阵上分布有M个阵元,阵元间距为d。设定P个频率的窄带发射信号,其中第p,p=1,2,…,P路信号的频率为f p,接收信号为发射信号经K个远场目标后返回阵列的信号,通过P个窄带滤波器,H个时域快拍数采样可以得到时域接收数据矩阵X,表示为:其中X p为第p路频率信号的接收数据,表示为:X p=[x p(1),x p(2),…,x p(H)] (2)x p(t)=[x 1,p(t),x 2,p(t),…,x M,p(t)] T,t=1,2,…,H (3)第m,m=1,2,…,M个物理阵元的第p路窄带滤波器的接收快拍信号x m,p(t)如下:其中s k,p(t)为第p路频率信号经第k个目标在t时刻到达阵列的源信号,n m,p(t)为第m阵元第p路窄带滤波器的在t时刻的噪声信号,方向向量第m个元素a m,p(θ k)表示为:对于角度θ k,阵列存在方向向量a p(θ k):a p(θ k)=[a 1p(θ k),a 2p(θ k),…,a Mp(θ k)] T (6)对第m个物理阵元接收到的时域信号x m,p(t)的H个时域快拍数据分成L段,进行傅里叶变换,得到频域快拍数据x m,p,l(f),l=1,2,…,L,将所有M个阵元的L个频域接收信号排成一个矩阵,得到有关频率f p的所有数据的频域数据接收模型,即频率f p对应的数据协方差矩阵R x(f p)表示为:其中I表示单位矩阵。
- 根据权利要求4所述的一种基于特定频率组合信号的一维DOA估计方法,其特征在于,所述的步骤S4过程如下:根据频率组合f=[f 1,f 2,…,f P] T,设最低频点为f L,且所有频点都是f L的整数倍,则有f=[g 1f L,g 2f L,…,g Pf L] T (18)其中g=[g 1,g 2,…,g P] T为频率比例向量,设物理阵列位置y=[y 0,y 1,…,y M-1],则经过矩阵重构,以f L为参考频率的虚拟阵列位置z为方向向量b(θ k)重写为:数据重构矩阵R F为MP×MP维的协方差矩阵,第m行n列的元素表示为:其中 是重构数据的噪声功率,δ m,n为Kronecker delta函数,由式(21)可见,一次扩展阵列协方差矩阵R F中的元素被视为虚拟差协同阵元的接收数据,为了进行二次扩展将协方差矩阵R F向量化,得到:其中,vec为向量化符号,⊙表示Khatri-Rao积,
- 根据权利要求7所述的一种基于特定频率组合信号的一维DOA估计方法,其特征在于,所述的步骤S7过程如下:将所获得的R v进行特征分解,获得(M-1)M+1个特征值,把特征值依照大小实现顺序排列,提取最小的(M-1)M+1-K个特征向量构建出U n,在搜索范围内选取角度θ构造方向向量a v(θ):代入a v(θ)得到MUSIC谱函数:
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010016883.0 | 2020-01-08 | ||
CN202010016883.0A CN111190136B (zh) | 2020-01-08 | 2020-01-08 | 一种基于特定频率组合信号的一维doa估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2021139208A1 true WO2021139208A1 (zh) | 2021-07-15 |
Family
ID=70706150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/CN2020/116454 WO2021139208A1 (zh) | 2020-01-08 | 2020-09-21 | 一种基于特定频率组合信号的一维doa估计方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111190136B (zh) |
WO (1) | WO2021139208A1 (zh) |
Cited By (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113589255A (zh) * | 2021-08-23 | 2021-11-02 | 武汉大学 | 一种基于多频联合稀疏贝叶斯学习的到达角估计方法 |
CN113589232A (zh) * | 2021-07-28 | 2021-11-02 | 天津大学 | 基于重构正则化矩阵的奇异值分解微振动振源定位方法 |
CN113658606A (zh) * | 2021-08-19 | 2021-11-16 | 中国人民解放军海军工程大学 | 一种低信噪比条件下基于自适应压缩感知的波束成形方法 |
CN113702899A (zh) * | 2021-08-03 | 2021-11-26 | 哈尔滨工程大学 | 一种基于相位分数低阶矩的协方差差分的传播算法 |
CN113702898A (zh) * | 2021-08-19 | 2021-11-26 | 西安电子科技大学 | 基于分布式阵列的已知波形信源波达方向估计方法 |
CN113721184A (zh) * | 2021-08-19 | 2021-11-30 | 西安电子科技大学 | 基于改进music算法的近场信号源定位方法 |
CN113885004A (zh) * | 2021-09-29 | 2022-01-04 | 哈尔滨工程大学 | 一种稀疏面阵二维方位估计方法 |
CN113901657A (zh) * | 2021-10-08 | 2022-01-07 | 金陵科技学院 | 一种复合材料分布式损伤源定位补偿方法及*** |
CN113900060A (zh) * | 2021-09-15 | 2022-01-07 | 中国科学院国家空间科学中心 | 一种基于软件无线电设备的doa估计***及估计方法 |
CN113933779A (zh) * | 2021-10-15 | 2022-01-14 | 福州大学 | 一种基于s变换的未知声源个数doa估计方法 |
CN113937514A (zh) * | 2021-09-16 | 2022-01-14 | 杭州电子科技大学 | 基于开关的部分极化信号多极化阵列测向方法 |
CN113960527A (zh) * | 2021-09-28 | 2022-01-21 | 西安交通大学 | 一种近场信号源的定位方法及*** |
CN114167355A (zh) * | 2021-11-25 | 2022-03-11 | 厦门大学 | 一种基于稀疏嵌套线性阵列的自相关域的水下doa估计方法 |
CN114167354A (zh) * | 2021-11-25 | 2022-03-11 | 厦门大学 | 一种基于高自由度的水下doa估计方法 |
CN114509069A (zh) * | 2022-01-25 | 2022-05-17 | 南昌大学 | 基于蓝牙aoa和imu融合的室内导航定位*** |
CN114779236A (zh) * | 2022-02-11 | 2022-07-22 | 西安电子科技大学 | 一种基于空间平滑music改进的米波雷达低仰角测高方法 |
CN114844544A (zh) * | 2022-04-28 | 2022-08-02 | 中国人民解放军国防科技大学 | 一种基于低管秩张量分解的互质阵列波束成形方法、***及介质 |
CN114994651A (zh) * | 2022-05-18 | 2022-09-02 | 电子科技大学 | 一种存在通道幅相误差的双基地互质mimo雷达目标定位方法 |
CN115085827A (zh) * | 2022-06-09 | 2022-09-20 | 哈尔滨工程大学 | 一种基于秩一分解定理的水声目标阵列幅度相位误差校准方法 |
CN115201813A (zh) * | 2022-06-17 | 2022-10-18 | 中国人民解放军空军工程大学 | 一种基于稀疏阵列的米波tr mimo雷达低空目标测高方法 |
CN115236599A (zh) * | 2022-07-29 | 2022-10-25 | 北京航空航天大学 | 一种强干扰下天线阵列doa估计方法 |
CN115267662A (zh) * | 2022-06-25 | 2022-11-01 | 中国人民解放军战略支援部队信息工程大学 | 一种基于单运动阵列被动合成孔径的相关干涉仪直接定位方法 |
CN115356678A (zh) * | 2022-05-21 | 2022-11-18 | 南京理工大学 | 基于dpnalm算法的稀疏阵列doa估计方法 |
CN115390038A (zh) * | 2022-09-21 | 2022-11-25 | 武汉大学 | 一种零陷展宽的海杂波抑制方法 |
CN115514389A (zh) * | 2022-09-16 | 2022-12-23 | 西北工业大学 | 一种同步直扩信号的源数估计方法 |
CN116050099A (zh) * | 2022-12-27 | 2023-05-02 | 南京航空航天大学 | 一种基于压缩感知的面向冲击噪声的嵌套阵doa估计方法 |
CN116068502A (zh) * | 2023-04-06 | 2023-05-05 | 中国人民解放军空军预警学院 | 一种多域联合抗复合干扰方法、装置和*** |
CN116125373A (zh) * | 2023-04-17 | 2023-05-16 | 西北工业大学 | 一种宽带阵列天线波达方向估计方法、设备及介质 |
CN116299150A (zh) * | 2022-12-27 | 2023-06-23 | 南京航空航天大学 | 一种均匀面阵中降维传播算子的二维doa估计方法 |
CN116405072A (zh) * | 2022-12-08 | 2023-07-07 | 南京锐声海洋科技有限公司 | 空域反转阵导向最小方差波束形成方法及装置 |
CN116500541A (zh) * | 2023-06-30 | 2023-07-28 | 南京理工大学 | 目标波达角度的估计方法、装置、电子设备及存储介质 |
CN116819428A (zh) * | 2023-06-30 | 2023-09-29 | 中国人民解放军军事科学院***工程研究院 | 一种联合频域快拍检测的低信噪比信号测向方法 |
CN116819429A (zh) * | 2023-06-30 | 2023-09-29 | 中国人民解放军军事科学院***工程研究院 | 一种联合时域快拍检测的弱信号测向方法 |
CN117192471A (zh) * | 2023-09-06 | 2023-12-08 | 无锡芯光互连技术研究院有限公司 | 基于hls实现二维doa估计的方法、装置及存储介质 |
CN117478251A (zh) * | 2023-11-06 | 2024-01-30 | 山东大学 | 一种超大规模mimo近场信道估计方法与*** |
CN117805865A (zh) * | 2024-02-29 | 2024-04-02 | 中国人民解放军国防科技大学 | 一种卫星导航信号doa参数估计方法 |
CN117970227A (zh) * | 2024-02-04 | 2024-05-03 | 哈尔滨工程大学 | 强冲击噪声下基于相干分布源的幅相误差和角度参数联合估计方法及*** |
CN118033531A (zh) * | 2024-02-06 | 2024-05-14 | 昆明理工大学 | 一种基于离散时间傅里叶变换的单比特doa估计方法及*** |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111190136B (zh) * | 2020-01-08 | 2023-03-24 | 华南理工大学 | 一种基于特定频率组合信号的一维doa估计方法 |
CN112327303A (zh) * | 2020-10-22 | 2021-02-05 | 四川长虹电器股份有限公司 | 天线虚拟均匀线阵数据获取方法 |
CN112965026B (zh) * | 2021-02-08 | 2023-07-18 | 华南理工大学 | 一种具有先验定位角度范围的doa阵元间距设置方法 |
CN113030842B (zh) * | 2021-03-05 | 2022-11-01 | 电子科技大学 | 一种基于宽带信号的角度超分辨doa估计方法 |
CN113504505B (zh) * | 2021-06-02 | 2023-11-03 | 华南理工大学 | 一种适用于低信噪比环境下的一维doa估计方法 |
CN113960525B (zh) * | 2021-10-15 | 2024-04-12 | 南京航空航天大学 | 一种基于频域toeplitz矩阵重构的跳频信号快速测向方法 |
CN113985348B (zh) * | 2021-10-25 | 2024-05-07 | 合肥工业大学 | 基于多任务学习的单快拍相干超分辨doa估计技术 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120268316A1 (en) * | 2010-10-21 | 2012-10-25 | Honda Elesys Co., Ltd. | Electronic scanning radar apparatus, received wave direction estimating method, and received wave direction estimating program |
CN104793176A (zh) * | 2015-04-28 | 2015-07-22 | 周林 | 一种基于fpga的doa估计快速实现方法 |
CN109765521A (zh) * | 2018-12-14 | 2019-05-17 | 中国科学院声学研究所 | 一种基于子阵划分的波束域成像方法 |
CN110133574A (zh) * | 2019-07-02 | 2019-08-16 | 华南理工大学 | 利用多频信号二次虚拟扩展的一维doa估计方法 |
CN111190136A (zh) * | 2020-01-08 | 2020-05-22 | 华南理工大学 | 一种基于特定频率组合信号的一维doa估计方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107315162B (zh) * | 2017-07-25 | 2020-05-22 | 西安交通大学 | 基于内插变换和波束形成的远场相干信号doa估计方法 |
CN110031794B (zh) * | 2019-04-16 | 2021-11-09 | 中国人民解放军国防科技大学 | 一种基于差分共性阵重构的相干信源doa估计方法 |
CN110308417B (zh) * | 2019-05-30 | 2021-07-02 | 电子科技大学 | 基于矩阵填充的嵌套阵阵元失效下的波达方向估计方法及装置 |
-
2020
- 2020-01-08 CN CN202010016883.0A patent/CN111190136B/zh active Active
- 2020-09-21 WO PCT/CN2020/116454 patent/WO2021139208A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120268316A1 (en) * | 2010-10-21 | 2012-10-25 | Honda Elesys Co., Ltd. | Electronic scanning radar apparatus, received wave direction estimating method, and received wave direction estimating program |
CN104793176A (zh) * | 2015-04-28 | 2015-07-22 | 周林 | 一种基于fpga的doa估计快速实现方法 |
CN109765521A (zh) * | 2018-12-14 | 2019-05-17 | 中国科学院声学研究所 | 一种基于子阵划分的波束域成像方法 |
CN110133574A (zh) * | 2019-07-02 | 2019-08-16 | 华南理工大学 | 利用多频信号二次虚拟扩展的一维doa估计方法 |
CN111190136A (zh) * | 2020-01-08 | 2020-05-22 | 华南理工大学 | 一种基于特定频率组合信号的一维doa估计方法 |
Cited By (61)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113589232B (zh) * | 2021-07-28 | 2023-08-08 | 天津大学 | 基于重构正则化矩阵的奇异值分解微振动振源定位方法 |
CN113589232A (zh) * | 2021-07-28 | 2021-11-02 | 天津大学 | 基于重构正则化矩阵的奇异值分解微振动振源定位方法 |
CN113702899A (zh) * | 2021-08-03 | 2021-11-26 | 哈尔滨工程大学 | 一种基于相位分数低阶矩的协方差差分的传播算法 |
CN113702899B (zh) * | 2021-08-03 | 2023-09-29 | 哈尔滨工程大学 | 一种基于相位分数低阶矩的协方差差分的传播算法 |
CN113702898B (zh) * | 2021-08-19 | 2023-06-30 | 西安电子科技大学 | 基于分布式阵列的已知波形信源波达方向估计方法 |
CN113702898A (zh) * | 2021-08-19 | 2021-11-26 | 西安电子科技大学 | 基于分布式阵列的已知波形信源波达方向估计方法 |
CN113721184A (zh) * | 2021-08-19 | 2021-11-30 | 西安电子科技大学 | 基于改进music算法的近场信号源定位方法 |
CN113721184B (zh) * | 2021-08-19 | 2023-08-15 | 西安电子科技大学 | 基于改进music算法的近场信号源定位方法 |
CN113658606A (zh) * | 2021-08-19 | 2021-11-16 | 中国人民解放军海军工程大学 | 一种低信噪比条件下基于自适应压缩感知的波束成形方法 |
CN113658606B (zh) * | 2021-08-19 | 2023-08-08 | 中国人民解放军海军工程大学 | 一种低信噪比条件下基于自适应压缩感知的波束成形方法 |
CN113589255B (zh) * | 2021-08-23 | 2023-08-01 | 武汉大学 | 一种基于多频联合稀疏贝叶斯学习的到达角估计方法 |
CN113589255A (zh) * | 2021-08-23 | 2021-11-02 | 武汉大学 | 一种基于多频联合稀疏贝叶斯学习的到达角估计方法 |
CN113900060A (zh) * | 2021-09-15 | 2022-01-07 | 中国科学院国家空间科学中心 | 一种基于软件无线电设备的doa估计***及估计方法 |
CN113937514A (zh) * | 2021-09-16 | 2022-01-14 | 杭州电子科技大学 | 基于开关的部分极化信号多极化阵列测向方法 |
CN113937514B (zh) * | 2021-09-16 | 2024-03-26 | 杭州电子科技大学 | 基于开关的部分极化信号多极化阵列测向方法 |
CN113960527A (zh) * | 2021-09-28 | 2022-01-21 | 西安交通大学 | 一种近场信号源的定位方法及*** |
CN113885004A (zh) * | 2021-09-29 | 2022-01-04 | 哈尔滨工程大学 | 一种稀疏面阵二维方位估计方法 |
CN113901657A (zh) * | 2021-10-08 | 2022-01-07 | 金陵科技学院 | 一种复合材料分布式损伤源定位补偿方法及*** |
CN113901657B (zh) * | 2021-10-08 | 2024-07-12 | 金陵科技学院 | 一种复合材料分布式损伤源定位补偿方法及*** |
CN113933779A (zh) * | 2021-10-15 | 2022-01-14 | 福州大学 | 一种基于s变换的未知声源个数doa估计方法 |
CN114167355A (zh) * | 2021-11-25 | 2022-03-11 | 厦门大学 | 一种基于稀疏嵌套线性阵列的自相关域的水下doa估计方法 |
CN114167354A (zh) * | 2021-11-25 | 2022-03-11 | 厦门大学 | 一种基于高自由度的水下doa估计方法 |
CN114509069A (zh) * | 2022-01-25 | 2022-05-17 | 南昌大学 | 基于蓝牙aoa和imu融合的室内导航定位*** |
CN114509069B (zh) * | 2022-01-25 | 2023-11-28 | 南昌大学 | 基于蓝牙aoa和imu融合的室内导航定位*** |
CN114779236A (zh) * | 2022-02-11 | 2022-07-22 | 西安电子科技大学 | 一种基于空间平滑music改进的米波雷达低仰角测高方法 |
CN114844544A (zh) * | 2022-04-28 | 2022-08-02 | 中国人民解放军国防科技大学 | 一种基于低管秩张量分解的互质阵列波束成形方法、***及介质 |
CN114844544B (zh) * | 2022-04-28 | 2024-05-14 | 中国人民解放军国防科技大学 | 一种基于低管秩张量分解的互质阵列波束成形方法、***及介质 |
CN114994651A (zh) * | 2022-05-18 | 2022-09-02 | 电子科技大学 | 一种存在通道幅相误差的双基地互质mimo雷达目标定位方法 |
CN114994651B (zh) * | 2022-05-18 | 2024-02-06 | 电子科技大学 | 一种存在通道幅相误差的双基地互质mimo雷达目标定位方法 |
CN115356678A (zh) * | 2022-05-21 | 2022-11-18 | 南京理工大学 | 基于dpnalm算法的稀疏阵列doa估计方法 |
CN115356678B (zh) * | 2022-05-21 | 2024-05-14 | 南京理工大学 | 基于dpnalm算法的稀疏阵列doa估计方法 |
CN115085827B (zh) * | 2022-06-09 | 2023-11-10 | 哈尔滨工程大学 | 一种基于秩一分解定理的水声目标阵列幅度相位误差校准方法 |
CN115085827A (zh) * | 2022-06-09 | 2022-09-20 | 哈尔滨工程大学 | 一种基于秩一分解定理的水声目标阵列幅度相位误差校准方法 |
CN115201813B (zh) * | 2022-06-17 | 2024-05-14 | 中国人民解放军空军工程大学 | 一种基于稀疏阵列的米波tr mimo雷达低空目标测高方法 |
CN115201813A (zh) * | 2022-06-17 | 2022-10-18 | 中国人民解放军空军工程大学 | 一种基于稀疏阵列的米波tr mimo雷达低空目标测高方法 |
CN115267662B (zh) * | 2022-06-25 | 2023-08-15 | 中国人民解放军战略支援部队信息工程大学 | 一种基于单运动阵列被动合成孔径的相关干涉仪直接定位方法 |
CN115267662A (zh) * | 2022-06-25 | 2022-11-01 | 中国人民解放军战略支援部队信息工程大学 | 一种基于单运动阵列被动合成孔径的相关干涉仪直接定位方法 |
CN115236599A (zh) * | 2022-07-29 | 2022-10-25 | 北京航空航天大学 | 一种强干扰下天线阵列doa估计方法 |
CN115514389B (zh) * | 2022-09-16 | 2024-03-15 | 西北工业大学 | 一种同步直扩信号的源数估计方法 |
CN115514389A (zh) * | 2022-09-16 | 2022-12-23 | 西北工业大学 | 一种同步直扩信号的源数估计方法 |
CN115390038A (zh) * | 2022-09-21 | 2022-11-25 | 武汉大学 | 一种零陷展宽的海杂波抑制方法 |
CN116405072A (zh) * | 2022-12-08 | 2023-07-07 | 南京锐声海洋科技有限公司 | 空域反转阵导向最小方差波束形成方法及装置 |
CN116405072B (zh) * | 2022-12-08 | 2024-01-26 | 南京锐声海洋科技有限公司 | 空域反转阵列导向最小方差波束形成方法及装置 |
CN116299150A (zh) * | 2022-12-27 | 2023-06-23 | 南京航空航天大学 | 一种均匀面阵中降维传播算子的二维doa估计方法 |
CN116050099A (zh) * | 2022-12-27 | 2023-05-02 | 南京航空航天大学 | 一种基于压缩感知的面向冲击噪声的嵌套阵doa估计方法 |
CN116299150B (zh) * | 2022-12-27 | 2023-12-01 | 南京航空航天大学 | 一种均匀面阵中降维传播算子的二维doa估计方法 |
CN116068502A (zh) * | 2023-04-06 | 2023-05-05 | 中国人民解放军空军预警学院 | 一种多域联合抗复合干扰方法、装置和*** |
CN116068502B (zh) * | 2023-04-06 | 2023-06-16 | 中国人民解放军空军预警学院 | 一种多域联合抗复合干扰方法、装置和*** |
CN116125373A (zh) * | 2023-04-17 | 2023-05-16 | 西北工业大学 | 一种宽带阵列天线波达方向估计方法、设备及介质 |
CN116500541A (zh) * | 2023-06-30 | 2023-07-28 | 南京理工大学 | 目标波达角度的估计方法、装置、电子设备及存储介质 |
CN116819429A (zh) * | 2023-06-30 | 2023-09-29 | 中国人民解放军军事科学院***工程研究院 | 一种联合时域快拍检测的弱信号测向方法 |
CN116819428B (zh) * | 2023-06-30 | 2024-03-15 | 中国人民解放军军事科学院***工程研究院 | 一种联合频域快拍检测的低信噪比信号测向方法 |
CN116819429B (zh) * | 2023-06-30 | 2024-02-27 | 中国人民解放军军事科学院***工程研究院 | 一种联合时域快拍检测的弱信号测向方法 |
CN116500541B (zh) * | 2023-06-30 | 2023-09-22 | 南京理工大学 | 目标波达角度的估计方法、装置、电子设备及存储介质 |
CN116819428A (zh) * | 2023-06-30 | 2023-09-29 | 中国人民解放军军事科学院***工程研究院 | 一种联合频域快拍检测的低信噪比信号测向方法 |
CN117192471A (zh) * | 2023-09-06 | 2023-12-08 | 无锡芯光互连技术研究院有限公司 | 基于hls实现二维doa估计的方法、装置及存储介质 |
CN117478251A (zh) * | 2023-11-06 | 2024-01-30 | 山东大学 | 一种超大规模mimo近场信道估计方法与*** |
CN117970227A (zh) * | 2024-02-04 | 2024-05-03 | 哈尔滨工程大学 | 强冲击噪声下基于相干分布源的幅相误差和角度参数联合估计方法及*** |
CN118033531A (zh) * | 2024-02-06 | 2024-05-14 | 昆明理工大学 | 一种基于离散时间傅里叶变换的单比特doa估计方法及*** |
CN117805865A (zh) * | 2024-02-29 | 2024-04-02 | 中国人民解放军国防科技大学 | 一种卫星导航信号doa参数估计方法 |
CN117805865B (zh) * | 2024-02-29 | 2024-05-10 | 中国人民解放军国防科技大学 | 一种卫星导航信号doa参数估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111190136A (zh) | 2020-05-22 |
CN111190136B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021139208A1 (zh) | 一种基于特定频率组合信号的一维doa估计方法 | |
Zheng et al. | DOA estimation for coprime linear arrays: An ambiguity-free method involving full DOFs | |
CN109655799B (zh) | 基于iaa的协方差矩阵向量化的非均匀稀疏阵列测向方法 | |
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 | |
CN107450047B (zh) | 嵌套阵下基于未知互耦信息的压缩感知doa估计方法 | |
CN103983944B (zh) | 基于协方差矩阵稀疏表示的远场窄带doa估计方法 | |
CN110109050B (zh) | 嵌套阵列下基于稀疏贝叶斯的未知互耦的doa估计方法 | |
Yan et al. | Fast DOA estimation based on a split subspace decomposition on the array covariance matrix | |
CN111123192B (zh) | 一种基于圆形阵列和虚拟扩展的二维doa定位方法 | |
CN109375152B (zh) | 电磁矢量嵌套l阵下低复杂度的doa与极化联合估计方法 | |
Yang et al. | A unified array geometry composed of multiple identical subarrays with hole-free difference coarrays for underdetermined DOA estimation | |
CN113567913B (zh) | 基于迭代重加权可降维的二维平面doa估计方法 | |
CN111965591B (zh) | 一种基于四阶累积量矢量化dft的测向估计方法 | |
Ahmad et al. | Wideband DOA estimation based on incoherent signal subspace method | |
Izedi et al. | Joint DOA estimation and source number detection for arrays with arbitrary geometry | |
Yan et al. | MUSIC-like direction of arrival estimation based on virtual array transformation | |
CN111366893A (zh) | 一种均匀圆阵未知互耦条件下的非圆信号方位角估计方法 | |
CN114460531A (zh) | 一种均匀线阵music空间谱估计方法 | |
CN109507634B (zh) | 一种任意传感器阵列下的基于传播算子的盲远场信号波达方向估计方法 | |
CN111368256A (zh) | 一种基于均匀圆阵的单快拍测向方法 | |
CN116381594A (zh) | 基于空间平滑的极化敏感镜面反射阵列极化doa联合估计方法 | |
CN113281698A (zh) | 一种嵌套阵中基于级联的非高斯信源测向方法 | |
CN113791379A (zh) | 嵌套阵列非高斯环境下的正交匹配追踪doa估计方法 | |
Cao et al. | Transform domain: design of closed-form joint 2-D DOA estimation based on QR decomposition | |
Li et al. | DOA Estimation Based on Sparse Reconstruction via Acoustic Vector Sensor Array under Non-uniform Noise |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 20912342 Country of ref document: EP Kind code of ref document: A1 |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
32PN | Ep: public notification in the ep bulletin as address of the adressee cannot be established |
Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 10/11/2023) |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 20912342 Country of ref document: EP Kind code of ref document: A1 |