基于四阶累积量阵列扩展的稀疏分解方法
发布时间：2020-03-12 01:07
【摘要】：提出了一种基于四阶累积量稀疏表示的估计方法,解决信号数多于阵元数时的DOA估计问题。该方法首先构造了包含所有DOA信息的最小冗余矢量,利用扩展阵列的最小冗余导向矢量构造完备字典减小完备字典的复杂度;然后利用L1范数作为稀疏约束条件建立稀疏模型进行DOA估计。理论分析和仿真实验,验证了该方法能够估计出的信号个数大于阵元数目,可直接应用于相干信号,比MUSIC-like算法具有更好的性能。
【图文】：
鈅跫鋭鄌?在适用，该问题进一步转化为求解一个凸优化问题：（11）目标函数中前项反映失配程度，后项反映稀疏要求，姿是正则化参数，它定义了允许的噪声大校本文采用二阶锥规划的方法对上式进行求解得到式（8）中稀疏分解的系数进而求得到信号源的DOA信息。3实验及性能分析实验1、阵列扩展性能分析假设有6个远场独立的信号入射到4元均匀阵列上，阵元间距为半波长。6个信号的入射角度分别为（30°、50°、80°、100°、130°、150°），快拍数为256，信噪比SNR=10dB。使用本文方法与常规稀疏方法的实验结果如图1和图2及表2所示：图1本文算法图2常规稀疏分解算法表2本文算法与常规稀疏分解算法比较从图1、图2中可以看出本文算法能够在阵列数目少于信号数目的情况下能够准确的估计出所有信号源的DOA信息，而采用常规稀疏分解算法仅能估计出部分信号的DOA信息；而且通过表2可以看出本文算法的估计精度要高于常规稀疏分解算法。实验2、对相干信号的估计性能比较假设有6个远场相干信号入射到4元均匀阵列上，阵列间距为半波长。6个信号的入射角度分别为（30°、60°、80°、100°、120°、150°），快拍数为256，信噪比SNR=10dB.使用本文算法与MUSIC-like算法的实验结果如图3和图4及表3所示：图3本文算法图4MUSIC-like算法表3本文算法与MUSIC-like算法比较从图3、图4中可以看出：在入射信号为相干信号的情况下，本文方法仍然可以准确的估计出所有信号源的DOA信息；而MUSIC-like算法不能估计出所有入射信号源的DOA信息。从表3中可以看到本文算法较MUSIC-like算法具有很高的估计精度。4结束语提出了一种基于四阶累积量稀疏分解表示的DOA估计方法，用于解决信号数多于阵元数时的DOA估计问题。理论分析和仿真实验验证
将不在适用，该问题进一步转化为求解一个凸优化问题：（11）目标函数中前项反映失配程度，后项反映稀疏要求，姿是正则化参数，它定义了允许的噪声大校本文采用二阶锥规划的方法对上式进行求解得到式（8）中稀疏分解的系数进而求得到信号源的DOA信息。3实验及性能分析实验1、阵列扩展性能分析假设有6个远场独立的信号入射到4元均匀阵列上，阵元间距为半波长。6个信号的入射角度分别为（30°、50°、80°、100°、130°、150°），，快拍数为256，信噪比SNR=10dB。使用本文方法与常规稀疏方法的实验结果如图1和图2及表2所示：图1本文算法图2常规稀疏分解算法表2本文算法与常规稀疏分解算法比较从图1、图2中可以看出本文算法能够在阵列数目少于信号数目的情况下能够准确的估计出所有信号源的DOA信息，而采用常规稀疏分解算法仅能估计出部分信号的DOA信息；而且通过表2可以看出本文算法的估计精度要高于常规稀疏分解算法。实验2、对相干信号的估计性能比较假设有6个远场相干信号入射到4元均匀阵列上，阵列间距为半波长。6个信号的入射角度分别为（30°、60°、80°、100°、120°、150°），快拍数为256，信噪比SNR=10dB.使用本文算法与MUSIC-like算法的实验结果如图3和图4及表3所示：图3本文算法图4MUSIC-like算法表3本文算法与MUSIC-like算法比较从图3、图4中可以看出：在入射信号为相干信号的情况下，本文方法仍然可以准确的估计出所有信号源的DOA信息；而MUSIC-like算法不能估计出所有入射信号源的DOA信息。从表3中可以看到本文算法较MUSIC-like算法具有很高的估计精度。4结束语提出了一种基于四阶累积量稀疏分解表示的DOA估计方法，用于解决信号数多于阵元数时的DOA估计问题。理论分析和仿真实验验证了该?
【图文】：
鈅跫鋭鄌?在适用，该问题进一步转化为求解一个凸优化问题：（11）目标函数中前项反映失配程度，后项反映稀疏要求，姿是正则化参数，它定义了允许的噪声大校本文采用二阶锥规划的方法对上式进行求解得到式（8）中稀疏分解的系数进而求得到信号源的DOA信息。3实验及性能分析实验1、阵列扩展性能分析假设有6个远场独立的信号入射到4元均匀阵列上，阵元间距为半波长。6个信号的入射角度分别为（30°、50°、80°、100°、130°、150°），快拍数为256，信噪比SNR=10dB。使用本文方法与常规稀疏方法的实验结果如图1和图2及表2所示：图1本文算法图2常规稀疏分解算法表2本文算法与常规稀疏分解算法比较从图1、图2中可以看出本文算法能够在阵列数目少于信号数目的情况下能够准确的估计出所有信号源的DOA信息，而采用常规稀疏分解算法仅能估计出部分信号的DOA信息；而且通过表2可以看出本文算法的估计精度要高于常规稀疏分解算法。实验2、对相干信号的估计性能比较假设有6个远场相干信号入射到4元均匀阵列上，阵列间距为半波长。6个信号的入射角度分别为（30°、60°、80°、100°、120°、150°），快拍数为256，信噪比SNR=10dB.使用本文算法与MUSIC-like算法的实验结果如图3和图4及表3所示：图3本文算法图4MUSIC-like算法表3本文算法与MUSIC-like算法比较从图3、图4中可以看出：在入射信号为相干信号的情况下，本文方法仍然可以准确的估计出所有信号源的DOA信息；而MUSIC-like算法不能估计出所有入射信号源的DOA信息。从表3中可以看到本文算法较MUSIC-like算法具有很高的估计精度。4结束语提出了一种基于四阶累积量稀疏分解表示的DOA估计方法，用于解决信号数多于阵元数时的DOA估计问题。理论分析和仿真实验验证
将不在适用，该问题进一步转化为求解一个凸优化问题：（11）目标函数中前项反映失配程度，后项反映稀疏要求，姿是正则化参数，它定义了允许的噪声大校本文采用二阶锥规划的方法对上式进行求解得到式（8）中稀疏分解的系数进而求得到信号源的DOA信息。3实验及性能分析实验1、阵列扩展性能分析假设有6个远场独立的信号入射到4元均匀阵列上，阵元间距为半波长。6个信号的入射角度分别为（30°、50°、80°、100°、130°、150°），，快拍数为256，信噪比SNR=10dB。使用本文方法与常规稀疏方法的实验结果如图1和图2及表2所示：图1本文算法图2常规稀疏分解算法表2本文算法与常规稀疏分解算法比较从图1、图2中可以看出本文算法能够在阵列数目少于信号数目的情况下能够准确的估计出所有信号源的DOA信息，而采用常规稀疏分解算法仅能估计出部分信号的DOA信息；而且通过表2可以看出本文算法的估计精度要高于常规稀疏分解算法。实验2、对相干信号的估计性能比较假设有6个远场相干信号入射到4元均匀阵列上，阵列间距为半波长。6个信号的入射角度分别为（30°、60°、80°、100°、120°、150°），快拍数为256，信噪比SNR=10dB.使用本文算法与MUSIC-like算法的实验结果如图3和图4及表3所示：图3本文算法图4MUSIC-like算法表3本文算法与MUSIC-like算法比较从图3、图4中可以看出：在入射信号为相干信号的情况下，本文方法仍然可以准确的估计出所有信号源的DOA信息；而MUSIC-like算法不能估计出所有入射信号源的DOA信息。从表3中可以看到本文算法较MUSIC-like算法具有很高的估计精度。4结束语提出了一种基于四阶累积量稀疏分解表示的DOA估计方法，用于解决信号数多于阵元数时的DOA估计问题。理论分析和仿真实验验证了该?
【参考文献】
相关期刊论文 前2条
1 朱然刚;李鹏飞;;高斯色噪声下的相干信号DOA高分辨率估计[J];电路与系统学报;2012年05期
2 刁鸣;吴小强;李晓刚;;基于四阶累积量的测向方法研究[J];系统工程与电子技术;2008年02期
【共引文献】
相关期刊论文 前10条
1 李鹏飞;张e
本文编号：2586406
本文链接：https://www.wllwen.com/kejilunwen/wltx/2586406.html
