基于约束盲分离的DOA估计算法研究

发布时间：2020-05-29 08:09

【摘要】：盲源分离是信号处理领域中的重要研究问题,传统的盲源分离算法运算量较大,在特定的分离条件下性能下降。来波方向估计是阵列信号处理中的重要问题,已有算法在日益复杂的电磁信号环境以及特殊的工程应用场景中往往无法达到所需的精度要求。针对场景特殊性研究盲源分离算法,将其应用到特殊工程应用场景中的盲源估计问题中具有重要的理论意义和工程应用价值。本文讨论分离特定目标信号的盲源分离问题,依据问题中的先验信息改进传统算法,提出一种基于相关性约束的盲源分离算法,不需要分离所有源信号,降低了算法运算量。在此基础上,研究邻近强干扰下的信号来波方向估计问题,利用斜投影方法,提出一种基于梯度下降的DOA估计算法,在干扰信号与目标信号来波方向接近的场景中实现了对目标信号来波方向的准确估计。本文的主要研究内容有:1.针对线性混合模型下的盲源分离问题进行讨论,给出该问题的系统模型,分析基于独立分量分析的传统盲源分离算法的弊端;以目标信号的相关性信息构造约束来改进已有算法,分析该方法的可行性与有效性,进行仿真实验并给出该算法的性能分析。2.针对邻近强干扰下信号的来波方向估计问题,给出该场景中的系统模型,分析强干扰场景下传统MUSIC算法存在的问题;构建斜投影算子分离干扰信号与目标信号,利用干扰信号和目标信号的功率差异以及目标信号的相关特性,设计梯度下降算法,实现干扰信号与目标信号波达方向的联合迭代估计;在均匀线阵场景中对本文提出的算法进行仿真实验,将其与已有的MUSIC算法、RELAX算法进行估计精度与运算复杂度等方面的性能对比。本文提出的基于斜投影方法的邻近强干扰下目标信号来波方向梯度下降估计算法具有估计精度高,计算量低的特点,优于已有算法在类似场景下的估计性能。
【图文】：

波形,源信号,波形,向量

每次迭代的解混向量更新值，ｍ为需要估计的分离信号号数给出该算法的基本步骤，如下表所示：逡逑表２．１邋ＦａｓｔＩＣＡ算法流程逡逑ＦａｓｔＩＣＡ邋算法数据Ｘ进行中心化与白化处理，得到％＿作为新观测数要分禺信号数目初始化％与ｉ邋＝逡逑（２．１６）（２．１７）更新解混向量，通过式（２．１５）对解混向量进－Ｗ＾｜＋T＋逦则解混向量％已收敛；否则返回３中一个源信号估计，／邋＝邋／邋＋邋１，如果／＜ｍ，那么返回２；真实验逡逑据之前介绍的ＦａｓｔＩＣＡ算法原理与流程，进行仿真实验，号盲源分离问题为例，讨论该算法的分离性能，并分析号下出现的问题。逡逑

波形,混合信号,波形,信号

选取４组相互独立的随机信号，给出信号在ｍａｔｌａｂ仿真中表示形式，分别为逡逑余弦信号ｓｌ＝ｓｉｎ（０．０５＊ｐｉ＊ｎ）、二项分布信号ｓ２＝ｂｉｎｏｍｄ（１６，０．５，２００）、泊松分布信逡逑号ｓ３＝ｐｏｉｓｓｍｄ（１０，，ｌ，２００）和随机噪声信号ｓ４＝ｒａｎｄ（ｌ，２００），如图２．邋２所不。将该４逡逑组源信号经过６ｘ４维随机混合矩阵，观测得到６组混合信号如图２．邋３所示。逡逑１０邋Ｉ逦＊逦Ｉ逦Ｉ逦Ｉ逦Ｉ逦Ｉ逦１逦１逦）逡逑－１０邋逦＊逦＊逦１逦１逦＇逦＇逦１逦１逦１逦逡逑０逦２０逦４０逦６０逦８０逦１００逦１２０逦１４０逦１６０逦１８０逦２００逡逑１０邋Ｉ逦Ｉ逦Ｉ逦Ｉ逦Ｉ逦＊逦１逦Ｉ逦Ｉ逦１逡逑＾邋；0邋６0邋ａ0逦ｉ逡逑－１０邋逦１逦１逦１逦１逦１逦＇逦１逦＇逦１逦逡逑０逦２０逦４０逦６０逦８０逦１００逦１２０逦１４０逦１６０逦１８０逦２００逡逑０逦２０逦４０逦６０逦８０逦１００逦１２０逦１４０逦１６０逦１８０逦２００逡逑时间／ｍｓ逡逑图２．３混合信号波形逡逑该场景中源信号与混合矩阵信息未知，需要根据混合信号利用上节算法对所逡逑有源信号进行分离。确定需要分离的信号数目为４，初始化解混向量，依据上节逡逑中的算法步骤进行仿真实验
【学位授予单位】：中国科学技术大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TN911.7

【参考文献】