2022年阵列信号处理中DOA算法分类总结 .pdf

《2022年阵列信号处理中DOA算法分类总结 .pdf》由会员分享，可在线阅读，更多相关《2022年阵列信号处理中DOA算法分类总结 .pdf（12页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、阵列信号处理中的DOA （窄带）空域滤波波束形成：主要研究信号发射/接收过程中的信号 增强。空间谱估计空域参数估计：从而对目标进行定位/ 给空域滤波提供空域参数。测向波达方向估计 (DOA) 空间谱： 输出功率 P 关于波达角 的函数， P().延迟相加法 /经典波束形成器注，延迟相加法和CBF 法本质相同，仅仅是 CBF 法的最优权向量是归一化 了的。1、传统法常规波束形成 CBF / Bartlett 波束形成器常规波束形成（CBF： Conventional Beam Former ）Capon最小方差法 /Capon 波束形成器 / MVDR 波束形成器最小方差无畸变响应（MVDR ：

2、minimum variance distortionless response ）Root-MUSIC 算法多重信号分类法解相干的 MUSIC 算法（MUSIC）基于波束空间的 MUSIC 算法TAM旋转不变子空间法LS-ESPRIT（ESPRIT）TLS-ESPRIT确定性最大似然法（ DML ：deterministic ML ）3、最大似然法随机性最大似然法（ SML：stochastic ML）4、综合法： 特性恢复与子空间法相结合的综合法，首先利用特征恢复方案区分多个信号，估计空间特征，进而采用子空间法确定波达方向最大似然估计法是 最优的方法，即便是在信噪比很低的环境下仍然具有良好

3、的性能，但是通常计大 特征值对应的特征矢量：信号子空间小 特征值对应的特征矢量 ：噪声子空间无法超过瑞利 限的 制约， 分辨率上有 本质 的局限性。2、 子空间法阵列信号处理波达方向估计的算法子空间算法可以 突 破瑞 利限,达 到 较 高的分辨率计算量小， 不需进行谱峰搜索精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 1 页，共 12 页算量很大。同子空间方法不同的是，最大似然法在原信号为相关信号 的情况下也能保持 良好的性能 。阵列流形矩阵 （导向矢量矩阵） 只要确定了阵列各阵元之间的延迟，就可以很容易地得出一个特定阵列天线的阵列流形矩阵A 。

4、传统的波达方向估计方法是基于波束形成 和零波导引 概念的，并没有利用接收信号向量的模型（或信号和噪声的统计特性） 。知道阵列流形A 以后，可以对阵列进行 电子导引 ，利用电子导引可以把波束调整到任意方向上，从而寻 找输出功率的峰值 。常规波束形成 (CBF)法CBF 法，也称延迟 相加法 /经典波束形成器法 /傅里叶法 / Bartlett 波束形成法 ,是最简单的DOA 估计方法之一。这种算法是使波束形成器的输出功率相对于某个信号为最大。（参考自：阵列信号处理中DOA估计及 DBF技术研究 _赵娜）注意：理解 信号模型注意：上式中，导向矩阵A 的行向量 表示第 K 个天线阵元对N个不同的信号

5、s(i) 的附加权值， 列向量 表示第 i 个信号 s(i) 在 M个不同的天线上的附加权值。将式（ 2.6 ）的阵元接收信号，写成矢量形式为：X(t)=AS(t)+N(t)精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 2 页，共 12 页其中， X(t)为阵列的 M 1 维 快拍数据矢量， N(t)为阵列的 M 1 维噪声数据矢量， S(t)为信号空间的 N 1维矢量， A 为空间阵列的 M N 维阵列流型矩阵（导向矢量矩阵） ，且A = a1(0)a2(0)aN(0)其中，导向矢量 ai(0)为列矢量 ，表示第 i 个信号在 M个天线上的附加

6、权值ai(0) = ? (-?0?1?)? (-?0?2?)? (-?0?) ，? = 1,2,?式中，?0= 2? = 2? , 其中， c 为光速， 为入射信号的波长。对于均匀线阵，第k 个天线阵元对接收到的第i 个信号 s(i)的时间延时为 ?，则有：?= (? - 1)? ?，k = 1,2,M，其中， d 为阵元间距，一般取d=? /2。第 i 个信号在天线阵元上的入射角为?i。由上述的知识可知 , 一旦知道阵元间的延迟表达式 , 就很容易得出特定空间阵列的导向矢量或阵列流型。波束形成 技术的 基本思想 ：通过将各阵元输出进行加权求和, 在一时间内将阵列波束“导向”到一个方向上 ,

7、对期望信号得到最大输出功率的导向位置即是波达方向估计值, 如图 1 所示。假设空间存在 M个阵元组成的阵列 ,N 个信号源，各阵元的 权矢量 为?= ?1?2?阵列的输出为? (? ) = ? (? ) = ?=1?(?)则整个阵列输出的平均功率为? (? ) =1? |?(?)|2= ? ? (? )? (? )?= ?=1其中， R为接收信号矢量x(t)的自相关矩阵图 1 阵列信号处理示意图假设来自 方向的输出功率最大 , 则该最大化问题可表述为：?= ? (? )精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 3 页，共 12 页= ? ?

8、(? )? (? )? = ? ? (? )? (? )? = ? |? (? )|2|? (? )|2+ ?2 ? 2为了使加权向量 w的权值不影响输出信噪比， 在白化噪声方差 ?2一定的情况下， 取 ? 2= 1，此时求解为：?=?(?) ?(? )?(?)此时 Bartlett 波束形成器的空间谱为：?(? ) = ?=?(? )?(?)?(?)?(?)延迟相加法（本质和 Bartlett算法相同，仅最优权向量不同，后者的最优权是归一化了的。）（参考自：阵列信号处理中的DOA 估计技术研究_白玉）k 时刻，令 x(t)=u(k)，s(t)=s(k),n(t)=n(k) ,上面公式中： ?

9、(?) = ? (? )，? (? ) = ? (? ),令u(k)=a( )s(k)+n(k)，波束形成器输出信号y(k)是传感器阵元输出的线性加权之和,即y(k)=wHu(k)(2-1)传统的波束形成器总的输出功率可以表示为：Pcbf =E|y(k)|2=E|wHu(k)|2=wHEu(k)uH(k)w=wHRuuw(2-2)式中,Ruu定义为阵列输入数据的自相关矩阵。式(2-2)在传统 DOA 估计算法中的地位举足轻重。自相关矩阵 Ruu包含了阵列响应向量和信号自身的有用信息,仔细分析 Ruu，可以估计出信号的参数。考察一个以角度 入射到阵列上的信号s(k)，则有 u(k)=a( )s(

10、k)+n(k)。根据窄带输入数据模型 ,波束形成器的输出功率可以表示成:Pcbf( )=E|wHu(k)|2=E|wH(a( )s(k)+n(k) )|2 =|wHa( )|2s2+|wH|2n2(2-3)式中， s2= Es(k)2， a( )是关于 DOA 角 的导引向量，n(k)是阵列输入端的噪声向量。 当 w=a( )时，系统的输出 （信号）功率达到最大。这是因为，权值向量w 在传感器阵元处和来自方向的信号分量相位对齐，使得它们能够同相相加，从而使系统的输出功率相对于某个信号为最大。在 DOA 估计的经典波束形成方法中，波束形成器产生的波束在感兴趣的区域中离散地扫描，对应不同的 可以产

11、生不同的权向量：?= ?(?)从而得到的输出功率也不相同。利用式(2-3),经典波束形成器的输出功率与波达方向的关系由下式给出 :Pcbf( )=wHRuuw=aH(? )Ruua(? ) (2-4)因此，如果我们对输入自相关矩阵进行估计,知道对所有感兴趣的导引向量（通过校准或分析计算） ，就可能估计出输出功率关于波达角 的函数。输出功率关于波达角的函数通常称为空间谱(spatial spectrum) 。很明显 ,通过锁定式 (2-4)定义的空间谱的峰值就可以估计出波达方向。精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 4 页，共 12 页最大

12、的功率对应着 最大的峰值 ，而最大的空间谱峰所对应的 角度方向 即为信号的 波达方向。延迟相加法 (常规波束形成器法 )，CBF 法(Bartlett 波束形成器法）具有一定的局限性，可以很好的识别 单个信号， 但是当存在着来自多个方向的信号时， 该方法要受到 波束宽度 和旁瓣高度 的制约，因而这种方法的分辨率较低， 只能大致分辨出信号所处的角度范围。这是因为， 延迟相加法是把阵列形成的波束指向 某个方向 ，由此可以获得来自于这个方向的信号的最大功率。就单个信号而言， 延迟相加法可以很好地估计出它的波达方向。但是当信号空间中存在多个信号的时侯，因为波束宽度的限制，受到同一个波束内信号之间的相互

13、干扰，延迟相加法的估计性能就会急剧的下降。增加阵列的 阵元数（M ） 可以改善延迟 相加法的性能，提高分辨率，但是这会使系统更加复杂，还会增加算法的计算量和数据存储空间。Capon 最小方差法(Capon 波束形成器，也称MVDR 波束形成器 )最小方差无畸变响应 （MVDR ）波束形成器解决了延迟 相加法分辨率差的缺点， 用一部分自由度在期望方向 上形成一个波束， 利用剩余的一部分自由度在干扰方向 形成零陷。这种方法使得输出功率 和 信号方差达到最小，使得非期望干扰信号的贡献为最小，同时使观测方向上的增益达到最大，约束条件为 wHa( )=1 ，使得来自期望方向的信号功率不变。其优化问题表述

14、为：?= ? (? )约束条件为：? (? ) = 1综合上式求解 w 为：?=?-1?(?)?-1?(?)此时 Capon 波束形成器的空间谱为：?= ?=1?-1?(?)Capon算法比延迟 相加法有了一定程度的改进， 可以对多个信号进行DOA 估计。但是 Capon 算法只能分辨 非相干 信号，当存在与感兴趣信号相关的其它信号时，它就不能起作用了。这是因为Capon 算法在运算的过程中使用到了信号的自相关矩阵 ， 因而不能对干扰信号形成 零陷。也就是说，在使得输出功率为最小的过程当中，相关分量可能会恶性合并。此外，Capon算法运算时需要对信号的自相关矩阵求逆，当阵列加大时会有巨大的运算

15、量。对于任意的 ,PCapon( )是来自方向 的信号功率的最大似然估计。多重信号分类（ MUSIC ）算法为代表的 子空间分解 类算法开始兴起。这一类算法有一个共同的特点，就是需要对阵列的 接收数据矩阵进行数学分解（如奇异值分解、特征值分解和QR 分解等），将数据分解成两个互相 正交的特征子空间：一个是信号子空间，另一个是噪声子空间。精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 5 页，共 12 页子空间类算法按照处理方式的不同可以分成两类：一种是以 MUSIC 算法为代表的 噪声子空间类算法另一种是以ESPRIT 算法为代表的 信号子空间类算

16、法。式中, Rs是信号相关矩阵 ( signal correlation matrix ),EssH 。R的特征值为 0, 1, 2, ., M-1 , 使得|R- iI|=0 (2-12)利用式 (2-11),我们可以把它改写为|ARsAH+?2I-?iI|=|ARsAH-(?i-?2)I|=0 (2-13) 因此 ARsAH的特征值 (eigenvalues)?为?=?i- n2(2-14)因此 A 是由线性独立 的导引向量构成的 ,因此是 列满秩 的,信号相关矩阵 Rs也是非奇异 的,只要入射信号不是高度相关的。列满秩的A 和非奇异的Rs可以保证 ,在入射信号数L 小于阵元数M 时,M

17、M的矩阵 ARsAH是半正定 的,且秩为D。这意味着ARsAH的特征值?中,有 M-L 个为 零。由式 (2-14)可知 ,R 的特征值?i中有 M-L 个等于噪声方差n2。该M-L 个最小特征值?i相关的 特征向量 ,和构成 A 的 L 个导引向量 正交 。噪声子空间和信号子空间是相互正交的，而由导向矢量 所张成的空间与 信号子空间 是一致的。应当指出，与传统方法不同， MUSIC算法在估计信号功率时并没有考虑波达角。在噪声与信号源非相关 的环境下，可以确保PMUSIC() 的谱峰对应着信号的真实方向。由于PMUSIC()的峰值是可以分辨的， 并且与信号之间的真实角度间隔没有关系，因此从理论

18、上来讲，只要阵元位置校准的足够准确，MUSIC算法就可以分辨出两个邻近的信号。但是当入射信号之间彼此高度相关 时，自相关矩阵 Rxx会变成奇异矩阵 ，这将导致 MUSIC 算法失效。旋转不变子空间算法（ ESPRIT ）是空间谱估计算法中的典型算法之一，它和前面介绍的 MUSIC 算法一样，也需要对阵列接收数据的协方差矩阵进行特征分解。但是两者也存在着明显的不同点，即MUSIC 算法利用了阵列接收数据的协方差矩阵的噪声子空间和导向矢量之间的正交特性 ，而ESPRIT 算法则利用了阵列接收数据的协方差矩阵信号子空间的旋转不变性 ，所以 MUSIC 算法与 ESPRIT 算法可以看成为是一种互补的

19、关系。和 MUSIC 算法相比， ESPRIT 算法直接给出了待估角的闭式解，不需谱峰搜索，计算复杂度更小总的来说 ESPRIT 算法的性能要 差于 MUSIC 算法。 ESPRIT 算法的优势在于它的实时性 ，一般的情况下，只要有两个子阵列满足旋转不变性，就可以用ESPRIT 算法来实现，且其实现速度要优于MUSIC 算法。与精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 6 页，共 12 页MUSIC 算法不同的是， ESPRIT 算法不需要 知道精确的导向矢量，只需要各 子阵之间的 阵元保持一致 。这种算法思想是将接收阵列在 几何结构 上分为

20、两个完全一致的位置平移 的子阵列 ，两个子阵列之间具有平移不变性，两个子阵列的间距是已知的。 使信号源入射角在两个子阵列上只相差一个旋转不变因子，这一旋转不变因子包含了各个入射信号的到达角信息，可以通过求解一个广义特征值方程得到。ESPRIT利用特征值 直接 估计 DOA 。子空间类DOA 估计算法的分辨率确实高于传统的DOA 估计算法。 子空间类算法在计算的过程中同样用到了信号的自相关矩阵 ， 不能消除相干信号间的相互干扰。MUSIC 算法和 ESPRIT算法都是基于信号的二阶统计量协方差矩阵进行处理的。当信号 相干时, 由于信号的相关性使阵列协方差矩阵降秩 , 矩阵中的 大特征值个 数将少

21、于信号数 , 从而不能正确的得到信号的 DOA 估计。对于相干信号的DOA 估计,一般使用空间平滑的技术。该方法 通过子阵之间的 滑动平均 来弥补相干信号引起协方差矩阵 降秩的问题。从而能够正确的估计相干信号的波达方向。Evans提出的前向空间平滑技术最多可以估计M/2 个相干信号 (M 为阵元数 )。Pillar 和 Kwon 利用前向和共扼后向子阵,使得同时可以检测的相干信号源数达到了2M/3 个。空间平滑算法：考虑间距 d=/2的 M 元的均匀线阵， 为工作波长。有L 个相干信号入射。将阵元均匀的划分为不同的子阵,每个子阵的阵元数为m,那么 0,1, , m-1 组成第一个子阵列,1,2

22、, ,m组成第二个子阵列 ,依次类推。这样组成的子阵列将有D=M-m+1个。那么第 k 个子阵列上的接收信号为: Xk=AF(k-1)S(t)+Nk(t)(4-1)其中，F=diag exp(-j 1), ,exp(-j D)(4-2)(4-1)式中， Fk表示矩阵 F 的 k 次幂。定义第 k 个子阵列协方差矩阵为：Rk=EXk(t)XkH(t) =AF(k-1)RsFH(k-1)AH+?2I(4-3)那么将得到 D=M-m+1 个协方差矩阵， 前向空间平滑 的思想是把得到的D 个协方差矩阵进行 算术平均 ，这样得到前向平滑矩阵?如（4-4）式：?=1?=1(4-4)当 D L时(协方差矩阵

23、个数D 相干入射信号 L 个数),无论信号是否相干 ,通过空间平滑后的矩阵 Rf都是非奇异的 ,将 Rf代入经典的 DOA 算法,如 MUSIC 算法,就可以得到正确的波达方向估计。而后向平滑 则采用 共轭后向子阵列 ,也是将 M 阵元均匀分为 D 个子阵 ,定义第一个共扼后向子阵列由M,M- 1, ,M-m+1组成,第二个子阵列由 M-1, M- 2,M-m 组成,依次组成的子阵列个数为D=M- m+l 个,m 为子阵列中的阵元数。第k 个后向子阵列接收信号的复共扼可以表示为:和前向平滑类似 ,定义空间后向平滑子阵列矩阵为：?=1?-1?=1(4-8)精选学习资料 - - - - - - -

24、 - - 名师归纳总结 - - - - - - -第 7 页，共 12 页前后 向空间平滑 的处理方法是把 前向和共扼后向 平滑协方差矩阵 R 定义为前向平滑矩阵和共轭后向平滑矩阵的 平均值 ,即:R=12(?+ ?)(4-9)通过 (4-9)式得到的空间平滑矩阵R 在相干信号源个数L 小于平滑次数D 时是满秩的。共扼后向子阵列的协方差矩阵可以通过前向子阵列协方差矩阵的数值运算得到。前向虚拟平滑：如果 ?为满秩矩阵 ,就可以利用它来进行相干信号的方位估计。假设信号为N 个全相干信号,显然信号协方差矩阵Rs的秩为 1,可以把 Rs用一个矢量来表示?= ?(4.40)?= ?1,?2, ,?(4.

25、41)式中 a 为一个行向量,a1,a2aN为该向量的各个分量。利用(4.39) (4.41),可以得到：精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 8 页，共 12 页反向虚拟平滑本章在详细分析了经典的子空间类超分辨测向算法MUSIC算法的基础上 , 主要针对其 解相干 的空间 平滑 技术, 总结了一种是 运算量的减小: 通过采用矩阵平滑来代替空间平滑, 使得在子阵协方差计算中避免了大量的冗余运算。两种改进方法：另一种是 阵列孔径损失的避免: 通过阵列虚拟平滑技术, 使得子阵列的阵元数最大化, 和原阵列一致 , 从而避免了阵列孔径的损失。DO

26、A 估计的综合法的主要 思想 是：利用基于迭代最小二乘投影的CMA(ILSP-CMA) 算法，来估计M 个阵列的空间特征，并对每一个空间特征的平滑空间特征协方差矩阵运用MUSIC 或 ESPRIT 等子空间算法。对于存在多个共信道用户或每个用户具有多个分量的情况，这种方法可以确定多个用户多个分量的波达方向，并使各个分量对应于正确的用户。算法总结比较：延迟相加法 :把阵列形成的波束指向某个方向，由此可以获得来自于这个方向的信号的最大功率。就单个信号而言，延迟相加法可以很好地估计出它的波达方向，但是当信号空间中存在多个信号的时侯，延迟相加法的估计性能就会急剧的下降。Capon 最小方差算法 :有效

27、地解决了延迟相加法本身分辨率差的问题，但是当信号源中存在相干信号时，Capon 算法就无法准确地估计出信号的波达方向了。基本思想是将 任意阵列输出数据的协方差矩阵进行特征分解, 从而得到与信号分量相对应的信号子空间和与信号分量相正交 的噪声子空间, 然后利用这两个子空间的正交性来估计信号的参数。MUSIC 算法: 特点：精度高，运算速度慢MUSIC算法随着信噪比SNR的增加分辨力相应提高;对于均匀线阵而言,MUSIC 算法分辨力随着 阵元间距 的加大相应提高 , 但当归一化阵元间距大于0.5 时, 空间谱除了信号源方向, 在其他方向出现模糊, 这也是通常仿真中取阵元间距为半波长的原因。精选学习

28、资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 9 页，共 12 页ESPRIT 算法: 速度快，但是精度低。MUSIC算法和 ESPRIT 算法都不能处理相干信号源。总的来说 ESPRIT 算法的性能要差于 MUSIC 算法。在 ESPRIT 算法取最优权的条件下，两者的性能比较接近，此时两者的算法性能之比，与阵元数M 、信源数 L 和入射信号的角度间隔均有关系。 总的来说， 阵元数越大、 信源数越少、 入射信号的角度间隔越大，ESPRIT 算法与 MUSIC 算法的性能就越接近。ESPRIT 算法的优点在于它的实时性 ， 一般的情况下， 只要有两个子阵

29、列满足旋转不变性，就可以用 ESPRIT 算法来实现，且其实现速度要优于 MUSIC 算法。最大似然法 ：当噪声平稳，且样本个数趋于无穷大时，确定性最大似然法的误差收敛趋近于零，但是由于受到初始波达方向估计值的影响，无法保证使其收敛于总体最小值。随机性的最大似然法可以适用于高斯或非高斯的情况，但是它的优化问题比较困难。基于传统空间谱估计方法的DOA 估计算法 ：尤其是其中估计性能较为优越的子空间分解类算法，它是利用阵列接收数据的统计特性来进行DOA 估计的， 这种方法需要大量的数据来实现信号源的DOA 估计，并且它对采样系统也有较高的要求。此外，MUSIC 等子空间类算法对于相干信号源的DOA

30、 估计效果比较差，并且对信噪比的要求也很高。因此，研究新的DOA 估计方法，使之只需要使用很少的采样数据就可以实现高精度的DOA 估计，是一个很值得研究的方向。高阶累积量 的 OOA 估计法：累积量 进行阵列扩展 的实质就是对 阵列导向矢量 的扩展,从而针对 MUSIC-LIKE 算法对均匀线阵的扩展。基于循环平稳 的 DOA 估计算法：在常用的信号处理方法中, 都是先假设信号是广义平稳的。但在实际应用环境中, 信号的统计特性随时间在变化,即信号非平稳，在这类非平稳信 号中 ,存在着一个重要的子类，他们的统计特性随着时间呈周期或多周期的规律变化周期平稳信号。信号的循环平稳特性一方面属于对平稳信

31、号的推广, 另一方面也反映了信号的时变性质, 是一类非常重要的非平稳信号的概括。信号的周期平稳性又称谱相关性。循环 MUSIC 和循环 ESPRIT 算法 ,主要是将 不同循环频率 的循环自相关矩阵代入传统的MUSIC 或 ESPRIT 算法来实现信号的DOA 估计。 Gxu 提出了 循环谱相关子空间拟合(SC-SSF)算法是一种与信号带宽无关的DOA 估计方法。 通过构造基于时间延迟的循环自相关函数,作为伪数据来达到波达方向估计的目的。循环平稳 DOA 估计算法则利用了信号的循环平稳特性, 即将信号的时间和空间特性全部利用起来, 达到了改善估计效果的目的。智能天线：其基本原理 是: 生成一定

32、的基带信号, 通过空分实现在同一频率、同一时序、同一码道上为小区的多个用户提供通信服务。在智能天线中 , 必须同时解决上行以及下行两方面的问题。上行 问题的关键是确定用户信号有效传播路径的方向 以及信道均衡。下行 问题的关键是根据各用户的方向及对各传播信道的估计, 生成与各个阵元对应的调制信号, 完成调制后 , 反馈到各阵元 , 形成相应的波束。更高的分辨率、更好的噪声抑制性能、更稳健、更实时的估计算法一直是DOA估计技术发展的主要方向。与传统的DOA 估计算法相比较,Cycle-DOA 估计算法具有以下的一些特点 :（1）具有 信号选择性测向能力:由于循环自相关矩阵中只包含有用信号的信息,

33、而不包含干扰和噪声的信息, 所以利用不同的循环频率就可以区分不同的信号, 起到信号选择的作用。（2）与噪声的统计特性无关: 由于噪声不具有循环频率, 或循环频率为零, 所以在信噪比较低或噪声统计特性未知的情况下 , 均可以正确的估计到达角, 并且具有较高的分辨率。（3）具有过载能力: 由于在估计的过程中, 只需要 有用信号的个数小于阵元数 , 则当有用信号和干扰信号的总数大于 阵元数时 , 仍能正确的分辨有用信号的DOA 。精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 10 页，共 12 页与时域的傅立叶限制一样, 将这种方法扩展至空域后, 阵列

34、的角度分辨力同样受到空域 “傅立叶限”的限制。所谓空域 “傅立叶限”就是阵列天线的物理孔径 限制 , 通常称为“ 瑞利限 ” 。即对于一个波束宽度内的空间目标不可分辨 。对于许多实际环境而言, 增大天线孔径往往是不现实的, 所以需要更好的算法来提高方位估计的精度, 从而促进了阵列信号处理技术的兴起与发展。1、同频 的窄带信号 不一定 就是相干 信号（相关系数为 “1” ）, 只有频率 和初始相位都相同 的信号才是 相干信号，只有相干信号才会引起协方差矩阵的秩亏缺 。 。2、不相干 信号也 不一定 是频率不同 的信号 ,同频不同相 的信号不相干，但是相关 （相关系数“1” ） 。（频率不同的窄带

35、信号是不相关的, 而频率相同的信号可能是相关的, 也可能是相干的。关系数不为1 的信号 不会 引起协方差矩阵的秩亏缺 。即频率相同而初相不同的相关 信号不会引起协方差矩阵的秩亏缺 , 完全可以通过常规的方法进行DOA估计。）3、对不同频率的不相关窄带信号进行 DOA估计, 直接采用窄带信号的DOA估计方法是不可行的, 而应该采用宽带信号的 DOA估计方法。精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 11 页，共 12 页波束形成器实质 上是一个多输入单输出的多维系统。波束形成可以用数字方式在基带 实现或用模拟方式在微波 或中频 上实现。用数字方

36、式在基带实现通常称为数字波束形成 (DBF) 。在阵列信号处理的范畴内,波束形成 就是 从传感器阵列重构源信号 ,这既可以通过增加期望信源的贡献来实现,也可以通过抑制干扰源来实现。这就是波束形成的物理意义 ：阵列的输出经过加权求和可以把阵列接收的方向增益聚集到一个方向上, 相当于形成一个“波束”。波束形成技术的 基本思想 是:通过将各阵元输出进行加权求和 , 在一时间内将阵列波束 “导向”到一个方向上 , 对期望信号得到最大输出功率的导向位置即是波达方向估计值 。有源校正 方法 通过在空间设置方位精确己知的辅助信源来对阵列扰动参数进行离线估计。 但辅助信源精确方位信息的要求增加了准确校正的难度

37、。阵列校正自校正 方法通常 将空间信源的方位与阵列的扰动参数根据某种优化函数进行联合估计。自校正方法不需要方位已知的辅助信源,而且可以在实际方位估计时在线完成。常规波束形成(CBF) 法,也称为 Bartlett 波束形成 法。(延迟相加 法)这种算法是 使波束形成器的输出功率相对于某个信号为最大。两种经典波束形成器：capon 波束形成器 也称 MVDR 波束形成器。它试图使噪声以及来自非 方向的任何干扰所贡献的功率为最小,但又能保持在观测方向0 上的信号功率不变。第一层： 是将组成传统波束形成器的均匀线阵的阵元间距扩大N 倍, N 称为扩展因子,这一层我们称为成型波束形成器。空域内插波束形

38、成器(SIB)第二层： 波束形成器 由传统波束形成器组成,作用于第一层的输出端, 用于抑制旁瓣高度,我们称为 掩模波束形成器。达到的 效果 是:在尽量减少阵元个数的条件下, 得到指标要求的主瓣宽度和旁瓣高度。换句话说 ,在满足一定指标要求的前提下 ,使用 SIB 可以减少阵元个数和相应的RF 模块、 A/D 模块等 ;同时 ,阵元之间的互耦影响是实际情况中非常重要的一个因素 ,由于第一层增大了阵元间距,所以阵元互耦可以得到很好的控制。旋转信号子空间算法RSS，该算法是使聚焦后的阵列流型与参考频率点阵列流型间误差最小。短时聚焦 方法 可以大大的减少采样数, 不需要对协方差矩阵在时间上进行积累, 可以有效消除阵列与信源相对运动引入的目标方位估计误差。不需要对观测数据进行K 次快拍 , 大大减少了观测时间。此方法适用于宽带和窄带的混合信号。波束形成 又可分为： 数据独立 波束形成、 最佳波束形成和 自适应 波束形成。1、数据独立 波束形成是 根据系统要求设计的, 不需要阵列输入信号的知识，不依赖于阵列接收数据。2、最佳 波束形成器 利用的是信号干扰环境的先验知识, 并按一定的最佳准则进行设计。3、自适应 波束形成器是 利用现实的输入信号和干扰矢量采用自适应算法进行处理的。精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 12 页，共 12 页