研究如何利用电磁矢量传感器阵列中隐含的冗余空域信息解决多个相干极化信号源的二维波达方向(DOA)和极化参数的同时估计问题。基于整个阵列中所隐含的多个空域旋转不变结构,将组成阵列的单个或多个电磁矢量传感器单元看作一个无模糊子...研究如何利用电磁矢量传感器阵列中隐含的冗余空域信息解决多个相干极化信号源的二维波达方向(DOA)和极化参数的同时估计问题。基于整个阵列中所隐含的多个空域旋转不变结构,将组成阵列的单个或多个电磁矢量传感器单元看作一个无模糊子阵,利用空间平滑方法对阵列数据进行预处理,以恢复信号协方差矩阵的秩特性。在此基础上,利用多信号分类方法(MUSIC)和旋转不变参数估计方法(ESPRIT)完成多个相干极化信号源的二维 DOA 和极化参数的同时估计。文中还讨论了成功进行信号解相干的必要条件,并通过计算机仿真验证和比较了所给方法的有效性及其辨识能力。展开更多
针对共形天线阵列流形的多极化特点,建立了锥面共形阵列天线导向矢量的数据模型。通过合理的阵元排列结构设计,推导了锥面共形阵列天线信源解相干的空间平滑算法,解决了ESPRIT(estimation of signalparameters via rotational invarianc...针对共形天线阵列流形的多极化特点,建立了锥面共形阵列天线导向矢量的数据模型。通过合理的阵元排列结构设计,推导了锥面共形阵列天线信源解相干的空间平滑算法,解决了ESPRIT(estimation of signalparameters via rotational invariance technique)算法多信源方位估计的参数配对问题,最终给出了锥面共形阵列天线相干信源盲极化波达方向(direction of arrival,DOA)估计算法。该算法利用锥面共形载体的单曲率特性,结合ESPRIT算法参数估计的特点,在盲极化条件下实现了相干信源的高分辨DOA估计。Monte Carlo仿真实验验证了算法的有效性。展开更多
针对欠定盲源分离(Underdetermined blind source separation,UBSS)问题,采用基于密度的空间聚类(Density based spatial clustering of applications with noise,DBSCAN)算法估计聚类中心时易陷入局部最优,因此由聚类中心坐标构成的混...针对欠定盲源分离(Underdetermined blind source separation,UBSS)问题,采用基于密度的空间聚类(Density based spatial clustering of applications with noise,DBSCAN)算法估计聚类中心时易陷入局部最优,因此由聚类中心坐标构成的混合矩阵的精度降低,导致信号分离结果不理想。本文在DBSCAN基础上提出布谷鸟自适应搜索群优化算法(Cuckoo adaptive search swarm optimization of density based spatial clustering of applications with noise,CASSO-DBSCAN),该算法依据Levy飞行策略增强全局自适应搜索能力,并利用群体学习思想精细寻优得到最优解,从而更加精准地估计聚类中心。通过语音信号的盲源分离仿真实验对该算法进行验证,结果表明,该算法能够有效改善欠定混合矩阵的估计精度,具有良好的鲁棒性,证明了其可行性。展开更多
文摘研究如何利用电磁矢量传感器阵列中隐含的冗余空域信息解决多个相干极化信号源的二维波达方向(DOA)和极化参数的同时估计问题。基于整个阵列中所隐含的多个空域旋转不变结构,将组成阵列的单个或多个电磁矢量传感器单元看作一个无模糊子阵,利用空间平滑方法对阵列数据进行预处理,以恢复信号协方差矩阵的秩特性。在此基础上,利用多信号分类方法(MUSIC)和旋转不变参数估计方法(ESPRIT)完成多个相干极化信号源的二维 DOA 和极化参数的同时估计。文中还讨论了成功进行信号解相干的必要条件,并通过计算机仿真验证和比较了所给方法的有效性及其辨识能力。
文摘针对共形天线阵列流形的多极化特点,建立了锥面共形阵列天线导向矢量的数据模型。通过合理的阵元排列结构设计,推导了锥面共形阵列天线信源解相干的空间平滑算法,解决了ESPRIT(estimation of signalparameters via rotational invariance technique)算法多信源方位估计的参数配对问题,最终给出了锥面共形阵列天线相干信源盲极化波达方向(direction of arrival,DOA)估计算法。该算法利用锥面共形载体的单曲率特性,结合ESPRIT算法参数估计的特点,在盲极化条件下实现了相干信源的高分辨DOA估计。Monte Carlo仿真实验验证了算法的有效性。
文摘针对欠定盲源分离(Underdetermined blind source separation,UBSS)问题,采用基于密度的空间聚类(Density based spatial clustering of applications with noise,DBSCAN)算法估计聚类中心时易陷入局部最优,因此由聚类中心坐标构成的混合矩阵的精度降低,导致信号分离结果不理想。本文在DBSCAN基础上提出布谷鸟自适应搜索群优化算法(Cuckoo adaptive search swarm optimization of density based spatial clustering of applications with noise,CASSO-DBSCAN),该算法依据Levy飞行策略增强全局自适应搜索能力,并利用群体学习思想精细寻优得到最优解,从而更加精准地估计聚类中心。通过语音信号的盲源分离仿真实验对该算法进行验证,结果表明,该算法能够有效改善欠定混合矩阵的估计精度,具有良好的鲁棒性,证明了其可行性。
