一种信号合成方法及系统
阅读：621发布：2020-05-11
专利汇可以提供一种信号合成方法及系统专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种 信号 合成方法及系统。该方法包括:首先，建立与合成信号相关的目标函数，并根据该目标函数确定与合成权值向量对应的待求解的特征矩阵；接着，采用矩阵分 块 递归 算法 对待求解的特征矩阵进行计算，并得到求解后的特征矩阵；然后，计算求解后的特征矩阵所对应的最优合成权值向量；最后，根据最优合成权值向量对多路信号进行加权相干相加操作，以确定合成信号。本发明提供的方法和系统在各路信号的噪声方差相等或者不相等的情况均可以使用，并在大幅度简化计算量的同时，保持了合成信号的性能。，下面是一种信号合成方法及系统专利的具体信息内容。
1.一种信号合成方法，其特征在于，包括：
建立与合成信号相关的目标函数，并根据所述目标函数确定与合成权值向量对应的待求解的特征矩阵；
采用Strassen矩阵分块递归算法对所述待求解的特征矩阵进行计算，并得到求解后的特征矩阵；
计算所述求解后的特征矩阵所对应的最优合成权值向量；
根据所述最优合成权值向量对多路信号进行加权相干相加操作，以确定所述合成信号。
2.根据权利要求1所述的方法，其特征在于，所述目标函数为合成信号自相关系数的目标函数，所述待求解的特征矩阵为第一接收信号相关矩阵的逆矩阵与第二接收信号相关矩阵的乘积。
3.根据权利要求1所述的方法，其特征在于，所述目标函数为合成信号信噪比的目标函数，所述待求解的特征矩阵为噪声相关矩阵的逆矩阵与接收信号相关矩阵的乘积。
4.根据权利要求3所述的方法，其特征在于，所述采用Strassen矩阵分块递归算法对所述待求解的特征矩阵进行计算，包括：
根据所述噪声相关矩阵的逆矩阵，确定对应的二阶分块矩阵；
对所述二阶分块矩阵中不包含主对角元素的分块赋零块，并得到对应的赋零块矩阵；
采用Strassen矩阵分块递归算法，对所述赋零块矩阵和所述接收信号相关矩阵的乘积进行计算。
5.根据权利要求4所述的方法，其特征在于，所述得到求解后的特征矩阵，包括采用以下公式得到所述求解后的特征矩阵：
其中， 表示所述赋零块矩阵 ， 表示所述接收信号相关矩阵，
表示所述Strassen矩阵分块递归算法中的中间矩阵。
6.一种信号合成系统，其特征在于，包括：
建立单元，用于建立与合成信号相关的目标函数；
确定单元，用于根据所述目标函数确定与合成权值向量对应的待求解的特征矩阵；
第一计算单元，用于采用Strassen矩阵分块递归算法对所述待求解的特征矩阵进行计算，并得到求解后的特征矩阵；
第二计算单元，用于计算所述求解后的特征矩阵所对应的最优合成权值向量；
合成单元，用于根据所述最优合成权值向量对多路信号进行加权相干相加操作，以确定所述合成信号。
7.根据权利要求6所述的系统，其特征在于，所述目标函数为合成信号自相关系数的目标函数，所述待求解的特征矩阵为第一接收信号相关矩阵的逆矩阵与第二接收信号相关矩阵的乘积。
8.根据权利要求6所述的系统，其特征在于，所述目标函数为合成信号信噪比的目标函数，所述待求解的特征矩阵为噪声相关矩阵的逆矩阵与接收信号相关矩阵的乘积。
9.根据权利要求8所述的系统，其特征在于，所述第一计算单元具体用于：
根据所述噪声相关矩阵的逆矩阵，确定对应的二阶分块矩阵；
对所述二阶分块矩阵中不包含主对角元素的分块赋零块，并得到对应的赋零块矩阵；
采用Strassen矩阵分块递归算法，对所述赋零块矩阵和所述接收信号相关矩阵的乘积进行计算。
10.根据权利要求9所述的系统，其特征在于，所述第一计算单元中包括采用以下公式得到所述求解后的特征矩阵：
其中， 表示所述赋零块矩阵 ， 表示所述接收信号相关矩阵，
表示所述Strassen矩阵分块递归算法中的中间矩阵。
一种信号合成方法及系统
技术领域
背景技术
[0002] 保障微弱信号的可靠接收一直是信号处理领域的热点。特别是近年来，随着传感器探测距离和范围的增加，微弱目标信号接收面临的挑战日益严峻，而接收机自身的噪声则限制了单个传感器的接收性能。一种有效的解决方法是利用多个随机布设的传感器对同一信号进行联合接收，通过信号合成技术提高接收信号的信噪比。信号合成的目标就是使合成信号的信噪比最大，除了要对多路接收信号的时延等差异参数进行补偿外，还需要按照最优的权值进行加权求和，由于信号部分相干累加，而噪声部分随机抵消，因此能够提升合成信号的信噪比。
[0003] K.M.Cheung等人发表的文章《Eigen Theory for Optical Signal Combining:A Unified Approach》中提出了以合成信号信噪比为目标函数的特征值分解算法(Signal-to-Noise Ratio EIGEN，SNR EIGEN)，其中估计噪声相关矩阵的通常做法是假设噪声是高斯白噪声，并通过记录一段纯噪声再进行相关计算获得。该算法可以提供最优的合成权值，但是需要估计噪声相关矩阵。C.H.Lee等人发表的文章《Large-Array Signal Processing for Deep Space Application》中指出输出功率最大准则与合成信号信噪比最大准则是等价的。最大输出信号功率准则就是以合成信号的功率作为目标函数，计算最优合成权值，使得合成信号的输出功率最大(Combined Output Power EIGEN，COP EIGEN)。以合成信号功率为目标函数的特征值分解算法由于假设各信号的噪声方差相等，因此可以忽略噪声的影响，无需估计噪声相关矩阵，但是当各路信号噪声方差不一致时，采用最大输出信号功率准则计算合成权值将是有偏的。B.Luo等人发表的文章《On Eigen-Based Signal Combining Using the Autocorrelation Coefficient》中指出合成信号的自相关系数与合成信号信噪比最大准则是等价的(Autocorrelation Coefficient EIGEN，AC EIGEN)，该算法在各路信号噪声方差不一致时，可以得到比COP EIGEN更好的合成性能。
[0004] 以上三种算法SNR EIGEN、COP EIGEN和AC EIGEN的最优合成权值计算过程相似，合成权值的最优值是某个矩阵最大特征值对应的特征向量。当各路接收信号的噪声方差不相等时，采用COPEIGEN算法计算的合成权值向量将是有偏的。SNR EIGEN和AC EIGEN算法能够有效克服由于各路接收信号的噪声方差不相等所导致的合成权值向量有偏的问题，但是它们需要分别求解 和 的矩阵乘法。随着接收信号的路数N的增加，求解矩阵乘法部分的计算量将急剧增大,因此需要改进算法对计算量进行大幅缩减。
发明内容
[0005] 本发明的目的在于，解决现有的信号合成技术中计算量大的问题，提供一种信号合成方法及系统，采用矩阵分块递归算法对待求解的特征矩阵进行计算。该方法和系统在各路信号的噪声方差相等或者不相等的情况均可以使用，并在大幅度简化计算量的同时，保持了合成信号的性能。
[0006] 为了实现上述目的，一方面，本发明提供了一种信号合成方法。该方法包括步骤：
[0007] 建立与合成信号相关的目标函数，并根据所述目标函数确定与合成权值向量对应的待求解的特征矩阵；
[0008] 采用矩阵分块递归算法对所述待求解的特征矩阵进行计算，并得到求解后的特征矩阵；
[0009] 计算所述求解后的特征矩阵所对应的最优合成权值向量；
[0010] 根据所述最优合成权值向量对多路信号进行加权相干相加操作，以确定所述合成信号。
[0011] 优选地，所述目标函数为所述合成信号自相关系数的目标函数，所述待求解的特征矩阵为第一接收信号相关矩阵的逆矩阵与第二接收信号相关矩阵的乘积。
[0012] 优选地，所述目标函数为所述合成信号信噪比的目标函数，所述待求解的特征矩阵为噪声相关矩阵的逆矩阵与接收信号相关矩阵的乘积。
[0013] 优选地，所述采用矩阵分块递归算法对所述待求解的特征矩阵进行计算，包括：
[0014] 根据所述噪声相关矩阵的逆矩阵，确定对应的二阶分块矩阵；
[0015] 对所述二阶分块矩阵中不包含主对角元素的分块赋零块，并得到对应的赋零块矩阵；
[0016] 采用矩阵分块递归算法，对所述赋零块矩阵和所述接收信号相关矩阵的乘积进行计算。
[0017] 优选地，所述得到求解后的特征矩阵，包括采用以下公式得到所述求解后的特征矩阵：
[0018]
[0019] 其中， 表示所述赋零块矩阵， 表示所述接收信号相关矩阵，所述矩阵分块递归算法中的中间矩阵。
[0020] 另一方面，本发明提供了一种信号合成系统。该系统包括：
[0021] 建立单元，用于建立与合成信号相关的目标函数；
[0022] 确定单元，用于根据所述目标函数确定与合成权值向量对应的待求解的特征矩阵；
[0023] 第一计算单元，用于采用矩阵分块递归算法对所述待求解的特征矩阵进行计算，并得到求解后的特征矩阵；
[0024] 第二计算单元，用于计算所述求解后的特征矩阵所对应的最优合成权值向量；
[0025] 合成单元，用于根据所述最优合成权值向量对多路信号进行加权相干相加操作，以确定所述合成信号。
[0026] 优选地，所述目标函数为所述合成信号自相关系数的目标函数，所述待求解的特征矩阵为第一接收信号相关矩阵的逆矩阵与第二接收信号相关矩阵的乘积。
[0027] 优选地，所述目标函数为所述合成信号信噪比的目标函数，所述待求解的特征矩阵为噪声相关矩阵的逆矩阵与接收信号相关矩阵的乘积。
[0028] 优选地，所述第一计算单元具体用于：
[0029] 根据所述噪声相关矩阵的逆矩阵，确定对应的二阶分块矩阵；
[0030] 对所述二阶分块矩阵中不包含主对角元素的分块赋零块，并得到对应的赋零块矩阵；
[0031] 采用矩阵分块递归算法，对所述赋零块矩阵和所述接收信号相关矩阵的乘积进行计算。
[0032] 优选地，所述第一计算单元中包括采用以下公式得到所述求解后的特征矩阵：
[0033]
[0034] 其中， 表示所述赋零块矩阵， 表示所述接收信号相关矩阵，所述矩阵分块递归算法中的中间矩阵。
[0035] 在本发明提供的一种信号合成方法及系统中，采用矩阵分块递归算法对待求解的特征矩阵进行计算。该方法和系统在各路信号的噪声方差相等或者不相等的情况均可以使用，并在大幅度简化计算量的同时，保持了合成信号的性能。附图说明
[0036] 图1为本发明实施例提供的信号合成方法的流程示意图；
[0037] 图2为本发明实施例提供的信号合成方法的流程框图；
[0038] 图3为本发明实施例提供的乘法和加法比率图；
[0039] 图4为本发明实施例提供的噪声方差相等时的合成损失示图；
[0040] 图5为本发明实施例提供的噪声方差不相等时的合成损失示图；
[0041] 图6为本发明实施例提供的一种信号合成系统的结构示意图。
具体实施方式
[0042] 下面通过附图和实施例，对本发明的技术方案作进一步的详细描述。
[0043] 图1为本发明实施例提供的一种信号合成方法的流程示意图。如图1所示，该方法包括步骤S110-S140：
[0044] 步骤S110，建立与合成信号相关的目标函数，并根据所述目标函数确定与合成权值向量对应的待求解的特征矩阵。
[0045] 具体地，建立的目标函数为合成信号信噪比的目标函数，对应的待求解的特征矩阵为噪声相关矩阵的逆矩阵与接收信号相关矩阵的乘积。
[0046] 或者，建立合成信号自相关系数的目标函数，对应的待求解的特征矩阵为第一接收信号相关矩阵的逆矩阵与第二接收信号相关矩阵的乘积。
[0047] 在一个可能的实施例中，采用SNR EIGEN算法建立合成信号信噪比的目标函数，根据此目标函数确定待求解的特征矩阵为接收信号相关矩阵 以及噪声相关矩阵的逆矩阵 的乘积 且本实施例的具体过程如下：
[0048] 首先，将传感器接收到的多路信号建模为：
[0049] xi(k)＝si(k)+ni(k) i＝1,2,…,N (1)
[0050] 式(1)中，k为采样点编号，下标i表示路数编号，xi(k)表示第i路所接收到的信号，N为总路数，si(k)表示第i路接收的源信号，ni(k)表示第i路信号的噪声分量，通常将ni(k)建模为零均值高斯白噪声。
[0051] 因此合成信号可以表示为：
[0052]
[0053]
[0054]
[0055]
[0056]
[0057] 其中，xc(k)是合成信号，sc(k)是合成的信号部分，nc(k)是合成的噪声部分， 表示合成权值向量， 表示接收增益向量，上标T表示转置，上标H表示共轭转置。由上，合成信号信噪比可以表示为：
[0058]
[0059]
[0060]
[0061] 其中， 表示接收信号相关矩阵， 表示源信号相关矩阵， 表示噪声相关矩阵。对公式(9)求 的偏导数，可以得到：
[0062]
[0063] 其中， 定义为：
[0064]
[0065] 其中，Rninj(τ)定义为：
[0066]
[0067] 其中 是 的逆矩阵，Rninj(τ)表示各路噪声的互相关函数，τ表示时延值，L是相关计算的长度。由公式(10)可知，获得最大信噪比的合成权值向量 即为矩阵最大特征值对应的特征向量。据此可知，SNR EIGEN算法对应的待求解的特征矩阵为
[0068] 在另一个可能的实施例中，本步骤包括：采用AC EIGEN算法建立合成信号自相关系数的目标函数，根据此目标函数确定待求解的矩阵为第一接收信号相关矩阵的逆矩阵和第二接收信号相关矩阵 的乘积 且本实施例的具体过程如下：
[0069] 合成信号的自相关系数可以表示为：
[0070]
[0071] 其中，τ为信号的位移量，取值为整数，例如可以取τ＝1。
[0072] 对式(13)求 的偏导数，可以得到：
[0073]
[0074] 由上式可知，矩阵 的最大特征值对应的特征向量就是使合成信号的自相关系数最大的合成权值向量。据此可知，ACEIGEN算法对应的待求解的特征矩阵为[0075] 通过上述分析可以看到，SNR EIGEN和AC EIGEN算法需要分别求解 和的矩阵乘法，其计算复杂度为O(N3)。随着接收信号的路数N的增加，求解矩阵乘法部分的计算量将急剧增大，因此需要新的方法来减少计算量。
[0076] 步骤S120，采用矩阵分块递归算法对所述待求解的特征矩阵进行计算，并得到求解后的特征矩阵。
[0077] 下面，结合对本发明的发明构思的描述，对本步骤进行说明：
[0078] 第一方面，由公式(10)和(14)可知，SNR EIGEN和AC EIGEN算法需要分别求解和 的矩阵乘法，传统的矩阵乘法可以表示为：
[0079]
[0080]
[0081]
[0082]
[0083] 其中 是参与乘法运算的输入矩阵， 是乘法运算后得到的矩阵，和 分别代表对应矩阵的分块矩阵。由上式(15)至(18)可以得到：
[0084]
[0085]
[0086]
[0087]
[0088] 当矩阵的行或列数R＝2时，由公式(19)到公式(22)可知，完成矩阵乘法需要8次乘法和4次加法。随R的增大，当R＝N时，传统的矩阵乘法需要N3次乘法和N3-N2次加法。
[0089] Strassen发表的文章《Gaussian Elimination is not Optimal》中指出上述矩阵乘法可以表示为：
[0090]
[0091]
[0092]
[0093]
[0094]
[0095]
[0096]
[0097] 其中 和 为中间矩阵，所求矩阵可以由下式得到:
[0098]
[0099]
[0100]
[0101]
[0102] 当矩阵的行或列数R＝2时，由公式(23)到公式(33)可知，利用Strassen方法完成矩阵乘法需要7次乘法和18次加法。随R的增大，利用Strassen方法完成矩阵乘法所需要的乘法运算次数少于传统方法，而加法运算次数逐渐接近传统方法。
[0103] 基于以上分析，本发明提出利用Strassen方法完成SNR EIGEN中 和AC EIGEN中 的矩阵乘法运算。
[0104] 据此，在一个实施例中，可以根据公式(15)，令 则再根据公式(16)、(23)-(33)计算出
[0105] 在另一个实施例中，可以根据公式(15)，令 则再根据公式(16)、(23)-(33)计算出
[0106] 第二方面，直接利用Strassen方法的问题是，当R较小时，加法运算次数大于传统方法，这影响了计算量的减少效果。为了进一步减少计算量，分析SNR EIGEN中 的矩阵特性。
[0107] 在实施例1中，N＝4，L＝1024，信噪比为0dB，噪声方差相等，进行500次独立测试，SNR EIGEN中的 等于：
[0108]
[0109] 由上式可知 是一个严格对角占优矩阵，即主对角线元素远大于同一行其他元素之和。
[0110] 因此， 的近似计算结果可以通过 的主对角元素与 的矩阵乘法得到。
[0111] 结合以上两方面的分析，本发明基于 的对角占优矩阵特性和Strassen矩阵分块递归算法提出一种零块Strassen(Zero Block Strassen，ZBS)方法完成SNR EIGEN中的矩阵乘法运算。ZBS的矩阵乘法可以表示为：
[0112]
[0113]
[0114]
[0115] 其中 是对不包含主对角元素赋零块的输入矩阵，即对公式(17)中的 和赋零块矩阵， 利用ZBS方法完成乘法运算所得到的矩阵， 代表 中的各个分块矩阵。结合Strassen方法，上述矩阵乘法可以表示为：
[0116]
[0117]
[0118]
[0119]
[0120]
[0121]
[0122]
[0123] 其中， 和 为ZBS方法的中间矩阵，所求矩阵可以由下式得到:
[0124]
[0125]
[0126]
[0127]
[0128] 当矩阵的行或列数R＝2时，由公式(38)到公式(48)可知，利用ZBS方法完成矩阵乘法需要4次乘法和4次加法，优于传统方法和Strassen方法。随R的增大，利用ZBS方法完成矩阵乘法所需要的乘法运算次数和加法运算次数均显著优于传统方法和Strassen方法。
[0129] 因此，SNR EIGEN算法中 矩阵乘法的计算方法可以归纳为：
[0130] 第一步，初始设置：
[0131]
[0132]
[0133] 第二步，对 中不包含主对角元素的分块矩阵赋零块，得到赋零块矩阵：
[0134]
[0135] 将 和 作为参与矩阵乘法的输入矩阵，利用ZBS方法开始矩阵分块递归计算过程：
[0136]
[0137]
[0138]
[0139]
[0140]
[0141]
[0142]
[0143]
[0144] 第四步，当矩阵不可再分块时，递归计算结束，得到
[0145]
[0146] 此外，根据公式(49)-(51)、(56)-(60)可以得到下式：
[0147]
[0148] 以上，可以得到求解后的特征矩阵。
[0149] 步骤S130，计算求解后的特征矩阵所对应的最优合成权值向量。
[0150] 步骤S140，根据最优合成权值向量对多路信号进行加权相干相加操作，以确定所述合成信号。
[0151] 由上可知，在本发明提供的一种信号合成方法中，采用矩阵分块递归算法对待求解的特征矩阵进行计算。该方法在各路信号的噪声方差相等或者不相等的情况均可以使用，并在大幅度简化计算量的同时，保持了合成信号的性能。
[0152] 下面，根据图2中提供的流程框图，对基于SNR EIGEN算法和ZBS方法的信号合成方法进行进一步说明。如图2所示，该方法包括步骤S210-S280：
[0153] S210，信号合成算法开始。
[0154] S220，利用公式(11)和(12)得到噪声相关矩阵 和接收信号相关矩阵[0155] S230，初始设置，根据公式(49)和(50)，将 和 作为参与矩阵乘法运算的输入矩阵 和
[0156] S240，对 中不包含主对角元素的分块矩阵赋零块，根据公式(51)得到[0157] S250，根据公式(52)、(53)、(54)、(55)、(56)、(57)、(58)和(59)开始矩阵分块递归计算过程。
[0158] S260，当矩阵不可再分块时，递归计算结束，根据公式(60)得到 即[0159] S270，根据SNR EIGEN求解合成权值向量。
[0160] S280，信号合成算法完成。
[0161] 由上可知，在本发明提供的一种信号合成方法中，采用矩阵分块递归算法对待求解的特征矩阵进行计算。该方法在各路信号的噪声方差相等或者不相等的情况均可以使用，并在大幅度简化计算量的同时，保持了合成信号的性能。
[0162] 进一步地，比较本发明ZBS方法、传统矩阵乘法、Strassen方法的乘法和加法的计算量，如表1所示：
[0163] 表1
[0164]
[0165] 由上表可知，随着N的增加，利用Strassen方法完成矩阵乘法所需要的乘法运算次数少于传统方法，而加法运算次数逐渐接近传统方法。而利用本发明提出的ZBS方法完成矩阵乘法所需要的乘法运算次数和加法运算次数均显著优于传统方法和Strassen方法。
[0166] 本发明ZBS方法、Strassen方法与传统矩阵乘法所需的乘法和加法比率如图3所示。如上图所示，Strassen方法完成矩阵乘法所需要的乘法运算次数少于传统方法，当N较小时，Strassen方法所需要的加法运算次数远大于传统方法，随着N的增大，Strassen方法所需要的加法运算次数逐渐接近传统方法。而本发明提出的ZBS方法完成矩阵乘法所需要的乘法运算次数和加法运算次数均显著优于传统方法和Strassen方法。
[0167] 下面通过实施例进一步描述本发明提出的一种快速信号合成方法。为了评估算法性能，定义合成损失ζ：
[0168]
[0169] 其中理论最大合成信号信噪比 等于：
[0170]
[0171] 在实施例中 而Ps表示信号功率，实施例中为1。
[0172] 公式(7)中的实际合成信号信噪比
[0173]
[0174] 其中，信号功率Ps、接收增益αi、噪声方差 均为已知的仿真参数，通过不同算法计算合成权值wi，进而得到
[0175] 本发明首先提出利用Strassen方法完成SNR EIGEN(SNR+Strassen方法)和AC EIGEN(AC+Strassen方法)中 和 的矩阵乘法运算，但由于N较小时，Strassen方法所需要的加法运算次数远大于传统方法。为了进一步减少计算量，通过分析SNR EIGEN中 的对角占优矩阵特性，本发明提出ZBS方法完成SNR EIGEN(SNR+ZBS方法)中 的矩阵乘法运算。
[0176] 在实施例中分别与SNR EIGEN、COP EIGEN，以及AC EIGEN等算法比较。s(k)采用80KHz正弦信号，采样速率1.4MHz，ni(k)为高斯白噪声。AC EIGEN算法中 的参数τ＝1。当噪声方差不相等时，以N＝4为例，各路噪声方差的比等于1:1:1.5:1.5，以此类推。
实施例共进行500次独立测试。
实施例共进行500次独立测试。
[0177] 实施例2中，N＝4，L＝1024，信噪比为0dB，噪声方差相等，SNR EIGEN利用传统方法得到 等于：
[0178]
[0179] SNR EIGEN利用Strassen方法得到 等于：
[0180]
[0181] SNR EIGEN利用ZBS方法得到 等于：
[0182]
[0183] 对比以上三式可以看出，利用Strassen方法完成SNR EIGEN中 的矩阵乘法运算不影响 的计算精度。利用ZBS方法完成SNR EIGEN中 的矩阵乘法运算对 的计算精度误差很小，最大误差小于0.37％。
[0184] 实施例3中，N＝4，L＝1024。当噪声方差相等时，如图4所示，SNR EIGEN算法和SNR+Strassen算法的合成损失最小，SNR+ZBS的合成损失优于COP EIGEN、AC EIGEN和AC+Strassen算法。而当噪声方差不相等时，如图5所示，SNR EIGEN算法和SNR+Strassen算法仍具有最小的合成损失，而SNR+ZBS的合成损失略多于SNREIGEN算法和SNR+Strassen算法，优于AC EIGEN和AC+Strassen算法，明显优于COP EIGEN。
[0185] 结合以上实施例结果，本发明提出的快速信号合成方法SNR+Strassen、AC+Strassen和SNR+ZBS，都可以灵活应用于噪声方差相等或者噪声方差不相等的情况下。其中SNR+Strassen和AC+Strassen相比于SNR EIGEN和AC EIGEN在减少计算量的同时不会影响信号合成性能，而SNR+ZBS与SNR EIGEN相比，只有很小合成损失，却能够显著减少矩阵乘法部分计算量，易于硬件实现。
[0186] 与以上信号合成方法相对应的，本发明实施例中还提供一种信号合成系统，如图6所示，系统600包括：
[0187] 建立单元610，用于建立与合成信号相关的目标函数；
[0188] 确定单元620，用于根据所述目标函数确定与合成权值向量对应的待求解的特征矩阵；
[0189] 第一计算单元630，用于采用矩阵分块递归算法对所述待求解的特征矩阵进行计算，并得到求解后的特征矩阵；
[0190] 第二计算单元640，用于计算所述求解后的特征矩阵所对应的最优合成权值向量；
[0191] 合成单元650，用于根据所述最优合成权值向量对多路信号进行加权相干相加操作，以确定所述合成信号。
[0192] 在一种可能的实施例中，所述目标函数为所述合成信号自相关系数的目标函数，所述待求解的特征矩阵为第一接收信号相关矩阵的逆矩阵与第二接收信号相关矩阵的乘积。
[0193] 在一种可能的实施例中，所述目标函数为所述合成信号信噪比的目标函数，所述待求解的特征矩阵为噪声相关矩阵的逆矩阵与接收信号相关矩阵的乘积。
[0194] 在一种可能的实施例中，所述第一计算单元630具体用于：
[0195] 根据所述噪声相关矩阵的逆矩阵，确定对应的二阶分块矩阵；
[0196] 对所述二阶分块矩阵中不包含主对角元素的分块赋零块，并得到对应的赋零块矩阵；
[0197] 采用矩阵分块递归算法，对所述赋零块矩阵和所述接收信号相关矩阵的乘积进行计算。
[0198] 在一种可能的实施例中，所述第一计算单元630中包括采用以下公式得到所述求解后的特征矩阵：
[0199]
[0200] 其中， 表示所述赋零块矩阵， 表示所述接收信号相关矩阵，所述矩阵分块递归算法中的中间矩阵。
[0201] 由上可知，在本发明提供的一种信号合成系统中，采用矩阵分块递归算法对待求解的特征矩阵进行计算。该方法在各路信号的噪声方差相等或者不相等的情况均可以使用，并在大幅度简化计算量的同时，保持了合成信号的性能。
[0202] 以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种人声分离方法及系统 | 2020-05-11 | 354 |
| 一种展会广告牌 | 2020-05-11 | 309 |
| 一种家用汽车 | 2020-05-12 | 38 |
| 基于大数据服务器的可疑病态面部检测系统 | 2020-05-12 | 298 |
| 一种基于无人艇惯导和气象仪信息的海况等级估计方法 | 2020-05-12 | 600 |
| 三维场景重构中几何线索感知的像素级点云稠密化方法 | 2020-05-13 | 388 |
| 一种基于K-means++聚类算法的多扩展目标跟踪方法 | 2020-05-11 | 654 |
| 用于藉由LIDAR传感器来采集入射风场以及对其进行建模的方法 | 2020-05-14 | 948 |
| 一种工业原材料价格预测方法 | 2020-05-14 | 646 |
| 一种图像显著目标的检测方法 | 2020-05-11 | 974 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈