基于秩损法的均匀矩形阵列二维非圆信号DOA估计方法
专利汇可以提供基于秩损法的均匀矩形阵列二维非圆信号DOA估计方法专利检索，专利查询，专利分析的服务。并且一种基于秩损法的均匀矩形阵列二维非圆 信号 DOA估计方法，根据均匀矩形阵列接收到的入射信号数据及其共轭形成一个新的扩展数据矢量；基于新的扩展数据矢量，构建扩展协方差矩阵并对扩展协方差矩阵进行特征分解，得到相应的信号子空间和噪声子空间；再对含有两个 角 度参数的均匀矩形阵列进行位移处理转化为只含一个角度参数的虚拟长均匀线阵，虚拟长均匀线阵的导向矢量由入射信号中的一个角度参数完全表达，将二维参数解耦为两个一维参数来计算；根据秩损失原理构造出一个信源参数估计器来估计出一个角度，并根据估计出来的角度值再构造出一个信源参数估计器来估计另一个角度。本 发明 运算量更低，有着更高的参数估计 精度 ，有效提高了DOA估计性能。，下面是基于秩损法的均匀矩形阵列二维非圆信号DOA估计方法专利的具体信息内容。
1.一种基于秩损法的均匀矩形阵列二维非圆信号DOA估计方法，其特征在于，首先，根据均匀矩形阵列接收到的入射信号数据及接收到的数据共轭形成一个新的扩展数据矢量；
基于所述的新的扩展数据矢量，构建扩展协方差矩阵并对扩展协方差矩阵进行特征分解，得到相应的信号子空间和噪声子空间；再对含有两个角度参数的均匀矩形阵列进行位移处理转化为只含一个角度参数的虚拟长均匀线阵，虚拟长均匀线阵的导向矢量由入射信号中的一个角度参数完全表达，从而将二维参数解耦为两个一维参数来计算；最后，根据秩损失原理构造出一个信源参数估计器来估计出其中一个角度，并根据估计出来的角度值再构造出一个信源参数估计器来估计另一个角度。
2.根据权利要求1所述的基于秩损法的均匀矩形阵列二维非圆信号DOA估计方法，其特征在于，具体包括如下步骤：
1)建立均匀矩形阵列信号模型，包括：接收数据矢量、扩展数据矢量、扩展协方差矩阵、扩展协方差矩阵的特征分解以及两个不同阵列间导向矢量的转换关系；
2)信源二维DOA估计，是根据秩损失原理构造出一个信源参数估计器来估计出其中一个角度，并根据估计出来的角度值再构造出一个信源参数估计器来估计另一个角度。
3.根据权利要求2所述的基于秩损法的均匀矩形阵列二维非圆信号DOA估计方法，其特征在于，步骤1)中所述的均匀矩形阵列是一个位于X-Y平面上的均匀矩形阵列，由N行平行均匀线阵组成，其中每个均匀线阵有M个阵元，相邻阵元间距设为d，为了保证无偏差估计，取d＝λ/2，λ为波长；设定有K个远场区域的窄带非圆信号sk(t)，k＝1,2,…,K，第k个信号的到达角记为(θk,βk)，(θk,βk)∈[0,π]；在采样t时的N行平行均匀线阵的接收数据矢量xi(t)，i＝1,2,…,N，即为均匀矩形阵列的接收数据矢量x(t)，表示为：
x(t)＝As(t)+n(t) (1)
其中， 其中，xi(t)＝[xi1(t),…,xiM(t)]表示每行线阵的接收
数据矢量；s(t)＝[s1(t),…,sK(t)]表示信号矢量； 表示加性高斯
白噪声矩阵，ni(t)＝[ni1(t),…,niM(t)]表示每行的高斯白噪声矢量，所述高斯白噪声矢量的均值都为零、方差为σ2； 表示
阵列的导向矩阵，a(θk,βk)是NM×1维的导向矢量，A′1＝[a′(θ1),…,a′(θK)]表示在Y轴上的第一行均匀线阵的导向矩阵，其中，
对于ρ＝1的最大非圆率的信号矢量s(t)表示为：
s(t)＝ΦsR(t) (2)
式(1)改写为
x(t)＝AΦsR(t)+n(t) (3)
其中，sR(t)为s(t)的实部， 分别为信号s1
(t),s2(t),…,sK(t)的非圆相位。
4.根据权利要求2所述的基于秩损法的均匀矩形阵列二维非圆信号DOA估计方法，其特征在于，步骤1)中所述的扩展数据矢量，是利用信号的非圆特性将阵列的接收数据矢量x(t)与接收数据矢量x(t)的共轭x*(t)组成一个新的扩展数据矢量y(t)：
5.根据权利要求2所述的基于秩损法的均匀矩形阵列二维非圆信号DOA估计方法，其特征在于，步骤1)中所述的扩展协方差矩阵为：
其中，RS表示信号矢量的实部sR(t)的自协方差矩阵，σ2表示方差，INM表示维度NM的单位阵；
定义均匀矩形阵列的扩展导向矩阵
其中，均匀矩形阵列的扩展导向矢量：
由此得到扩展协方差矩阵
H 2
R＝BRSB+σINM (11)。
6.根据权利要求2所述的基于秩损法的均匀矩形阵列二维非圆信号DOA估计方法，其特征在于，步骤1)中所述的扩展协方差矩阵的特征分解，是对R进行特征分解来划分子空间，即
其中，Λ＝diag{[λ1,λ2,…,λ2NM]T}表示由2NM个特征值构成的对角阵，扩展协方差矩阵R的特征值满足关系λ1≥λ2…≥λK≥λK+1＝…＝λ2NM＝σ2，对角阵ΛS由2NM个特征值中前K个大的特征值构成，US则为前K个大的特征值所对应的特征矢量构成的信号子空间，对角阵ΛN由剩余的2NM-K个特征值构成，UN则为剩余的2NM-K个特征值所对应的特征矢量构成的噪声子空间。
7.根据权利要求2所述的基于秩损法的均匀矩形阵列二维非圆信号DOA估计方法，其特征在于，步骤1)中所述的两个不同阵列间导向矢量的转换关系，是指均匀矩形阵列中导向矩阵A的导向矢量a(θk,βk)与由均匀矩形阵列转换后的虚拟长均匀线阵的导向矢量的转换关系，所述的虚拟长均匀线阵，是将N行平行均匀线阵视为位于Y轴上的沿着虚拟均匀线阵移位的子阵列，及将X-Y平面的其他均匀线阵依次移位到Y轴上，组成的一个包含NM个阵元的虚拟长均匀线阵；虚拟长均匀线阵的导向矢量表示为 导向
矩阵A中的导向矢量a(θk,βk)和 间的关系表示为：
其中， T是一个NM×N维的选择矩阵，也表示为 I
是单位矩阵， 表示Kronecker积；h(θk,βk)是由移位引起的N×1维相移矢量，根据移位关系，得到相移矢量表达式：
8.根据权利要求2所述的基于秩损法的均匀矩形阵列二维非圆信号DOA估计方法，其特征在于，步骤2)具体包括：
根据子空间原理，均匀矩形阵列的扩展导向矢量b与噪声子空间UN满足正交性，有下式成立
其中，b为b(θ,β)的简写形式；
根据均匀矩形阵列的扩展导向矢量公，基于秩损失原理与MUSIC算法，上式重新写为：
其中，h为h(θ,β)的简写形式；
定义一个只包含参数θ的2N×2N维矩阵 其中
构造以下信源参数估计器估计参数θ
参数 是实际参数值θ的估计值，由公式(17)通过搜索K个最大的峰值得到；将每个估计值 带入公式(14)中，同样基于秩损失原理与MUSIC算法，构造参数β的信源参数估计器：
其中
考虑到实际接收数据矩阵是有限长的，即扩展协方差矩阵的最大似然估计为：
其中，L为快拍数，对 的特征分解表示为：
其中， 和 分别是扩展协方差矩阵的最大似然估计 的信号子空间和噪声子空间，对角阵 和 分别是扩展协方差矩阵的最大似然估计 的信号子空间和噪声子空间的特征值。
基于秩损法的均匀矩形阵列二维非圆信号DOA估计方法
技术领域
背景技术
发明内容
具体实施方式
高斯白噪声 矩阵，ni(t)＝[ni1(t),…,niM(t)]表示每行的高斯白噪声矢量，所述高斯白噪声矢量的均值都为 零、方差为σ2；A＝[a(θ1,β1),···,a(θK,βK)]＝[A′1T,(A′1Ω2)T,…,(A′1ΩN)T]T表示阵列的导向 矩阵，a(θk,βk)是NM×1维的阵列导向矢量，A′1＝[a′(θ1) ,···,a′(θK)]表示在Y轴上的第一行均 匀线阵的导向矩阵，其中，
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 基于信道空闲时长预测的信道分配方法 | 2020-07-23 | 0 |
| 考虑电压暂降的分布式电源和敏感用户联合选址方法 | 2021-05-28 | 1 |
| 一种基于射频标签技术的图书馆图书信息管理系统 | 2020-05-28 | 0 |
| 区块链上互联网广告数据的同步存储方法及其装置 | 2020-06-04 | 3 |
| 一种网络带宽动态监测方法及系统 | 2022-06-12 | 1 |
| 连续变量量子密钥分发系统的秘密协商方法 | 2022-06-21 | 1 |
| 一种基于SDIF与PRI变换法结合的雷达信号分选方法 | 2023-01-07 | 2 |
| 本征图像分解方法、装置、设备及可读存储介质 | 2021-01-30 | 2 |
| 一种HEVC视频信息隐藏的嵌入方法及提取方法 | 2020-10-09 | 2 |
| 一种双相机识别的机器人引导装配控制装置 | 2020-12-11 | 1 |
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。
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。
