【技术实现步骤摘要】
本专利技术属于阵列信号处理领域,具体设计一种基于子空间加权稀疏恢复的宽带信号源定位方法。
技术介绍
目标角度估计问题的研究已经有几十年的历史,在很多领域具有重要意义,其中包括无线通信,雷达,声纳等诸多领域。在目标信号形式未知的情况下,传统的宽带目标信号角度估计首先要进行的是把宽带信号转换成窄带信号,然后利用一些窄带目标信号角度估计的算法进行目标角度估计。把宽带信号转换成窄带信号有两种思路,一种是非相干的处理方法,通过短时傅里叶变换,把目标信号转到频域,然后在各个频点独立进行目标角度估计,最后把各个频点估计结果进行融合;另外一种是相干的处理方法,通过短时傅里叶变换把目标信号转到频域,再设计一种变换,把所有频点映射到同一频点,最后通过窄带目标信号角度估计算法进行目标角度估计。无论哪种思路,最后的落脚都是窄带目标信号角度估计,而目前比较经典的传统的窄带目标信号角度估计算法有常规波束形成算法,最小方差无失真响应算法以及经典的子空间算法MUSIC算法等等。相较而言,常规波束形成算法最为简单,但该方法有较高的旁瓣且分辨率受到瑞利分辨极限的限制,增大分辨率的唯一办法是增大阵列孔径。最小方差无失真算法以及MUSIC算法分辨率不受瑞利分辨的限制,能实现超分辨,但两种算法的解相干能力较差,在相干信源场景性能会大幅度降低。
技术实现思路
本专利技术旨在至少解决上述技术问题之一。为此,本专利技术的一个目的在于提出一种解相干能力强、估计精度高的基于子空间加权稀疏恢复的宽带信号源定位方法。为了实现上述目的,本专利技术的实施例公开了一种基于子空间加权稀疏恢复的宽带信号源定位方法,包括以下 ...
【技术保护点】
一种基于子空间加权稀疏恢复的宽带信号源定位方法,其特征在于,包括以下步骤:S1:将空间中多个相关性未知的宽带信号照射到由多个各向同性的传感器构成的传感器线阵,并对所述传感器线阵中阵元数据进行分段和傅立叶变换,然后从傅立叶变换结果中选择多个频点的观测数据以得到观测复矩阵;S2:根据所述观测复矩阵在压缩感知框架下对目标信号到达角度估计进行重构得到第一信号模型,其中,所述第一信号模型包括过第一完备基矩阵、压缩感知框架下的目标信号的第一表征形式和第一加性噪声分量;S3:对所述观测复矩阵进行截断奇异值分解得到对角矩阵、各列式相应的左奇异向量和各列式相应的右奇异向量,根据所述对角矩阵、所述各列式相应的左奇异向量和所述各列式相应的右奇异向量构造权值矩阵;S4:根据所述权值矩阵计算权值向量;S5:根据所述第一信号模型中的各个分量进行降维得到第二信号模型,其中,所述第二信号模型包括第二完备基矩阵、压缩感知框架下的目标信号的第二表征形式和第二加性噪声分量,所述第二完备基矩阵和所述压缩感知框架下的目标信号的第二表征形式具有相同的支撑集;S6:对所述第二信号模型进行优化得到压缩感知框架下的目标信号的第三表征形 ...
【技术特征摘要】
1.一种基于子空间加权稀疏恢复的宽带信号源定位方法,其特征在于,包括以下步骤:S1:将空间中多个相关性未知的宽带信号照射到由多个各向同性的传感器构成的传感器线阵,并对所述传感器线阵中阵元数据进行分段和傅立叶变换,然后从傅立叶变换结果中选择多个频点的观测数据以得到观测复矩阵;S2:根据所述观测复矩阵在压缩感知框架下对目标信号到达角度估计进行重构得到第一信号模型,其中,所述第一信号模型包括过第一完备基矩阵、压缩感知框架下的目标信号的第一表征形式和第一加性噪声分量;S3:对所述观测复矩阵进行截断奇异值分解得到对角矩阵、各列式相应的左奇异向量和各列式相应的右奇异向量,根据所述对角矩阵、所述各列式相应的左奇异向量和所述各列式相应的右奇异向量构造权值矩阵;S4:根据所述权值矩阵计算权值向量;S5:根据所述第一信号模型中的各个分量进行降...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。