基于特征值对角加载和构造二阶统计量的信源数估计方法技术

一种基于特征值对角加载和构造二阶统计量的信源数估计方法，针对天线阵列观测信号，计算其样本协方差矩阵，并对样本协方差矩阵进行特征值分解得到特征值序列，然后对特征值序列进行对角加载，再针对加载后的相邻特征值计算其差分值，并计算差分值的统计方差，然后再构造差分值的二阶统计量，根据二阶统计量的分布规律即可得到信源数的估计值。本发明专利技术提出的信源数估计方法具有较为广泛的适用性，既适用于经典渐近体系下的信源数估计，也适用于一般渐近体系下的信源数估计；既适用于高斯白噪声环境下的信源数估计，也适用于色噪声环境下的信源数估计；为电磁环境中辐射源的数量估计、信号波达方向估计等要求信源数作为条件的技术提供重要支撑。

【技术实现步骤摘要】
基于特征值对角加载和构造二阶统计量的信源数估计方法
本专利技术属于雷达、通信侦察
，更进一步涉及雷达、通信侦察信号处理
中的基于特征值对角加载和构造二阶统计量的信源数估计方法。
技术介绍
在许多信号处理研究和应用中，观测信号可以被建模为有限数量的源信号与噪声的混合。确定其中的信号源数量，对于信号参数估计算法而言是一个必须的前提，因而在许多领域引起了广泛的重视和研究，如生物医学，无线通信，地球物理，雷达，声纳及金融等。信源数估计方法本质上以观测数据及其矩函数的统计分析理论为基础，如信源数估计中常用的假设检验类方法和信息论准则类方法，主要利用观测数据的统计分布和样本特征值的统计量。目前，信源数估计方法主要以建立在经典渐近体系，即观测数据矩阵的维数固定而样本数趋于无穷的经典统计信号分析理论为基础，适用于样本数远远大于阵元数的小规模阵列信号。但是，在相控阵雷达、多输入多输出(MultipleInputMultipleOutput,MIMO)系统等大规模传感器阵列中，由于数据存储空间的限制和信号处理实时性的需求，实际中观测数据往往很难满足信号采样数远远大于阵元数的条件，通常属于高维有限采样数据甚至小采样数据，即信号采样数与阵元数在同一数量级甚至信号采样数小于阵元数的情况。大规模阵列观测数据的信号采样数与阵元数的比例关系往往不满足经典统计信号分析理论的要求，因此大规模阵列的出现给经典信源数估计技术带来了新的挑战。现阶段，经典渐近体系下的信源数估计方法中，假设检验类方法有球形检验和特征值检测等，主要利用样本特征值的统计分布规律构造用于假设检验的观测统计量并设置判决门限。信息论准则类方法包括Akaike信息准则(AkaikeInformationCriterion,AIC)、贝叶斯信息准则(BayesianInformationCriterion,BIC)、最小化描述长度(MinimumDescriptionLength,MDL)和预期描述长度(PredictiveDescriptionLength,PDL)等，通常将观测数据假设为高斯分布，根据观测数据联合概率分布的似然函数建立信源数估计的准则，其信源数估计的表达式则是样本特征值的函数。这些方法适用于高斯白噪声环境下。在经典渐近体系下，适用于色噪声环境下源数估计的方法主要有盖尔圆法和基于对角加载的信息论准则类方法，但这两类方法都不适用于大规模阵列之下。一般渐近体系下的信源数估计主要为基于随机矩阵理论的估计方法，包括适用于阵元数少于信号采样数的RMT-AIC方法、BN-AIC方法、BIC-variant方法、LS-MDL方法和基于spike模型的估计方法，适用于阵元数多于、少于或等于信号采样数的基于球形检验的估计方法和基于修正Rao得分检验的估计方法。这些方法不仅适用于一般渐近体系下的信源数估计，在经典渐近体系下也同样适用，但是，这些方法只适用于白噪声环境下，在色噪声环境下信源数估计失败。综合分析国内外文献可知，现阶段还缺乏既适用于经典渐近体系又适用于一般渐近体系，且无论在白噪声还是色噪声环境下的信源数估计方法。考虑到实际的阵列接收信号环境中，天线阵列数与信号采样数的比例关系，以及观测信号混叠的噪声是白噪声还是色噪声都是不可知的，因此为提高信号源数估计的可靠性，必须发展适用于经典渐近体系又适用于一般渐近体系，且无论在白噪声还是色噪声环境下都适用的信源数估计方法，本专利技术正是为满足这一需求而提出的一个有效技术方案。
技术实现思路
针对实际环境中应用阵列天线进行信号接收时天线阵列阵元数与信号采样数的比例关系以及观测信号混叠的噪声是白噪声还是色噪声都是不可知的实际情况，本专利技术提出一种基于特征值对角加载和构造二阶统计量的信源数估计方法，不需要预先判断天线阵列阵元数与信号采样数的关系(本专利技术的适用条件必需满足，天线阵元数M与信源数K、信号采样数N的关系为：M-K≥2，K＜N，M≤N)，以及观测信号混叠噪声是否是白噪声，直接根据天线阵列观测信号，就可在复杂电磁环境下对雷达、通信等窄带信号源个数进行盲估计。本专利技术提出的信源数估计方法的数学模型为：假设K个远场信号从方向θ1,…,θK入射到由M个传感器组成的阵列上，t时刻阵列观测信号为X(t)，表示为其中，X(t)＝[X1(t),X2(t),…,XM(t)]T(上标T表示转置)为阵列观测信号向量，a(θk)为阵列方向向量，A(θ)＝[a(θ1),a(θ2),…,a(θK)]为方向向量构成的矩阵，θ＝[θ1,…θK]T为信号的来波角度参数向量，s(t)＝[s1(t),s2(t),…,sK(t)]T为入射信号向量，w(t)＝[w1(t),w2(t),…,wM(t)]T为加性噪声向量，采样时刻t＝1,2,…,N，N为信号采样数。式(1)所示的阵列观测信号模型的基本假设条件如下：(1)入射信号为相互独立的窄带平稳信号，满足均值E{s(t)}＝0、协方差矩阵其中为第k个信号的功率；(2)阵列观测信号向量中叠加噪声为加性噪声，与信号独立；(3)入射信号数同时小于阵元数和样本数，即K＜min(M,N)；(4)信号在理想空间传播，阵列传感器具有全向一致性。在实际中，天线阵列接收的样本数据都含有噪声，并且可能是并非理想的高斯白噪声，而是复杂的空间色噪声。而在复杂的空间色噪声环境中，天线阵列接收数据的协方差矩阵的噪声特征值部分将变得非常发散，并非高斯白噪声下噪声特征值部分那样在噪声功率附近振动。色噪声造成的这种结果会使得利用假设检验和信息论准则进行信源数目估计的各种算法失效，利用基于盖尔圆定理的信源数估计方法，以及基于特征值对角加载结合信息论准则的信源数估计方法，都只能适用于经典渐近体系之下，即天线阵元数M与信号采样数N的关系为：M固定且M/N＜＜1，在一般渐近体系之下，即天线阵元数M与信号采样数N的关系为：M与N以相同的速率趋于无穷，M,N→∞且M/N→c∈(0,∞)，上述方法通常对于信源数估计失败，无论噪声是高斯白噪声还是色噪声。现有的基于随机矩阵理论的信源数估计方法，不能解决一般渐近体系下，观测信号混叠色噪声情况下的信源数估计问题。通过对天线阵列观测信号协方差矩阵的特征值进行分析，发现在色噪声环境下噪声特征值非常发散。本专利技术受已有的特征值对角加载思想的启发，结合对特征值分布特点的分析，提出一种信源数估计方法，其技术思路为：针对天线阵列观测信号，计算其样本协方差矩阵，并对样本协方差矩阵进行特征值分解得到特征值序列，然后对特征值序列进行对角加载，再针对角加载后的相邻特征值计算其差分值，并计算差分值的统计方差，在此基础上构造差分值的二阶统计量，根据二阶统计量的分布规律即可得到信源数的估计值。在前述数学模型和技术思路的基础上，本专利技术提出的信源数估计方法具体包括以下步骤：步骤1：设天线阵列有M个阵元，t时刻测量获得的M个观测信号为X(t)，X(t)＝[X1(t),X2(t),…,XM(t)]T(上标T表示转置)，采样时刻t＝1,2,…,N本文档来自技高网...

【技术保护点】
1.一种基于特征值对角加载和构造二阶统计量的信源数估计方法，其特征在于针对天线阵列观测信号，计算其样本协方差矩阵，并对样本协方差矩阵进行特征值分解得到特征值序列，然后对特征值序列进行对角加载，再针对角加载后的相邻特征值计算其差分值，并计算差分值的统计方差，然后再构造差分值的二阶统计量，根据二阶统计量的分布规律即可得到信源数的估计值。/n

【技术特征摘要】
1.一种基于特征值对角加载和构造二阶统计量的信源数估计方法，其特征在于针对天线阵列观测信号，计算其样本协方差矩阵，并对样本协方差矩阵进行特征值分解得到特征值序列，然后对特征值序列进行对角加载，再针对角加载后的相邻特征值计算其差分值，并计算差分值的统计方差，然后再构造差分值的二阶统计量，根据二阶统计量的分布规律即可得到信源数的估计值。


2.根据权利要求1所述的基于特征值对角加载和构造二阶统计量的信源数估计方法，其特征在于该信源数估计方法具体包括以下步骤：
步骤1：设天线阵列有M个阵元，t时刻测量获得的M个观测信号为X(t)，X(t)＝[X1(t),X2(t),…,XM(t)]T，采样时刻t＝1,2,…,N，N为信号采样数，计算观测信号的样本协方差矩阵
步骤2：对协方差矩阵R(t)进行特征值分解，其中特征值λi和特征向量ui也称为样本特征值和样本...

【专利技术属性】
技术研发人员：王川川，曾勇虎，董晓博，汪连栋，王华兵，朱宁，
申请(专利权)人：中国人民解放军六三八九二部队，
类型：发明
国别省市：河南;41