【技术实现步骤摘要】
本专利技术属于阵列天线信号处理领域，更进一步涉及波达方向估计中的一种基于householder收缩技术的混合源波达方向doa(direction of arrival)估计方法。本专利技术可用于对阵列接收的远近场信号进行doa估计。
技术介绍
1、波达方向估计被广泛应用于无线通信、雷达、声纳和地震勘探应用等工程
现有的高分辨率远场doa估计算法有很多种，常用的为旋转不变子空间和多重信号分类music(multiple signal classification)。当目标源位于菲涅尔区域，信号波前呈球面波的情况下，源定位的参数涉及范围和角度。对于近场源定位的问题，在现有的解决方案中，经典的为无需二维搜索的传播因子算法、近场求根music算法。然而，在实际应用中，每个扬声器都有可能位于远场和近场传感器范围内的任何位置，专为纯远场或纯近场信源定位设计的传统方法已经无法适用。
2、电子科技大学在其申请的专利文献“一种基于数字可编程超表面的多源doa估计方法”(申请号cn201810480366.1申请公布号cn 108680894 a)中公布了一种基于重构累积量矩阵混合场信源定位方法。该方法提出利用观测信号的协方差矩阵估计远场信号，再通过重构远场累积量矩阵来实现远近场分量的分离，进而估计出近场源参数。该方法存在的不足之处是：在利用观测信号协方差矩阵进行远场doa估计时，由于远场源doa和近场源doa和距离参数满足特定代数关系，导致在估计后得到的远场源的空间谱中存在近场源的伪峰。
3、zhi zheng和j
4、amir masoud molaei等人在其发表的论文“passive localization andclassification of mixed near-field and far-field sources based on high-orderdifferencing algorithm”(signal processing，2019，157：119-130.)中提出一种混合源定位的高阶差分方法，该方法利用构造的五个特殊的累积量矩阵进行矩阵交叉差分。第一个矩阵通过修改其秩并使用类esprit的方法，形成初始doa集合。另外四个矩阵通过两次差分运算，消除了远场信息，得到差分累积量矩阵，进而估计出近场源doa，集合中剩余的doa即为远场源。如果存在重叠doa，则利用峰度测试的机制来识别。该方法存在的不足之处是：由于利用多个累积量矩阵，造成计算量过大。且当近场和远场存在相同的doa时，无法从初始doa集合中判断类型，造成需要额外的步骤，进而增加算法的复杂性。
技术实现思路
1、本专利技术的目的是针对上述现有技术的不足，提出一种基于householder收缩技术的混合源doa估计方法，用于解决对近场源和远场源存在重叠时无法进行doa估计、远场源的空间谱中存在近场源的伪峰，多个高阶累积量矩阵计算复杂度过大的问题。
2、实现本专利技术目的的技术思路是：本专利技术利用householder压缩技术，从混合信号中依次去除近场分量，再利用剩余的远场分量实现谱估计，规避了现有技术中采用观测信号协方差矩阵进行远场doa估计导致在估计后得到的远场源的空间谱中存在近场源伪峰的问题。本专利技术利用householder变换所构造的变换矩阵，使其与转向矩阵的近场分量正交，进而保证了协方差矩阵的列满秩，避免了重叠doa导致的转向矩阵秩亏问题。本专利技术仅构造了一个累积量矩阵，并且householder变换矩阵与混合信号相乘的纯净远场信号，与混合信号相比维度降低，且随着近场源数量的增加，远场协方差矩阵维度会变得更低，特征值分解所涉及的乘法运算进一步降低。
3、实现本专利技术目的的具体步骤包括如下：
4、步骤1，生成高阶累积量矩阵，利用远场导向向量的过对称结构性质，使用空间自差分技术去除高阶累积量矩阵中的远场分量；
5、步骤2，通过空间谱估计算法，计算近场分量的doa估计值；
6、步骤3，通过一维谱搜索，利用采样协方差矩阵估计近场源的距离；
7、步骤4，通过householder变换构造变换矩阵h，使用householder压缩技术依次从混合信号中去除近场分量；
8、步骤5，利用谱峰搜索得到远场源的doa估计值。
9、本专利技术与现有技术相比具有以下优点：
10、第一，由于本专利技术利用householder压缩技术，从混合信号中依次去除近场分量，再利用剩余的远场分量实现谱估计，规避了现有技术中采用观测信号协方差矩阵进行远场doa估计，导致在估计后得到的远场源的空间谱中存在近场源伪峰的问题，使得本专利技术提高了近场源和远场源doa估计的精度。
11、第二，本专利技术通过householder变换，保证了近场源转向矩阵和变换矩阵的正交性，继而实现了纯远场分量的提取。克服了传统转向矩阵由于重叠doa存在的秩亏现象，使得本专利技术实现了近场源和远场源重叠doa的估计。
12、第三，本专利技术仅构造了一个累积量矩阵，并且由于远场协方差矩阵维度的减小，当近场源的数量增加时，特征值分解所涉及的乘法运算变少，继而使得本专利技术的计算复杂度会变得更低，提高了近场源和远场源doa估计的效率。
本文档来自技高网...【技术保护点】
1.一种基于Householder收缩技术的混合源DoA估计方法，其特征在于，利用累积量矩阵通过空间自差分技术进行近场DoA估计，采用Householder变换构造与近场导向分量正交的变换矩阵，使用Householder压缩技术依次从混合信号中去除近场分量；该DoA估计方法的步骤包括如下：
2.根据权利要求1所述的基于Householder收缩技术的混合源DoA估计方法，其特征在于，步骤1中所述的高阶累积量矩阵如下：
3.根据权利要求2所述的基于Householder收缩技术的混合源DoA估计方法，其特征在于，步骤1中所述的远场导向向量的过对称结构性质满足下述等式：
4.根据权利要求2所述的基于Householder收缩技术的混合源DoA估计方法，其特征在于，步骤1中所述的空间自差分是由下式实现的：
5.根据权利要求4所述的基于Householder收缩技术的混合源DoA估计方法，其特征在于，步骤2中所述的空间谱估计是由下式实现的：
6.根据权利要求5所述的基于Householder收缩技术的混合源DoA估计方法，其特征
7.根据权利要求1所述的基于Householder收缩技术的混合源DoA估计方法，其特征在于，步骤4中所述的通过Householder变换构造变换矩阵H是由下式实现的：
8.根据权利要求7所述的基于Householder收缩技术的混合源DoA估计方法，其特征在于，步骤4中所述的通过Householder收缩技术依次从混合信号中去除近场分量是由下式实现的：
9.根据权利要求8所述的基于Householder收缩技术的混合源DoA估计方法，其特征在于，步骤5中所述的谱峰搜索是由下式实现的：
...【技术特征摘要】
1.一种基于householder收缩技术的混合源doa估计方法，其特征在于，利用累积量矩阵通过空间自差分技术进行近场doa估计，采用householder变换构造与近场导向分量正交的变换矩阵，使用householder压缩技术依次从混合信号中去除近场分量；该doa估计方法的步骤包括如下：
2.根据权利要求1所述的基于householder收缩技术的混合源doa估计方法，其特征在于，步骤1中所述的高阶累积量矩阵如下：
3.根据权利要求2所述的基于householder收缩技术的混合源doa估计方法，其特征在于，步骤1中所述的远场导向向量的过对称结构性质满足下述等式：
4.根据权利要求2所述的基于householder收缩技术的混合源doa估计方法，其特征在于，步骤1中所述的空间自差分是由下式实现的：
5.根据权利要求4所述的基...
【专利技术属性】
技术研发人员：张伟涛，马钰莹，张东江，黄珍珍，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：
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。