论文部分内容阅读
波达方向(Direction of Arrival,DOA)估计是阵列信号处理的一个重要研究领域,在通信、雷达、声纳、地震勘测等领域有着广泛的应用前景,基于阵列信号处理的DOA估计可以同时对空间不同方向上的多个信号源实现高分辨率的方向估计。表示用户空间特征信息的波达方向是空间谱估计研究的主要课题,其中最经典的超分辨率空间谱估计方法是Schmidt博士于1979年提出的MUSIC(Multiple Signal Classification)算法,并于1986年重新发表。在模型准确的条件下,MUSIC算法能精确地估计空间上彼此互不相关信号的波达方向。但是,当空间信号相隔比较近且信噪比较低时,MUSIC算法却不能很好地分辨出它们的波达方向,解决的有效途径是充分利用目标信号中的有用信息,通过提取信号的重要特征,以提高信号分辨率。 本文首先介绍了阵列信号处理的基本原理,描述了DOA估计的信号模型,对DOA估计的经典算法即Capon算法和MUSIC算法进行了简单的概括和总结,同时,将蒙特卡洛仿真应用在均匀线阵上对这两种算法的性能以及优缺点进行了分析和对比。 接着,本文重点研究和分析了当天线阵元噪声为色噪声时,相关性噪声对MUSIC算法参数估计性能的影响。通过数学推导,在理论上建立了色噪声环境下MUSIC算法的输入协方差矩阵模型,参数估计误差模型和参数估计误差协方差矩阵模型,同时也从理论上解释了采样样本数与输入信号SNR,MUSIC算法参数估计偏差之间的数学关系,清楚地表明了低的SNR将严重影响MUSIC算法参数估计的性能;但在一定的范围内,可以通过增加采样样本数,优化输入协方差矩阵来降低估计偏差。然而,当SNR低到一定程度时,通过增加采样样本数对参数估计偏差的改善不明显。蒙特卡洛仿真应用在均匀线阵上证明了该结论的正确性。 最后,论文的重点放在对MUSIC算法的改进上,提出了一种在低信噪比情况下,能在一定程度上改善MUSIC算法参数估计偏差的有效方法,采用相关矩阵在信号子空间交替投影的方法,并通过迭代算法,把多维非线性问题转化为一维问题来求解,有效地改善了经典MUSIC算法中由于复杂的局部极大值结构,很难保证收敛到全局最大值的固有缺陷。该方法同时也具有降低计算复杂度,实现简单等优点。基于均匀线阵的蒙特卡洛仿真证明了该算法的有效性。