论文部分内容阅读
极化敏感阵列是一种能够敏感到电磁信号极化信息的阵列,和传统的普通阵列相比,它具有较强的抗干扰能力、稳健的检测能力、较高的分辨率以及极化多址等优点,广泛应用于通信,无线电,导航等领域。极化敏感阵列参数估计是近年来非常活跃、发展非常迅速的一个研究方向。PARAFAC(PARAllel FACtor,平行因子或三线性分解)最初是作为生理学中数据分析工具被提出的,主要用于化学计量学、光谱学和色谱学等,是高维数据分析的一种方法。在信号处理学科中,PARAFAC被视为对ESPRIT(Estimation of Signal Parameters via Rotational Invariance Techniques,借助旋转不变性进行信号参数估计)和联合近似对角化方法的推广。近年来,在信号处理和通信领域,PARAFAC的应用正在蓬勃发展。本文研究内容得到国家自然科学基金资助,是项目(60801052:基于三线性/多线性分解理论的极化敏感阵列信号处理研究)的重要组成部分。本文提出了极化敏感阵列中基于PARAFAC的盲DOA(Direction Of Arrival,波达方向)和极化估计算法。研究的阵列包括:均匀线阵,圆阵,L阵和面阵。对极化敏感阵列接收到的信号进行分析,接收信号具有三线性模型特征,用TALS(Trilinear Alternating Least Square,三线性交替最小二乘法)算法估计方向矩阵和极化矩阵,用最小二乘法估计DOA,然后根据前面已经估计出来的极化矩阵和DOA,进一步估计极化参数。在研究极化敏感均匀面阵时,进一步提出了基于四线性分解模型的盲DOA和极化估计算法。所有阵列研究均考虑双极化和三极化两种情况,并在不同的阵型中,分析了可辨识性条件。最后进行了仿真,结果表明该算法以低秩三线性/四线性数据分解的唯一性为基础,有较好的DOA和极化估计性能,并且支持小快拍数,无需导频符号或训练序列,无需任何信号统计特性,与其它经典子空间算法如ESPRIT,MUSIC(MUltiple SIgnal Classification,多重信号分类)相比,无需在交叉谱矩阵中运用任何特征值分解,也无需在接收到的数据中运用任何奇异值分解,是ESPRIT算法和联合近似对角化算法的推广。该算法为迭代算法,只需少量次的迭代即可收敛。