●章 緒論 1 1.1 研究背景 1 1.2 傳感器陣列信源定位發展及現狀 1 1.2.1 空間譜估計方法 2 1.2.2 陣列多維參數估計 4 1.3 本書的安排 7 參考文獻 8 第2章 傳感器陣列基礎 13 2.1 矩陣代數的相關知識 13 2.1.1 特征值與特征向量 13 2.1.2 廣義特征值與廣義特征向量 13 2.1.3 矩陣的奇異值分解 13 2.1.4 Toeplitz矩陣 14 2.1.5 Hankel矩陣 14 2.1.6 Vandermonde矩陣 15 2.1.7 Hermitian矩陣 15 2.1.8 Kronecker積 15 2.1.9 Khatri-Rao積 16 2.1.10 Hadamard積 17 2.1.11 向量化 17 2.2 信源和噪聲模型 18 2.2.1 窄帶信號 18 2.2.2 相關繫數 18 2.2.3 噪聲模型 19 2.3 陣列天線的統計模型 19 2.3.1 前提及假設 19 2.3.2 陣列的基本概念 19 2.3.3 天線陣列模型 21 2.3.4 陣列的方向圖 22 2.3.5 波束寬度 23 2.3.6 分辨率 24 2.4 陣列響應矢量/矩陣 25 2.5 陣列協方差矩陣的特征值分解 29 2.6 信源數估計方法 31 2.6.1 特征值分解方法 32 2.6.2 信息論方法 32 2.6.3 其他信源數估計方法 33 參考文獻 34 第3章 一維空間譜估計 36 3.1 引言 36 3.2 Capon算法和性能分析 37 3.2.1 數據模型 37 3.2.2 Capon算法 37 3.2.3 改進的Capon算法 38 3.2.4 Capon算法的均方誤差分析 39 3.3 MUSIC算法及其修正算法 42 3.3.1 MUSIC算法 42 3.3.2 MUSIC算法的推廣形式 43 3.3.3 MUSIC算法的性能分析 45 3.3.4 求根MUSIC算法 48 3.4 優選似然法 50 3.4.1 確定性優選似然法 51 3.4.2 隨機性優選似然法 52 3.5 子空間擬合算法 53 3.5.1 信號子空間的擬合(SSF) 54 3.5.2 噪聲子空間的擬合(NSF) 55 3.5.3 子空間擬合算法的性能分析 56 3.5.4 子空間擬合算法的實現 58 3.6 ESPRIT算法及其修正算法 65 3.6.1 ESPRIT算法 65 3.6.2 LS-ESPRIT算法 68 3.6.3 TLS-ESPRIT算法 69 3.6.4 ESPRIT算法的理論性能 70 3.7 基於四階累積量的DOA估計 73 3.7.1 四階累積量與二階統計量之間的關繫 74 3.7.2 四階累積量的陣列擴展特性 75 3.7.3 MUSIC-like算法 77 3.7.4 virtual-ESPRIT算法 77 3.8 傳播算子 79 3.8.1 譜峰搜索傳播算子 79 3.8.2 旋轉不變傳播算子 85 3.9 基於廣義ESPRIT算法的DOA估計 87 3.9.1 陣列模型 87 3.9.2 譜搜索廣義ESPRIT方法 88 3.9.3 無須搜索的廣義ESPRIT算法 89 3.10 基於壓縮感知理論的DOA估計 90 3.10.1 壓縮感知理論的基礎知識 90 3.10.2 基於壓縮感知理論的DOA估計算法 95 3.11 相干信源DOA估計 95 3.11.1 空間平滑算法 97 3.11.2 改進的MUSIC算法(IMUSIC) 98 3.11.3 基於Toeplitz矩陣重構的ESPRIT-like算法 99 3.11.4 任意陣列下的相干信號DOA估計 101 3.12 大規模均勻線陣下基於DFT技術的DOA估計算法 104 3.12.1 數據模型 105 3.12.2 基於DFT技術的低復雜度DOA估計算法 105 3.12.3 算法分析 107 3.12.4 仿真實驗 110 參考文獻 112 第4章 二維空間譜估計 118 4.1 引言 118 4.2 均勻面陣中基於旋轉不變性的二維DOA估計算法 119 4.2.1 數據模型 119 4.2.2 基於ESPRIT的二維DOA估計算法 121 4.2.3 基於PM的二維DOA估計算法 127 4.3 均勻面陣中基於MUSIC類的二維DOA估計算法 137 4.3.1 2D-MUSIC算法 137 4.3.2 降維MUSIC算法 139 4.3.3 級聯MUSIC算法 148 4.4 均勻面陣中基於三線性分解的二維DOA估計算法 153 4.4.1 數據模型 153 4.4.2 三線性分解 154 4.4.3 可辨識性分析 155 4.4.4 基於三線性分解的二維DOA估計 156 4.4.5 算法復雜度和優點 158 4.4.6 仿真結果 158 4.5 均勻面陣中基於壓縮感知三線性模型的二維DOA估計算法 162 4.5.1 三線性模型壓縮 162 4.5.2 三線性分解 163 4.5.3 可辨識性分析 164 4.5.4 基於稀疏恢復的二維DOA估計 165 4.5.5 算法復雜度和優點 166 4.5.6 仿真結果 167 4.6 雙平行線陣中基於DOA矩陣方法的二維DOA估計算法 170 4.6.1 陣列結構和信號模型 170 4.6.2 DOA矩陣方法 171 4.7 圓陣中的二維DOA估計算法 172 4.7.1 數據模型 172 4.7.2 波束空間轉換 173 4.7.3 UCA-RB-MUSIC算法 174 4.7.4 UCA-Root-MUSIC算法 175 4.7.5 UCA-ESPRIT算法 175 4.8 本章小結 176 參考文獻 177 第5章 傳感器陣列中非圓信號的空間譜估計 179 5.1 引言 179 5.2 均勻線陣中基於NC-ESPRIT的非圓信號DOA估計算法 180 5.2.1 數據模型 180 5.2.2 NC-ESPRIT算法 181 5.2.3 算法復雜度和優點 183 5.2.4 克拉美?羅界 183 5.2.5 仿真結果 187 5.3 非均勻線陣中基於降維NC-Capon的非圓信號DOA估計算法 189 5.3.1 數據模型 189 5.3.2 數據擴展 190 5.3.3 2D-NC-Capon算法 191 5.3.4 降維NC-Capon算法 191 5.3.5 性能分析 193 5.3.6 仿真結果 195 5.4 非均勻線陣中基於降維NC-MUSIC的非圓信號DOA估計算法 199 5.4.1 2D-NC-MUSIC算法 199 5.4.2 降維NC-MUSIC算法 200 5.4.3 性能分析 201 5.4.4 仿真結果 203 5.5 線陣中基於NC-GESPRIT的非圓信號DOA估計算法 206 5.5.1 數據模型 206 5.5.2 頻譜搜索NC-GESPRIT算法 207 5.5.3 求根NC-GESPRIT算法 209 5.5.4 算法優點 209 5.5.5 仿真結果 210 5.6 本章小結 214 參考文獻 214 第6章 傳感器陣列DOA跟蹤 216 6.1 引言 216 6.2 L型陣列中基於PAST的DOA跟蹤算法 217 6.2.1 數據模型 217 6.2.2 PAST算法 218 6.2.3 復雜度和CRB 222 6.2.4 仿真結果 226 6.3 面陣中基於自適應PARAFAC的DOA跟蹤算法 227 6.3.1 數據模型 228 6.3.2 PARAFAC-RLST算法 229 6.3.3 復雜度和CRB 233 6.3.4 仿真結果 233 6.4 線陣中基於Kalman濾波和OPASTd的DOA跟蹤算法 235 6.4.1 數據模型 235 6.4.2 Kalman濾波和OPASTd算法 236 6.4.3 復雜度和CRB 240 6.4.4 仿真結果 241 6.5 本章小結 243 參考文獻 243 第7章 傳感器陣列分布式信源定位 245 7.1 引言 245 7.2 線性陣列中基於ESPRIT的分布式信源定位算法 248 7.2.1 數據結構 248 7.2.2 基於ESPRIT的分布式信源定位算法 250 7.2.3 性能分析 253 7.2.4 仿真結果 254 7.3 線性陣列中基於DSPE的分布式信源定位算法 257 7.4 線性陣列中基於級聯DSPE的分布式信源定位算法 258 7.4.1 基於級聯DSPE的分布式信源定位算法 258 7.4.2 性能分析 260 7.4.3 仿真結果 261 7.5 線性陣列中基於廣義ESPRIT的分布式信源定位算法 268 7.5.1 數據結構 268 7.5.2 基於廣義ESPRIT的分布式信源定位算法 269 7.5.3 基於多項式求根的中心DOA估計方法 273 7.5.4 性能分析 275 7.5.5 仿真結果 279 7.6 平移不變陣列中基於快速PARAFAC的分布式信源定位算法 283 7.6.1 數據結構 283 7.6.2 基於快速PARAFAC的分布式信源定位算法 285 7.6.3 性能分析 289 7.6.4 仿真結果 291 7.7 本章小結 295 參考文獻 295 第8章 傳感器陣列近場信源定位 298 8.1 引言 298 8.1.1 研究背景 298 8.1.2 研究現狀 299 8.2 基於二階統計量的近場信源目標定位算法 300 8.2.1 數據模型 300 8.2.2 算法描述 302 8.2.3 算法步驟 304 8.2.4 算法復雜度分析 304 8.2.5 算法優點 305 8.2.6 仿真結果 306 8.3 2D-MUSIC算法 308 8.3.1 數據模型 308 8.3.2 算法描述 309 8.3.3 仿真結果 310 8.4 降秩MUSIC算法 312 8.4.1 算法描述 312 8.4.2 算法步驟 314 8.4.3 算法復雜度分析 314 8.4.4 算法優點 315 8.4.5 仿真結果 315 8.5 降維MUSIC算法 318 8.5.1 算法描述 319 8.5.2 算法步驟 322 8.5.3 算法復雜度分析 322 8.5.4 算法優點 323 8.5.5 仿真結果 324 8.6 本章小結 327 參考文獻 327
內容簡介
傳感器陣列信源定位是定位領域的一個重要分支,它采用傳感器陣列來接收空間信號。與傳統的單個定向傳感器相比,傳感器陣列信源定位具有高信號增益、極強的干擾抑制能力,以及更高的空間分辨能力等優點,具有重要的軍事、民事應用價值和前景。具體來說,傳感器陣列信源定位已在雷達、聲吶、通信、地震勘探、射電天文,以及醫學診斷等多種國民經濟、科學研究和國防軍事領域得到應用。本書分為8章,主要內容包括傳感器陣列基礎、一維空間譜估計、二維空間譜估計、傳感器陣列中非圓信號的空間譜估計、傳感器陣列DOA跟蹤、傳感器陣列分布式信源定位、傳感器陣列近場信源定位。本書的讀者對像為通信與信息繫統、信號和信息處理、微波和電磁場、水聲等專業的高年級本科生和研究生,以及相關領域的研究人員。
"眾所周知,信號處理的基本原則是盡可能地利用、提取和恢復包含在信號特征中的有用信息。隨著信息理論和技術的日益發展,能否在復雜的電磁環境中對信號參數進行有效檢測和精確估計就顯得尤為重要。信號處理技術最初是從一維時域信號處理中得到發展的。長期以來,人們在一維信號的檢測和分析方面取得了許多重要的成果。進入20世紀60年代以來,研究人員開始將一維信號處理逐漸延伸到多維信號處理領域中,通過傳感器陣列或天線陣列把時域采樣變成時空采樣,將時間頻率擴展到空間頻率(角度),從而將時域信號處理的許多理論成果推廣到空域,開闢了傳感器陣列信號處理這一新的研究領域。近年來,傳感器陣列信號處理逐漸成為信號處理領域的一個重要分支。與采用傳統的單個定向傳感器相比,用傳感器陣列接收空間信號具有靈活的波束控制、較高的信號增益、極強的干擾抑制能力及更高的空間分辨能力等優點,因此傳感器陣列信號處理技術具有重要的軍事、民事應用價值......
"