【摘要】：目前在國際通信系統(tǒng)技術的要求中,除了要實現(xiàn)大容量、高速率以外,如何提高信號帶寬及頻譜利用率也是難題之一。寬帶信號相較于窄帶信號,其所攜帶的信息更多,分辨力與抗干擾能力也比窄帶信號要強,而寬帶信號的延時擴展以及多徑衰減問題也可以通過陣列技術的使用來有效克服。因此寬帶信號相較于窄帶信號所具有的種種優(yōu)點使得對于寬帶信號的研究極具價值。為此,本文對寬帶陣列信號的波達方向(Direction of Arrival,DOA)的子空間類算法進行了研究,并針對信噪比、快拍數(shù)以及非均勻噪聲的影響,對算法進行了改進。論文主要研究改進的是子空間類算法,主要工作如下:首先,本文對陣列信號進行了建模以及參數(shù)分析。研究了窄帶信號DOA估計中的多重分類算法。對MUSIC算法以及能夠?qū)崿F(xiàn)相干信號解相干的空間平滑算法的原理與存在問題進行了研究與分析。研究了寬帶陣列信號的子空間類算法,寬帶信號子空間類DOA算法分為了非相干信號子空間(Incoherent Signal Subspace Method,ISM)類算法和相干信號子空間(Coherent Signal Subspace Method,CSM)類算法。本文介紹了ISM算法的原理及其存在問題,而對于CSM類算法的研究,主要放在了如何構(gòu)造聚焦矩陣上,本文介紹了三種常用的聚焦矩陣的構(gòu)造方法并對這三種方法進行仿真對比。然后針對傳統(tǒng)DOA估計在信號相干、低信噪比與噪聲非均勻環(huán)境下性能差的問題,本文基于修正后的矩陣分解,提出一種利用凸優(yōu)化的協(xié)方差矩陣最優(yōu)DOA估計方法。修正后的矩陣分解方法,解相干的同時克服了孔徑損失,利用凸優(yōu)化原理重構(gòu)出無噪聲的協(xié)方差矩陣,利用最小化搜索計算出DOA。仿真結(jié)果表明,所提算法與矩陣分解(matrix decomposition,MD)算法、l_1-SVD算法以及基于空間平滑的協(xié)方差秩最小化估計(spatial smoothing based covariance rank minimization,SS-CRM)算法比較,能更地抑制非均勻噪聲,且在低信噪比條件下,依然性能良好。最后,針對CSM算法雖然能夠?qū)崿F(xiàn)解相干但是對于入射角預估計過于依賴、在非均勻噪聲下性能惡化的問題,TOPS算法能夠克服算法對角度預估計準確性的依賴,但是算法依舊存在偽峰過多、無法解決非均勻噪聲對DOA估計性能的干擾等問題。基于TOPS算法進行進一步的改進,提出了基于OC-SMD算法的改進TOPS算法。首先針對TOPS算法偽峰過多的問題,對該算法的構(gòu)造矩陣進行了修正,接著基于凸優(yōu)化原理,利用協(xié)方差最優(yōu)的約束要求,對陣列輸出數(shù)據(jù)矩陣中的噪聲部分進行處理。該算法克服了TOPS算法頻譜有過多偽峰的問題,并且能夠克服低信噪比、低快拍數(shù)以及非均勻噪聲對于算法性能的影響。
【學位授予單位】：蘭州交通大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TN911.7
【圖文】：

基于修正后矩陣分解的最優(yōu)協(xié)方差寬帶 DOA 估計研究2 DOA 估計基本原理和方法DOA 估計利用空間陣列系統(tǒng)來對空間傳播信號的參數(shù)進行估計。整個 DOA 估計系統(tǒng)過程可以分為三步：空間信號入射、空間陣列接收及參數(shù)估計。相應地可分為三個對應空間，即：目標空間、觀察空間及估計空間，其示意圖如 2.1 所示：

圖 2.2 空間任意兩陣元的位置關系可以得到信號入射到這兩個陣元的路程差： 1x cos cos y sin cos zsinc ( 1,2, , )lx l ，原點為參考點，同時信號的入射)N，則：1( sin )li l ixc 中會出現(xiàn)多徑現(xiàn)象，因此在實際應用中，信號源大平穩(wěn)信號 ( )is t 和 ( )ks t ，為了考察這兩個信號的相關2 2E ( ) ( )E ( ) E ( )i kiki ks t s ts t s t

【相似文獻】

相關期刊論文 前10條

1 范云鵬;周水生;;矩陣分解[J];數(shù)學學習與研究;2012年03期

2 王建芳;張朋飛;谷振鵬;劉冉東;;一種優(yōu)化的帶偏置概率矩陣分解算法[J];小型微型計算機系統(tǒng);2017年05期

3 蔡國永;夏彬彬;;基于聯(lián)合矩陣分解的圖像情感分析研究[J];小型微型計算機系統(tǒng);2017年05期

4 田賢忠;沈杰;;大數(shù)據(jù)環(huán)境下基于概率矩陣分解的個性化推薦[J];計算機科學;2017年S1期

5 彭鵬;米傳民;肖琳;;基于用戶信任和興趣的概率矩陣分解推薦方法[J];計算機系統(tǒng)應用;2017年09期

6 張維玉;吳斌;耿玉水;朱江;;基于協(xié)同矩陣分解的評分與信任聯(lián)合預測[J];電子學報;2016年07期

7 高世偉,保錚;利用數(shù)據(jù)矩陣分解實現(xiàn)對空間相關信號源的超分辨處理[J];通信學報;1988年01期

8 劉雙全;孫六全;;矩陣分解初探[J];武測科技;1988年03期

9 田鐘穎,嚴克明;矩陣分解在運動分析中的應用初探[J];甘肅工業(yè)大學學報;1989年04期

10 張銘 ,楊萬麟 ,李樂民;用前后向數(shù)據(jù)矩陣分解實現(xiàn)相干源的超分辨空間譜估計[J];聲學與電子工程;1989年04期

相關會議論文 前8條

1 胡岸勇;柳重堪;苗俊剛;萬國龍;;基于降晰矩陣分解與POCS的高斯降晰圖像復原[A];全國第二屆信號處理與應用學術會議�？痆C];2008年

2 郭亦鴻;曾楠;何宏輝;何永紅;馬輝;;各向異性介質(zhì)的穆勒矩陣分解偏振光學特征[A];中國光學學會2011年學術大會摘要集[C];2011年

3 李葉青;丁帥;黃輝;汪家欣;;考慮隱含相似關系醫(yī)生推薦方法研究[A];第十九屆中國管理科學學術年會論文集[C];2017年

4 王春江;王人鵬;錢若軍;王穎;;矩陣分解技術在體系性態(tài)綜合分析中的初步應用[A];“力學2000”學術大會論文集[C];2000年

5 王婷婷;宋恩彬;;低復雜度的漸近最優(yōu)N-P檢測[A];第25屆中國控制與決策會議論文集[C];2013年

6 王春江;錢若軍;王人鵬;;平衡矩陣子空間分解——物理意義及其工程應用[A];第二屆全國現(xiàn)代結(jié)構(gòu)工程學術研討會論文集[C];2002年

7 羅正選;張霄力;;線性時滯切換系統(tǒng)的穩(wěn)定性[A];第25屆中國控制會議論文集（中冊）[C];2006年

8 王春江;錢若軍;王人鵬;楊聯(lián)萍;;矩陣分解在張力集成體系模態(tài)分析中的應用[A];第九屆全國結(jié)構(gòu)工程學術會議論文集第Ⅰ卷[C];2000年

相關博士學位論文 前10條

1 房毅憲;基于矩陣分解的跨模態(tài)檢索研究[D];山東師范大學;2019年

2 代祥光;矩陣分解相關模型的優(yōu)化算法研究[D];西南大學;2018年

3 宋凱嵩;基于矩陣分解的社會媒體文本個性化情感分析技術研究[D];東北大學;2017年

4 李雪;基于流形嵌入的矩陣分解算法研究[D];南京理工大學;2017年

5 趙謙;具有稀疏與穩(wěn)健特性的低秩矩陣分析方法研究[D];西安交通大學;2018年

6 趙科科;低秩矩陣分解的正則化方法與應用[D];浙江大學;2012年

7 郭亦鴻;利用穆勒矩陣分解定量測量各向異性介質(zhì)微觀結(jié)構(gòu)[D];清華大學;2014年

8 徐振興;基于地理標注照片的景點推薦方法研究[D];浙江大學;2017年

9 胡祥;融合社會輔助信息的社會化推薦研究[D];北京郵電大學;2017年

10 張維玉;社交網(wǎng)絡鏈路預測方法研究[D];北京郵電大學;2016年

相關碩士學位論文 前10條

1 張晨;基于生成對抗網(wǎng)絡的音樂推薦算法的設計與實現(xiàn)[D];華中科技大學;2019年

2 易旭;基于社區(qū)矩陣的概率矩陣分解推薦算法研究[D];華中科技大學;2019年

3 馬昌勝;一種帶偏置的深度矩陣分解推薦模型[D];華中科技大學;2019年

4 葉慧娟;基于深度學習的智能化資源推薦方法研究[D];福州大學;2018年

5 張澤利;屬性信息在矩陣分解個性化推薦算法中的研究與優(yōu)化[D];山東科技大學;2018年

6 陳攀;流形正則化的約束矩陣分解及其在圖像聚類中的應用[D];上海交通大學;2016年

7 曾旭禹;基于變分矩陣分解的電影推薦系統(tǒng)設計與應用[D];西南交通大學;2019年

8 馬黎文;基于修正后矩陣分解的最優(yōu)協(xié)方差寬帶DOA估計研究[D];蘭州交通大學;2019年

9 李幸幸;基于集成學習的推薦模型研究[D];北京交通大學;2019年

10 張洪磊;結(jié)合圖嵌入與矩陣分解的社會化推薦系統(tǒng)研究[D];北京交通大學;2019年

本文編號：2726061