unitary MUSIC 算法

这篇具有很好参考价值的文章主要介绍了unitary MUSIC 算法。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

unitary MUSIC 算法

  论文 A Unitary Transformation Method for Angle-of-Arrival Estimation 中提出了 unitary MUSIC 的算法,直译就是酉 MUSIC 算法,即酉变换 MUSIC 算法。该算法的目的是简化计算复杂度,将传统 MUSIC 算法中的复数 SVD 和复数网格搜索计算转化为实数计算。在学习 unitary MUSIC 之前需要理解 Hermitian 矩阵及 Persymmetric 矩阵的概念及性质:

  1. Hermitian 矩阵指的是满足 A H = A \mathbf{A}^H = \mathbf{A} AH=A 的矩阵 A \mathbf{A} A
  2. Persymmetric 矩阵指的是满足 A J = J A T \mathbf{A}\mathbf{J} = \mathbf{J}\mathbf{A}^T AJ=JAT 的矩阵 A \mathbf{A} A,其中 J \mathbf{J} J 其对角线从左下至右上,很多地方又称 J \mathbf{J} J 为选择矩阵。
  3. 假若矩阵 A \mathbf{A} A 既为 Hermitian 矩阵又为 Persymmetric 矩阵,则满足:
    J A ∗ J = A \mathbf{J}\mathbf{A}^*\mathbf{J}=\mathbf{A} JAJ=A
    其中 A ∗ \mathbf{A}^* A A \mathbf{A} A 的共轭。

  在接下来的讨论中, I \mathbf{I} I J \mathbf{J} J 分别用作表示单位矩阵和选择矩阵,下文中将会出现这两种矩阵的运算,例如 A I \mathbf{A}\mathbf{I} AI J B \mathbf{J}\mathbf{B} JB,设 A \mathbf{A} A B \mathbf{B} B 均为方阵,如果没有特别强调,则说明 I \mathbf{I} I J \mathbf{J} J 分别和 A \mathbf{A} A B \mathbf{B} B 同维度。

算法原理

  前面讨论的子空间算法中,复协方差矩阵的特征值分解是至关重要的一步,然而该步的计算量很高。为了降低计算量,unitary MUSIC 算法考虑利用一个酉矩阵将原先的复协方差矩阵 R \mathbf{R} R 转换成实协方差矩阵,同时传统算法中的复空间搜索向量 a ( θ ) \mathbf{a}(\theta) a(θ) 也用实向量来代替。
  unitary MUSIC 算法的提出基于一个性质,即若不相关的窄带远场信号源射入均匀线阵中,其协方差矩阵不仅是 Hermitian,且 Persymmetric。通常估计的协方差矩阵 R ≜ R ^ \mathbf{R}\triangleq \hat{\mathbf{R}} RR^ 仅仅只是 Hermitian 矩阵但不满足 Persymmetric 性质,需要先获得一个满足 Persymmetric 性质的估计协方差矩阵:
R ≜ 1 2 ( R ^ + J R ^ ∗ J ) \begin{equation*} \mathbf{R}\triangleq \frac{1}{2}(\hat{\mathbf{R}}+ \mathbf{J}\hat{\mathbf{R}}^*\mathbf{J}) \end{equation*} R21(R^+JR^J)
  假设阵元数 M M M 为偶数,unitary MUSIC 算法引入了一个酉矩阵 Q ∈ C M × M \mathbf{Q}\in\mathbb{C}^{M\times M} QCM×M
Q = 1 2 [ I J j J − j I ] \mathbf{Q} = \frac{1}{\sqrt{2}} \begin{bmatrix} \mathbf{I} & \mathbf{J} \\ \mathrm{j}\mathbf{J} & -\mathrm{j}\mathbf{I} \end{bmatrix} Q=2 1[IjJJjI]
其中 I \mathbf{I} I J \mathbf{J} J 分别为单位矩阵和选择矩阵,且该两个矩阵维度均为 M 2 × M 2 \frac{M}{2}\times \frac{M}{2} 2M×2M。易得 Q \mathbf{Q} Q 为酉矩阵,即 Q − 1 = Q H \mathbf{Q}^{-1} = \mathbf{Q}^H Q1=QH,同时满足:
Q ∗ J = Q \mathbf{Q}^*\mathbf{J} = \mathbf{Q} QJ=Q
  至此到了本算法的关键,它在于证明由于 R \mathbf{R} R 是 Hermitian 且 Persymmetric 矩阵, Q R Q H \mathbf{Q}\mathbf{R}\mathbf{Q}^H QRQH 是实对称矩阵

因为 R \mathbf{R} R 为 Hermitian,易得 Q R Q H \mathbf{Q}\mathbf{R}\mathbf{Q}^H QRQH 为 Hermitian;因此只需要证明 Q R Q H \mathbf{Q}\mathbf{R}\mathbf{Q}^H QRQH 是实矩阵,即证明 ( Q R Q H ) ∗ = Q R Q H (\mathbf{Q}\mathbf{R}\mathbf{Q}^H)^* = \mathbf{Q}\mathbf{R}\mathbf{Q}^H (QRQH)=QRQH
( Q R Q H ) ∗ = Q ∗ R ∗ Q T = ( Q ∗ J ) ( J R ∗ J ) ( J Q T ) = Q R Q H \begin{equation*} \begin{aligned} &(\mathbf{Q}\mathbf{R}\mathbf{Q}^H)^* \\ = &\mathbf{Q}^*\mathbf{R}^*\mathbf{Q}^T \\ = &(\mathbf{Q}^*\mathbf{J})(\mathbf{J}\mathbf{R}^*\mathbf{J})(\mathbf{J}\mathbf{Q}^T)\\ = &\mathbf{Q}\mathbf{R}\mathbf{Q}^H \end{aligned} \end{equation*} ===(QRQH)QRQT(QJ)(JRJ)(JQT)QRQH
由此得证。

  综上所述,unitary MUSIC 算法引入酉矩阵 Q \mathbf{Q} Q 并令 R ≜ Q R Q H \mathbf{R}\triangleq\mathbf{Q}\mathbf{R}\mathbf{Q}^H RQRQH,使得酉变换后的协方差矩阵变为实对称矩阵,接着对其特征值分解即可进行后续的搜索步骤。而 ULA 的搜索方向矢量为:
a ( θ ) = [ 1 , e − j 2 π d sin ⁡ θ / λ , ⋯   , e − j ( M − 1 ) 2 π d sin ⁡ θ / λ ] T \mathbf{a}(\theta) = \left[1, e^{-\mathrm{j}2\pi d\sin\theta/\lambda},\cdots,e^{-\mathrm{j}(M-1)2\pi d\sin\theta/\lambda}\right]^T a(θ)=[1,ej2πdsinθ/λ,,ej(M1)2πdsinθ/λ]T
则 unitary MUSIC 算法的搜索方向矢量为 a ( θ ) ≜ Q a ( θ ) \mathbf{a}(\theta)\triangleq\mathbf{Q}\mathbf{a}(\theta) a(θ)Qa(θ)
  为了进一步降低算法计算复杂度,Unitary MUSIC 算法考虑将搜索方向矢量也用实变量代替,做法如下:
a ( θ ) ≜ e j M − 1 2 2 π d sin ⁡ θ / λ Q a ( θ ) = Q [ e j M − 1 2 2 π d sin ⁡ θ / λ , ⋯   , e j 1 2 2 π d sin ⁡ θ / λ , e − j 1 2 2 π d sin ⁡ θ / λ , ⋯   , e − j M − 1 2 2 π d sin ⁡ θ / λ ] T \begin{aligned} \mathbf{a}(\theta) &\triangleq e^{j\frac{M-1}{2}2\pi d\sin\theta/\lambda}\mathbf{Q}\mathbf{a}(\theta) \\ &= \mathbf{Q}\left[e^{\mathrm{j}\frac{M-1}{2}2\pi d\sin\theta/\lambda},\cdots, e^{\mathrm{j}\frac{1}{2}2\pi d\sin\theta/\lambda},e^{-\mathrm{j}\frac{1}{2}2\pi d\sin\theta/\lambda},\cdots,e^{-\mathrm{j}\frac{M-1}{2}2\pi d\sin\theta/\lambda}\right]^T \end{aligned} a(θ)ej2M12πdsinθ/λQa(θ)=Q[ej2M12πdsinθ/λ,,ej212πdsinθ/λ,ej212πdsinθ/λ,,ej2M12πdsinθ/λ]T
不难看出原方向矢量对应的阵列索引位置为 { 0 , 1 , ⋯   , M − 1 } \{0,1,\cdots,M-1\} {0,1,,M1},而更新后方向矢量对应的阵列索引位置为 { − M − 1 2 , − M − 3 2 , ⋯   , − 1 2 , 1 2 , ⋯   , M − 3 2 , M − 1 2 } \{-\frac{M-1}{2},-\frac{M-3}{2},\cdots,-\frac{1}{2},\frac{1}{2},\cdots,\frac{M-3}{2},\frac{M-1}{2}\} {2M1,2M3,,21,21,,2M3,2M1}。此时 unitary MUSIC 算法的搜索方向矢量更新为:
a ‾ ( θ ) = e j M − 1 2 2 π d sin ⁡ θ / λ Q a ( θ ) = 2 [ cos ⁡ ( M − 1 2 2 π d sin ⁡ θ / λ ) ⋮ cos ⁡ ( 1 2 2 π d sin ⁡ θ / λ ) sin ⁡ ( − 1 2 2 π d sin ⁡ θ / λ ) ⋮ sin ⁡ ( − M − 1 2 2 π d sin ⁡ θ / λ ) ] \begin{aligned} \overline{\mathbf{a}}(\theta)&= e^{\mathrm{j}\frac{M-1}{2}2\pi d\sin\theta/\lambda}\mathbf{Q}\mathbf{a}(\theta) \\ &= \sqrt{2} \begin{bmatrix} \cos\left(\frac{M-1}{2}2\pi d\sin\theta/\lambda\right) \\ \vdots \\ \cos\left(\frac{1}{2}2\pi d\sin\theta/\lambda\right) \\ \sin\left(-\frac{1}{2}2\pi d\sin\theta/\lambda\right) \\ \vdots \\ \sin\left(-\frac{M-1}{2}2\pi d\sin\theta/\lambda\right) \end{bmatrix} \end{aligned} a(θ)=ej2M12πdsinθ/λQa(θ)=2 cos(2M12πdsinθ/λ)cos(212πdsinθ/λ)sin(212πdsinθ/λ)sin(2M12πdsinθ/λ)
  当 M M M 为奇数时,酉矩阵 Q \mathbf{Q} Q 的形式为:
Q = 1 2 [ I O J O T 2 O T j J O − j I ] \mathbf{Q} = \frac{1}{\sqrt{2}} \begin{bmatrix} \mathbf{I} & \mathbf{O} & \mathbf{J} \\ \mathbf{O}^T & \sqrt{2} & \mathbf{O}^T \\ \mathrm{j}\mathbf{J} & \mathbf{O} & -\mathrm{j}\mathbf{I} \end{bmatrix} Q=2 1 IOTjJO2 OJOTjI
其中 O \mathbf{O} O 为零矩阵。

进一步理解

  在上一小节中,我整理了论文对于 unitary MUSIC 算法的解释及证明,其核心思想在于酉矩阵 Q \mathbf{Q} Q 的提出。在本小节中,我将进一步对 Q \mathbf{Q} Q 的作用谈谈自己的理解。
  在论文中,unitary 算法一直强调 R \mathbf{R} R 的 Hermitian 及 Persymmetric 性质,因为假若 R \mathbf{R} R 不满足这两个性质, Q R Q H \mathbf{Q}\mathbf{R}\mathbf{Q}^H QRQH 将不是实矩阵,但是利用 R e ( Q R Q H ) \mathrm{Re}(\mathbf{Q}\mathbf{R}\mathbf{Q}^H) Re(QRQH) 来进行后续的估计其实是可以估计角度的。假设 M = 4 M=4 M=4 φ = 2 π d sin ⁡ θ / λ \varphi = 2\pi d \sin\theta/\lambda φ=2πdsinθ/λ,展开 Q a ( θ ) \mathbf{Q}\mathbf{a}(\theta) Qa(θ)
Q a ( θ ) = 2 [ 1 0 0 1 0 1 1 0 0 j − j 0 j 0 0 − j ] [ 1 e − j φ e − j 2 φ e − j 3 φ ] = 2 [ 1 + e − j 3 φ e − j φ + e − j 2 φ j ( e − j φ − e − j 2 φ ) j ( 1 − e − j 3 φ ) ] = 2 e − j 3 2 φ [ e j 3 2 φ + e − j 3 2 φ e j 1 2 φ + e − j 1 2 φ j ( e j 1 2 φ − e − j 1 2 φ ) j ( e j 3 2 φ − e − j 3 2 φ ) ] = 2 e − j 3 2 φ [ cos ⁡ ( 3 2 φ ) cos ⁡ ( 1 2 φ ) sin ⁡ ( − 1 2 φ ) sin ⁡ ( − 3 2 φ ) ] = e − j 3 2 φ a ‾ ( θ ) \begin{aligned} \mathbf{Q}\mathbf{a}(\theta) &= \sqrt{2} \begin{bmatrix} 1 & 0 & 0 & 1 \\ 0 & 1 & 1 & 0 \\ 0 & \mathrm{j} & -\mathrm{j} & 0 \\ \mathrm{j} & 0 & 0 & -\mathrm{j} \end{bmatrix} \begin{bmatrix} 1\\ e^{-\mathrm{j}\varphi}\\ e^{-\mathrm{j}2\varphi}\\ e^{-\mathrm{j}3\varphi} \end{bmatrix} \\ &=\sqrt{2}\begin{bmatrix} 1 + e^{-\mathrm{j}3\varphi}\\ e^{-\mathrm{j}\varphi} + e^{-\mathrm{j}2\varphi}\\ \mathrm{j}(e^{-\mathrm{j}\varphi} - e^{-\mathrm{j}2\varphi})\\ \mathrm{j}(1 - e^{-\mathrm{j}3\varphi}) \end{bmatrix}\\ &=\sqrt{2}e^{-\mathrm{j}\frac{3}{2}\varphi}\begin{bmatrix} e^{\mathrm{j}\frac{3}{2}\varphi} + e^{-\mathrm{j}\frac{3}{2}\varphi}\\ e^{\mathrm{j}\frac{1}{2}\varphi} + e^{-\mathrm{j}\frac{1}{2}\varphi}\\ \mathrm{j}(e^{\mathrm{j}\frac{1}{2}\varphi} - e^{-\mathrm{j}\frac{1}{2}\varphi})\\ \mathrm{j}(e^{\mathrm{j}\frac{3}{2}\varphi} - e^{-\mathrm{j}\frac{3}{2}\varphi}) \end{bmatrix}\\ &=\sqrt{2}e^{-\mathrm{j}\frac{3}{2}\varphi}\begin{bmatrix} \cos(\frac{3}{2}\varphi) \\ \cos(\frac{1}{2}\varphi) \\ \sin(-\frac{1}{2}\varphi) \\ \sin(-\frac{3}{2}\varphi) \end{bmatrix}\\ &=e^{-\mathrm{j}\frac{3}{2}\varphi}\overline{\mathbf{a}}(\theta) \end{aligned} Qa(θ)=2 100j01j001j0100j 1ejφej2φej3φ =2 1+ej3φejφ+ej2φj(ejφej2φ)j(1ej3φ) =2 ej23φ ej23φ+ej23φej21φ+ej21φj(ej21φej21φ)j(ej23φej23φ) =2 ej23φ cos(23φ)cos(21φ)sin(21φ)sin(23φ) =ej23φa(θ)
  至此可以得到 Q a ( θ ) = e − j M − 1 2 φ a ‾ ( θ ) \mathbf{Q}\mathbf{a}(\theta)=e^{-\mathrm{j}\frac{M-1}{2}\varphi}\overline{\mathbf{a}}(\theta) Qa(θ)=ej2M1φa(θ),进一步我们可以得到:
Q A = e − j M − 1 2 φ A ‾ \mathbf{Q}\mathbf{A}=e^{-\mathrm{j}\frac{M-1}{2}\varphi}\overline{\mathbf{A}} QA=ej2M1φA
其中 A ‾ ∈ R M × K \overline{\mathbf{A}}\in\mathbb{R}^{M\times K} ARM×K 是由 K K K 个形如 a ‾ ( θ ) \overline{\mathbf{a}}(\theta) a(θ) 的实向量组成的矩阵。最后一步,我们可以得到:
Q R Q H = ( e − j M − 1 2 φ A ‾ ) R s ( e j M − 1 2 φ A ‾ T ) = A ‾ R s A ‾ T \begin{aligned} \mathbf{Q}\mathbf{R}\mathbf{Q}^H&=\left(e^{-\mathrm{j}\frac{M-1}{2}\varphi}\overline{\mathbf{A}}\right)\mathbf{R}_s\left(e^{\mathrm{j}\frac{M-1}{2}\varphi}\overline{\mathbf{A}}^T\right)\\ &=\overline{\mathbf{A}}\mathbf{R}_s\overline{\mathbf{A}}^T \end{aligned} QRQH=(ej2M1φA)Rs(ej2M1φAT)=ARsAT
因此有 R e ( Q R Q H ) = A ‾ R e ( R s ) A ‾ T \mathrm{Re}(\mathbf{Q}\mathbf{R}\mathbf{Q}^H) = \overline{\mathbf{A}}\mathrm{Re}(\mathbf{R}_s)\overline{\mathbf{A}}^T Re(QRQH)=ARe(Rs)AT,不难看出即使 R \mathbf{R} R 不满足 Hermitian 及 Persymmetric 性质,仍然不会破坏正交性。
  总的来说, Q \mathbf{Q} Q 的作用就是使得方向矢量转为实向量,如此便可以利用协方差矩阵的实部进行后续的计算。

算法步骤

  unitary MUSIC 算法步骤如下(输入为阵列接收矩阵 X \mathbf{X} X):文章来源地址https://www.toymoban.com/news/detail-828436.html

  1. 计算协方差矩阵 R = 1 T X X H \mathbf{R} = \frac{1}{T} \mathbf{X}\mathbf{X}^H R=T1XXH 和酉矩阵 Q \mathbf{Q} Q,接着以 R ≜ Q R Q H \mathbf{R}\triangleq\mathbf{Q}\mathbf{R}\mathbf{Q}^H RQRQH 更新协方差矩阵。
  2. R \mathbf{R} R 进行特征值分解,并对特征值进行排序,然后取得 M − K M-K MK 个较小特征值对应的特征向量来组成噪声子空间 U n \mathbf{U}_n Un
  3. 以下式遍历 θ ∈ [ − 9 0 ∘ , 9 0 ∘ ] \theta \in [-90^{\circ}, 90^{\circ}] θ[90,90]
    P ( θ ) = 1 a ‾ H ( θ ) U n U n T a ‾ ( θ ) \begin{equation*} P(\theta) = \frac{1}{\overline{\mathbf{a}}^H(\theta)\mathbf{U}_n\mathbf{U}_n^T\overline{\mathbf{a}}(\theta)} \end{equation*} P(θ)=aH(θ)UnUnTa(θ)1
    此时得到一组 P ( θ ) P(\theta) P(θ) K K K 个最大值对应的 θ \theta θ 就是需要返回的结果。

代码实现

clear; close all; clc;

%% Parameters
lambda     = 3e8/1e9;         % wavelength, c/f
d          = lambda/4;        % distance between sensors
theta      = [10,20];         % true DoAs, 1 times K vector
theta      = sort(theta);
M          = 16;              % # of sensors
T          = 500;             % # of snapshots
K          = length(theta);   % # of signals
noise_flag = 1;
SNR        = 0;               % signal-to-noise ratio
grid       = 0.1;             % search grid

%% Signals
R = generateSignal(M,K,T,theta,lambda,d,noise_flag,SNR);

%% DoA 
% unitary-MUSIC
[theta_unitary_music,P_unitary_music] = unitaryMUSIC(R,M,K,lambda,d,grid);

%% plot
figure;
hold on;
ang_list = -90:grid:90;
plot(ang_list, P_unitary_music);
hold off;

function [R,X,A,S] = generateSignal(M,K,T,theta,lambda,d,noise_flag,SNR)
    S = exp(1j*2*pi*randn(K,T)); % signal matrix
    A = exp(-1j*(0:M-1)'*2*pi*d/lambda*sind(theta)); % steering vector matrix
    N = noise_flag.*sqrt(10.^(-SNR/10))*(1/sqrt(2))*(randn(M,T)+1j*randn(M,T)); % noise matrix
    X = A*S+N; % received matrix
    R = X*X'/T; % covariance matrix
end

function [theta,P] = unitaryMUSIC(R,M,K,lambda,d,grid)
    M_half = floor(M/2);
    O = zeros(M_half,1);
    I = eye(M_half);
    J = fliplr(I);
    if mod(M,2) == 0
        Q = [I,J;1j*J,-1j*I]./sqrt(2);
    else
        Q = [I,O,J;O',sqrt(2),O';1j*J,O,-1j*I]./sqrt(2);
    end
    R = real(Q*R*Q');
    [U,~] = svd(R);
    Un = U(:, K+1:M);

    a_list = exp(-1j*(0:M-1).'*2*pi*d/lambda*sind(-90:grid:90));
    a_list = a_list.*exp(1j*(M-1)*ones(M,1)*pi*d/lambda*sind(-90:grid:90));
    a_list = real(Q*a_list);
    P = arrayfun(@(i) 1/norm(Un'*a_list(:,i),'fro'),1:size(a_list,2)); % spectral spectrum grid search
    P = 10*log10(P./max(P));

    [~, idx] = findpeaks(P,'NPeaks',K,'SortStr','descend'); % find K peaks
    theta = sort((idx-1)*grid-90);
end

参考内容

  1. Huarng K C, Yeh C C. A unitary transformation method for angle-of-arrival estimation[J]. IEEE Transactions on Signal Processing, 1991, 39(4): 975-977.
  2. 【wikipedia】Persymmetric matrix
  3. 【wikipedia】Hermitian matrix

到了这里,关于unitary MUSIC 算法的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 【学习笔记】【DOA子空间算法】5 SS-MUSIC 算法

      在学习 SS-MUSIC 算法之前需要理解相干信号的概念。首先定义两个平稳信号 s i ( t ) s_i(t) s i ​ ( t ) 和 s k ( t ) s_k(t) s k ​ ( t ) 的相关系数 ρ i k rho_{ik} ρ ik ​ 如下: ρ i k = E [ s i ( t ) s k ∗ ( t ) ] E [ ∣ s i ( t ) ∣ 2 ] E [ ∣ s k ( t ) ∣ 2 ] begin{equation*} rho_{ik} = frac{mathrm{E}

    2024年02月12日
    浏览(61)
  • 【学习笔记】【DOA子空间算法】3 root-MUSIC 算法

      root-MUSIC 算法是 MUSIC 算法的一种多项式求根形式,其基本思想是 Pisarenko 分解。相比于 MUSIC 算法,root-MUSIC 算法无须谱峰搜索,降低了复杂度。   由前面可知,ULA 的方向矢量 a ( θ ) mathbf{a}(theta) a ( θ ) 如下: a ( θ ) = [ exp ⁡ ( − j 2 π d 1 sin ⁡ θ / λ ) ⋮ exp ⁡ ( −

    2024年02月12日
    浏览(39)
  • 阵列信号处理笔记(3):阵列调向、栅瓣、半功率波束带宽、端射阵列

      阵列调向是阵列信号处理中一个非常基本的问题,通常阵列调向需要做的就是将主瓣对准某一特定位置。这一骚操作可以通过物理手段实现,例如旋转阵列朝向,或者通过电子方式实现。一个比较经典的例子是基站天线的下倾角调节,如图所示。   这种天线通过一个可调

    2024年02月11日
    浏览(44)
  • 《阵列信号处理及MATLAB实现》阵列响应矩阵(均匀线阵、均匀圆阵、L型阵列、平面阵列和任意阵列)

    常用的阵列形式包括均匀线阵、均匀圆阵、L型阵列、平面阵列和任意阵列等。  假设接收信号满足窄带条件,即信号经过阵列长度所需的时间应远远小于信号的相干时间,信号包络在天线阵列传播时间内变化不大。为简化,假定信源和天线阵列是在同一平面内,并且入射到阵

    2024年01月23日
    浏览(85)
  • unitary MUSIC 算法

      论文 A Unitary Transformation Method for Angle-of-Arrival Estimation 中提出了 unitary MUSIC 的算法,直译就是酉 MUSIC 算法,即酉变换 MUSIC 算法。该算法的目的是简化计算复杂度,将传统 MUSIC 算法中的复数 SVD 和复数网格搜索计算转化为实数计算。在学习 unitary MUSIC 之前需要理解 Hermiti

    2024年02月20日
    浏览(41)
  • DOA算法之DBF、CAPON、MUSIC、ROOT-MUSIC、ESPRIT、DML算法对比

    阵列信号处理算法应用领域涉及雷达、声纳、卫星通信等众多领域,其 主要目的就是对天线阵列接收到的信号进行处理,增强有用信号,抑制无用信号,以达到空域滤波的目的 ,最后提取回波信号中所包含的角度等信息。 DOA估计意思是波达角度估计,是指电磁波到达天线阵

    2024年02月06日
    浏览(137)
  • 毫米波雷达DOA估计,包含3D-FFT,DBF,music算法三种测角算法原理

      毫米波雷达的目标角度估计,特别是角度分辨率的提高是雷达探测需要解决的核心问题,使用FFT(快速傅里叶变换)或者DBF(数字波束形成技术)做DOA估计是最简单且运算复杂度最低的方法,但是这两方法并不能实现超分辨,其角分辨率受限于阵列的孔径,music算法是实

    2024年02月03日
    浏览(72)
  • 现代信号处理实验:MATLAB实现LD算法进行AR估计

    利用给定的一组样本数据估计一个平稳随机信号的功率谱密度称为功率谱估计,又称谱估计。谱估计的方法可以分成经典谱估计和现代谱估计。 经典谱估计又称为非参数化的谱估计,分为直接法和间接法。直接法是指直接计算样本数据的傅里叶变换,即获取频谱,然后计算频

    2024年02月03日
    浏览(59)
  • 聊聊音频信号处理中一个不太起眼的算法-limiter

    本文对笔者关于音频信号处理中的 Limiter 的理解作以记录。如有表述不当之处欢迎批评指正。欢迎任何形式的转载,但请务必注明出处。 由于工作上的需要,笔者花了一周左右的时间对 limiter (它属于动态范围控制器里面的一种算法,动态范围控制器包括 compressor, expander,

    2024年02月21日
    浏览(63)
  • 雷达信号处理算法:静态杂波滤除(附MATLAB代码和数据)

    本文编辑:调皮哥的小助理 本期文章将介绍三种雷达信号处理常用的静态杂波滤方法的基本原理,分别是零速通道置零法、动目标显示(MTI)以及相量均值相消算法(平均相消算法),并分析了静态杂波的滤除效果,以及三种方法的优缺点和应用场景,最后提供了一个MATLA

    2024年02月15日
    浏览(176)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包