互谱域线性预测角度谱估计方法研究

摘要

线性预测算法作为一种较早提出的高分辨算法，由于它不能有效利用加性噪声的统计特性，分辨性能较差，使它在声纳领域的应用受到限制。本文针对线性预测算法的这个缺点加以改进，提出互谱域线性预测角度谱估计(CSAR)方法以及子带分解(SBAR)算法。 论文首先回顾了常规波束形成(CBF)算法、逆波束形成(1BF)算法、AR模型的原理和性能，之后推导出经Toeplitz平均的互谱域线性预测角度谱估计方法。仿真分析和实验数据验证表明：互谱域线性预测角度谱估计方法的分辨力较CBF、IBF以及阵元域的线性预测角度谱估计都有提高。但CSAR算法在信噪比低的情况下，仍有AR模型分辨率降低明显的缺点。 为了提高信噪比低时，CSAR方法的分辨力，本文提出子带分解方法。子带分解方法就是把空间分成若干窄带，对空间分布函数进行相位补偿，使阵列对准预成方向；对新得到的序列作数据进行低通预滤波，对高频噪声和干扰进行抑制，获得信噪比的提高。滑动平均后得到的序列作为线性预测的输入，求此序列直流分量的功率谱，它就是预成方向的角度谱。经仿真分析及实验数据处理表明，本文的子带分解方法在信噪比低的情况下，仍有较好的分辨力，改善了AR算法的性能。

目录

文摘

英文文摘

论文说明：符号约定

独创声明及学位论文版权使用授权书

第一章概述

第二章几种算法的原理及分析比较

第三章互谱域线性预测角度谱估计

第四章子带分解算法

第五章宽带信号的子带分解算法

总结与展望

致谢

参考文献

作者研究生期间论文发表情况