联合高阶累积量和稀疏分解的DOA估计算法研究

摘要

本文将信号稀疏分解应用于阵列信号处理领域，研究基于稀疏分解的波达方向(DOA)估计算法。其主要工作和贡献有： 1、介绍了阵列信号稀疏分解的基本思想，重点分析匹配跟踪(MP)算法的基本原理及其具体实现流程及稀疏分解在DOA估计中的应用。 2、现有的基于稀疏分解的DOA估计算法均存在一个问题：当源信号形式改变时，其过完备原子库就需要根据信号形式重新建立，增加了算法的复杂程度。针对该问题，本文利用旋转不变技术(ESPRIT)思想，提出一种基于MP阵列信号稀疏分解的DOA估计改进算法。该算法改进稀疏分解过完备原子库的构造方法，使得原子库不需根据源信号形式改变而重新建立，降低算法复杂度。计算机仿真证实新算法在零均值加性高斯噪声条件下，估计性能优于传统的MUSIC算法和ESPRIT算法。 3、基于稀疏分解的DOA估计算法在均值不为零高斯噪声条件下，性能下降比较严重。针对该问题，本文提出联合高阶累积量和稀疏分解的DOA估计算法。算法首先对阵列接受信号求四阶累积量矩阵，达到抑制任意高斯噪声的目的：再结合基于MP阵列信号稀疏分解的DOA估计算法，实现信号在非零均值噪声环境下的DOA估计。仿真实验表明，该算法在噪声的均值不为零的条件下，比传统MP算法具有更好的估计性能。

目录

文摘

英文文摘

声明

第1章绪论

1.1研究背景及意义

1.2国内外研究现状

1.3本文的主要工作和内容安排

第2章阵列信号参数估计基础

2.1引言

2.2 MUSIC算法

2.3 ESPRIT算法

2.3.1 TLS-ESPRIT算法

2.3.2矩阵束ESPRIT

2.4本章小结

第3章阵列信号的稀疏分解

3.1.引言

3.2信号的表示及正交分解

3.2.1.信号的表示

3.2.2正交分解

3.3信号的稀疏分解

3.3.1信号的稀疏表示

3.3.2基于匹配跟踪（Matching pursuit）的信号稀疏分解

3.4基于阵列信号稀疏分解的DOA估计

3.5本章小结

第4章基于旋转不变技术的MP算法

4.1引言

4.2算法实现

4.3算法仿真及性能分析

4.4小结

第5章联合高阶累积量与MP稀疏分解的DOA估计算法研究

5.1引言

5.2高阶累积量定义及其特性

5.2.1高阶累积量的定义

5.2.2高阶累积量的性质

5.3高阶累计量在阵列信号处理中的应用

5.3.1 MUSIC-like算法

5.3.2 virtual-ESPRIT算法

5.4基于高阶累计量的MP稀疏分解改进算法

5.4.1引入高阶累积量的意义

5.4.2算法思想

5.4.3算法仿真及性能分析

5.5总结

结 论

致 谢

参考文献

攻读硕士学位期间发表的论文及科研成果