一、基于数据矩阵的多个窄带信号频率和波达方向同时估计（论文文献综述）
强晓微[1]（2021）在《大规模MIMO系统的低复杂度宽带信号DOA估计算法研究》文中认为大规模多输入多输出（Massive Multiple-Input Multiple-Output,Massive MIMO）通信技术在空间中投入使用大量的天线来满足5G及下一代移动通信系统的高要求传输服务。然而保证高质量通信的前提就是获得准确的信道状态信息（Channel State Information,CSI）,阵列信号波达方向（Direction of Arrival,DOA）技术可以准确估计用户来波方向的角度参数,为通信系统提供准确的CSI,因此DOA估计技术的使用能保证大规模MIMO系统性能,大规模MIMO系统下的DOA估计技术已经成为众多研究学者的重点研究方向。现代通信系统中的各种通信技术需要采用宽带信号来提高信息传输速率及信道容量,宽带通信系统应用更加广泛。宽带信号DOA估计受到不同信号频率的影响,传统的窄带DOA估计技术日渐显现出不适用性,这为研究宽带信号DOA估计带来了巨大挑战。解决宽带信号DOA估计的经典传统算法可以总结为两类高分辨子空间类方法:针对非相干信号的ISM子空间估计算法（Incoherent Signal Subspace Method,ISM）和针对相干信号的CSM子空间估计算法（Coherent Signal Subspace Method,CSM）。虽然CSM算法相比于ISM算法具有分辨率高、估计误差小的优势,但是当大规模MIMO系统配备大量的天线时,繁杂的矩阵计算会降低DOA估计的效率,因此本文针对大规模MIMO系统下传统宽带信号DOA估计CSM类算法中存在的计算量大、估计时效性差的问题,从简化阵列运算和提高角度搜索效率两大方向对其做出改进,分别从以下三点进行研究:（1）首先为了降低子空间类算法中特征值分解带来的计算复杂度,对宽带信号入射到阵列的数据协方差矩阵采取实值化处理的办法,提出一种实值DOA估计方法,能减小阵列数据的计算量。（2）其次为了进一步提高宽带信号DOA在大规模MIMO系统下的搜索效率,本文接着在谱峰搜索过程中使用智能优化算法中的遗传算法（Genetic Algorithm,GA）优化角度搜索过程,利用GA算法对宽带信号DOA估计进行全局搜索。（3）最后为了降低GA多参数设置的影响及弥补算法过早收敛的缺陷,本文继续使用计算简单、参数更少的粒子群优化算法（Particle Swarm Optimization,PSO）对峰值搜索进行优化,直接利用宽带信号的空间谱函数作为适应度函数,得到一种高效搜索DOA的宽带信号角度估计算法。仿真结果表明所提算法能准确的估计出宽带信号DOA,并且提高了搜索效率,也降低了计算复杂度,使得传统的宽带信号DOA估计算法突破原有的局限,对未来通信发展具有重要的研究价值。
张薇[2]（2021）在《基于矩阵重构的相干信源波达方向估计算法研究》文中进行了进一步梳理随着现代军事领域电子对抗技术的激烈竞争,实际电磁作战环境中信号的密度与复杂度显着增加。当雷达目标与巧妙设置的诱饵干扰等相干辐射源及其他独立辐射源并存时,针对独立辐射源的经典子空间类算法的性能急剧下降甚至失效。理论性能优良的子空间拟合以及稀疏重构等非子空间类算法尽管适用于相干辐射源环境,依然存在算法构造复杂、运算量较高而难以适用于实际工程应用的缺陷。典型子空间类解相干算法中的矩阵重构算法以其运算量适中、构造方式易于工程实用,且能结合理论业已成熟的子空间算法实现超分辨波达方向估计的优势引起广泛关注。然而,在实际工程应用中算法仍然面临受相位差影响稳健性差,角度间隔较近的相干信源估计性能低和对阵列结构依赖性强等问题。为了解决以上问题,本文以国家自然基金项目为依托,围绕子空间类解相干算法的相关理论及应用,全面研究矩阵重构类算法的构造机理,在基于信号特征矢量和基于数据矩阵信息这两类矩阵重构算法原理的基础上深入创新,重点在估计性能、运算复杂度和稳健性,以及阵列结构适应性等方面改进,为算法由理论向工程实用化推进做出一定的贡献。论文的主要研究工作与创新点如下:为了解决经典矩阵重构算法受相位差影响估计性能恶化的问题,提出稳健性更好的基于多列信号特征矢量矩阵重构算法。理论分析与仿真结果表明,该算法能够解决经典矩阵重构算法因相位差变化性能失效问题,同时相比传统特征矢量重构算法阵列孔径损失更小（阵列自由度更高）,信息利用率更高且估计性能更优。针对目标角度范围预装订的实际应用需求,提出一种基于波束空间加权矩阵重构算法,解决了经典算法运算复杂度高的问题。理论分析与仿真结果表明,该算法通过在预装订角度范围内合理选择加权矢量因子,能够有效避免相位差失效问题,且在保证算法测向性能的前提下,运算量更低。为了兼顾预装订需求、运算复杂度、测向精度等性能,提出更易于实战环境下基于完整数据协方差矩阵和相关矩阵信息平方矩阵重构算法。理论分析与仿真结果表明,该算法的估计精度、运算效率、解决相位差失效等综合性能较好,具有更好的工程应用价值。针对现有矩阵重构算法对阵列结构强依赖性的问题,提高作战环境中制导系统阵列孔径的利用率,选择均匀圆阵作为从均匀线阵向其他阵列推广的典型阵型,分别提出基于模式空间变换的特征矢量重构、波束空间加权矩阵重构和数据矩阵信息平方矩阵重构三类算法,通过理论推导与仿真分析验证了各算法的有效性,为其在实际工程应用与实战领域中具有更好的阵列结构适应性提供了理论参考。
丁丹宇[3]（2021）在《基于TC-OFDM信号的相干DOA估计算法研究》文中研究表明信号的波达方向（Direction of Arrival,DOA）估计是阵列信号处理的重要研究内容之一。对阵列信号数据矩阵进行处理从而识别信号的波达方向,在雷达、声呐和天文等研究方面得到广泛应用。时分码分正交频分复用（Time&Code Division-Orthogonal Frequency Division Multiplexing,TC-OFDM）信号通过对通信信号资源的复用,可以实现高精度的室内外定位,有着广阔地应用前景。在实际环境中,由于干扰等原因,存在相干信号,经典DOA估计算法性能下降并且不适用于TC-OFDM宽带信号。为此,本文对基于TC-OFDM信号的相干DOA估计算法进行了理论研究,主要研究内容包括:（1）DOA估计算法建立在阵列信号模型的基础上,针对阵列信号,分别建立了窄带信号、相干信号和TC-OFDM信号的阵列信号模型。研究传统DOA估计算法,当存在相干信号时,该类算法无法识别其DOA值,需要进行解相干处理。本文提出了不变噪声子空间平滑算法（Invariant Property of Noise Subspace Smoothness,IPNSS）,对接收信号数据矩阵进行前后划分子阵列,计算其数据协方差矩阵的算法平均。通过添加虚拟信号源并对各个角度进行搜索,利用噪声子空间的不变特性构造算法空间谱,从而估计出相干信号的DOA。该算法对比经典相干DOA估计算法,空间谱峰值更加明显且在低信噪比条件下的算法稳定性较好。（2）基于TC-OFDM阵列信号模型,本文采用聚焦变换的方式从频域上将宽带TC-OFDM信号聚焦到同一频率点上。为了避免聚焦变换中信噪比的损失,提出满足其构造原则的聚焦变化矩阵模型。在此基础上获得聚焦变换后的数据协方差矩阵,使用不变噪声子空间平滑算法对其进行处理获得TC-OFDM信号的波达方向。本文分析了基于TC-OFDM信号的DOA估计算法识别多个角度的算法空间谱特征,通过多次实验测试了算法在不同的信噪比、天线数量和快拍数条件下的算法稳定度,该算法可以准确地识别TC-OFDM信号的DOA。（3）采用软件无线电平台对基于TC-OFDM信号的DOA估计算法进行了实现和验证,使用通用软件无线（Universal Software Radio Peripheral,USRP）和美国国家仪器有限公司（National Instruments,NI）的配套设备搭建。基于LabVIEW程序平台进行程序设计,对USRP设备之间进行相位补偿,实现DOA估计算法。实验数据验证了该DOA估计算法对不同方向信号的DOA估计性能。
王瑶[4]（2020）在《主成分分析在均匀线阵波达方向估计中的应用研究》文中进行了进一步梳理随着阵列信号处理技术的快速发展,各领域对信号的测向精度要求越来越高,为了实现更高精度的信源估计,波达方向（Direction of Arrivals,DOA）估计就成了当前的研究热点。MUSIC（Multiple Signal Classification）算法、ESPRIT（Estimating Signal Parameter via Rotational Invariance Techniques）算法等高分辨率算法的的缺点在于低信噪比下的DOA估计误差较大,且不能直接用于相干信源的DOA估计。近年来,随着统计学和智能算法的飞速发展,越来越多的统计智能算法也被用于DOA估计中,如主成分分析（Principal Component Analysis,PCA）、神经网络算法、支持向量回归算法等。这类算法的优点在于通过建模的方式来构造信号估计模型,能够将噪声、阵列排布误差等影响因素通过训练包含在模型中,不需要对划分的角度空间进行谱峰搜索,而且能够更快速地估计出来波方位。本文对此类算法的关键技术进行了深入的探讨和分析。首先,本文研究了PCA算法在经典高分辨率算法（MUSIC、SOMP算法）中的应用,研究了阵列PCA-MUSIC算法和PCA-SOMP算法。由于这些高分辨率算法在进行DOA估计时往往需要很大的快拍数,而每一次的采样数据都包含了噪声信息。因此使用PCA算法来降低采样信号维数从而对信号进行重构,重构后的信号仍然保留了原始信号的信息,但减少了原始信号中的噪声信息。改进后的阵列PCA-MUSIC算法、阵列PCA-SOMP算法在低信噪比下的DOA估计性能提高。其次,本文研究了PCA算法在神经网络算法中的应用,并用于近场源的参数估计。研究了阵列PCA-BP、阵列PCA-RBF算法,通过PCA对输入数据进行降维,从而减少了输入神经元的个数,使得神经网络的结构变得简单,减少了网络的训练时间,也提高了低信噪比下的近场源参数的估计性能。同时,PCA-BP算法也能在阵列存在误差的情况下对近场源参数进行准确估计。最后,本文研究了PCA算法在回归算法中的应用,并用于近场源的参数估计。研究了偏最小二乘回归算法（Partial Least Squares Regression,PLSR）对近场源参数进行估计,NSF-PLSR算法能提取出信号的特征变量,去除冗余信息和噪声信息,对近场源参数进行高准确性的估计。另外,也使用了PCA降维的多输出支持向量回归（Multiple-output Support Vector Regression,MSVR）算法来对近场源参数进行估计。PCA-NSF-MSVR算法通过PCA降低输入信号维数,降低了算法的运算量,也去除了较多的噪声信息。仿真实验表明了所研究算法的有效性。PCA-NSF-MSVR算法也能够对相干近场信源进行估计并具有很好的估计性能。
邓尚玲[5]（2020）在《阵列数据受损情况下基于矩阵填充的DOA估计方法研究》文中进行了进一步梳理从少量的随机采样样本中恢复出未知的有用数据对于阵列信号处理来说是非常重要的,比如数据受损时的波达方向（direction of arrival,DOA）估计。若受损数据随机分布在矩阵中,采用矩阵填充（matrix completion,MC）方法可以有效地恢复受损数据,从而准确地估计出波达方向。然而,若受损数据分布集中时,则无法准确有效地恢复未知数据,从而影响到DOA的估计。例如,当受损数据分布在矩阵的整行（列）时,该行（列）缺乏足够的相关信息导致矩阵填充方法失效。为此,本文研究部分阵元受损时的DOA估计问题,提出用于均匀线阵的FSS-MC算法和FSS-OptSpace算法。FSS-MC算法利用均匀线阵的移不变结构特性来解决部分阵元受损情况下的DOA估计问题。该算法通过对阵列进行空间平滑操作,将阵列划分为若干个子阵列,使原本分布在整行（列）中的受损元素位置被打乱。利用空间平滑方案重组得到的数据矩阵（重构矩阵）经证明是低秩的,且满足非相干条件,所以可以采用矩阵填充算法对重构矩阵中的受损数据进行恢复。矩阵填充算法实质上是在满足变量矩阵与观测矩阵（有效数据）相匹配的条件下,最小化重构矩阵的核范数。FSS-MC算法在最小化核范数时需要耗费大量的计算资源,并且cvx工具包在计算大型矩阵时运算很慢,故FSS-MC算法不适用于解决规模较大的矩阵恢复问题。而实际应用中采集的数据矩阵都比较大,比如推荐系统、人脸识别、雷达勘测等。针对上述FSS-MC算法的局限性,本文进一步提出FSS-OptSpace算法。FSS-OptSpace算法利用均匀线阵的结构特性,通过空间平滑方案重组数据矩阵,使得每一行/列均有相关信息以恢复受损数据;并将核范数最小化问题转化为最小化左、右奇异矩阵的流形优化问题,通过梯度下降法求解最优值,最后利用经典的DOA估计方法计算空间谱函数。本文对上述两个算法做了充分的仿真实验分析。实验结果表明,在部分阵元受损情况下,FSS-MC算法和FSS-OptSpace算法均有较好的DOA估计性能,且FSS-OptSpace算法适用于较大型阵列的DOA估计。
李鑫凯[6]（2020）在《多用户长码直扩信号参数盲估计研究》文中提出直接序列扩频（Direct Sequence Spread Spectrum,DSSS）是扩频通信中一种非常重要的通信方式。由于经伪码序列调制后信号的频谱展宽,使得信号能够在较低信噪比下传输,因此DSSS信号具有较低的截获概率和较强的抗干扰能力,被广泛应用于军事通信领域。然而,实际中的信号都是复杂直扩信号,使得接收端无法对多用户长码直扩（Multi-user Long Code Direct Sequence Spread Spectrum,LC-DS-CDMA）信号和高动态异步LC-DS-CDMA信号的伪码周期、信源数和波达方向等重要参数进行精准估计,导致其无法得到发送的信息序列。因此对LC-DS-CDMA信号和高动态异步LC-DS-CDMA信号的参数盲估计研究具有重要的现实意义。本文研究了LC-DS-CDMA信号的参数（信源数,波达方向,伪码周期）估计,主要内容分为如下三个方面:（1）针对低信噪比下难以准确估计LC-DS-CDMA信号的信源数问题,提出一种基于阵列接收的信源数估计算法。该方法首先采用阵列天线对LC-DS-CDMA信号进行接收。然后求取阵列接收信号的协方差矩阵,对其进行特征分解后,利用信息论准则、盖氏圆算法以及平滑秩算法估计LC-DS-CDMA信号的信源数。实验分析表明,所提算法在低信噪比下可以准确估计出多个信号的真实信源数,其中最小描述长度（Minimum Description Length,MDL）准则在信噪比为-10d B时信源数估计正确率达到95%,优于其它算法。（2）针对异步LC-DS-CDMA信号波达方向（Direction Of Arrival,DOA）估计困难的问题,在信源数已知的情况下,提出了一种使用相干信号子空间和高阶累积量估计异步LC-DS-CDMA信号波达方向的算法。首先使用傅里叶变换将接收信号变换到频域内,再使用酉聚焦变换将信号聚焦在同一参考频率点。然后,求取聚焦后信号的协方差矩阵,利用直接特征分解或四阶累积量矩阵的特征分解结果构造噪声子空间。最后通过多重信号分类（Multiple Signal Classification,MUSIC）算法进行谱峰搜索来计算信号的波达方向。实验分析结果表明,所提算法能够在很低信噪比下准确估计出异步LC-DS-CDMA信号的波达方向,其中四阶累积量算法在信噪比大于-15d B时波达方向估计的正确率达到100%,优于相干信号子空间算法。（3）针对高动态异步LC-DS-CDMA信号的伪码周期估计难题,提出一种多项式相位变换和二次功率谱相结合伪码周期估计算法。首先利用接收信号的平方消去伪码相位的突变。然后利用多项式相位变换求出信号的调频斜率并对原信号进行降解处理,消去其中的二阶指数项,使原信号变为带有频偏的异步LC-DS-CDMA信号。最后根据二次功率谱算法会在信号伪码周期的整数倍处产生的尖峰这一现象来估计原信号的伪码周期。实验结果表明,与直接利用二次功率谱算法相比,所提算法在信噪比为-7d B时,能够准确估计出高动态异步LC-DS-CDMA信号的伪码周期。
李煜[7]（2020）在《非均匀噪声条件下的DOA估计算法研究》文中进行了进一步梳理在实际通信环境中,由于非期望干扰和阵列传感器硬件的差异性,接收信号通常受非均匀噪声的干扰,且信号中夹杂着难以分辨的相干信源,使现有的传统算法在低信噪比与小快拍数时性能往往严重下降。目前,关于非均匀噪声背景下的DOA估计算法研究较少,而为了进一步提高算法分辨力和角度估计精度,在非均匀噪声条件下,研究解相干,处理宽窄带信号以及基于压缩感知的DOA估计算法具有极大价值和重要的现实意义。由此,本文对非均匀噪声条件下的DOA估计算法展开了研究,改进了不同情形中的算法。主要内容是:首先,本文搭建天线阵列模型,分析选用了均匀线阵。对远场窄带和宽带阵列信号,还有非均匀噪声的数学模型,进行公式推导和参数分析。介绍了非均匀噪声和高斯白噪声的区别,展现了非均匀噪声的实际应用意义。建立相干信号源模型,分析相干信号的干扰原理。在窄带信号中,研究了多重信号分类算法的基本原理,并分析算法的优缺点和算法性能。对传统算法不能解相干的问题,分别研究了空间平滑算法和矩阵分解算法的基本原理,并且通过参数分析或实验验证了算法对相干信源的处理能力。在宽带信号中,介绍了ISM算法不能分辨相干信号的原理,还有CSM算法选取“聚焦矩阵”的问题。然后本文针对相干信源夹杂非均匀噪声在低信噪比和小快拍环境中使用常规DOA估计存在估计效果较差的情况:在窄带信号中,从改进的加权空间平滑出发,提出运用凸优化理论来克服协方差矩阵中的非均匀噪声,将其作为最优权重矩阵的DOA估计方法;在宽带信号中,从矩阵分解算法出发,提出利用凸优化抑制协方差矩阵里的非均匀噪声,且将零空间投影换为信号子空间投影并结合平方TOPS法,以减少估计误差,最后通过矩阵求迹进行谱峰搜索,降低了奇异值分解带来的计算量。仿真结果表明,相关改进算法在窄带信号和宽带信号中,具备优良的解相干能力,减小了信噪比和快拍数对DOA估计带来的误差干扰,而且在非均匀噪声干扰的环境下,相关改进算法也有着更佳的克服噪声干扰的能力,展现出更优良的估计性能。最后本文积极探索了在DOA估计里结合压缩感知技术,针对1l-SRACV算法在低信噪比等条件下,受非均匀噪声等因素影响,空间谱图容易出现伪峰和估计偏移的问题,提出一种修正的1l-SRACV算法,通过除去协方差矩阵主对角元素来抑制噪声。仿真结果表明,相对于经典MUSIC算法,1l-SVD算法和传统1l-SRACV算法,修正算法能够有效抑制伪峰的产生,验证了算法的有效性和准确性。
程方昊[8]（2020）在《基于广义互质阵列的空间谱测向和波束形成》文中进行了进一步梳理波达方向估计（DOA,Direction–of-Arrival）和波束形成（BF,beamforming）技术是阵列信号处理中的两大分支,早已应用于多个领域。在实际应用中,由于不理想的因素存在,比如网格划分问题、阵元的互耦效应、信源相干、阵元损坏等,导致经典的算法性能下降。因此,在有限阵元下尽可能的提高阵列的自由度、降低甚至消除阵列的非理想因素等问题是值得关注和研究的。近几年来,各种非均匀阵列的布阵形式相继被提出,例如嵌套阵列、互质阵列、半互质阵列、增广嵌套阵列等等,统称为广义互质阵。本文从广义互质阵列的概念出发,介绍了三种常用的非均匀阵列布阵结构,对阵列的非理想因素以及在物理阵列下如何降低旁瓣电平等进行了重点研究。主要的工作和研究内容的安排如下:（1）本文首先给出广义互质阵列的概念,并介绍了三种常用的广义互质阵列的布阵结构,接着,研究了三种波达方向角度的估计方法。由于在角度搜索的时候存在网格划分的问题,本文研究了基于网格估计误差的算法及性能。（2）实际的接收数据模型存在各种各样的误差,例如阵元的互耦效应、信源之间的相干性等等。因此,本文对阵列互耦估计模型进行深度分析,并结合现如今的各种算法,研究并提出了基于压缩感知的稀疏贝叶斯的DOA估计算法,该方法可以有效的解决在接收阵列存在互耦的情况下DOA估计问题,与压缩感知理论中常用的算法相比,性能优良。（3）目前对于在广义互质阵列下信源之间的相干性的模型研究甚少,基于此,本文通过相干信源出发,介绍了基于迭代类的DOA估计算法和N-root算法,并提出了一种基于广义互质阵列的混合相干和非相干信号的压缩感知DOA估计算法。提出的算法解决了相干信源的问题,并充分发挥了广义互质阵列高自由度的特点。此外,提出的算法除了这两个创新点之外,还可以检测出哪些信源是存在相干性的,这在目前的学术领域中是没有的。（4）针对目前的学术领域中对于广义互质阵列的波束形成的一系列问题,本文将研究的重点放在了如何在物理阵列上进行低旁瓣的波束形成,介绍了基于前向线性预测的波束形成算法,研究了两种静态波束赋形算法,并对降低旁瓣的电平值进行了深度的分析。
王长生[9]（2020）在《基于空/时周期平稳特性的波达方向/时差估计方法研究》文中研究表明近年来,波达方向和时差估计作为辐射源定位的重要手段一直是无线电侦察领域的研究热点问题。本文针对多径条件下、高速运动场景中、空时接收条件下以及存在阵列幅相误差时的周期平稳信号波达方向/时差估计问题进行了研究,提出了基于空/时周期平稳特性的波达方向/时差估计方法。主要内容概括如下:1.基于周期平稳信号波达方向估计模型,提出了双循环频率Cyclic-MUSIC算法和Toeplitz-Cyclic-MUSIC算法,改进了一阶统计不相关但循环二阶统计相关信号的波达方向估计性能;基于准周期平稳信号波达方向估计模型,提出了一种虚拟嵌套阵列的构造方法及基于压缩感知的虚拟阵列波达方向估计算法,算法有效的扩展了阵列自由度,提升了在信号个数大于阵元数时的波达方向估计性能;基于渐近准周期平稳信号波达方向估计模型,提出了一种时延相参的渐近周期平稳波达方向估计算法,提升了在高速运动场景中对准周期平稳信号的波达方向估计性能。2.基于单通道空时周期平稳信号波达方向估计模型,提出了单通道CyclicMUSIC波达方向估计算法,与常规空时波达方向估计算法相比,算法性能不受信号带宽,切换时间的影响,并且在阵元切换时间误差已知时能对目标信号波达方向进行准确估计;基于双通道空时周期平稳信号波达方向估计模型,提出了双通道Cyclic-MUSIC波达方向估计算法,算法在阵元切换时间误差未知时能对目标信号波达方向进行准确估计;将Toeplitz-Cyclic-MUSIC扩展到空时周期平稳信号波达方向估计模型中,提出了单通道Toeplitz-Cyclic-MUSIC和双通道ToeplitzCyclic-MUSIC算法,通过对周期自相关数据构造Toeplitz矩阵进行解相干处理,提升了对一阶统计不相关但循环二阶统计相关信号的波达方向估计性能;将双通道Cyclic-MUSIC算法应用于基于无人机平台的测向定位系统中,减少了接收机通道数,降低了接收机的体积重量;利用周期平稳特性对天线孔径的扩展减小了天线阵列尺寸,满足了无人机平台对测向定位系统尺寸、体积重量的要求。3.基于外辅助源信号的周期平稳特性,提出了基于未知方位外辅助源信号阵列幅相误差校正的多径波达方向估计算法。利用具有周期平稳特性的外辅助源信号对阵列幅相误差进行校正,再利用基于空间平滑的ESPRIT算法对辅助源信号和目标信号的波达方向进行粗估计,然后在粗估计的基础上利用迭代算法对波达方向及阵列幅相误差进行细估计,降低了因空间平滑导致有效孔径减小而带来的估计精度损失。4.基于线性调频信号的渐近准周期平稳特性,提出了多循环频率相位时差估计算法及谱相关时差估计算法,并对多循环频率相位时差估计方法的相位模糊问题进行了分析,给出了解模糊的方法;针对周期平稳信号在高速运动中产生的渐近准周期平稳特性,提出了基于分数阶Fourier变换的渐近准周期平稳时差估计算法,改进了对高速运动目标信号的时差估计性能;将多循环频率相位时差估计算法应用于分布式定位系统中,由于算法根据循环自相关数据的相位来估计时差,只需将接收机根据时域数据计算得到的循环自相关数据传输至中心站,减少了分布式定位系统的数据传输量,降低了定位系统对传输带宽的要求。
沈秋翔[10]（2019）在《基于稀疏表征的波达方向估计算法研究》文中进行了进一步梳理作为阵列信号处理中重要的研究方向,波达方向（DOA）估计在雷达探测、无线通讯、地震勘探及生物医疗等许多领域有着广泛的应用,尤其在近十多年取得了飞速发展。随着DOA估计技术应用场景的增多,实际工程应用中的信号环境又变得日趋复杂,必然会对DOA估计技术的适应能力以及性能提出更高的要求。但是,传统的波达方向估计方法在低快拍数、低信噪比及相关信号等非理想场景下的性能表现不尽如人意,已经难以满足实际应用的需求。因而,如何利用少量的观测数据实现高分辨率、稳健的波达方向估计已然成为亟待解决的热点问题。与此同时,稀疏表征与压缩感知理论的兴起吸引了众多学者的研究目光,其为波达方向估计问题提供了新的研究视角和理论支撑。与传统的子空间类估计方法不同,稀疏表征类方法借助目标信号入射方向在全空域上的稀疏性,将DOA估计问题转化为稀疏表征重构求解问题,从而完成目标信号的DOA估计。该类方法不仅表现出对上述非理想场景的极强的适应能力,还能取得高精度高分辨率的估计性能。因此,基于稀疏表征的波达方向估计研究在近些年受到了学者们的广泛青睐。本文着眼于稀疏表征理论对DOA估计问题进行了深入分析,并提出了两种新的方法。全文的主要研究内容如下:1)简要陈述了DOA估计与压缩感知理论的基础知识,着重阐述了稀疏信号可精确恢复的条件,并对稀疏表征理论应用于波达方向估计问题的合理性进行了剖析。2)详尽描述了几种具有代表性的基于稀疏表征思想的DOA估计算法。3)结合现有的基于稀疏表征理论的DOA估计算法的优缺点,从接收数据协方差矢量化的稀疏表征角度出发,推导出两种新的DOA估计算法。一种是针对高斯白噪声的基于协方差矢量化的增强型稀疏表征算法。另一种是非均匀噪声下基于稀疏表征的迭代估计算法。并利用仿真实验证明了本文所提算法能实现性能更好的DOA估计。
二、基于数据矩阵的多个窄带信号频率和波达方向同时估计（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于数据矩阵的多个窄带信号频率和波达方向同时估计（论文提纲范文）
（1）大规模MIMO系统的低复杂度宽带信号DOA估计算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 宽带信号波达方向估计研究现状 |
| 1.3 宽带信号DOA估计智能优化算法研究现状 |
| 1.4 论文主要内容及章节安排 |
| 第二章 宽带信号DOA估计原理 |
| 2.1 空间谱的概念 |
| 2.1.1 阵列信号模型 |
| 2.1.2 DOA估计与空间频率的关系 |
| 2.1.3 阵列接收信号的频域模型 |
| 2.2 宽带信号阵列模型 |
| 2.2.1 宽带信号的定义 |
| 2.2.2 宽带DOA估计阵列信号模型 |
| 2.3 宽带信号DOA估计子空间算法 |
| 2.3.1 ISM算法 |
| 2.3.2 CSM算法 |
| 2.4 本章小结 |
| 第三章 大规模MIMO系统基于实值处理的宽带DOA估计方法研究 |
| 3.1 大规模MIMO系统宽带信号DOA估计 |
| 3.2 基于阵列实值化的大规模MIMO宽带DOA估计算法 |
| 3.2.1 实值化矩阵处理算法 |
| 3.2.2 计算复杂度分析 |
| 3.2.3 实验仿真分析 |
| 3.3 本章小结 |
| 第四章 基于智能优化谱峰搜索的快速宽带DOA估计算法研究 |
| 4.1 基于遗传算法的宽带信号空间谱谱峰搜索优化方法 |
| 4.1.1 遗传算法原理简介 |
| 4.1.2 基于遗传算法的谱峰搜索优化宽带信号DOA估计方法 |
| 4.1.3 实验仿真分析 |
| 4.2 基于粒子群算法的宽带信号空间谱谱峰搜索优化方法 |
| 4.2.1 粒子群算法原理简介 |
| 4.2.2 基于粒子群算法的谱峰搜索优化宽带信号DOA估计方法 |
| 4.2.3 实验仿真分析 |
| 4.3 本章小结 |
| 第五章 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的学术论文 |
（2）基于矩阵重构的相干信源波达方向估计算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 经典解相干算法分类 |
| 1.3 子空间类解相干算法研究现状 |
| 1.3.1 空间平滑类算法 |
| 1.3.2 矩阵重构类算法 |
| 1.4 子空间类解相干算法的工程化研究 |
| 1.4.1 结合差分/斜投影的解相干算法 |
| 1.4.2 基于其他阵列结构的解相干算法 |
| 1.5 本文主要研究内容及结构安排 |
| 1.5.1 本文理论体系的基本框架 |
| 1.5.2 论文各章内容及结构安排 |
| 第2章 相位差对子空间解相干算法性能的影响分析 |
| 2.1 引言 |
| 2.2 数学模型 |
| 2.2.1 一般情况下的信号数学模型 |
| 2.2.2 一维阵列模型及数学模型 |
| 2.2.3 二维阵列模型及数学模型 |
| 2.3 独立信源二阶统计特性 |
| 2.4 相干信源二阶统计特性 |
| 2.4.1 相关系数定义和相干信源数据模型 |
| 2.4.2 相干信源的相位差与相关系数的关系 |
| 2.5 相位差变化下子空间解相干算法的性能分析 |
| 2.5.1 相位差变化下空间平滑算法的性能分析 |
| 2.5.2 相位差变化下特征矢量重构算法的性能分析 |
| 2.5.3 相位差变化下数据矩阵重构算法的性能分析 |
| 2.6 相干信源相位差变化下克拉美罗界的性能分析 |
| 2.6.1 相干信源相位差变化下的克拉美罗界 |
| 2.6.2 相位差变化下克拉美罗界的性能分析 |
| 2.7 本章小结 |
| 第3章 基于信号特征矢量矩阵重构算法 |
| 3.1 引言 |
| 3.2 基于多列信号特征矢量重构算法 |
| 3.2.1 MEVD算法原理 |
| 3.2.2 算法性能分析 |
| 3.2.3 算法流程 |
| 3.2.4 仿真与分析 |
| 3.3 基于均匀圆阵最大信号特征矢量重构算法 |
| 3.3.1 MGEVD算法原理 |
| 3.3.2 EMEVD算法原理 |
| 3.3.3 算法运算量分析 |
| 3.3.4 算法流程 |
| 3.3.5 仿真与分析 |
| 3.4 本章小结 |
| 第4章 基于波束空间加权矩阵重构算法 |
| 4.1 引言 |
| 4.2 ESPRIT-LIKE算法性能失效分析 |
| 4.2.1 ESPRIT-like算法原理 |
| 4.2.2 ESPRIT-like算法失效原因分析 |
| 4.2.3 仿真与分析 |
| 4.3 基于波束空间加权矩阵重构算法 |
| 4.3.1 WTOEP算法原理 |
| 4.3.2 算法性能分析 |
| 4.3.3 算法运算量分析 |
| 4.3.4 算法流程 |
| 4.3.5 仿真与分析 |
| 4.4 基于均匀圆阵波束空间加权矩阵重构算法 |
| 4.4.1 MODE-WTOEP算法原理 |
| 4.4.2 算法性能分析 |
| 4.4.3 算法流程 |
| 4.4.4 仿真与分析 |
| 4.5 本章小结 |
| 第5章 基于完整数据矩阵信息平方矩阵重构算法 |
| 5.1 引言 |
| 5.2 基于完整协方差矩阵信息平方矩阵重构算法 |
| 5.2.1 FB-PTMR算法原理 |
| 5.2.2 算法性能分析 |
| 5.2.3 算法流程 |
| 5.2.4 仿真与分析 |
| 5.3 基于完整相关矩阵信息平方矩阵重构算法 |
| 5.3.1 MTOEP算法原理 |
| 5.3.2 算法性能分析 |
| 5.3.3 算法运算量分析 |
| 5.3.4 算法流程 |
| 5.3.5 仿真与分析 |
| 5.4 基于均匀圆阵完整矩阵信息平方矩阵重构算法 |
| 5.4.1 MODE-MTOEP算法原理 |
| 5.4.2 算法性能分析 |
| 5.4.3 算法流程 |
| 5.4.4 仿真与分析 |
| 5.5 本文提出的矩阵重构算法对比分析 |
| 5.5.1 估计性能对比 |
| 5.5.2 运算效率对比 |
| 5.5.3 全文算法总结 |
| 5.6 本章小结 |
| 结论 |
| 附录 |
| 附录 A 英文缩略语与含义 |
| 附录 B 数学符号与含义 |
| 附录 C 数学公式 |
| 附录 D 经典子空间算法 |
| 附录 E 空间平滑算法信源协方差矩阵恢复满秩的证明 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 致谢 |
| 个人简历 |
（3）基于TC-OFDM信号的相干DOA估计算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景 |
| 1.2 DOA估计算法发展现状 |
| 1.3 本文主要研究内容与成果 |
| 1.4 本文的结构安排 |
| 1.5 本章小结 |
| 第二章 DOA估计的基础理论和经典算法 |
| 2.1 DOA估计信号模型 |
| 2.1.1 窄带信号模型 |
| 2.1.2 相干信号模型 |
| 2.1.3 TC-OFDM信号模型 |
| 2.2 DOA估计的经典算法 |
| 2.2.1 MUSIC算法 |
| 2.2.2 Root-MUSIC算法 |
| 2.2.3 ESPRIT算法 |
| 2.2.4 经典DOA算法仿真分析 |
| 2.3 本章小结 |
| 第三章 相干信号DOA估计算法研究 |
| 3.1 矢量奇异值算法 |
| 3.2 矩阵分解算法 |
| 3.3 空间平滑算法 |
| 3.4 不变噪声子空间平滑算法 |
| 3.4.1 信号数据预处理 |
| 3.4.2 信号的DOA估计 |
| 3.4.3 算法处理流程 |
| 3.5 相干DOA估计算法仿真及分析 |
| 3.6 本章小结 |
| 第四章 基于TC-OFDM信号的DOA估计算法研究 |
| 4.1 基于TC-OFDM信号的DOA估计算法原理 |
| 4.2 聚焦矩阵的构造 |
| 4.3 基于TC-OFDM信号的DOA估计算法流程 |
| 4.4 基于TC-OFDM信号的DOA估计算法性能分析 |
| 4.5 本章小结 |
| 第五章 软件无线电平台DOA估计算法实现 |
| 5.1 软件无线电平台介绍 |
| 5.1.1 USRP软件无线电设备 |
| 5.1.2 PXIe设备 |
| 5.1.3 时钟分配器 |
| 5.2 LabVIEW软件平台 |
| 5.2.1 LabVIEW介绍 |
| 5.2.2 LabVIEW数据采集 |
| 5.2.3 LabVIEW数据结构 |
| 5.3 总体系统实现 |
| 5.4 LabVIEW程序实现 |
| 5.4.1 数据采集部分 |
| 5.4.2 相位补偿 |
| 5.4.3 信号的DOA估计 |
| 5.5 算法测试结果与分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（4）主成分分析在均匀线阵波达方向估计中的应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究动态及现状 |
| 1.3 本文创新点概述 |
| 1.4 本文的研究内容及章节安排 |
| 第二章 DOA估计的基本理论和算法 |
| 2.1 概述 |
| 2.2 信号模型 |
| 2.2.1 窄带信号模型 |
| 2.2.2 相关系数 |
| 2.2.3 噪声模型 |
| 2.3 阵列天线的统计模型 |
| 2.3.1 前提及假设 |
| 2.3.2 阵列接收窄带信号模型 |
| 2.3.3 常见阵列模型 |
| 2.4 传统DOA估计算法 |
| 2.4.1 MUSIC算法 |
| 2.4.2 ESPRIT算法 |
| 2.5 本章小结 |
| 第三章 基于主成分分析的经典高分辨DOA估计算法 |
| 3.1 概述 |
| 3.2 主成分分析方法 |
| 3.2.1 PCA方法的应用场景 |
| 3.2.2 PCA方法的计算步骤 |
| 3.2.3 PCA方法的理论基础 |
| 3.2.4 PCA方法的意义 |
| 3.3 基于PCA降维的MUSIC算法 |
| 3.3.1 MUSIC算法的仿真实验及性能分析 |
| 3.3.2 阵列PCA-MUSIC算法及仿真实验 |
| 3.4 基于PCA降维的SOMP算法 |
| 3.4.1 压缩感知基本理论 |
| 3.4.2 多快拍模型下阵列接收数据的稀疏表示 |
| 3.4.3 阵列PCA-SOMP算法 |
| 3.4.4 仿真实验 |
| 3.5 本章小结 |
| 第四章 基于主成分分析在神经网络算法上的近场源定位 |
| 4.1 概述 |
| 4.2 近场源阵列信号接收模型 |
| 4.3 基于阵列PCA-BP算法的近场源定位 |
| 4.3.1 神经元模型 |
| 4.3.2 BP神经网络算法 |
| 4.3.3 基于阵列PCA-BP算法的近场源参数估计 |
| 4.3.4 仿真实验 |
| 4.4 基于阵列FA-BP算法的近场源定位 |
| 4.4.1 因子分析的数学模型 |
| 4.4.2 因子载荷阵的求解及统计意义 |
| 4.4.3 因子得分 |
| 4.4.4 基于阵列FA-BP算法的近场源参数估计 |
| 4.5 基于阵列PCA-RBF算法的近场源定位 |
| 4.5.1 RBF神经网络 |
| 4.5.2 基于阵列PCA-RBF算法的近场源参数估计 |
| 4.6 本章小结 |
| 第五章 基于主成分分析在回归算法上的近场源定位 |
| 5.1 概述 |
| 5.2 基于NSF-PLSR算法的近场源定位 |
| 5.2.1 PLSR算法的建模步骤 |
| 5.2.2 基于NSF-PLSR算法的近场源参数估计 |
| 5.2.3 仿真实验 |
| 5.3 基于PCA-NSF-MSVR算法的近场源定位 |
| 5.3.1 单输出支持向量回归基本理论 |
| 5.3.2 基于PCA-NSF-MSVR算法的近场源参数估计 |
| 5.3.3 仿真实验 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（5）阵列数据受损情况下基于矩阵填充的DOA估计方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究历史与现状 |
| 1.3 本文的内容安排 |
| 第2章 阵列DOA估计基础 |
| 2.1 引言 |
| 2.2 阵列信号模型 |
| 2.3 经典的DOA估计算法 |
| 2.3.1 MUSIC算法 |
| 2.3.2 求根MUSIC算法 |
| 2.3.3 空间平滑算法 |
| 2.4 基于矩阵填充的DOA估计方法 |
| 2.4.1 低秩矩阵恢复的非相干条件 |
| 2.4.2 低秩矩阵恢复及DOA估计 |
| 2.5 仿真实验及性能分析 |
| 2.5.1 数据恢复前后的空间谱对比 |
| 2.5.2 受损率对恢复矩阵的影响 |
| 2.5.3 DOA估计性能 |
| 2.5.4 DOA估计的成功率 |
| 2.6 本章小结 |
| 第3章 基于前向空间平滑和矩阵填充的DOA估计方法 |
| 3.1 引言 |
| 3.2 阵列数据受损情况分析 |
| 3.3 前向空间平滑方案及信号模型 |
| 3.4 低秩矩阵恢复及DOA估计 |
| 3.5 仿真结果及性能分析 |
| 3.5.1 FSS-MC算法处理不相干信源 |
| 3.5.2 FSS-MC算法处理相干信源 |
| 3.6 本章小结 |
| 第4章 基于前向空间平滑和OptSpace算法的DOA估计方法 |
| 4.1 引言 |
| 4.2 OptSpace算法介绍 |
| 4.3 基于OptSpace算法改进的DOA估计方法 |
| 4.4 仿真结果及性能分析 |
| 4.4.1 空间谱对比 |
| 4.4.2 分辨率性能 |
| 4.4.3 DOA估计的RMSE性能 |
| 4.4.4 DOA估计的成功率 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 全文工作总结 |
| 5.2 对未来工作的展望 |
| 参考文献 |
| 指导教师对研究生学位论文的学术评语 |
| 学位论文答辩委员会决议书 |
| 致谢 |
| 攻读硕士学位期间的研究成果 |
（6）多用户长码直扩信号参数盲估计研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 LC-DS-CDMA信号信源数估计的研究现状 |
| 1.2.2 异步LC-DS-CDMA信号波达方向估计的研究现状 |
| 1.2.3 高动态异步LC-DS-CDMA信号伪码周期估计的研究现状 |
| 1.3 论文组织结构及章节安排 |
| 第2章 DSSS通信系统基础及信号模型 |
| 2.1 引言 |
| 2.2 DSSS通信系统 |
| 2.2.1 理论基础 |
| 2.2.2 DSSS系统模型 |
| 2.3 DSSS信号模型 |
| 2.3.1 m序列 |
| 2.3.2 Gold序列 |
| 2.3.3 LC-DS-CDMA信号模型 |
| 2.3.4 高动态异步LC-DS-CDMA信号模型 |
| 2.4 本章小结 |
| 第3章 LC-DS-CDMA信号的信源数估计 |
| 3.1 引言 |
| 3.2 常用阵列模型 |
| 3.2.1 均匀线阵 |
| 3.2.2 均匀圆阵 |
| 3.2.3 平面阵 |
| 3.3 阵列信号模型 |
| 3.4 信源数估计算法理论基础 |
| 3.4.1 信息论准则估计信源数 |
| 3.4.2 盖氏圆算法估计信源数 |
| 3.4.3 平滑秩算法估计信源数 |
| 3.5 仿真及性能分析 |
| 3.6 本章小结 |
| 第4章 异步LC-DS-CDMA信号的波达方向估计 |
| 4.1 引言 |
| 4.2 影响波达方向估计的因素 |
| 4.3 窄带信号波达方向估计算法 |
| 4.3.1 MUSIC算法 |
| 4.3.2 ESPRIRT算法 |
| 4.4 宽带阵列信号模型 |
| 4.5 CSM算法 |
| 4.5.1 CSM算法基本原理 |
| 4.5.2 聚焦矩阵的选择 |
| 4.6 高阶累积量算法 |
| 4.6.1 四阶累积量理论基础 |
| 4.6.2 基于四阶累积量的MUSIC估计波达方向 |
| 4.7 仿真及性能分析 |
| 4.8 本章小结 |
| 第5章 高动态异步LC-DS-CDMA信号的伪码周期估计 |
| 5.1 引言 |
| 5.2 多项式相位变换 |
| 5.3 二次功率谱估计伪码周期 |
| 5.3.1 调频斜率的估计 |
| 5.3.2 伪码周期估计 |
| 5.4 仿真及性能分析 |
| 5.5 本章小结 |
| 第6章 结束语 |
| 6.1 论文的主要工作及总结 |
| 6.2 后续研究工作 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（7）非均匀噪声条件下的DOA估计算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 本文的研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 章节安排 |
| 2 DOA估计的基础理论 |
| 2.1 天线阵列的数学模型 |
| 2.2 阵列信号数学模型 |
| 2.2.1 远场窄带信号数学模型 |
| 2.2.2 远场宽带信号数学模型 |
| 2.3 相干源信号模型 |
| 2.4 非均匀噪声的数学模型 |
| 2.5 本章小结 |
| 3 非均匀噪声条件下窄带信号子空间类算法 |
| 3.1 经典的DOA估计算法与原理 |
| 3.2 基于解相干的窄带DOA估计算法与原理 |
| 3.2.1 空间平滑算法 |
| 3.2.2 矩阵分解算法 |
| 3.3 基于改进加权空间平滑的凸优化协方差DOA估计 |
| 3.3.1 改进加权空间平滑算法 |
| 3.3.2 基于改进加权空间平滑的凸优化协方差矩阵算法 |
| 3.4 性能分析 |
| 3.4.1 不同信噪比条件下空间谱估计性能 |
| 3.4.2 不同子阵元条件下的均方根误差 |
| 3.4.3 不同信噪比下均方根误差 |
| 3.4.4 不同快拍数下均方根误差 |
| 3.4.5 不同噪声非均匀强度下均方根误差 |
| 3.5 本章小结 |
| 4 非均匀噪声条件下宽带信号子空间类算法 |
| 4.1 宽带阵列DOA估计算法与原理 |
| 4.1.1 非相干信号子空间算法 |
| 4.1.2 相干信号子空间算法 |
| 4.2 基于改进平方TOPS的最优协方差宽带DOA估计 |
| 4.2.1 TOPS算法 |
| 4.2.2 改进平方TOPS的最优协方差DOA估计算法 |
| 4.3 性能分析 |
| 4.3.1 不同信噪比条件下空间谱估计性能 |
| 4.3.2 不同信噪比下均方根误差 |
| 4.3.3 不同快拍数下估计成功概率 |
| 4.3.4 不同噪声非均匀强度下均方根误差 |
| 4.4 本章小结 |
| 5 DOA估计中应用压缩感知 |
| 5.1 压缩感知基础理论 |
| 5.1.1 信号稀疏表示 |
| 5.1.2 构造观测矩阵 |
| 5.1.3 信号稀疏重构 |
| 5.2 压缩感知DOA估计数学模型 |
| 5.2.1 单快拍数模型 |
| 5.2.2 多快拍数模型 |
| 5.3 基于贪婪算法DOA估计算法 |
| 5.4 基于l_1范数DOA估计算法 |
| 5.4.1 l_1-SVD算法 |
| 5.4.2 性能分析 |
| 5.4.3 l_1-SRACV算法 |
| 5.4.4 修正的l_1-SRACV算法 |
| 5.4.5 性能分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（8）基于广义互质阵列的空间谱测向和波束形成（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 国内外发展和研究现状 |
| 1.3 本文主要工作及内容安排 |
| 第二章 阵列DOA估计理论基础 |
| 2.1 均匀线性阵列接收信号模型 |
| 2.2 广义互质阵列 |
| 2.2.1 差协同阵列 |
| 2.2.2 加权函数 |
| 2.2.3 嵌套阵列 |
| 2.2.4 互质阵列 |
| 2.2.5 半互质阵列 |
| 2.3 基于广义互质阵列的信号处理算法 |
| 2.3.1 相关或相干信源的定义 |
| 2.3.2 广义互质阵列的向量化处理技术 |
| 2.3.3 基于空间平滑的MUSIC算法 |
| 2.3.4 基于TOEPLITZ重构的MUSIC算法 |
| 2.3.5 基于信号子空间的MUSIC算法 |
| 2.4 基于广义互质阵列的CRB下界 |
| 2.5 仿真实例 |
| 2.6 本章小结 |
| 第三章 基于离格下的DOA估计 |
| 3.1 网格估计带来的误差 |
| 3.1.1 基于泰勒公式展开的方式 |
| 3.1.2 基于线性内插的方式 |
| 3.1.3 统一的表达形式 |
| 3.2 基于离格的DOA估计算法 |
| 3.2.1 基于稀疏贝叶斯的DOA估计方法 |
| 3.2.2 基于求根的稀疏贝叶斯的DOA估计方法 |
| 3.2.3 基于ANM的 DOA估计方法 |
| 3.3 基于离格估计的宽带信号DOA估计 |
| 3.3.1 宽带信号模型 |
| 3.3.2 宽带信号DOA估计 |
| 3.4 仿真实例 |
| 3.5 本章小结 |
| 第四章 阵列接收数据存在互耦下的DOA估计 |
| 4.1 阵列天线互耦误差模型 |
| 4.2 基于正交匹配追踪的DOA估计算法 |
| 4.3 基于压缩感知的LASSO算法 |
| 4.4 基于压缩感知的稀疏贝叶斯的DOA估计算法 |
| 4.4.1 基于稀疏贝叶斯的背景知识 |
| 4.4.2 基于压缩感知的稀疏贝叶斯的DOA估计算法的过程 |
| 4.5 仿真实例 |
| 4.6 本章小结 |
| 第五章 基于广义互质阵列的相干信号DOA估计方法 |
| 5.1 基于迭代算法的广义互质阵列的相干信号DOA估计信号 |
| 5.2 基于协方差矩阵的N阶根算法的相干信号DOA估计 |
| 5.3 基于广义互质阵列的混合相干和非相干信号的压缩感知DOA估计 |
| 5.3.1 考虑信号完全相干的情况 |
| 5.3.2 考虑信号混合相干或相关的情况 |
| 5.3.3 信号之间相干或相关分析 |
| 5.4 仿真实验及分析 |
| 5.5 本章小结 |
| 第六章 基于广义互质阵列的波束形成 |
| 6.1 波束形成的概念 |
| 6.2 基于前向线性预测的波束形成 |
| 6.2.1 问题引述 |
| 6.2.2 理论推导 |
| 6.3 采用修改的Olen算法进行静态波束赋形 |
| 6.4 基于权向量正交分解的任意阵列波束赋形 |
| 6.4.1 算法原理 |
| 6.4.2 基于凸优化的最大电平性能分析 |
| 6.4.3 基于WORD算法的嵌套阵列压制最大电平性能分析 |
| 6.5 仿真实例 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 7.1 全文总结 |
| 7.2 工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（9）基于空/时周期平稳特性的波达方向/时差估计方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略词表 |
| 主要符号表 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于周期平稳特性的波达方向估计算法研究现状 |
| 1.2.2 基于空时模型的波达方向估计算法研究现状 |
| 1.2.3 存在阵列误差及多径环境下的波达方向估计算法研究现状 |
| 1.2.4 基于周期平稳特性的时差估计研究现状 |
| 1.3 本文主要工作以及章节安排 |
| 第二章 波达方向/时差估计理论基础 |
| 2.1 阵列接收模型 |
| 2.2 周期平稳信号理论 |
| 2.2.1 广义周期平稳的定义 |
| 2.2.2 周期自相关函数 |
| 2.2.3 周期循环谱 |
| 2.2.4 循环频率估计 |
| 2.3 信号个数估计 |
| 2.3.1 信息论方法 |
| 2.3.2 盖氏圆方法 |
| 2.4 波达方向/时差估计算法 |
| 2.4.1 MUSIC算法 |
| 2.4.2 广义互相关法 |
| 2.5 本章小结 |
| 第三章 基于周期平稳特性的波达方向估计 |
| 3.1 信号统计特性分析 |
| 3.1.1 广义平稳信号 |
| 3.1.2 广义周期平稳信号 |
| 3.1.3 准周期平稳信号 |
| 3.1.4 渐近准周期平稳信号 |
| 3.2 基于广义周期平稳特性的波达方向估计算法 |
| 3.2.1 DCF-Cyclic-MUSIC算法 |
| 3.2.2 Toeplitz-Cyclic-MUSIC算法 |
| 3.2.3 不同算法性能仿真 |
| 3.3 基于准周期平稳信号的波达方向估计算法 |
| 3.3.1 基于准周期平稳信号特性的虚拟嵌套阵列构造方法 |
| 3.3.2 基于压缩感知的波达方向估计算法 |
| 3.3.3 算法性能仿真 |
| 3.4 基于渐近准周期平稳信号的波达方向估计算法 |
| 3.4.1 问题描述 |
| 3.4.2 渐近准周期平稳信号的波达方向估计算法 |
| 3.4.3 改进的渐近准周期平稳信号的波达方向估计算法 |
| 3.4.4 算法性能仿真 |
| 3.5 本章小结 |
| 第四章 基于空时周期平稳特性的波达方向估计 |
| 4.1 问题描述 |
| 4.1.1 信号带宽与阵元切换对算法性能的影响 |
| 4.1.2 阵元切换时间误差对算法性能的影响 |
| 4.2 基于空时周期平稳特性的单通道Cyclic-MUSIC算法 |
| 4.2.1 阵列接收模型 |
| 4.2.2 SC-Cyclic-MUSIC算法 |
| 4.2.3 算法性能仿真 |
| 4.3 基于空时周期平稳特性的双通道Cyclic-MUSIC算法 |
| 4.3.1 阵列接收模型 |
| 4.3.2 DC-Cyclic-MUSIC算法 |
| 4.3.3 算法性能仿真 |
| 4.4 基于空时周期平稳特性的二阶循环统计相关信号波达方向估计 |
| 4.4.1 单通道Toeplitz-Cyclic MUSIC算法 |
| 4.4.2 双通道Toeplitz-Cyclic MUSIC算法 |
| 4.4.3 算法性能仿真 |
| 4.5 DC-Cyclic-MUSIC算法在无人机平台中的应用 |
| 4.5.1 测向定位算法 |
| 4.5.1.1 测向算法 |
| 4.5.1.2 定位算法 |
| 4.5.2 基于无人机平台的测向定位系统性能试验 |
| 4.6 本章小结 |
| 第五章 基于周期平稳幅相误差校正的多径信号波达方向估计 |
| 5.1 问题描述 |
| 5.2 基于周期平稳特性的阵列幅相误差校正方法 |
| 5.3 多径信号波达方向估计算法 |
| 5.3.1 粗估计算法 |
| 5.3.2 基于迭代的细估计算法 |
| 5.4 随机Cramér-Rao Bound |
| 5.5 算法性能仿真 |
| 5.6 本章小结 |
| 第六章 基于渐近准周期平稳特性的时差估计 |
| 6.1 问题描述 |
| 6.2 基于线性调频信号特性的时差估计方法 |
| 6.2.1 线性调频信号的渐近准周期平稳特性 |
| 6.2.2 多循环频率相位时差估计方法 |
| 6.2.3 谱相关时差估计方法 |
| 6.2.4 算法性能仿真 |
| 6.3 高速运动目标信号的时差估计方法 |
| 6.3.1 高速运动准周期平稳信号的渐近准周期平稳特性 |
| 6.3.2 分数阶Fourier循环自相关时差估计算法 |
| 6.3.3 算法性能仿真 |
| 6.4 基于准周期平稳特性的分布式时差定位系统 |
| 6.4.1 分布式时差定位系统 |
| 6.4.1.1 时差估计算法 |
| 6.4.1.2 定位算法 |
| 6.4.2 时差定位试验 |
| 6.5 本章小结 |
| 第七章 全文总结与展望 |
| 7.1 全文总结 |
| 7.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（10）基于稀疏表征的波达方向估计算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 研究现状 |
| 1.3 论文主要研究内容及组织结构 |
| 第2章 波达方向(DOA)估计基础知识 |
| 2.1 引言 |
| 2.2 阵列信号模型 |
| 2.2.1 窄带信号接收模型 |
| 2.2.2 相干信号数学模型 |
| 2.3 DOA估计典型方法介绍 |
| 2.3.1 MUSIC算法 |
| 2.3.2 ESPRIT算法 |
| 2.3.3 空间平滑算法 |
| 2.4 小结 |
| 第3章 基于稀疏表征的DOA估计 |
| 3.1 引言 |
| 3.2 稀疏表征理论基础 |
| 3.2.1 稀疏信号基础理论 |
| 3.2.2 压缩感知理论原理 |
| 3.2.3 稀疏表征精确重构条件 |
| 3.3 DOA估计中使用稀疏表征方法的合理性 |
| 3.4 基于稀疏表征的DOA估计方法简介 |
| 3.4.1 L1-SVD算法 |
| 3.4.2 L1-SRACV算法 |
| 3.4.3 L1-CSPR算法 |
| 3.5 小结 |
| 第4章 基于增强型稀疏表征的DOA估计方法 |
| 4.1 引言 |
| 4.2 算法设计 |
| 4.3 仿真结果分析 |
| 4.4 小结 |
| 第5章 基于稀疏表征处理非均匀噪声的DOA估计方法 |
| 5.1 引言 |
| 5.2 算法设计 |
| 5.3 仿真结果分析 |
| 5.4 小结 |
| 第6章 总结与展望 |
| 6.1 全文内容总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间的研究成果 |
四、基于数据矩阵的多个窄带信号频率和波达方向同时估计（论文参考文献）
- [1]大规模MIMO系统的低复杂度宽带信号DOA估计算法研究[D]. 强晓微. 内蒙古大学, 2021(12)
- [2]基于矩阵重构的相干信源波达方向估计算法研究[D]. 张薇. 哈尔滨工业大学, 2021(02)
- [3]基于TC-OFDM信号的相干DOA估计算法研究[D]. 丁丹宇. 北京邮电大学, 2021(01)
- [4]主成分分析在均匀线阵波达方向估计中的应用研究[D]. 王瑶. 西安电子科技大学, 2020(05)
- [5]阵列数据受损情况下基于矩阵填充的DOA估计方法研究[D]. 邓尚玲. 深圳大学, 2020(10)
- [6]多用户长码直扩信号参数盲估计研究[D]. 李鑫凯. 重庆邮电大学, 2020(02)
- [7]非均匀噪声条件下的DOA估计算法研究[D]. 李煜. 兰州交通大学, 2020(01)
- [8]基于广义互质阵列的空间谱测向和波束形成[D]. 程方昊. 电子科技大学, 2020(08)
- [9]基于空/时周期平稳特性的波达方向/时差估计方法研究[D]. 王长生. 电子科技大学, 2020(07)
- [10]基于稀疏表征的波达方向估计算法研究[D]. 沈秋翔. 深圳大学, 2019(09)