作者简介:石屹然(1984-),男,讲师,在站博士后.研究方向:信号处理.E-mail:shiyiran@jlu.edu.cn
针对 α和高斯混合噪声背景下的线性极化阵列波达方向和极化参数估计问题,提出了一种基于分数低阶循环相关的子空间-最小范数方法。该方法针对 α稳定分布过程的特点,利用信号的循环平稳特性,克服了传统的基于二阶矩或高阶累积量无法用于 α噪声背景的缺点,弥补了分数低阶矩对循环平稳干扰信号抑制能力的不足。所采用的子空间-最小范数方法不仅减少了传统MUSIC方法的计算量,而且有效地抑制了分数低阶循环相关函数的估计误差。仿真结果表明,本文算法对 α和高斯混合噪声及循环平稳干扰信号的抑制能力明显优于分数低阶矩方法。
A fractional lower order cyclic correlation-based subspace minimum norm method was proposed for the joint estimation of Directions-of-arrival (DOA) and polarization parameters of linear polarization array under mixed noise of α and/or Gaussian noise. Considering the characteristics of α stable distribution and using the cycle stationarity of signals, the proposed method overcomes the disadvantages of the traditional second order moment or high order cumulant-based methods, which can not by used under α noise. Using the fractional lower order cyclic correlation method, the proposed method makes up for the lack of cycle stationary disturbance suppression of the traditional fractional lower order moment method. The subspace minimum norm method used in this paper can effectively reduce the computation of the traditional MUSIC method and suppress the estimation error of the fractional lower order cyclic correlation function. Simulation results show that the proposed method is superior to the fractional lower order moment-based method for the suppression of the cycle stationary disturbance and the mixed noise of and Gaussian noise.
传统的极化阵列波达方向(Direction of arrival, DOA)和极化参数联合估计方法[1]基本上是基于“ 背景噪声为高斯分布” 这一假设。广义中心极限定理保证了这一假设的合理性和广泛适用性。背景噪声符合高斯分布的假设不仅带来理论分析的方便, 而且可以采用二阶矩和高阶累积量这些行之有效的信号处理工具[2, 3]。然而, 在阵列信号DOA估计的实际应用中发现, 其测量环境中不仅存在着高斯噪声, 而且还大量存在着具有非高斯特性的冲击噪声。研究结果[4]表明, 这种非高斯冲击噪声可以用特征指数为
在自然界中, 由于
针对上述问题, 本文提出了基于分数低阶循环相关(Fraetional low order cyclic correlation, FLOCC)[10]的线性极化阵列DOA和极化参数联合估计的子空间-最小范数(Subspace minimum norm, SMN)方法, 该方法可有效抑制任意
以三维坐标系的原点作为相位参考点, 设 N个电磁矢量传感器以阵元间距d沿x轴均匀排列。则线性极化阵列结构如图1所示[11]。
设远场空域内有
式中:
式中:
不失一般性, 这里假设:
(1)
(2)加性噪声
定义由式(1)所示的线性极化阵列含噪输出信号矢量的
式中:
根据分数低阶循环相关函数性质, 式(3)可写为:
式中:
由式(4)整理可得
式中:
设空间有K个完全极化循环平稳信号以θk,φk,γk,ηk入射到线性极化阵列, 不难证明, 矩阵
式中:
由式(8)可得:
将式(6)带入式(10), 由于
这说明信号导向矢量阵
然而, 传统MUSIC算法却存在以下几个缺点:
(1)从式(12)可以看出, 在传统MUSIC算法中, 其参数搜索过程需要利用噪声子空间
(2)受接收数据长度的限制、干扰信号以及背景噪声的影响, 其FLOCC矩阵
针对上述问题, 本文提出了FLOCC-SMN方法。由于噪声子空间
式中:
将特征矢量
由
因而, 在
将式(19)代入式(14), 可得:
由约束条件
如前文所述, 由信号导向矢量
因此, 式(12)可改写为:
式中:det
由于矩阵
将
对比式(24)和式(25)(26)可见, DOA和极化参数的四维搜索计算等效地转变成了两次二维搜索, 这在极大程度上降低了参数搜索的计算量。
实验1 考查线性极化阵列DOA和极化参数联合估计FLOCC-SMN方法的参数估计性能及对噪声和干扰的抑制能力。
实验条件:设线性极化阵列的阵元数为8, 间距为
实验方法:使用本文方法对入射信号的DOA和极化参数进行估计。
实验结果:图2和图3分别为本文FLOCC-SMN方法的DOA和极化参数估计的一次典型实验结果。
如图2、图3所示, 本文方法可有效地抑制与待测信号循环频率相异的干扰信号(SIR=3 dB)对参数估计带来的影响。并且在
实验2 作为比较, 采用与实验1相同的实验条件和实验方法, 但采用基于分数低阶矩(
对比实验1和实验2的仿真结果, 可以明显看出, 在
实验3 在不同信噪比条件下, 验证本文FLOCC-SMN方法的参数估计性能。
实验条件:使
实验方法:在每种信噪比条件下, 利用本文FLOCC-SMN方法执行100次Monte Carlo实验。并将100次的实验结果进行如下均方根误差(Root mean square error, RMSE)计算:
式中:
实验结果:图6和图7分别为在不同信噪比条件下, 采用本文FLOCC-SMN方法得到的信号DOA和极化参数估值的RMSE变化曲线。
由图6和图7可知, 随着
针对
The authors have declared that no competing interests exist.
[1] |
|
[2] |
|
[3] |
|
[4] |
|
[5] |
|
[6] |
|
[7] |
|
[8] |
|
[9] |
|
[10] |
|
[11] |
|
[12] |
|
[13] |
|
[14] |
|
[15] |
|