La recherche sur l'algorithme d'estimation DOA pour signal cohérent sous faible rapport signal de bruit
0 introduction
direction d'arrivée estimée implémentations pratiques, sources cohérentes sont omniprésentes, certains chercheurs disposent d'un espace en utilisant MUSIC (musique espace Eigen, ES-MUSIC) algorithme pour résoudre les problèmes connexes, l'algorithme est le principal avantage d'éviter la perte de l'ouverture de tableau, l'inconvénient est que, à un faible rapport signal bruit, l'algorithme sera dégradé , ne peut pas estimer de façon précise la DOA. Par conséquent, la recherche sur DOA de signaux cohérents à basse estimation de SNR d'un nombre croissant , souvent avec de multiples classification de signaux, méthode minimum de norme, et tel algorithme a des limites importantes, lorsque le signal au bruit rapport est inférieur à une certaine valeur, les détériore la performance de l'algorithme .
Pour ces problèmes, ce document présente DOA de signaux cohérents à un faible ratio bruit algorithme d'estimation. Cet algorithme combine les avantages du lissage spatial complet et algorithme ES-MUSIC, à savoir l'utilisation de deux paramètres importants de sous-espace signal complet et le sous-espace de bruit. source cohérente de signaux cohérents par des techniques de lissage spatial, et ensuite, encore une fois en utilisant une estimation ES-MUSIC algorithme de DOA . Dans cet article, un des résultats de tests comparatifs montrent que de faibles signaux de SNR DOA estimation meilleure cohérence.
Une construction de modèle de signal
D est fourni avec des signaux à bande étroite, la direction de l'onde {1, 2, ..., D}, un réseau linéaire de configuration de l'élément N de la matrice de brai isotrope et analogues, et les exigences de chaque espacement entre l'élément de tableau est d, la i-ème élément de la matrice le signal reçu peut être exprimé sous la forme:
Ainsi, il peut mettre sa matrice de covariance représentée:
2 algorithme
2,1 algorithme de lissage spatial
Cet algorithme est fig.1. L'idée de base de cet algorithme est d'abord faire un réseau linéaire de N matrice également espacées est divisée, uniformément divisé en L sous-réseaux qui se chevauchent, et chaque nombre requis d'éléments de réseau de la matrice est H, mais aussi pour répondre à L + H-1 = N , alors la matrice de covariance est calculée pour chaque sous-réseau, et calcule ensuite la moyenne arithmétique de chaque matrice de covariance de sous-réseau de RA, qui est appelé un lissage spatial avant . Telle qu'utilisée ici, l'algorithme de lissage spatial avant et en arrière que l'idée de base est que le front peut assurer lisse et conjugué lissée vers l'arrière par cet algorithme peut détecter 2N / 3 signaux cohérents détectés par la quantité de signal cohérent considérablement augmenté .
La figure 1 représente la face avant du f de lissage, a représente le lissage.
Transférer le lissage des données reçues peut être exprimée sous la forme:
De même, après la matrice de lissage spatial peut être exprimée en tant que:
2.2 ES-MUSIC algorithme
La formule (13) dans lequel peuvent être exprimés les résultats de la décomposition en tant que:
2.3 DOA Résumé de la procédure d'estimation
L'ensemble du processus est divisé en 5 étapes:
3 Résultats des tests
Afin de vérifier l'exactitude des méthodes d'article, nous avons mené une série d'essais comparatifs, en utilisant un espacement d'élément de tableau demi-longueur d'onde est uniforme linéaire tableau, le numéro de série Chen Yuan est 8, et le nombre de signaux cohérents sont connus, la lettre bruit dans des situations différentes, selon la méthode ici et la méthode ES-MUSIC test de Monte Carlo, le nombre de tests était 1000. erreur quadratique moyenne peut être exprimée en :
Sous différentes courbe de probabilité de succès d'estimation SNR, DOA comme indiqué sur la figure.
DOA probabilité de succès estimée peut également être exprimé comme une estimation correcte de DOA (écart est inférieur à 2 °) le rapport entre le nombre de fois. Comme on peut le voir sur la figure 2, lorsque le SNR est supérieur à 0 dB, DOA probabilité de succès d'estimation des deux méthodes est fondamentalement la même, mais, lorsque le SNR est inférieure à 0 dB, DOA estimer la probabilité de succès de cette méthode ES nettement plus élevé loi -MUSIC. Cela montre que la méthode proposée non seulement à un faible rapport signal bruit estimation DOA avantages évidents, ainsi que la résolution supérieure.
Sous différents SNR, la courbe RMSE estimation DOA est représentée sur la Fig.
Comme on peut le voir sur la figure 3, les deux méthodes ont une caractéristique que plus le SNR, l'erreur quadratique moyenne est plus grande, lorsque le SNR est supérieur à 0 dB, l'erreur quadratique moyenne des deux méthodes sensiblement le même, mais lorsque le SNR est inférieur à 0 dB, l'erreur quadratique moyenne de la méthode proposée est nettement inférieure à la ES-MUSIC. De l'analyse ci-dessus, le SNR est faible, une précision d'estimation plus élevée de la méthode proposée, la stabilité et une meilleure .
Dans les mêmes conditions, le SNR est réglé sur 0 dB est réglée sur 500 bat plus vite, le nombre de sources de signal cohérent est fixé à 2, la méthode utilisée ici, la méthode ES-MUSIC et les deux sources cohérentes occupe test, les résultats des tests présentés dans le tableau 1 sous différents DOA.
Le tableau 1 montre l'analyse de, à faible rapport signal bruit est élevé, plus l'intervalle DOA, la probabilité estimée de succès est plus grande. Cependant, dans le même intervalle de DOA, estime la probabilité de succès de cette méthode méthode ES-MUSIC significativement plus élevé, il est possible de prouver qu'une résolution plus élevée de cette méthode.
4 Conclusion
Cet article décrit la DOA de signaux cohérents dans un algorithme d'estimation de faible SNR, cette méthode ne prend pas seulement avantage du procédé de lissage spatial, de-cohérent algorithme de traitement de cohérence des signaux, tandis que le meilleur parti de l'algorithme ES-MUSIC, informations d'estimation DOA principalement par deux sous-espaces de signal et de bruit. Afin de vérifier l'exactitude de l'aspect de l'article, la présente une série de tests comparatifs, les résultats des tests après l'analyse peut être vu, par rapport aux méthodes conventionnelles, la méthode proposée est non seulement une estimation faible SNR DOA avec une grande précision et résolution des taux plus élevés.
références
Wu Guoqing, Chen Shan suite à la performance estimée d'analyse musicale basée décohérence- technologie électronique moderne, 2011,34 (7): 94-96.
tissu macro Wang, Wang Yongliang, Chen Hui. Direction de destination Estimation de Coherent pondérées lissage spatial Communication Journal, 2003, 24 (4): 31-40.
Chen Dong, Yang Baohai, Dingwen Bin. Racine algorithme de musique sous source pulsée de bruit cohérent technologie électronique moderne, 2017,40 (5): 1-4.
INGHELBRECHTV, VERHAEVERTJ, HECKETV, et al.The influence du déplacement de l'élément aléatoire sur des estimations de DOA obtenu avec (Khatri-Rao) Root-MUSIC .Sensors, 2014,14 (11): 21258-21280.
Lei, Guolin, Liu Runjie. méthode d'estimation DOA basée sur l'accumulation cohérente de remodelage de la matrice Journal Radar, 2015,4 (2): 178-185.
I et Chang, Li Jianli. DOA de signaux cohérents avec la méthode d'estimation faible SNR bruit blanc filtré Traitement du signal, 2012,28 (7): 957-962.
Chen Guobin, l'algorithme de prédiction de trafic réel Luo Nanying.Network basé sur la distribution des -stable et de la transformation en ondelettes .Cybernetics et technologies de l'information, 2014,14 (4): 45-55.
Sun Baofa.MUSIC basé sur réseau circulaire uniforme et sa direction constatation efficacité .International Journal of Signal Processing Systems, 2013,1 (2): 273-277.
Tan Wei intégrés traditionnels, Feng Dazheng, et autres. Sur la base des estimations de MUSIC DOA modifié pour coherent . Ingénierie radio, 2014,44 (11): 18-21.
Xue alkylène, Chen Boxiao, racine Mme Zhu. DOA Estimation itération subspatial valeur réelle basée Xi'an Université des sciences et de la technologie électronique, 2010,37 (2): 242-247.
Informations sur l'auteur:
Toute session plénière, Chen Shiang en
(Exploitation et entretien Engineering Research Center de la province du Henan ferroviaire à grande vitesse, Zhengzhou 451460)
