[发明专利]基于联合UCA的序贯ESPRIT二维不相干分布源参数估计方法

说明书

本发明公开了一种基于联合UCA阵列的序贯ESPRIT二维不相干分布源参数估计方法，通过利用广义阵列流形与有效子空间的一致性线性变换关系，序贯联合求解中心参数和扩展参数；并且运用二维不相干分布源随机过程的统计特征参数来建模扩展参数，提高了该类高分辨子空间方法对不同分布源分布形态的鲁棒性；本方法通过分析二维不相干分布源有效信号子空间，创新提出广义ESPRIT算法的最大特征值选择原则，从而有效地解决了不相干分布源中心参数估计精度对于小扩展角和大扩展角估计性能不一致的问题，实现了多个二维不相干分布源的快速高精度估计。

技术领域

本发明涉及信号处理技术领域，尤其涉及一种基于联合UCA的序贯ESPRIT二维不相干分布源参数估计方法。

背景技术

信号目标的方位估计一直是信号处理要解决的关键问题之一。早期的目标经常被假定为点目标模型，但在实际的应用环境中，目标不仅仅是一个中心点，还会具有一定的扩展宽度，在空间上呈现出分布特性。比如在郊区或野外用高基阵天线进行无线通信时，手机周围的局部散射会引起广义的平坦瑞利信道衰减，对于基站来说信号源就是具有一定空间分布的扩展源。在远场浅海环境下，当用声呐对水下目标的位置进行估计时，由于信道的影响，声信号通过海地平面、海面波浪的反射，通过大量散射路径到达水听器，接收阵列的输出数据是对这些路径所有信号的叠加响应，因此信号源呈现出空间分布特性。这种多径现象在SAR雷达、室内通信及定位应用中也是亟待解决的问题。

据实际应用环境不同，同一个分布源内不同角度回波间的相关程度不同，分布源可分为完全不相关(ICD)、部分相关(PCD)和完全相关(CD)

过去二十年对完全不相关(简称ID)分布源参数估计研究大都集中于一维ID分布源，Trump首先提出针对单个ID一维分布源的极大似然方法(ML)。尽管ML估计具有无偏估计的性能，但由于其极大的计算负担，减小计算复杂度的AML方法也能获得近似估计精度而更受欢迎，这种方法可以推广到多个一维分布源。

为进一步减小计算负担Olivier提出协方差拟合(COMET)方法后，陆续解决了模糊性问题、最优初值选取问题和简化计算的问题，但这些方法都是基于指数形式的分布源信号模型，不具有普适性。

由于接收数据协方差矩阵形成的特征分解中，信号特征向量和噪声特征向量具有正交特性，从而发展出了一类重要的子空间拟合方法。点源数据协方差构成的子空间中，含有信号能量的特征值个数与感兴趣区域内点源的个数相同。但分布源数据协方差是满秩矩阵，其子空间中信号能量扩散到每个特征值上，使得传统的点源子空间拟合的算法对分布源进行参数估计时性能急剧下降。S.Valaee提出DSPE算法将经典的MUSIC算法推广到多个一维分布源的参数估计，而mats提出的WPSF方法估计性能接近无偏估计。由于协方差矩阵的特征子空间将信号与噪声信息杂糅在一起，因此信号和噪声维度的准确划分直接决定了ID分布源不同扩展程度下的参数估计精度。YMeng详细讨论了分布源信号子空间的能量分布，DISPARE算法、root-MUSIC算法、Rank-2算法都是选取低秩近似信号子空间，因此仅能在小角度扩展时取得较好的精度。而规避信号子空间有效维度选取的方法则在可以在低信噪比下对小角度扩展的ID一维分布源取得较好的估计性能。采用改进的GHQ(Gauss-HermiteQuadrature)生成的阵列流形比传统的泰勒级数能更好的近似大扩展角分布源。采用流形分离技术(MST)可以对大扩展角ID一维分布源的参数估计取得较好的估计精度。

然而无论是协方差矩阵拟合还是子空间拟合的方法，大部分算法都需要进行谱峰搜索或优化迭代求解，计算负担都较大，并且优化结果容易受初始值的影响无法得到全局最优解。为了得到更快的计算速度很多学者将眼光投向可以避免谱峰搜索而直接得到闭式解的ESPRIT算法。S Shahbazpanahi将点源ESPRIT算法推广到一维ID分布源的参数估计，大大降低了计算负担，但扩展角仍需要谱峰搜索。