[发明专利]一种基于平行因子模型的多信号分离与测向联合处理方法

说明书

本发明公开了一种基于平行因子模型的多信号分离与测向联合处理方法，利用均匀面阵采集含有多信号的混合电磁信号，作为接收采样信号；对接收采样信号进行预处理，利用子空间旋转类算法进行角度估计，获得初步的角度估计值；根据所获的初步角度估计值，构造初始估计的导向矩阵；将接收采样信号重新建模为PARAFAC模型；将构造的导向矩阵作为PARAFAC分解的初始值，利用TALS算法拟合PARAFAC模型直到满足收敛条件，获取信源矩阵和导向矩阵；从估计的信源矩阵中提取出分离信号；从估计的导向矩阵估计分离信号对应的到达角。本发明计算复杂度低，可以有效分离源信号并估计出相应的角度参数。

技术领域

本发明属于阵列信号处理技术领域，具体涉及一种应用于均匀面阵中的基于平行因子模型的多信号分离与测向联合处理方法。

背景技术

多信号分离和测向是无线电频谱监测、电子侦察和无线通信中的关键问题，其主要实现方法为利用阵列天线接收空间传播的电磁信号，通过数字信号处理手段估计不同信号的到达方向并将其从混合信号中提取出来。

目前，多信号分离和测向主要采用的是波束成形和子空间估计技术，使用较为广泛的有子空间旋转类方法如ESPRIT、PM等算法，其利用信号向量的信号子空间旋转不变性进行参数估计，但这两种算法仅能估计角度，不能分离源信号，并且角度估计性能有限。波束成形方法可以分离某个方向上的信号，但这种方法角度分辨能力较低。

张量分解是信号处理和数据分析中的新兴技术，已广泛应用于生物医学、无线通信和机器学习等领域，其中平行因子(PARAFAC)分解是最常用的张量分解方法之一。将平行因子模型应用于阵列信号处理中，利用三线性交替最小二乘(TALS)可以实现源分离和测向，并且可以取得较好的性能。但这种标准的PARAFAC分解方法存在着收敛速度慢，计算复杂度高的问题。

发明内容

发明目的：本发明提供了一种基于平行因子模型的多信号分离与测向联合处理方法，能够提高均匀面阵下的信号分离和角度估计的性能，同时降低了标准PARAFAC分解的计算复杂度。

技术方案：本发明所述的一种基于平行因子模型的多信号分离与测向联合处理方法，包括以下步骤：

(1)将均匀面阵采集含有多信号的混合电磁信号，作为接收采样信号；

(2)将接收采样信号进行预处理，利用子空间旋转类算法进行角度估计，获得初步的角度估计值；

(3)构造初始估计的导向矩阵；

(4)将步骤(1)中的接收采样信号重新建模为PARAFAC模型；

(5)将导向矩阵作为PARAFAC分解的初始值，利用TALS算法拟合PARAFAC模型直到满足收敛条件,获取信源矩阵和导向矩阵；

(6)从步骤(5)估计出的信源矩阵提取出分离信号；

(7)从步骤(5)中估计出的导向矩阵估计分离信号对应的到达角。

进一步地，所述步骤(2)包括以下步骤：

(21)利用接收采样信号估计协方差矩阵

(22)利用协方差矩阵的分块子矩阵计算传播算子的最小二乘估计，构造信号子空间矩阵E；

(23)利用信号子空间矩阵E的分块子矩阵计算旋转矩阵

(24)对旋转矩阵进行特征分解，求得其特征值，根据特征值计算出角频率其中K为信号数目；

(25)重构信号子空间矩阵E得到新的信号子空间矩阵E'，重复步骤(23)(24)，计算出另一角频率