[发明专利]一种确定信号信源个数的估计方法

说明书

一种确定信号信源个数的估计方法，它属于阵列信号处理技术领域。本发明解决了采用现有方法对信源个数进行估计时，获得的信源个数估计结果的准确率低的问题。本发明根据观测数据的概率密度和观测数据的特征结构的概率密度，来构造广义贝叶斯信息量准则表达式，计算所有可能的信源个数值对应的信息量值，得到最大的信息量值所对应的信源个数值。与现有方法相比，本发明方法可以获得更高的信源个数估计的准确率，为基于子空间的算法提供先验知识。本发明方法可以应用于对确定信号进行信源个数的估计。

技术领域

本发明属于阵列信号处理技术领域，具体涉及一种确定信号信源个数的估计方法。

背景技术

子空间估计是阵列信号处理中的重要研究内容，信源个数估计算法是子空间类算法的重要组成。基于信息量准则的算法是目前最常用的信源个数估计算法，常用的估计方法包括赤池信息量准则、经典贝叶斯信息量准则等，这些方法将信源个数的估计问题转化为模型参数的选择问题，在参数估计问题中，通常会采用似然函数作为目标函数，通过增加观测数据量提高模型精度，同时加入惩罚项来避免过拟合问题。

但是现有方法在构造目标函数时，没有充分考虑观测数据的概率密度和观测数据的特征结构的概率密度，使采用现有方法进行信源个数估计时获得的信源个数估计结果的准确率较低。

发明内容

本发明的目的是为解决采用现有方法对信源个数进行估计时，获得的信源个数估计结果的准确率低的问题，而提出了一种确定信号信源个数的估计方法。

本发明为解决上述技术问题所采取的技术方案是：

一种确定信号信源个数的估计方法，所述方法具体包括以下步骤：

步骤一、采用传感器阵列获得观测数据；

步骤二、对观测数据的协方差矩阵进行特征值分解，获得观测数据的特征值；

步骤三、根据特征值计算观测数据的概率密度以及观测数据的特征结构的概率密度，再根据概率密度构造广义贝叶斯信息量准则表达式；

所述观测数据的概率密度f₁为：

其中，r表示信源个数，N表示传感器阵列中阵元的个数，L表示传感器阵列的每个阵元接收的数据的采样点数，λ_i表示观测数据的协方差矩阵的第i个特征值；

观测数据的特征结构的概率密度f₂为：

其中，表示观测数据的协方差矩阵的第i个特征值的真值，λ_j表示观测数据的协方差矩阵的第j个特征值，σ²表示高斯白噪声的方差，Γ表示一种数学运算；

步骤四、将最大的广义贝叶斯信息量值所对应的r值作为信源个数的估计结果。

进一步地，所述观测数据中包含高斯白噪声和多个窄带信号，窄带信号的个数即信源个数。

进一步地，所述广义贝叶斯信息量准则表达式为：

B＝-2lg(f₁+f₂)+Klg(L)

其中：B表示广义贝叶斯信息量值，K表示子空间的自由度。

进一步地，所述子空间的自由度K为：

更进一步地，所述数学运算Γ的定义为：

对于任意正整数n，Γ(n)＝(n-1)·(n-2)·2·1。

本发明的有益效果是：