针对L型阵,提出了一种互耦自校正算法(SAL:self-calibration algorithm for L-shaped array).该算法利用L型阵列特殊的互耦特性,实现了对信源信息(DOA)和阵列互耦系数的解耦合,从而无需任何校正源就可以实现两类参数的估计.与基于循环迭代最小化技术的传统自校正算法相比,该算法先通过搜索谱峰估计信源信息(DOA),再估计互耦系数,从而避免了多维搜索带来的庞大运算量和迭代中的全局收敛性问题.仿真结果表明本文提出的自校正算法具有精度高、计算量小的特点.
文章针对众多性能优良的超分辨DOA(Direction-Of-Arrival)估计算法大都是以预知信源数为前提、信源数估计不准可能会导致DOA估计失败这一问题,提出了一种基于协方差矩阵对角加载的超分辨DOA估计算法。该算法不需要预判信源个数和进行特征值分解,且通过对协方差矩阵进行对角加载,可以平滑小快拍数时噪声特征值分散程度,因此,该算法更适用于快拍数较少的情况。理论分析表明:该算法的统计估计性能接近于MUSIC(Multiple Signal Classification)算法。计算机仿真结果验证了该算法的鲁棒性和可行性。
利用分数阶傅里叶变换(fractional Fourier transform,FRFT)对线性调频(linear frequency modulation,LFM)信号的能量匹配聚焦特性来简化共形阵列的数据模型,根据子空间拟合原理提出一种信源DOA和极化参数的去耦联合估计方法.直接进行DOA估计涉及求解难度较大的多维多峰参数搜索过程,于是通过重构噪声子空间和流形矩阵建立了单峰的目标函数,然后用PSO算法估计信源方位角和俯仰角,在此基础上利用ESPRIT实现极化参数估计.仿真实验表明,去耦参数估计方法能在保证算法性能的前提下简化问题复杂度。
提出了约束条件下(目标防御系统的威胁)对运动目标纯方位定位的观测器轨迹优化问题;建立了该条件下观测器轨迹优化模型,性能指标函数的选取是基于Fisher信息矩阵(Fisher Information Matrix,FIM)行列式的最大化,运用遗传算法解该优化问题得到优化轨迹;最后采用高斯粒子滤波估计目标状态.为了说明优化轨迹对定位效果的影响,分别给定直线运动和蛇行机动两类轨迹,并在无威胁约束和有威胁约束的情况下,同优化轨迹定位效果作比较.Monte-Carlo仿真结果表明:优化轨迹的定位精度优于蛇行机动和直线运动;对于不同威胁度下的优化轨迹,威胁越小对应的定位精度越高.
