传感器阵列信源定位2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

传感器阵列信源定位PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 绪论1

1.1 研究背景1

1.2 传感器阵列信源定位发展及现状1

1.2.1 空间谱估计方法2

1.2.2 阵列多维参数估计4

1.3 本书的安排7

参考文献8

第2章 传感器阵列基础13

2.1 矩阵代数的相关知识13

2.1.1 特征值与特征向量13

2.1.2 广义特征值与广义特征向量13

2.1.3 矩阵的奇异值分解13

2.1.4 Toeplitz矩阵14

2.1.5 Hankel矩阵14

2.1.6 Vandermonde矩阵15

2.1.7 Hermitian矩阵15

2.1.8 Kronecker积15

2.1.9 Khatri-Rao积16

2.1.10 Hadamard积17

2.1.11 向量化17

2.2 信源和噪声模型18

2.2.1 窄带信号18

2.2.2 相关系数18

2.2.3 噪声模型19

2.3 阵列天线的统计模型19

2.3.1 前提及假设19

2.3.2 阵列的基本概念19

2.3.3 天线阵列模型21

2.3.4 阵列的方向图22

2.3.5 波束宽度23

2.3.6 分辨率24

2.4 阵列响应矢量／矩阵25

2.5 阵列协方差矩阵的特征值分解29

2.6 信源数估计方法31

2.6.1 特征值分解方法32

2.6.2 信息论方法32

2.6.3 其他信源数估计方法33

参考文献34

第3章 一维空间谱估计36

3.1 引言36

3.2 Capon算法和性能分析37

3.2.1 数据模型37

3.2.2 Capon算法37

3.2.3 改进的Capon算法38

3.2.4 Capon算法的均方误差分析39

3.3 MUSIC算法及其修正算法42

3.3.1 MUSIC算法42

3.3.2 MUSIC算法的推广形式43

3.3.3 MUSIC算法的性能分析45

3.3.4 求根MUSIC算法48

3.4 最大似然法50

3.4.1 确定性最大似然法51

3.4.2 随机性最大似然法52

3.5 子空间拟合算法53

3.5.1 信号子空间的拟合（SSF）54

3.5.2 噪声子空间的拟合（NSF）55

3.5.3 子空间拟合算法的性能分析56

3.5.4 子空间拟合算法的实现58

3.6 ESPRIT算法及其修正算法65

3.6.1 ESPRIT算法65

3.6.2 LS-ESPRIT算法68

3.6.3 TLS-ESPRIT算法69

3.6.4 ESPRIT算法的理论性能70

3.7 基于四阶累积量的DOA估计73

3.7.1 四阶累积量与二阶统计量之间的关系74

3.7.2 四阶累积量的阵列扩展特性75

3.7.3 MUSIC-1ike算法77

3.7.4 virtual-ESPRIT算法77

3.8 传播算子79

3.8.1 谱峰搜索传播算子79

3.8.2 旋转不变传播算子85

3.9 基于广义ESPRIT算法的DOA估计87

3.9.1 阵列模型87

3.9.2 谱搜索广义ESPRIT方法88

3.9.3 无须搜索的广义ESPRIT算法89

3.10 基于压缩感知理论的DOA估计90

3.10.1 压缩感知理论的基础知识90

3.10.2 基于压缩感知理论的DOA估计算法95

3.11 相干信源DOA估计95

3.11.1 空间平滑算法97

3.11.2 改进的MUSIC算法（IMUSIC）98

3.11.3 基于Toeplitz矩阵重构的ESPRIT-1ike算法99

3.11.4 任意阵列下的相干信号DOA估计101

3.12 大规模均匀线阵下基于DFT技术的DOA估计算法104

3.12.1 数据模型105

3.12.2 基于DFT技术的低复杂度DOA估计算法105

3.12.3 算法分析107

3.12.4 仿真实验110

参考文献112

第4章 二维空间谱估计118

4.1 引言118

4.2 均匀面阵中基于旋转不变性的二维DOA估计算法119

4.2.1 数据模型119

4.2.2 基于ESPRIT的二维DOA估计算法121

4.2.3 基于PM的二维DOA估计算法127

4.3 均匀面阵中基于MUSIC类的二维DOA估计算法137

4.3.1 2D-MUSIC算法137

4.3.2 降维MUSIC算法139

4.3.3 级联MUSIC算法148

4.4 均匀面阵中基于三线性分解的二维DOA估计算法153

4.4.1 数据模型153

4.4.2 三线性分解154

4.4.3 可辨识性分析155

4.4.4 基于三线性分解的二维DOA估计156

4.4.5 算法复杂度和优点158

4.4.6 仿真结果158

4.5 均匀面阵中基于压缩感知三线性模型的二维DOA估计算法162

4.5.1 三线性模型压缩162

4.5.2 三线性分解163

4.5.3 可辨识性分析164

4.5.4 基于稀疏恢复的二维DOA估计165

4.5.5 算法复杂度和优点166

4.5.6 仿真结果167

4.6 双平行线阵中基于DOA矩阵方法的二维DOA估计算法170

4.6.1 阵列结构和信号模型170

4.6.2 DOA矩阵方法171

4.7 圆阵中的二维DOA估计算法172

4.7.1 数据模型172

4.7.2 波束空间转换173

4.7.3 UCA-RB-MUSIC算法174

4.7.4 UCA-Root-MUSIC算法175

4.7.5 UCA-ESPRIT算法175

4.8 本章小结176

参考文献177

第5章 传感器阵列中非圆信号的空间谱估计179

5.1 引言179

5.2 均匀线阵中基于NC-ESPRIT的非圆信号DOA估计算法180

5.2.1 数据模型180

5.2.2 NC-ESPRIT算法181

5.2.3 算法复杂度和优点183

5.2.4 克拉美-罗界183

5.2.5 仿真结果187

5.3 非均匀线阵中基于降维NC-Capon的非圆信号DOA估计算法189

5.3.1 数据模型189

5.3.2 数据扩展190

5.3.3 2D-NC-Capon算法191

5.3.4 降维NC-Capon算法191

5.3.5 性能分析193

5.3.6 仿真结果195

5.4 非均匀线阵中基于降维NC-MUSIC的非圆信号DOA估计算法199

5.4.1 2D-NC-MUSIC算法199

5.4.2 降维NC-MUSIC算法200

5.4.3 性能分析201

5.4.4 仿真结果203

5.5 线阵中基于NC-GESPRIT的非圆信号DOA估计算法206

5.5.1 数据模型206

5.5.2 频谱搜索NC-GESPRIT算法207

5.5.3 求根NC-GESPRIT算法209

5.5.4 算法优点209

5.5.5 仿真结果210

5.6 本章小结214

参考文献214

第6章 传感器阵列DOA跟踪216

6.1 引言216

6.2 L型阵列中基于PAST的DOA跟踪算法217

6.2.1 数据模型217

6.2.2 PAST算法218

6.2.3 复杂度和CRB222

6.2.4 仿真结果226

6.3 面阵中基于自适应PARAFAC的DOA跟踪算法227

6.3.1 数据模型228

6.3.2 PARAFAC-RLST算法229

6.3.3 复杂度和CRB233

6.3.4 仿真结果233

6.4 线阵中基于Kalman滤波和OPASTd的DOA跟踪算法235

6.4.1 数据模型235

6.4.2 Kalman滤波和OPASTd算法236

6.4.3 复杂度和CRB240

6.4.4 仿真结果241

6.5 本章小结243

参考文献243

第7章 传感器阵列分布式信源定位245

7.1 引言245

7.2 线性阵列中基于ESPRIT的分布式信源定位算法248

7.2.1 数据结构248

7.2.2 基于ESPRIT的分布式信源定位算法250

7.2.3 性能分析253

7.2.4 仿真结果254

7.3 线性阵列中基于DSPE的分布式信源定位算法257

7.4 线性阵列中基于级联DSPE的分布式信源定位算法258

7.4.1 基于级联DSPE的分布式信源定位算法258

7.4.2 性能分析260

7.4.3 仿真结果261

7.5 线性阵列中基于广义ESPRIT的分布式信源定位算法268

7.5.1 数据结构268

7.5.2 基于广义ESPRIT的分布式信源定位算法269

7.5.3 基于多项式求根的中心DOA估计方法273

7.5.4 性能分析275

7.5.5 仿真结果279

7.6 平移不变阵列中基于快速PARAFAC的分布式信源定位算法283

7.6.1 数据结构283

7.6.2 基于快速PARAFAC的分布式信源定位算法285

7.6.3 性能分析289

7.6.4 仿真结果291

7.7 本章小结295

参考文献295

第8章 传感器阵列近场信源定位298

8.1 引言298

8.1.1 研究背景298

8.1.2 研究现状299

8.2 基于二阶统计量的近场信源目标定位算法300

8.2.1 数据模型300

8.2.2 算法描述302

8.2.3 算法步骤304

8.2.4 算法复杂度分析304

8.2.5 算法优点305

8.2.6 仿真结果306

8.3 2D-MUSIC算法308

8.3.1 数据模型308

8.3.2 算法描述309

8.3.3 仿真结果310

8.4 降秩MUSIC算法312

8.4.1 算法描述312

8.4.2 算法步骤314

8.4.3 算法复杂度分析314

8.4.4 算法优点315

8.4.5 仿真结果315

8.5 降维MUSIC算法318

8.5.1 算法描述319

8.5.2 算法步骤322

8.5.3 算法复杂度分析322

8.5.4 算法优点323

8.5.5 仿真结果324

8.6 本章小结327

参考文献327