一种基于重采样的信源数目估计方法
【技术领域】
[0001 ] 本发明涉及信源数目估计领域，尤其涉及一种基于重采样的信源数目估计方法。【背景技术】
[0002] 目前，第四代移动通信系统已在全球开始规模商用，智能终端的普及、移动应用的 蓬勃发展，将促使连接数激增和无线流量的高速增长。同时，物联网业务也逐渐在多种行业 中展开，无线应用呈现出多样化发展的趋势，其泛在化特征日益显现。云计算及后台服务的 广泛应用将对5G移动通信系统提出更高的传输质量与系统容量要求。
[0003] 为了进一步提高频谱效率，大规模天线阵列技术将被引入无线传输技术的主流， 当收发天线数量很大时，MHTO(多输入与多输出）信道容量将近似线性增长，目标在于使4G 通信在信道容量、功率效率和频谱效率这几个方面能够提高一个量级。在这个过程中，天线 的精确定位是波束赋形的关键技术之一。然而，制约该项技术实用化的主要挑战是高维度 信道建模与估计，以及复杂度控制。同时，波束赋形需要提前获知信道状态信息，例如：到达 角信息、幅度信息，如果对信道模型认知不全面，将无法选择与场景相匹配的处理大量数据 的快速算法。
[0004] 线性阵列信源信号数目估计是无线信道参数提取的主要内容，也是探究无线信道 模型特性的重要工作。准确获取入射信源信号数目并应用于阵列信号模型是信道参数提取 算法的基础，也是建立或更新信道模型结构的前提，其准确与否将对阵列信号处理与分析 算法性能产生很大影响。在复杂、未知、多变的电磁环境中尽可能地利用、提取和恢复包含 于接收信号样本总集中的有用信息是现代阵列信号处理的基本原则。信道模型状态信息 主要通过传播的信号反映出来，如何对接收信号的参数进行有效检测和估计就显得尤其重 要。信源数目的准确估计满足了信源定位、信号检测和估计精度的提高，因此在众多信号处 理问题中其应用前景十分广阔。
[0005] 但是，传统的盖式圆信源数目估计算法存在两个问题：
[0006] -方面，在色噪声多元天线接收模型中，通道间加性噪声互相关度大，各阵元天线 对信号分量响应程度不同。构建酉变换矩阵需要对采样数据的协方差矩阵降维，由于天线 阵列中各阵元的接收通道互相关度变化显著，无法提前预知信号影响最小的分量，被舍弃 的向量如果是对信号响应大的分量时，阵列导向A空间与噪声特征向量u空间正交性就会 降低，酉变换矩阵对应的盖氏圆半径也将变大，引起判决准则中非正值延迟到达，带来了过 估计的风险。一旦阵列导向空间与噪声空间相互正交的假设被打破，盖氏圆准则的原理也 将被颠覆。
[0007] 另一方面，传统估计方法只针对T个快拍构成的取样全集进行一次计算，快拍集 被构造为一个协方差矩阵。然而样本总集却可以挖掘更多信息，只进行一次采样难免会出 现误差。
【发明内容】
[0008] 本发明提供了一种基于重采样的信源数目估计方法，本发明避免了偶然误差，提 升了信源数目估计准确性和信道参数的提取速度，详见下文描述：
[0009] -种基于重采样的信源数目估计方法，所述信源数目估计方法包括以下步骤：
[0010] 确定采样次数Z以及采样比例，之后对接收信号样本集进行不放回采样，得到子 样本集；
[0011] 通过对子样本集构成的协方差矩阵民进行行列变换和降维重构，构建出酉矩阵 比;对构造出的M个不同酉矩阵进行多次盖式估计处理，获取第i次迭代得到的信源数目
[0012] 当前迭代次数i小于迭代总次数Z时，将第i次迭代得到的信源数目加入集合中； 最终的信源数目为集合中出现频次最大的元素。
[0013] 其中，所述对对构造出的M个不同酉矩阵进行多次盖式估计处理，获取第i次迭代 得到的信源数目&的步骤具体为：
[0014] 通过第m次的行列变换和降维重构处理后得到当前酉矩阵比，对进行盖式圆估 计处理，获取第m次的⑶E值<^、，此过程从m = 1开始； 1 w A
[0015] 将第m次盖式估计后得到的⑶E值j记录下来，做MGDE判断:
[0016] 其中，m = 1，2，…，M ;k = 1，2，…，m，当MGDE(k)达到第一个非正值时，第i次 迭代得到的信源数目<=k-l，否则令m = m+1，进行下一次循环。
[0017] 本发明提供的技术方案的有益效果是：本方法对传统盖式信源估计算法进行改 进，降低了偶然误差带来的影响。加入重采样的思想后，有限样本集得到了更加充分的利 用，提高了真实值出现概率，也提高了获得一致性估计的可能。该方法相比常规盖氏圆准则 具有更高的估计准确度和稳定性，更有利于应用在实际阵列信号处理问题。
【附图说明】
[0018] 图1为一种基于重采样的信源数目估计方法的流程图；
[0019] 图2为均匀线性阵列接收信号示意图；
[0020] 图3为有色噪声下不同信源数目方法的估计性能对比图；
[0021] 图4为有色噪声ULA阵列重采样方法与传统方法的性能对比图；
[0022] 图5为有色噪声下随快拍数变化的估计性能对比图；
[0023] 图6为有色噪声下随角度差变化的估计性能对比图；
[0024] 图7为重采样MDGE估计方法随采样比例变化的性能对比；
[0025] 图8为重采样迭代次数对估计性能影响图。
【具体实施方式】
[0026] 为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步 地详细描述。
[0027] 实施例1
[0028] 本发明提出了一种基于重采样的信源数目估计方法，参见图1，该方法包括以下步 骤：
[0029] 101 :确定采样次数，以及采样比例；对接收信号样本集不放回采样，构成子样本 集；
[0030] 102 :通过对子样本集构成的协方差矩阵进行行列变换和降维重构，构建酉矩阵； 对构造出的M个不同酉矩阵进行多次盖式估计处理，获取第i次迭代得到的信源数目
[0031] 103 :当前迭代次数i小于迭代总次数Z时，将第i次迭代得到的信源数目加入集 合中；最终的信源数目为集合中出现频次最大的元素。
[0032] 104 :对于传统盖式信源估计算法进行了改进，形成了新的MGDE算法用来估计信 源数目。
[0033] 综上所述，本发明实施例通过上述步骤101-步骤104避免了偶然误差，提升了信 源数目估计准确性和信道参数的提取速度。
[0034] 实施例2
[0035] 下面结合具体的计算公式、附图2对实施例1中的方案进行详细的说明，其中步骤 202、203、204是外层大循环，详见下文描述：
[0036] 201 :确定采样次数Z，采样比例r，得到M元天线阵列子集大小r*L，其中L为 M元天线阵列采样构成的快拍数总集大小，令迭代次数初始值i = 1 ;
[0037] 202 :对接收信号样本集不放回采样，构成大小为I；子样本集；
[0038] 203 :通过对子样本集的协方差矩阵进行行列变换及降维后构建酉矩阵，对酉矩阵 进行多次盖式MGDE估计处理，获取第i次迭代得到的信源数目；
[0039] 1)计算第i次迭代的子样本集的协方差矩阵(其中，X(1)为第i次迭 代的样本集），并令酉变换次数m = 1，单位变换阵为E ;
[0040]
[0041] 2)变换协方差阵的行列顺序
[0042] 其中，#表示进行了m次行列变换后的协方差矩阵，并去掉最末的行列降 为M-1维，以此构建酉矩阵U(m)。
[0043] 3)完成上述酉变换后，进行⑶E(Gerschgorin Disk Estimator，盖式圆估计）的 估计判断，根据⑶E估计准则可得⑶E值为& D
[0044] (⑶E估计准则为：
[0045]
[0046] 其中，P玳表酉矩阵的第k个盖式半径；L代表采样快拍数大小；D(L)G[0, 1]为 关于L的非增函数，是与采样快拍数有关的调节因子。k在1~M-2间取值，随着k的从小 变大，当⑶E(k)出现第一个负值时，信源数目可确定为3=k-l若m =M则循环结束。）
[0047]多次盖式估计MGDE的估计准则为：
[0048]
[0049] 其中，⑶E (k)是这M次循环的每一次内循环中经过第k (k = 1，2,…，m ;m = 1，2,…，M)次酉变换后根据估计准则得到的值；当MGDE(k)达到第一个非正值时，记录此时 的k值，则第i次迭代得到的信源数目为和> 二A--U否则令m = m+1，开始下一次循环。
[0050] 实质上，MGDE就是对同一个矩阵按一定顺序进行行列变换后得到的不同矩阵分别 进行GDE估计，将每次GDE估计结果值累加起来再取平均，MGDE的M就是multiple多重的 意思。
[0051] 204 :判断当前迭代次数i是否小于迭代总次数Z，若i〈Z，将第i次迭代得到的信 源数目加入集合％ =
[0052] 其中，集合巧内的元素是每一次迭代后得到的信源数，并令i=i+1，进入步骤 202开始下一次循环；否则，循环结束信源数最终可确定为isargmaXf%，S卩集合％中 出现频次最大的元素。
[0053]参见图2,图2是相邻间距为d的M元天线构成均匀线性阵列，接收从{ 0b1 = 1，2,…，K} (K即为信源数目）方向入射的远场窄带信源信号。则接收信号可表示为：X(t) =AS (t) +N (t)〇
[0054] 其中，X(t) = [xjt), x2(t), ? ? ?，xM(t)]TS M元天线在第t次快拍的接收信号矢 量；
[0055] 其中，A = [aplapj，…，a(0K)]为阵列导向矩阵，apj表示第1个信号 分别对M元天线的响应d为天线阵元间距，9!为第1个信源信 号的入射方向，X为波长，i = 1，