一种基于波达方向估计的无线电定位方法与流程

本发明涉及到一种基于波达方向估计的无线电定位方法，尤其能高精度的定位脉冲噪声和同频干扰下的目标。

背景技术：

波达方向(Direction of Arrival，DOA)估计作为无线被动定位的重要技术手段，在雷达、声纳以及通信等阵列信号处理领域有着广泛的应用。随着现代移动通信技术的迅速发展，电磁波的传输环境变得越来越复杂，对脉冲噪声与同频带干扰共存条件下DOA估计技术的要求也越来越高。

基于子空间的DOA估计算法不但能够同时对多个信号进行测向，较之传统算法，测向角度也能达到很高的精度，因此近年来受到广泛的关注。Gardner将循环相关矩阵应用到基于多重空间分类和旋转不变信号子空间算法之中提出了循环MUSIC算法和循环ESPRIT算法。上述两种算法都可以获得较高的谱分辨率，但循环MUSIC算法需要进行谱峰搜索，复杂度较高且降低了算法效率。循环ESPRIT算法则不存在这样的问题，因此更适合于工程应用。

针对脉冲噪声与同频带干扰问题，基于分数低阶统计量的信号处理算法可以较好地抑制脉冲噪声，但其对于同频带干扰没有抑制作用。分数低阶循环统计量算法可以有效抑制脉冲噪声与同频干扰，但对系统阶数的设定依赖于Alpha稳定分布过程特征指数的先验知识，因而在实际应用中会受到一定的限制。基于相关熵的信号参数估计和无线定位算法，可以不受信号和噪声先验知识的约束，而有效抑制Alpha稳定分布噪声，但这类算法不能有效抑制同频带干扰。

技术实现要素：

为克服现有方法进行无线电监测定位中在脉冲噪声和同频干扰环境下无法精确定位目标的不足，本发明提供了一种基于广义循环相关熵波达方向估计的无线电监测定位方法，该方法不仅能够有效的降低脉冲噪声同频带干扰信号的影响，并且具有较高的计算焦虑，对高斯噪声也有较好的性能。

本发明解决其技术问题所采用的技术方案是：在旋转不变信号子空间基础上，本发明提出了基于循环相关熵的ESPRIT算法(CCE-ESPRIT)，定义了循环互相关熵估计矩阵，对线性天线阵列接收到的两组阵列信号计算其循环相关熵估计矩阵，通过特征值分解算法，估计出待监测信号的波达方向。为验证本发明的优势，仿真实验中同分数低阶ESPRIT算法(FLOM-ESPRIT)进行对比分析。

本发明的有益效果是，可以对存在同频干扰和脉冲噪声的复杂电磁环境下的无线电信号源进行监测和定位，并且算法效率高，同时适用于高斯噪声环境。

附图说明

图1是无线电信号接收天线阵列模型图。

图2是本发明与FLOM-ESPRIT算法在不同广义信噪比下的对比(非同频干扰环境)。

图3是本发明与FLOM-ESPRIT算法在不同广义信噪比下的对比(同频干扰环境)。

图4是本发明与FLOM-ESPRIT算法在不同快拍数下的对比(非同频干扰环境)。

图5是本发明与FLOM-ESPRIT算法在不同快拍数下的对比(同频干扰环境)。

具体实施方式

以下结合附图和技术方案，进一步说明本发明的具体实施方式。

一种基于波达方向估计的无线电定位方法，其特征在于，步骤如下：

第一步，建立阵列与信号模型。图1中，等距线性排列的M个阵列天线阵元、第一组M-1个子阵列、第二组M-1个子阵列。子阵列选取基于旋转不变信号子空间算法，通常选择相差一个天线位置，相邻阵元间距离满足“半波长”条件d≤λ/2，其中λ＝2πc/ω，c为光的传播速度，ω为信号的中心频率。当L个互不相关的远场信号入射到阵列时，接收到信号的数学模型可表示为：

X(t)＝A(θ)S(t)+U(t) (1)

其中，X(t)＝[x₁(t),x₂(t),…,x_M(t)]^T为M个阵元上的数据观测矩阵，S(t)＝[s₁(t),s₂(t),…,s_L(t)]^T为L个入射信号，假定s₁(t),s₂(t),…,s_l(t)是循环频率为ε的循环平稳信号，l<L且非相干，其余的L-l个信号s_l+1(t),s_l+2(t),…,s_L(t)具有不同的频率或者不具有循环平稳特性。A(θ)＝[a(θ₁),a(θ₂),…,a(θ_L)]为入射信号的导向向量。其中θ_i为第i个信号的入射角。U(t)＝[u₁(t),u₂(t),…,u_M(t)]^T为噪声向量，则第k个阵元接收到的信号为：

第二步，获取两组同步信号

两组同步信号表达式为：x(n)＝[x₁(n),x₂(n),…,x_M-1(n)]^T和y(n)＝[y₁(n),y₂(n),…,y_M-1(n)]^T，其中y(n)＝x(n+1)，因此还可以给出y(n)的另一种表达形式y(n)＝[x₂(n),x₃(n),…,x_M(n)]^T，上述两个信号亦可以表示为向量的形式：x(n)＝As(n)+u(n)，y(n)＝Aψs(n)+u(n+1)，其中x_i(n+1)＝x_i+1(n)，u_i(n+1)＝u_i+1(n)，i＝1,2,…,M-1。u(n)＝[u₁(n),u₂(n),…，u_M-1(n)]为阵列接收到的噪声向量。A为阵列的M×L响应矩阵：

第三步，计算信号的广义循环互相关熵

3.1)利用接收到的两组同步信号x(n)＝[x₁(n),x₂(n),…,x_M(n)]^T和y(n)＝[y₁(n),y₂(n),…,y_M(n)]^T计算广义循环互相关熵：

其中α为循环频率，τ为时延；

3.2)根据信号的广义循环互相关熵计算估计矩阵：

第四步，根据估计矩阵计算信号的波达方向：

4.1)计算选择矩阵两组接收信号为：X₁＝J₁X＝[x₁(1),x₁(2),…,x₁(N)]和X₂＝J₂X＝[x₂(1),x₂(2),…,x₂(N)]，其中x₁(n)＝[x₁(n),x₂(n),…,x_M-1(N)]^T，x₂(n)＝[x₂(n),x₃(n),…,x_M(N)]^T。

则：

4.2)利用观测矩阵建立矩阵束{V₁,V₂}，计算V₁的特征值分解

其中∑₁包含p个主特征值，计算

4.3)计算矩阵束的特征值分解，求解单位圆上的特征值，既可以得到信号的波达方向。

在图2中，噪声环境为脉冲噪声，信号源非同频干扰情况下，本发明和FLOM-ESPRIT算法进行了对比，随着广义信噪比的从0dB增加到10dB，两种算法的均方误差都随之下降，但本发明算法性能好于FLOM-ESPRIT算法。

在图3中，噪声环境为脉冲噪声，信号源存在同频干扰情况下，本发明和FLOM-ESPRIT算法进行了对比，随着广义信噪比的从0dB增加到10dB，两种算法的均方误差都随之下降，但本发明算法性能好于FLOM-ESPRIT算法。

在图4中，噪声环境为脉冲噪声，信号源非同频干扰情况下，本发明和FLOM-ESPRIT算法进行了对比，随着快拍数从100次增加到1000次，两种算法的均方误差都随之下降，但本发明算法性能好于FLOM-ESPRIT算法。

在图5中，噪声环境为脉冲噪声，信号源存在同频干扰情况下，本发明和FLOM-ESPRIT算法进行了对比，随着快拍数从100次增加到1000次，两种算法的均方误差都随之下降，但本发明算法性能好于FLOM-ESPRIT算法。