论文部分内容阅读
空间信号的波达方向(Direction of Arrival，DOA)是指利用传感器阵列接收的信源信息，提取出空域信号的角度参数，从而确定信号发出的位置。经过多年的研究，出现了测向性能较好的超分辨测向算法。论文主要对超分辨测向技术关键问题展开深入研究，包括窄带独立信号DOA估计的优化改进、色噪声背景下相干信号测向实现、宽带混合信号DOA估计。
论文首先研究窄带信号、相干信号、宽带信号模型，然后对几个经典的DOA估计算法进行理论分析。
然后针对窄带信号，提出将支持向量回归(Support Vector Regression，SVR)算法用于信号DOA估计的方法。提取信号子空间作为特征向量，接着使用遗传算法优化SVR模型参数，通过训练样本构建DOA估计模型，最后用训练好的模型进行DOA估计。通过对比其他方法，可证明此算法的有效性。
对于色噪声背景下相干信源，提出应用反向传播神经网络(Back Propagation Neural Network，BPNN)进行DOA估计的算法，同时采用粒子群算法(Particle Swarm Optimization，PSO)提高BPNN的稳定性和泛化性能。提取只含有相干信号的参数特征作为BPNN的输入，信号的角度作为输出，从而形成训练样本对BPNN进行训练。仿真结果表明该算法性能得到了有效提升。
对于宽带混合信号(独立信号和相干信号并存)DOA估计，提出了基于随机森林回归(Random Forest Regression，RFR)的宽带混合信号的DOA估计算法。提取不同频点协方差矩阵上三角元素作为输入变量，信号角度参数作为输出。仿真结果显示所提算法具有较高的测向精度和较好的测向性能。
论文首先研究窄带信号、相干信号、宽带信号模型，然后对几个经典的DOA估计算法进行理论分析。
然后针对窄带信号，提出将支持向量回归(Support Vector Regression，SVR)算法用于信号DOA估计的方法。提取信号子空间作为特征向量，接着使用遗传算法优化SVR模型参数，通过训练样本构建DOA估计模型，最后用训练好的模型进行DOA估计。通过对比其他方法，可证明此算法的有效性。
对于色噪声背景下相干信源，提出应用反向传播神经网络(Back Propagation Neural Network，BPNN)进行DOA估计的算法，同时采用粒子群算法(Particle Swarm Optimization，PSO)提高BPNN的稳定性和泛化性能。提取只含有相干信号的参数特征作为BPNN的输入，信号的角度作为输出，从而形成训练样本对BPNN进行训练。仿真结果表明该算法性能得到了有效提升。
对于宽带混合信号(独立信号和相干信号并存)DOA估计，提出了基于随机森林回归(Random Forest Regression，RFR)的宽带混合信号的DOA估计算法。提取不同频点协方差矩阵上三角元素作为输入变量，信号角度参数作为输出。仿真结果显示所提算法具有较高的测向精度和较好的测向性能。