《空间谱估计理论与算法》学习笔记006-多重信号分类算法

第4章 多重信号分类算法

4.1 引言

多重信号分类（MUSIC）算法基本思想：将任意阵列输出数据的协方差矩阵进行特征分解，从而得到与信号分量相对应的信号子空间和与信号分量相正交的噪声子空间，利用这两个子空间的正交性估计信号的参数（入射方向、极化信息、信号强度等）。
MUSIC算法在特定的条件下具有很高的分辨力、估计精度及稳定性。

4.2 MUSIC算法

4.2.1 经典MUSIC算法

窄带远场信号的DOA数学模型为
$$X\text{X}X(t)=A\text{A}A(\theta )S\text{S}S(t)+N\text{N}N(t)$$

阵列数据的协方差矩阵为
$$\begin{array}{rl}R\text{R}R& =E[X\text{X}X{X\text{X}X}^H]\\ & =A\text{A}AE[S\text{S}S{S\text{S}S}^H]{A\text{A}A}^H+{\sigma }^{2}I\text{I}I\\ & =A\text{A}A{R\text{R}R}_S{A\text{A}A}^H+{\sigma }^{2}I\text{I}I\end{array}$$

由于信号与噪声相互独立，数据协方差矩阵可以分解为与信号、噪声相关的两部分，其中${R\text{R}R}_S$是信号的协方差矩阵，$A\text{A}A{R\text{R}R}_S{A\text{A}A}^H$是信号部分。
对$R\text{R}R$进行特征分解
$$R\text{R}R={U\text{U}U}_S{\Sigma }_S{U\text{U}U}_S^H+{U\text{U}U}_N{\Sigma }_N{U\text{U}U}_N^H$$

式中，${U\text{U}U}_S$是由大特征值对应的特征矢量张成的子空间，即信号子空间，${U\text{U}U}_N$是由小特征值对应的特征矢量张成的子空间，即噪声子空间。
理想条件下数据空间中的信号子空间与噪声子空间是相互正交的，即信号子空间中的导向矢量也与噪声子空间正交
$${a\text{a}a}^H(\theta ){U\text{U}U}_N=0$$

经典的MUSIC算法正是基于上述性质提出，考虑到实际接收数据矩阵是有限长的，即数据协方差矩阵的最大似然估计为
$$\widehat{R\text{R}R}=\frac{1}{L}\sum _{i=1}^{L}X\text{X}X{X\text{X}X}^H$$

对$\widehat{R\text{R}R}$进行特征分解可以计算得到噪声子空间特征矢量${\widehat{U\text{U}U}}_N$。由于存在噪声，$a\text{a}a(\theta )$与${\widehat{U\text{U}U}}_N$并不能完全正交，因此，实际上求DOA是以最小优化搜索实现的，即
$${\theta }_{\mathrm{M}\mathrm{U}\mathrm{S}\mathrm{I}\mathrm{C}}=\underset{\theta }{\mathrm{argmin}}{a\text{a}a}^H(\theta ){\widehat{U\text{U}U}}_N{\widehat{U\text{U}U}}_N^{H}a\text{a}a(\theta )$$

MUSIC算法的谱估计公式为
$$P_{\mathrm{M}\mathrm{U}\mathrm{S}\mathrm{I}\mathrm{C}}=\frac{1}{{a\text{a}a}^H(\theta ){\widehat{U\text{U}U}}_N{\widehat{U\text{U}U}}_N^{H}a\text{a}a(\theta )}$$

MUSIC算法步骤：

MUSIC算法
1.由阵列的接收数据得到数据协方差矩阵$\widehat{R\text{R}R}$；
2.对$\widehat{R\text{R}R}$进行特征分解；
3.由$\widehat{R\text{R}R}$的特征值进行信号源数判断；
4.确定信号子空间${\widehat{U\text{U}U}}_S$与噪声子空间${\widehat{U\text{U}U}}_N$；
5.根据信号参数范围由谱估计公式进行谱峰搜索；
6.找出极大值点对应的角度就是信号入射方向。

注：
（1）非理想情况下得到的协方差矩阵特征值满足：
$${\lambda }_1>{\lambda }_2>\cdots >{\lambda }_N>{\lambda }_N+1>\cdots >{\lambda }_M>$$

但不满足
$${\lambda }_1\ge \lambda$$