一维music算法！！！

• 1 MUSIC算法

• MUSIC算法（Multiple Signal Classification）是一种用于方向估计（Direction of Arrival, DoA）的常用方法。它的基本思想是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。
• 具体步骤如下：
  假设空间中存在M个不同方向的信号，入射到由N个天线单元构成的均匀直线阵上。
  将N个天线的输出信号表示成向量形式，得到协方差矩阵。
  对协方差矩阵进行特征分解，得到信号子空间和噪声子空间。
  MUSIC算法的谱估计公式为：[ P_{\text{MUSIC}}(\phi) = \frac{1}{|\mathbf{Q}_n^H \mathbf{s}(\phi)|^2} ]。
  其中，(\mathbf{Q}_n)是协方差矩阵的特征向量，(\mathbf{s}(\phi))是阵列的导向矢量。MUSIC算法实现了高分辨率的角度估计，对于信号处理和雷达等领域具有重要应用。
• 将 𝑁 个天线的输出信号表示成向量形式 𝑥(𝑡)，则上式可归纳为：
• 其中，𝑆 为阵列的流型矩阵，矩阵规模为 𝑁×𝑀，具体可表示为 𝑀 个不同方向对应的阵列导向矢量：
• 由于 𝑀<𝑁，流型矩阵 𝑆 为列满秩矩阵，Rank(𝑆)=𝑀。
• 阵列输出信号 𝑥(𝑡) 的协方差矩阵为：

• 协方差矩阵 (R) 的计算：

  这个推导有助于理解在通信系统中如何将接收到的信号分解为其组成部分以进行分析或处理。

  • 首先，我们将 (R) 表示为期望值（用 (E[\cdot]) 表示）的 (x(t)) 与其共轭转置（用 ((\cdot)^H) 表示）的外积，即 [ R = E[x(t)x^H(t)] ]。

  • 其次，我们将 (x(t)) 展开为其组成部分：期望信号分量 (s_a(t)a^H(t)) 和噪声分量 (n(t)n^H(t))。这给出 [ R = E[s_a(t)a^H s_a^*(t)a + n(t)n^H] ]。

  • 接下来，我们将这两个分量分别放入它们的期望值中。我们还知道噪声与信号不相关，因此它们的交叉项为零： [ R = E[s_a(t)a^H s_a^*(t)a] + E[n(t)n^H] ] [ R = SAS^H + \sigma^{2}I ]， 其中：

    • (S) 是信号的功率谱密度矩阵，
    • (\sigma^{2}) 表示噪声方差，
    • (I) 表示单位矩阵。

  • 最后，我们简化这个表达式，得到 [ R = R_s + \sigma^{2}I ]， 其中：

    • (R_s) 表示信号的相关矩阵，
    • (\sigma^{2}I) 表示噪声对总接收功率的贡献。

• 其中，𝐴 为不同信号源之间的协方差矩阵，由于不同信号源之间是相互正交的，𝐴 为正定对角矩阵：

• MUSIC 算法的谱估计公式为：

• 通过记录多组阵列输出信号快拍，可以计算出输出信号协方差矩阵的近似值：

•  R的特征分解可表示为：

• 

• 上式表明，将输出信号矩阵 𝑅 进行特征分解，得到的 𝑁−𝑀 个较小且相等的特征值对应的特征向量即可构成 𝑄𝑛。

• 当上式中的 𝜙 与信号源方向相同时，分母为零，此时 MUSIC 谱估计为无穷大。因此，MUSIC 谱估计的尖峰数目与信源数目相同，尖峰对应的方向即为信号源的方向。

2 窄带远场条件

• 窄带信号是指信号的带宽相对较窄，与中心频率相比可以忽略。根据不同的定义，我们可以将信号分为窄带和宽带.
• 以下是窄带信号的三种定义：
• 相对带宽定义：当信号的相对带宽 (W_B / f_0) 小于 (1/10) 时，可视为窄带信号。其中，(W_B) 是信号带宽，(f_0) 是信号的中心频率.
• 相对阵列定义：在阵列信号处理中，窄带信号掠过阵列孔径的最大传播时间远远小于信号带宽的倒数.
• 相对速度定义：在信号与阵列存在相对运动的系统中，近场条件下，信号的持续时间内相对于
• 信号的距离分辨力，若目标没有明显的移动，则信号可视为窄带的.总之，窄带信号的特点是带宽较窄，适用于某些特定的信号处理和通信场

3 共轭转置

• 共轭转置（也称为埃尔米特共轭或埃尔米特转置）定义如下：

  • 对于一个复数矩阵A，其共轭转置矩阵记作(A^*)。
  • 其中，(A^*)的每个元素是矩阵A中对应元素的复共轭。
  • 通常用以下记号表示矩阵A的共轭转置：(A^*) 或 (A^\dagger)。
  • 在线性代数和量子力学中广泛使用。

• 性质：

  • 如果矩阵A的元素是实数，则(A*)与A的转置(AT)相等。
  • 共轭转置矩阵在复数域中非常有用，特别是在量子力学中。
• 例如，如果矩阵A为： [ A = \begin{bmatrix} 1 + 2i & 3 - i \ 4 & 5i \end{bmatrix} ]
• 那么共轭转置矩阵(A^)为： [ A^ = \begin{bmatrix} 1 - 2i & 4 \ 3 + i & -5i \end{bmatrix} ]

4 零均值白噪声

• 零均值白噪声是一种特殊类型的随机信号或随机过程。
• 白噪声是在较宽的频率范围内，各等带宽的频带所含的噪声能量相等的噪声。具体来说，白噪声的功率谱密度在不同频段上是一样的。
• 零均值表示白噪声的均值为零，即其期望值为零。
• 因此，零均值白噪声是一种具有无相关性、均值为零且功率谱密度恒定的随机信号。
• 在通信、信号处理和其他领域中，零均值白噪声经常用于模拟噪声环境，分析系统性能以及进行实验和仿真。请注意，共轭转置矩阵将每个元素取复共轭，并将行列进行转置。

​​​​​​参考文章：DoA 估计：多重信号分类 MUSIC 算法（附 MATLAB 代码）

参考文章：一维DOA估计之MUSIC算法（含程序）

参考文章：超分辨DOA估计——MUSIC算法

参考文章：较为详细的MUSIC算法原理及MATLAB实现