1 有理数
有理数是整数(正整数、0、负整数)和分数的统称。整数也可看作是分母为1的分数。有理数的小数部分是有限或为无限循环的数。例如,3、-5、1/8、-3/4、0等都是有理数。
2 稀疏有理数阵列
稀疏有理数阵列是一种天线阵列,其特点是在不明显改变阵列波束宽度的情况下去掉一些阵元。通过选择满阵列的几分之一的阵元,构造一个减低了增益的高方向性阵列。这种设计符合大型阵列中降低成本和软硬件复杂度的需求。稀疏有理数阵列的综合方法包括概率密度稀疏法、多阶密度加权法和迭代傅里叶法等
3 素数
素数(又称质数)是指在大于1的自然数中,除了1和该数自身外,无法被其他自然数整除的数。换句话说,素数只有两个正因数:1和它本身。例如,数字2是最小的素数,因为它只能被1和2整除。
4 稀疏阵列
稀疏阵列是一种天线阵列,其特点是在不明显改变阵列波束宽度的情况下去掉一些阵元。通过选择满阵列的几分之一的阵元,构造一个减低了增益的高方向性阵列,符合大型阵列设计中降低成本及软硬件复杂度的需求。
5 嵌套阵列
嵌套阵列是一种由两个或多个均匀阵列组成的天线阵列。与传统的均匀阵列相比,嵌套阵列具有更高的自由度,可以解决比物理阵元实际数量更多的信源,并在阵元数相同的情况下提高估计的精度。嵌套阵列在到达方向估计等领域受到越来越多的关注。
6 互质阵列
互质阵列是指一个二维矩阵中的任意两个元素的最大公因数为1的特殊矩阵结构。这种矩阵具有一些特点和性质,可以通过中心扩展的方式进行描述和分析。
基本定义:
互质阵列是一个由整数构成的矩阵,其中任意两个元素的最大公因数为1。
换句话说,矩阵中的任意两个数都是互质的,即它们没有除1以外的公因数。
应用:
互质阵列在信号处理、阵列信号模型等领域中具有重要意义。
它可以用于构造差分共阵,提高阵列的分辨率和性能。
总之,互质阵列是一种特殊的数学结构,其元素之间具有互质关系。
7 最小冗余阵列
最小冗余阵列是一种稀疏阵列结构,其特点是在不明显改变阵列波束宽度的情况下去除一些阵元。通过选择满阵列的几分之一的阵元,构造一个减小了增益的高方向性阵列。最小冗余阵列的设计旨在增大天线孔径,提高测角精度,但在阵元数量较少的情况下,栅瓣效应可以忽略不计。
8 有理互质阵列
有理互质阵列是一种特殊的天线阵列结构,由具有互质性的子阵列组成。这些子阵列的阵元之间的最大公因数为1。换句话说,有理互质阵列中的每个数都是彼此互质的。这种结构在信号处理和到达方向估计中具有一些优点,例如提高了分辨率和性能。
9 最大公约数
最大公约数(Greatest Common Divisor,简写为GCD)是指同时整除两个或多个整数的最大因子。例如,12和30的最大公约数是4,因为4是12和30的公约数中最大的一个。
最大公约数有多种求法,常见的包括:
质因数分解法:将每个数分解质因数,然后提取出它们的全部公有质因数连乘。
辗转相除法:用较小的数除较大的数,再用出现的余数去除除数,直到余数为0为止。
与最大公约数相对应的概念是最小公倍数,记为[a, b]。
10 增广阵列流形矩阵
增广阵列流形矩阵是一种与天线阵列信号处理相关的概念。
阵列流形矢量:
阵列流形矢量是一个与方向角(DOA)相关的函数,通常用符号 A(θ) 表示。
它是一个 M×1 的向量,其中 M 表示阵列中的天线数。
阵列流形矢量描述了在不同方向上的天线响应。
增广阵列流形矩阵:
增广阵列流形矩阵是由阵列流形矢量构成的矩阵。
在连续的方位域上,增广阵列流形矩阵描述了阵列的响应特性。
通过对方位角进行采样,可以得到在不同方向上的阵列流形矩阵。
总之,增广阵列流形矩阵与阵列的方向性响应和DOA估计密切相关。
11 共阵列域
在电信中,共线天线阵列是以这样的方式安装的偶极天线阵列,使得每个天线的相应元件平行和对准,即它们沿着公共线或轴定位。
12 旁瓣电平
在天线信号处理中,旁瓣电平是指离主瓣最近且电平最高的第一个旁瓣的电平。主瓣是天线方向图中辐射强度最大的瓣,而旁瓣则是主瓣以外的其他瓣。在主瓣最大辐射方向两侧,辐射强度降低3 dB(功率密度降低一半)的两点之间的夹角定义为波瓣宽度(又称波束宽度或主瓣宽度或半功率角)。旁瓣电平通常以分贝表示,用来衡量主瓣以外的辐射强度相对于主瓣的大小。
13 阵列插值
阵列插值是一种在离散数据点之间估计未知值的方法。当我们有一组离散的数据点(例如传感器测量值、图像像素等),但需要在这些点之间进行预测或填充缺失值时,我们可以使用插值技术。
具体来说,阵列插值的目标是根据已知数据点的值,推断出其他位置上的值。这在以下情况下很有用:
图像处理:在数字图像中,我们可能需要在已知像素之间估计缺失像素的值,以便放大图像或修复损坏的区域。
传感器数据:传感器测量数据通常是离散的,但我们可能需要在测量点之间估计未知位置的值。
常见的插值方法包括拉格朗日插值、牛顿插值、分段线性插值等。这些方法根据数据的特点和应用场景选择不同的插值策略。
14 范德蒙德阵列流形矩阵
范德蒙德矩阵是线性代数中的一种特殊矩阵形式,以法国数学家**范德蒙德(Alexandre-Théophile Vandermonde)**的名字命名。这些矩阵具有以下特点:
形式:范德蒙德矩阵是一个阶矩阵,其各列呈现出几何级数关系,例如: [ V = \begin{bmatrix} 1 & \alpha & \alpha^2 & \ldots & \alpha^{n-1} \end{bmatrix} ] 其中,(\alpha) 是一个非零实数,(n) 是矩阵的维度。
性质:范德蒙德矩阵通常是满秩且可逆的。
这些矩阵在数值分析的内插问题中经常出现。例如,给定一组资料点 ((x_i, y_i)),我们可以使用范德蒙德矩阵来构建满足这些点的多项式。