阅读论文：有理阵列的DOA估计 RATIONAL ARRAYS FOR DOA ESTIMATION （Pranav Kulkarni and P. P. Vaidyanathan）

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。