相干定义&为什么需要解相干

最新推荐文章于 2024-04-03 19:29:32 发布

EstelleYuan

最新推荐文章于 2024-04-03 19:29:32 发布

阅读量1.3k

点赞数 5

分类专栏： DOA 解相干

本文链接：https://blog.csdn.net/jianai223/article/details/81195133

版权

DOA 同时被 2 个专栏收录

6 篇文章 7 订阅

订阅专栏

解相干

3 篇文章 0 订阅

订阅专栏

本文探讨了均匀线性阵列(ULA)在接收多个窄带信源信号时的数据模型，重点在于独立、相关和相干信源的不同性质。针对存在相关和相干信源导致的协方差矩阵秩不足问题，解释了解相干在DOA（方向-of-arrival）估计中的必要性，以避免直接进行EVD分解时的错误。解相干能确保正确地分离信号和噪声子空间，从而提高DOA估计的准确性。

摘要由CSDN通过智能技术生成

现有空间距为半波长d = λ/2的N个阵元构成的均匀线性阵列(ULA),用于接收P(P<<N)个远场窄带信源从不同入射方向发射的信号,因此其观测数据模型为

$\begin{matrix} \mathrm{y}(t)=\mathrm{A}(\theta )\mathrm{s}(t)+\mathrm{v}(t)\in {{\mathbb{C}}^{N\times J}} \\ \left[ \begin{matrix} {{y}_{1}}(t) \\ \vdots \\ {{y}_{N-1}}(t) \\ {{y}_{N}}(t) \\ \end{matrix} \right]=\left[ \begin{matrix} 1 & \cdots & 1 \\ \vdots & \ddots & \vdots \\ {{e}^{-j(N-2)\pi \sin {{\theta }_{1}}}} & \cdots & {{e}^{-j(N-2)\pi \sin {{\theta }_{p}}}} \\ {{e}^{-j(N-1)\pi \sin {{\theta }_{1}}}} & \cdots & {{e}^{-j(N-1)\pi \sin {{\theta }_{p}}}} \\ \end{matrix} \right]\left[ \begin{matrix} {{s}_{1}}(t) \\ \vdots \\ {{s}_{P}}(t) \\ \end{matrix} \right]+\left[ \begin{matrix} {{v}_{1}}(t) \\ \vdots \\ {{v}_{N-1}}(t) \\ {{v}_{N}}(t) \\ \end{matrix} \right] \\ \end{matrix}$

同时可以将上述模型写成矩阵形式

$\left[ \begin{matrix} {{y}_{1}}(1) & {{y}_{1}}(2) & \cdots & {{y}_{1}}(J) \\ \vdots & \vdots & \ddots & \vdots \\ {{y}_{N-1}}(1) & {{y}_{N-1}}(2) & \cdots & {{y}_{N-1}}(J) \\ {{y}_{N}}(1) & {{y}_{N}}(1) & \cdots & {{y}_{N}}(J) \\ \end{matrix} \right]=\mathrm{A}(\theta )\left[ \begin{matrix} {{s}_{1}}(1) & \cdots & {{s}_{1}}(J) \\ \vdots & \ddots & \vdots \\ {{s}_{P}}(1) & \cdots & {{s}_{P}}(J) \\ \end{matrix} \right]+\left[ \begin{matrix} {{v}_{1}}(1) & {{v}_{1}}(2) & \cdots & {{v}_{1}}(J) \\ \vdots & \vdots & \ddots & \vdots \\ {{v}_{N-1}}(1) & {{v}_{N-1}}(2) & \cdots & {{v}_{N-1}}(J) \\ {{v}_{N}}(1) & {{v}_{N}}(1) & \cdots & {{v}_{N}}(J) \\ \end{matrix} \right]$

1. 独立、相关和相干信源

对于四个零均值复平稳信号s1(t)、s2(t)、s3(t)、s2(t),不妨假设

(1) s1(t)、s2(t)相互独立→ $E\left\{ {{s_1}\left( t \right)s_2^H\left( t \right)} \right\} = 0$

(2) s3(t) = (s1(t)+s2(t))/sqrt(2)相关信源→ $\rho_{13}=\frac{E\left\{s_{1}(t)\right\} E\left\{s_{3}(t)\right\}^{H}}{\sqrt{E\left\{s_{1}(t)\right\}^{2} E\left\{s_{3}(t)\right\}^{2}}}=\frac{1}{\sqrt{2}}=\rho_{12}$

(3) s4(t) = s1(t)相干信源→ $\rho=\frac{E\left\{s_{1}(t)\right\} E\left\{s_{4}(t)\right\}^{H}}{\sqrt{E\left\{s_{1}(t)\right\}^{2} E\left\{s_{4}(t)\right\}^{2}}}=1$