接收信号模型
假设目标1在点A处信号模型为:
x
1
[
t
]
=
e
j
2
π
f
t
(1)
x_1[t] = e^{j2\pi f t} \tag1
x1[t]=ej2πft(1)
因为:
λ
=
c
f
\lambda = \frac{c}{f}
λ=fc,所以经过路径L后相位变化为:
φ
=
2
π
f
L
c
φ =2 \pi f \frac{L}{c}
φ=2πfcL
则经过距离L后到达天线1的信号模型为:
y
[
t
]
=
A
.
x
1
[
t
]
.
e
j
2
π
f
L
c
(2)
y[t] = A.x_1[t].e^{j 2 \pi f \frac{L}{c}} \tag2
y[t]=A.x1[t].ej2πfcL(2)
假设阵列有 n 个天线,假设他们之间间隔固定为d,经过时间延迟后,到达不同天线的距离为:
{
L
0
=
L
L
1
=
L
+
d
.
c
o
s
(
θ
)
⋮
L
n
=
L
+
(
n
)
∗
d
.
c
o
s
(
θ
)
(3)
\begin{cases} L_0 = L\\ L_1 = L + d.cos(\theta)\\ \vdots\\ L_n = L + (n)*d.cos(\theta)\\ \end{cases} \tag3
⎩
⎨
⎧L0=LL1=L+d.cos(θ)⋮Ln=L+(n)∗d.cos(θ)(3)
对应天线在不同时刻接收到的信号模型为:
{
y
1
[
τ
]
=
A
1
.
x
1
[
t
]
.
e
j
2
π
f
L
1
c
y
2
[
τ
]
=
A
2
.
x
1
[
t
]
.
e
j
2
π
f
L
2
c
⋮
y
n
[
τ
]
=
A
n
.
x
1
[
t
]
.
e
j
2
π
f
L
n
c
(4)
\begin{cases} y_1[\tau] = A_1.x_1[t].e^{j 2 \pi f \frac{L_1}{c}}\\ y_2[\tau] = A_2.x_1[t].e^{j 2 \pi f \frac{L_2}{c}}\\ \vdots\\ y_n[\tau] = A_n.x_1[t].e^{j 2 \pi f \frac{L_n}{c}}\\ \end{cases} \tag4
⎩
⎨
⎧y1[τ]=A1.x1[t].ej2πfcL1y2[τ]=A2.x1[t].ej2πfcL2⋮yn[τ]=An.x1[t].ej2πfcLn(4)
A表示在不同的路径传输引起接收支路之间的幅度不平衡因素,在这里考虑到的是天线方向图在相同方位处的增益不一致,信号在内部通道之间传输的幅度响应不一致。
不同的距离引起的相位差增益在不同的天线处表示为:
{
ϕ
0
=
1
ϕ
1
=
e
j
2
π
f
d
×
c
o
s
(
θ
)
c
ϕ
2
=
e
j
2
π
f
2
×
d
×
c
o
s
(
θ
)
c
=
{
e
j
2
π
f
d
×
c
o
s
(
θ
)
c
}
2
⋮
ϕ
n
=
{
e
j
2
π
f
d
×
c
o
s
(
θ
)
c
}
n
(5)
\begin{cases} \phi_0 = 1\\ \phi_1 = e^{j 2 \pi f \frac{d×cos(\theta)}{c}}\\ \phi_2 = e^{j 2 \pi f \frac{2×d×cos(\theta)}{c}}=\{e^{j 2 \pi f \frac{d×cos(\theta)}{c}}\}^2 \\ \vdots\\ \phi_n = \{e^{j 2 \pi f \frac{d×cos(\theta)}{c}}\}^n \\ \end{cases} \tag5
⎩
⎨
⎧ϕ0=1ϕ1=ej2πfcd×cos(θ)ϕ2=ej2πfc2×d×cos(θ)={ej2πfcd×cos(θ)}2⋮ϕn={ej2πfcd×cos(θ)}n(5)
假设: γ i = A i ∗ e j 2 π f L c \gamma_i=A_i*e^{j 2 \pi f \frac{L}{c}} γi=Ai∗ej2πfcL,我们假设,每个接收支路的天线在相同方向的增益一致,内部信号传输通道幅度被校准到一致,则 A 0 → A n A_0→A_n A0→An的值都是一致。
将以上公式进行符号简化:
{
y
0
[
τ
]
=
γ
1
.
x
1
[
t
]
.
ϕ
0
y
1
[
τ
]
=
γ
1
.
x
1
[
t
]
.
ϕ
1
y
2
[
τ
]
=
γ
1
.
x
1
[
t
]
.
ϕ
1
2
⋮
y
n
[
τ
]
=
γ
1
.
x
1
[
t
]
.
ϕ
1
n
(6)
\begin{cases} y_0[\tau] = \gamma_1.x_1[t].\phi_0 \\ y_1[\tau] = \gamma_1.x_1[t].\phi_1 \\ y_2[\tau] = \gamma_1.x_1[t].{\phi_1}^2 \\ \vdots\\ y_n[\tau] = \gamma_1.x_1[t].{\phi_1}^n\\ \end{cases} \tag6
⎩
⎨
⎧y0[τ]=γ1.x1[t].ϕ0y1[τ]=γ1.x1[t].ϕ1y2[τ]=γ1.x1[t].ϕ12⋮yn[τ]=γ1.x1[t].ϕ1n(6)
Music算法模型
多信号情况下的信号模型
假设信号个数为
j
j
j
{
y
0
[
τ
]
=
γ
1
.
x
1
[
t
]
+
γ
2
.
x
2
[
t
]
.
.
.
+
γ
j
.
x
j
[
t
]
y
1
[
τ
]
=
γ
1
.
x
1
[
t
]
.
ϕ
1
+
γ
2
.
x
2
[
t
]
.
ϕ
2
.
.
.
+
γ
j
.
x
j
[
t
]
.
ϕ
j
y
2
[
τ
]
=
γ
1
.
x
1
[
t
]
.
ϕ
1
2
+
γ
2
.
x
2
[
t
]
.
ϕ
2
2
.
.
.
+
γ
j
.
x
j
[
t
]
.
ϕ
j
2
⋮
y
n
[
τ
]
=
γ
1
.
x
1
[
t
]
.
ϕ
1
n
+
γ
2
.
x
2
[
t
]
.
ϕ
2
n
.
.
.
+
γ
j
.
x
j
[
t
]
.
ϕ
j
n
(7)
\begin{cases} y_0[\tau] = \gamma_1.x_1[t] +\gamma_2.x_2[t] ...+ \gamma_j.x_j[t]\\ y_1[\tau] = \gamma_1.x_1[t].\phi_1 + \gamma_2.x_2[t].\phi_2 ...+ \gamma_j.x_j[t].\phi_j\\ y_2[\tau] = \gamma_1.x_1[t].{\phi_1}^2 + \gamma_2.x_2[t].\phi_2^2 ...+ \gamma_j.x_j[t].\phi_j^2\\ \vdots\\ y_n[\tau] = \gamma_1.x_1[t].{\phi_1}^n+\gamma_2.x_2[t].\phi_2^n ...+ \gamma_j.x_j[t].\phi_j^n\\ \end{cases} \tag7
⎩
⎨
⎧y0[τ]=γ1.x1[t]+γ2.x2[t]...+γj.xj[t]y1[τ]=γ1.x1[t].ϕ1+γ2.x2[t].ϕ2...+γj.xj[t].ϕjy2[τ]=γ1.x1[t].ϕ12+γ2.x2[t].ϕ22...+γj.xj[t].ϕj2⋮yn[τ]=γ1.x1[t].ϕ1n+γ2.x2[t].ϕ2n...+γj.xj[t].ϕjn(7)
假设对多天线进行了m次的信号采样,则采样矩阵如下表示
则可以转换成矩阵的方式进行表示为:
[ y [ 0 ] 0 y [ 1 ] 0 y [ 2 ] 0 . . . y [ m ] 0 y [ 0 ] 1 y [ 1 ] 1 y [ 2 ] 1 . . . y [ m ] 1 ⋮ y [ 0 ] j y [ 1 ] j y [ 2 ] j . . . y [ m ] j ] = [ ϕ 1 0 ϕ 2 0 . . . ϕ j 0 ϕ 1 1 ϕ 2 1 . . . ϕ j 1 ⋮ ϕ 1 n ϕ 2 n . . . ϕ j n ] × [ γ 1 . x 1 [ 1 ] γ 1 . x 1 [ 2 ] . . . γ 1 . x 1 [ m ] γ 2 . x 2 [ 1 ] γ 2 . x 2 [ 2 ] . . . γ 2 . x 2 [ m ] ⋮ γ j . x j [ 1 ] γ j . x j [ 2 ] . . . γ j . x j [ m ] ] (8) \begin{bmatrix} y[0]_0 & y[1]_0 & y[2]_0 ... y[m]_0\\ y[0]_1 & y[1]_1 & y[2]_1 ... y[m]_1\\ \vdots\\ y[0]_j & y[1]_j & y[2]_j ... y[m]_j\\ \end{bmatrix}= \begin{bmatrix} \phi_1^0 & \phi_2^0 & ...& \phi_j^0 \\ \phi_1^1 & \phi_2^1 & ...& \phi_j^1 \\ \vdots\\ \phi_1^n & \phi_2^n & ...& \phi_j^n \\ \end{bmatrix} × \begin{bmatrix} \gamma_1.x_1[1] &\gamma_1.x_1[2] &...& \gamma_1.x_1[m]\\ \gamma_2.x_2[1] &\gamma_2.x_2[2] &...& \gamma_2.x_2[m]\\ \vdots\\ \gamma_j.x_j[1] &\gamma_j.x_j[2] &...& \gamma_j.x_j[m]\\ \end{bmatrix} \tag8 y[0]0y[0]1⋮y[0]jy[1]0y[1]1y[1]jy[2]0...y[m]0y[2]1...y[m]1y[2]j...y[m]j = ϕ10ϕ11⋮ϕ1nϕ20ϕ21ϕ2n.........ϕj0ϕj1ϕjn × γ1.x1[1]γ2.x2[1]⋮γj.xj[1]γ1.x1[2]γ2.x2[2]γj.xj[2].........γ1.x1[m]γ2.x2[m]γj.xj[m] (8)
将以上矩阵进行简化:
Y
=
Φ
X
(9)
Y=\Phi X \tag9
Y=ΦX(9)
Y
Y
Y矩阵是已知的采样点,最终的目的是求
Φ
\Phi
Φ;
正常情况下
Φ
\Phi
Φ=
Y
X
−
1
Y X^{-1}
YX−1在这里的最困难的点是
X
X
X矩阵的值是未知的。
对信号的预先处理
对于信号的处理,可以从两方面进行考虑:
1)Amphtude
2)Phase
假设对一个信号的幅度和相位进行调整,综合为:
C
=
a
×
e
j
ϕ
C = a × e^{j\phi}
C=a×ejϕ
假设对信号进行调整并叠加后
y
1
×
C
1
+
y
2
×
C
2
.
.
.
y
j
×
C
j
=
0
(10)
y_1 × C_1 + y_2×C_2 ... y_j×C_j = 0 \tag{10}
y1×C1+y2×C2...yj×Cj=0(10)
将式子10 ,代入式子7中,并简化,可得:
{
γ
1
C
1
+
γ
1
ϕ
1
C
2
+
γ
1
ϕ
1
2
C
3
.
.
.
+
γ
1
ϕ
1
j
−
1
C
j
}
x
1
+
{
γ
2
C
1
+
γ
2
ϕ
2
C
2
+
γ
1
ϕ
2
2
C
3
.
.
.
+
γ
2
ϕ
2
j
−
1
C
j
}
x
2
+
⋮
{
γ
m
C
1
+
γ
m
ϕ
m
C
2
+
γ
m
ϕ
m
2
C
3
.
.
.
+
γ
m
ϕ
m
j
−
1
C
j
}
x
j
+
=
0
(11)
\begin{matrix} \{\gamma_1 C_1 + \gamma_1 \phi_1 C_2 + \gamma_1 \phi_1^2 C_3 ... +\gamma_1 \phi_1^{j - 1} C_j \} x_1 + \\ \{ \gamma_2 C_1 + \gamma_2 \phi_2 C_2 + \gamma_1 \phi_2^2 C_3 ... +\gamma_2 \phi_2^{j - 1} C_j \} x_2 +\\ \vdots\\ \{ \gamma_m C_1 + \gamma_m \phi_m C_2 + \gamma_m \phi_m^2 C_3 ... +\gamma_m \phi_m^{j - 1} C_j \} x_j + \\ \end{matrix} = 0 \tag{11}
{γ1C1+γ1ϕ1C2+γ1ϕ12C3...+γ1ϕ1j−1Cj}x1+{γ2C1+γ2ϕ2C2+γ1ϕ22C3...+γ2ϕ2j−1Cj}x2+⋮{γmC1+γmϕmC2+γmϕm2C3...+γmϕmj−1Cj}xj+=0(11)
假设信号都不相关的情况下,则不存在一组非0数
{
K
1
,
K
2
,
K
3...
K
j
}
\{K_1,K2,K3 ... Kj\}
{K1,K2,K3...Kj},使得
K
1
∗
x
1
+
K
2
∗
x
2
+
K
3
∗
x
3
=
0
K_1*x_1 +K2*x_2 +K_3*x_3 = 0
K1∗x1+K2∗x2+K3∗x3=0;所以在信号不相关的情况下,则该组数只能为:
{
0
,
0
,
0
,
.
.
.
0
}
\{0,0,0,...0\}
{0,0,0,...0}。
意即:
[
γ
1
C
1
+
γ
1
ϕ
1
C
2
+
γ
1
ϕ
1
2
C
3
.
.
.
+
γ
1
ϕ
1
j
−
1
C
j
γ
2
C
1
+
γ
2
ϕ
2
C
2
+
γ
2
ϕ
2
2
C
3
.
.
.
+
γ
2
ϕ
2
j
−
1
C
j
⋮
γ
m
C
1
+
γ
m
ϕ
m
C
2
+
γ
m
ϕ
m
2
C
3
.
.
.
+
γ
m
ϕ
m
j
−
1
C
j
]
=
0
(12)
\begin{bmatrix} \gamma_1 C_1 + \gamma_1 \phi_1 C_2 + \gamma_1 \phi_1^2 C_3 ... +\gamma_1 \phi_1^{j - 1} C_j \\ \gamma_2 C_1 + \gamma_2 \phi_2 C_2 + \gamma_2 \phi_2^2 C_3 ... +\gamma_2 \phi_2^{j - 1} C_j \\ \vdots\\ \gamma_m C_1 + \gamma_m \phi_m C_2 + \gamma_m \phi_m^2 C_3 ... +\gamma_m \phi_m^{j - 1} C_j \\ \end{bmatrix} = 0 \tag{12}
γ1C1+γ1ϕ1C2+γ1ϕ12C3...+γ1ϕ1j−1Cjγ2C1+γ2ϕ2C2+γ2ϕ22C3...+γ2ϕ2j−1Cj⋮γmC1+γmϕmC2+γmϕm2C3...+γmϕmj−1Cj
=0(12)
划简公式为:
[
C
1
+
ϕ
1
C
2
+
ϕ
1
2
C
3
.
.
.
+
ϕ
1
j
−
1
C
j
C
1
+
ϕ
2
C
2
+
ϕ
2
2
C
3
.
.
.
+
ϕ
2
j
−
1
C
j
⋮
C
1
+
ϕ
m
C
2
+
ϕ
m
2
C
3
.
.
.
+
ϕ
m
j
−
1
C
j
]
=
0
(13)
\begin{bmatrix} C_1 + \phi_1 C_2 + \phi_1^2 C_3 ... +\phi_1^{j - 1} C_j\\ C_1 + \phi_2 C_2 + \phi_2^2 C_3 ... +\phi_2^{j - 1} C_j \\ \vdots\\ C_1 + \phi_m C_2 + \phi_m^2 C_3 ... +\phi_m^{j - 1} C_j\\ \end{bmatrix} = 0 \tag{13}
C1+ϕ1C2+ϕ12C3...+ϕ1j−1CjC1+ϕ2C2+ϕ22C3...+ϕ2j−1Cj⋮C1+ϕmC2+ϕm2C3...+ϕmj−1Cj
=0(13)
如果已经找到了关于C的系数,则根据以上式子可以解关于
ϕ
\phi
ϕ的值。但是有一个前提条件是接收信号的个数必须小于天线的个数
最终将问题转换为:
[
y
1
[
1
]
y
2
[
1
]
.
.
.
y
n
[
1
]
y
1
[
2
]
y
2
[
2
]
.
.
.
y
n
[
2
]
⋮
y
1
[
m
]
y
2
[
m
]
.
.
.
y
n
[
m
]
]
[
C
1
C
2
⋮
C
n
]
=
[
0
0
⋮
0
]
(12)
\begin{bmatrix} y_1[1] & y_2[1] &...& y_n[1] \\ y_1[2] & y_2[2] &...& y_n[2] \\ \vdots\\ y_1[m] & y_2[m] &...& y_n[m] \\ \end{bmatrix} \begin{bmatrix} C_1\\ C_2 \\ \vdots\\ C_n \end{bmatrix}= \begin{bmatrix} 0\\ 0\\ \vdots\\ 0 \end{bmatrix} \tag{12}
y1[1]y1[2]⋮y1[m]y2[1]y2[2]y2[m].........yn[1]yn[2]yn[m]
C1C2⋮Cn
=
00⋮0
(12)
这和一般的解方程组的方式不一样的地方是这个不是方阵,未知数小于方程个数。
是一个典型的解超定方程组系统(overdetermind system)。
超定方程组求解
TODO !!!