FLOM-MUSIC算法
从ROC-MUSIC推导过程中可以看出,该算法要求信号和噪声都是服从
S
α
S
S\alpha S
SαS分布,但实际的情况却很难满足这些条件,因此考虑用一般的信号来代替ROC-MUSIC中的
S
α
S
S\alpha S
SαS信号,则阵列接收数据的FLOM矩阵可以定义为
[
C
i
k
]
=
E
{
x
i
(
t
)
∣
x
k
(
t
)
∣
p
−
2
x
k
∗
(
t
)
}
1
<
p
<
α
≤
2
\left[ {{\mathbf{C}}_{ik}} \right]=E\left\{ {{x}_{i}}(t){{\left| {{x}_{k}}(t) \right|}^{p-2}}x_{k}^{*}(t) \right\}\ \ \ \ 1<p<\alpha \le 2
[Cik]=E{xi(t)∣xk(t)∣p−2xk∗(t)} 1<p<α≤2
矩阵表达形式可以写作
C
=
A
Λ
A
H
+
γ
I
\mathbf{C=A\Lambda }{{\mathbf{A}}^{H}}\mathbf{+}\gamma \mathbf{I}
C=AΛAH+γI
矩阵
C
\mathbf{C}
C的
M
−
N
M-N
M−N个较小的特征值对应
γ
\gamma
γ,其特征矢量张成的噪声子空间与矩阵
A
\mathbf{A}
A的列矢量正交,信号子空间则是由
N
N
N个较大特征值对应的特征矢量所张成的。
因此,FLOM-MUSIC的算法流程可以表示为
1)计算
M
×
M
M\times M
M×M维的矩阵
C
\mathbf{C}
C
C
i
k
=
1
K
∑
t
=
1
K
x
i
(
t
)
∣
x
k
(
t
)
∣
p
−
2
x
k
∗
(
t
)
1
<
p
<
α
≤
2
{{\mathbf{C}}_{ik}}\text{=}\frac{1}{K}\sum\limits_{t=1}^{K}{{{x}_{i}}(t){{\left| {{x}_{k}}(t) \right|}^{p-2}}x_{k}^{*}(t)}\quad 1<p<\alpha \le 2
Cik=K1t=1∑Kxi(t)∣xk(t)∣p−2xk∗(t)1<p<α≤2
2)对矩阵
C
\mathbf{C}
C进行奇异值分解,构成
M
×
(
M
−
N
)
M\times \left( M-N \right)
M×(M−N) 矩阵
E
n
=
(
e
^
N
+
1
,
e
^
N
+
2
,
⋯
,
e
^
M
)
{{E}_{n}}=\left( {{{\hat{e}}}_{N+1}},{{{\hat{e}}}_{N+2}},\cdots ,{{{\hat{e}}}_{M}} \right)
En=(e^N+1,e^N+2,⋯,e^M),其中
e
^
N
+
1
,
e
^
N
+
2
,
⋯
,
e
^
M
{{\hat{e}}_{N+1}},{{\hat{e}}_{N+2}},\cdots ,{{\hat{e}}_{M}}
e^N+1,e^N+2,⋯,e^M是
C
\mathbf{C}
C中最小的
M
−
N
M-N
M−N个奇异值对应的奇异向量
3)计算谱
S
(
θ
)
=
1
a
H
(
θ
)
E
n
E
n
H
a
(
θ
)
S(\theta )=\frac{1}{{{\mathbf{a}}^{\text{H}}}(\theta ){{\mathbf{E}}_{n}}\mathbf{E}_{n}^{\text{H}}\mathbf{a}(\theta )}\quad
S(θ)=aH(θ)EnEnHa(θ)1
其中,
a
(
θ
)
=
[
1
,
e
−
j
2
π
d
2
λ
sin
θ
,
e
−
j
2
π
d
3
λ
sin
θ
,
⋯
,
e
−
j
2
π
d
M
λ
sin
θ
]
T
\mathbf{a}(\theta )={{\left[ 1,{{\text{e}}^{-\text{j}2\pi \frac{{{d}_{2}}}{\lambda }\sin \theta }},{{\text{e}}^{-\text{j}2\pi \frac{{{d}_{3}}}{\lambda }\sin \theta }},\cdots ,{{\text{e}}^{-\text{j}2\pi \frac{{{d}_{M}}}{\lambda }\sin \theta }} \right]}^{\text{T}}}
a(θ)=[1,e−j2πλd2sinθ,e−j2πλd3sinθ,⋯,e−j2πλdMsinθ]T
4)
S
(
θ
)
S\left( \theta \right)
S(θ)中
N
N
N个局部极大值即为波达方向角
{
θ
1
,
θ
2
,
⋯
,
θ
N
}
\left\{ {{\theta }_{1}},{{\theta }_{2}},\cdots ,{{\theta }_{N}} \right\}
{θ1,θ2,⋯,θN}的估计。
仿真实验
仿真实验所用到的信号和噪声分别是远场窄带信号和冲击噪声,采用阵元数为10的均匀线阵,阵元间距为半波长,三个独立的入射信号,入射角度分别为-5°,15°和35°,广义信噪比为3dB,具体参数如下:
仿真参数 | 参数值 |
---|---|
阵元数目 | 10 |
信源数目 | 3 |
阵元间距 | 半波长 |
快拍数 | 1000 |
α \alpha α | 1.4 |
γ \gamma γ | 1 |
对于服从对称
α
\alpha
α稳定分布的冲击噪声来说,它的分布特性由特征指数
α
\alpha
α和尺度参数
γ
\gamma
γ 决定,但是当
α
∈
(
0
,
2
]
\alpha \in (0,2]
α∈(0,2]时,其方差是无界的,因而可以用信号的平均功率和冲击噪声的尺度参数的比值即广义信噪比(GSNR)代替一般的信噪比,其表达式如下
GSNR
=
10
lg
(
1
γ
K
∑
t
=
1
K
∣
s
(
t
)
2
∣
)
\text{GSNR}=10\lg \left( \frac{1}{\gamma K}\sum\limits_{t=1}^{K}{\left| s{{\left( t \right)}^{2}} \right|} \right)
GSNR=10lg(γK1t=1∑K∣∣∣s(t)2∣∣∣)
其中,
K
K
K为快拍数。当
α
=
2
\alpha \text{=}2
α=2时,上式退化为一般的信噪比。
冲击噪声的具体参考:冲击噪声介绍
实验结果如下:
冲击噪声背景下,传统MUSIC算法不能对入射角度进行准确的估计,这是因为冲击噪声会对入射信号进行较大的干扰,从而对结果造成影响甚至是误判,而经过对噪声进行重新建模分析的FLOM-MUSIC算法很好地区分出了入射信号的角度。
令
α
=
2
\alpha=2
α=2,此时的冲击噪声退化为高斯噪声,相同仿真条件下得到如下结果
当冲击噪声退化成高斯噪声时,无论是传统的MUSIC算法还是FLOM-MUSIC算法均能较好地估计出入射信号的角度,但是此时传统MUSIC算法表现出较好性能,这也和前面的理论分析一致。
参考文献
[1]Tsung-Hsien Liu and J. M. Mendel, “A subspace-based direction finding algorithm using fractional lower order statistics,” in IEEE Transactions on Signal Processing, vol. 49, no. 8, pp. 1605-1613, Aug. 2001, doi: 10.1109/78.934131.
[2]李洪升,张瑞丰,杜宇,王永孝.冲击噪声环境中波束域DOA估计方法研究[J].现代防御技术,2017,45(03):93-97.