基于MUSIC算法的测向性能分析.doc
- 文档编号:2490973
- 上传时间:2022-10-30
- 格式:DOC
- 页数:29
- 大小:393.74KB
基于MUSIC算法的测向性能分析.doc
《基于MUSIC算法的测向性能分析.doc》由会员分享,可在线阅读,更多相关《基于MUSIC算法的测向性能分析.doc(29页珍藏版)》请在冰豆网上搜索。
大作业--基于MUSIC算法的测向性能仿真
基于MUSIC算法的测向性能仿真
2013年1月16日
25
摘要
随着移动通信技术的飞速发展,智能天线技术研究的不断深入,来波方向(DOA)估计技术逐渐成为研究的热点之一,而MUSIC算法是智能天线技术的典型算法。
本文在对MUSIC算法进行分析的基础上,设计了MUSIC算法的仿真程序,对不同情况下该算法的性能进行了仿真分析。
仿真结果表明该算法在不同阵列结构、信号入射角度时具有不同的性能。
关键词:
智能天线;DOA;MUSIC;阵元
目录
摘要 I
引言 1
一、MUSIC算法介绍 1
1.1MUSIC算法的提出 1
1.2波达方向估计问题中的阵列信号数学模型 2
1.3阵列协方差矩阵的特征分解 4
1.4MUSIC算法的原理及实现 6
1.5MUSIC算法的实现步骤:
8
二、MUSIC算法的DOA估计仿真 8
2.1MUSIC算法的基本仿真 8
2.2MUSIC算法DOA估计与阵元数的关系 9
2.3MUSIC算法DOA估计与阵元间距的关系 10
2.4MUSIC算法DOA估计与快拍数的关系 11
2.5MUSIC算法DOA估计与信噪比的关系 12
2.6MUSIC算法DOA估计与信号入射角度差的关系 13
三、MUSIC算法性能分析小结 15
参考文献 15
附录 16
附录一:
MUSIC算法的基本仿真源代码 16
附录二:
MUSIC算法DOA估计与不同阵元数关系仿真源代码 17
附录三:
MUSIC算法DOA估计与阵元间距的关系仿真源代码 18
附录四:
MUSIC算法DOA估计与快拍数的关系仿真源代码 21
附录五:
MUSIC算法DOA估计与信噪比的关系仿真源代码 22
附录六:
MUSIC算法DOA估计与信号入射角度差的关系仿真源代码 24
图目录
图1-1等距线阵与远场信号 2
图2-1MUSIC算法的DOA估计谱 9
图2-2阵元数不同时MUSIC算法的DOA估计谱 10
图2-3阵元间距不同时MUSIC算法的DOA估计谱 11
图2-4快拍数不同时MUSIC算法的DOA估计谱 12
图2-5信噪比不同时MUSIC算法的DOA估计谱 13
图2-6角度间隔不同时MUSIC算法的DOA估计谱 14
引言
智能天线技术是当前无线移动通信领域颇为关注和研究的热点领域之一,可将无线电的信号导向到具体的方向上,产生空间定向波束,使天线主波束对准用户信号到达方向,旁瓣或零陷对准干扰信号的到达方向,起到充分高效利用移动用户信号并删除或抑制干扰信号的目的。
而波束形成的关键是要准确知道信号的到达方向,即波达方向,所以波达角估计(DOA)是波束形成的基础。
本文着重分析了用于DOA估计的典型算法--MUSIC(MultipleSignalClassification)算法,然后对不同的条件下MUSIC算法的性能进行了Matlab的仿真和分析。
一、MUSIC算法介绍
1.1MUSIC算法的提出
多重信号分类(MUSIC)算法是Schmidt等人在1979年提出的。
这一算法的提出开创了空间谱估计算法研究的新时代,促进了特征结构类算法的兴起和发展,该算法已成为空间谱估计理论体系中的标志性算法。
此算法提出之前的有关算法都是针对阵列接收数据协方差矩阵进行直接处理,而MUSIC算法的基本思想则是对任意阵列输出数据的协方差矩阵进行特征分解,从而得到与信号分类相对应的信号子空间和与信号分量相正交的噪声子空间,然后利用这两个子空间的正交性构造空间谱函数,通过谱峰搜索,检测信号的DOA。
正是由于MUSIC算法在特定的条件下具有很高的分辨力、估计精度及稳定性,从而吸引了大量的学者对其进行深入的研究和分析。
总的来说,它用于阵列的波达方向估计有以下一些突出的优点:
(1)多信号同时测向能力
(2)高精度测向
(3)对天线波束内的信号的高分辨测向
(4)可适用于短数据情况
(5)采用高速处理技术后可实现实时处理
1.2波达方向估计问题中的阵列信号数学模型
为了分析推导的方便,现将波达方向估计问题中的数学模型作理想状态的假设如下:
(1)各待测信号源具有相同的极化、且互不相关的。
一般考虑信号源为窄带的,且各信号源具有相同的中心频率。
待测信号源的个数为D。
(2)天线阵列是由M(M>D)个阵元组成的等间距直线阵,各阵元特性相同,各向同性,阵元间隔为d,并且阵元间隔不大于最高频率信号半波长。
(3)天线阵列处于各信号源的远场中,即天线阵列接收从各信号源传来的信号为平面波。
(4)各阵元上有互不相关,与各待测信号也不相关,方差为的零均值高斯白噪声。
(5)各接收支路具有完全相同的特性。
1
d
23 M
图1-1等距线阵与远场信号
设由第k(k=1,2,…D)个信号源辐射到天线阵列的波前信号为,前面已假设为窄带信号,则可以表示为以下形式:
(1.1)
式中是的复包络,是信号的角频率。
前面已经假设D个信号具有相同的中心频率,所以有:
(1.2)
式中c是电磁波波速,是公用的信号波长。
设电磁波通过天线阵列尺寸所需的时间为,则根据窄带假设,有如下近似:
(1.3)
故延迟后的波前信号为:
(1.4)
所以,若以第一个阵元为参考点,则t时刻等间距直线阵中的第m(m=1,2,…M)个阵元对第k个信号源的感应信号为:
(1.5)
其中,为第m个阵元对第k个信号源的影响,前面以假设各阵元无方向性,所以可取。
为第k个信号源的方位角,表示由第m个阵元与第1个阵元间的波程差所引起的信号相位差。
计及测量噪声和所有信号源来波,第m个阵元的输出信号为:
(1.6)其中是测量噪声,所有标号为m表示该量属于第m个阵元,所有标号
为k表示该量属于第k个信号源。
设
(1.7)
为第m个阵元对第k个信号源的响应函数。
则第m个阵元的输出信号为:
(1.8)
其中是第k个信号源在阵元上的信号强度。
运用矩阵的定义,可以得到更为简洁的表达式:
X=AS+N(1.9)
式中
(1.10)(1.11)
=(1.12)
(1.13)
(1.14)
对进行N点采样,要处理的问题就变成了通过输出信号的采样估计出信号源的波达方向角。
由此,可以很自然的将阵列信号看作是噪声干扰的若干空间谐波的叠加,从而将波达方向估计问题与谱估计联系起来。
1.3阵列协方差矩阵的特征分解
对阵列输出x作相关处理,得到其协方差矩阵:
(1.15)
其中,H表示矩阵共轭转置。
前面已假设信号与噪声互不相关、且噪声为零均值白噪声,因此将式(1.9)代入式(1.15),可以得到:
=
=(1.16)
式中
(1.17)
称为信号的相关矩阵。
(1.18)
是噪声的相关矩阵,是噪声功率,I是M*M阶的单位矩阵。
实际应用中,通常无法直接得到,能使用的只有样本的协方差矩阵:
(1.19)
是的最大似然估计,当采样数时,它们是一致的,但实际情况中将由于样本数有限而造成误差。
根据矩阵特征分解的理论,可以对阵列协方差矩阵进行特征分解。
首先考虑理想情况,即无噪声的情况:
(1.20)
对于均匀线阵,矩阵A是由式(1.12)所定义的范德蒙德矩阵,只要满足:
(1.21)
则,它的各列相互独立,这样,若为非奇异矩阵(,各信号源两两不相干),且M>D,则有:
(1.22)
由于,所以有:
(1.23)
即是Hermite矩阵,它的特征值都是实数。
又由于是正定的,因此矩阵是半正定的,它有D个正特征值和M-D个零特征值。
再考虑有噪声存在的情况
(1.24)
由于>0,为满秩阵,所以有M个正实特征值,分别对应于M个特征向量。
又由于是Hermite矩阵,所以各特征向量是相互正交的,即:
(1.25)
与信号有关的特征值只有D个,分别等于矩阵的各特征值与之和,其余的M-D个特征值为,也就是说,是R的最小特征值,它是M-D维的。
对应的特征向量,i=1,2,…,M中,也有D个是与信号有关的,另外M-D个是与噪声有关的,在下一节里,将利用以上这些特征分解的性质求出信号源的波达方向。
1.4MUSIC算法的原理及实现
通过对阵列协方差矩阵的特征分解,可以得到如下结论:
将矩阵的特征值进行从小到大的排序,即
(1.26)
其中D个较大的特征值对应于信号,M-D个较小的特征值对应于噪声。
矩阵的属于这些特征值的特征向量也分别对应于信号和噪声,因此,可以把的特征值(特征向量)划分为信号特征值(特征向量)与噪声特征值(特征向量)。
设是矩阵的第i个特征值,是与个相对应的特征向量,则有:
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 MUSIC 算法 测向 性能 分析