文摘

本文到达方向(DOA)估计,提出了改善cyber-physical交互,基于二阶统计没有先验知识的源数。噪声的影响将首先被淘汰。然后加工协方差矩阵之间的关系,指导矩阵进行了研究。通过应用初等列变换,斜投影仪将设计无源数。最后,加油方法将采用估计新风构建投影仪。仿真结果表明,该方法执行以及其他方法,它要求源数量必须是已知的。

1。介绍

如今,要求不同的物体相互通信正在迅速上升的实际生活的许多领域。然而,网络相结合的所有对象非常复杂,和不同节点之间的通信面临许多问题1]。一方面,能量扩散的传播信号降低通信的质量。能量收集的目标接收机在这种情况下很差。另一方面,当前采用全向天线也在沟通增加被攻击的风险。因此,它是非常重要的忽略信号的方向,和技术发现到达方向(DOA)可以帮助提高cyber-physical交互的性能。

DOA估计是阵列信号处理的一个重要研究课题(2- - - - - -4]。这个研究课题是广泛应用于许多领域,如声纳和电子监控(5),通常的非平稳的信号(6]。远场源信号的波阵面可以假定为平面时,它影响着接收器阵列。每个源可以用相应的本地化DOA。

世界各地的大量的研究人员一直在努力促成DOA估计的研究,已经有很多成果,如多重信号分类(音乐)(7),通过旋转不变技术估计信号参数(ESPRIT) (8),root-MUSIC (9),和斜投影算子方法(LOFNS) (10]。然而,所有这些现有的方法需要源数量的先验知识来保证他们的成功应用。

在本文中,我们提出一个方法来定位远场源数量没有任何先验的知识来源。首先,噪声的影响是被利用的性质的非平稳信号。然后转向矩阵和协方差矩阵之间的关系进行了研究。初等列变换应用于摆脱依赖源数量和一个正交矩阵的设计是基于这种关系。最后,一个加油DOA估计方法,降低了计算复杂度。

本文的其余部分组织如下。部分2介绍了信号模型和一些常见的假设。节3,详细描述了该方法。复杂性分析也说明该方法的改进。节4,几个模拟。最后,整个论文的结论部分5。

在这篇文章中, 代表了转置操作, 共轭转置, 复共轭。一个大胆的大写字母代表一个矩阵,一个大胆的在小写字母代表一个向量,如 和 ,分别。

2。信号模型

如图1, 窄带远场源信号接收与均匀线性阵列(ULA)”。 传感器与intersensor间距分布数组中 。的输出 th 传感器可以表示为 在哪里 DOA的吗 源, 信号的波长满足吗 ,和 对应的高斯白噪声的方差吗 。噪音被认为是独立于彼此,从所有的源信号。写成矩阵形式,接收到的信号可以表示为 在哪里


图1
远场源定位与齿龈。

不失一般性,我们做出以下假设,这是相同的10- - - - - -17]:(1)源信号的峰度是零(2)所有新风都不同(3)的高斯噪声 独立的源信号, 源信号是相互独立的

3所示。算法

通常为了估计DOAs斜投影,源数量应该把协方差矩阵,像LOFNS [10]。事实上,经过深入分析基于斜投影方法的基本原理,我们发现源数量的部门主要是确保所需的矩阵满列秩,这样逆操作可以正常工作,同时构建斜投影。因此,我们提出一个方法来加油本地化资源的非平稳信号,可以摆脱依赖的源数。

当信号的非平稳和噪声是静止的,两个协方差矩阵可以得到两个不同的组快照如下: 在哪里 估计第一 快照和 最后 的人。可以消除噪声的影响,通过构建另一个矩阵(18]: 在哪里 。

从(5),它可以了解到所有的列 是整个转向系统矩阵的线性组合。之间的关系 和 仍然可以保持如果我们应用初等列变换吗 : 在哪里 , , 是 th列 ,和 是 th元素。对于每次迭代,我们修正参数 ,并使 遍历所有的法律价值。这个过程会重复之前上triangular-like矩阵。我们获得的所有非零列转换手术后可以形成一个最大线性无关的子系统 ,并能形成一个完整的列秩矩阵 。构造一个斜投影 在哪里 是一个单位矩阵的 。它可以很容易地计算出

由于这一事实 和 跨度相同的列空间,(8)=

基于频谱正交性,可以用于DOA估计。为了避免计算的光谱搜索贵,我们建议支持方法的应用。一个多项式设计如下: 在哪里 。根最接近的期望的估计是单位圆 : 在哪里 采取的角度吗 。估计通过新风的来源

4所示。模拟

在本节中,该方法的性能研究,这是检查与均方根误差(RMSE)。RMSE给出的定义 在哪里 代表的DOA估计 th模拟, 是真正的DOA和 意味着蒙特卡罗模拟的总数。的性能与其他方法相比该方法将root-MUSIC等(9]和LOFNS [10]。两个来源被认为是在模拟的研究 和 ,分别。数组的传感器之间的内部空间 。对于该方法,源数 可以是未知的。其他方法, 必须是一个精确的先验知识。具体来说,Cramer-Rao下界(CRLB)也说明要做一块更好的比较。

第一个模拟的目的是检查rms和限幅广播之间的关系(信噪比),这被定义为 与 信号功率。假设数组中有8个传感器(即。 )和400个快照与阵列接收。信噪比不同形式0分贝30 dB。如数据所示2和3通过消除噪声的影响,该方法和LOFNS胜过root-MUSIC即使LOFNS不信噪比低时表现良好。该方法显示了一个健壮的输出信噪比。对于不同来源的估计,我们可以看到相同的均方根方法几乎是相同的。不同方向的来源不影响估计精度。


图2
rms和信噪比:1来源。

图3
rms和信噪比:第二来源。

第二个模拟研究方面的rms的快照。设置在15分贝,信噪比和快照变化的数量从10到10000。数组是一样的,在第一次模拟。相应的结果显示在数字4和5。类似rms的人物2和3,该方法提供了最强劲的性能而root-MUSIC执行最穷的。


图4
rms和快照。

图5
rms和快照。

计算效率将第三仿真进行了研究。1000年个人电脑模拟运行,英特尔(R)是谁的CPU (TM)核心I7 8700 3.2 GHz和8 GB RAM,总时间进行不同的方法。结果有400个快照如表所示1。我们可以看到三种方法的结果进行的时间几乎是一样的。平均处理时间的模拟,不同之处在于可以忽略不计。

表1
总时间与Matlab进行1000次(第二)。

5。结论

为了摆脱依赖源数量,支持方法的基础上,提出了斜投影。利用属性的非平稳信号,可以消除噪声的效果。初等列变换应用和指导矩阵是一个矩阵正交构造没有来源的数量。最后,加油方法应用构造正交矩阵。仿真结果验证了该方法的有效性,可以执行比其他现有方法即使知道确切数字来源。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是支持的关键领域的研究和发展项目广东省(2019年2019 b010145001 2019 b010142001, b010141002)和科技项目的广东(2019 a141401005)。