学位论文 > 优秀研究生学位论文题录展示

基于蒙特卡罗方法的阵列信号DOA估计与跟踪方法研究

作　者: 胡德秀
导　师: 赵拥军
学　校: 解放军信息工程大学
专　业: 信号与信息处理
关键词: 阵列信号模型贝叶斯参数估计蒙特卡罗方法粒子滤波 DOA估计与跟踪
分类号: TN911.7
类　型: 硕士论文
年　份: 2010年
下　载: 136次
引　用: 0次
阅　读: 论文下载

内容摘要

波达方向( direction-of-arrival,DOA )估计是阵列信号处理领域的重要研究方向,在雷达、通信、声纳等众多军事及国民经济领域都有着广阔的应用前景。目前经典的高分辨DOA估计算法只适用于DOA不随时间变化的情况,且其估计精度和分辨力还有待提高。本文从阵列信号处理模型入手,建立基于贝叶斯原理的DOA估计和跟踪模型,并利用蒙特卡罗方法中的抽样方法和粒子滤波方法对模型进行优化计算和求解,解决了DOA估计和跟踪问题,提高了估计的精度和分辨力。主要工作及成果概括如下:1.研究了阵列信号的处理模型。在总结已有的阵列信号模型基础上,重点研究了同时适用于宽、窄带信号的时域阵列信号模型,讨论了该模型与带宽、插值区间的关系,并将其推广到任意阵型和时变DOA场合。2.研究了蒙特卡罗抽样方法。在讨论MH(Metropolis Hastings)独立抽样和MH随机游动抽样两种方法基础上,提出了一种新的混合抽样方法,并证明了它的收敛性。该方法根据样本优劣建立抽样样本的评价函数,按评价函数自适应地选择两种不同的MH抽样方法,提高了估计的收敛速度和精度。3.研究并改进了粒子滤波方法。首先,为了实现信号源个数与DOA联合跟踪,引入可逆跳转马尔科夫链蒙特卡罗(Reversible Jump Markov Chain Monte Carlo, RJMCMC)方法,并对RJMCMC进行改进,有效避免了RJMCMC过程可能造成状态顺序错乱的问题。其次,在粒子滤波过程中加入改进的RJMCMC,既实现信号源数目与DOA的联合跟踪,又避免RJMCMC方法造成的状态顺序错乱问题。4.研究了基于新的混合抽样方法的贝叶斯DOA估计方法,提高了估计的收敛速度、分辨力和精度。首先从阵列信号模型入手,推导未知参数的联合后验概率密度,对无关参数进行积分,得到参数DOA的后验概率密度;然后将后验概率密度作为马尔科夫链的平稳分布,利用混合抽样方法抽取样本,以样本平均值作为DOA估计值。理论分析和实验结果表明:本文方法较一般抽样方法具有更快的收敛速度和更高的估计精度;在分辨力和对相干信号处理能力方面有所提高。5.研究了基于改进粒子滤波的DOA跟踪方法,实现了信号源数目与DOA的联合跟踪以及DOA估计与波束形成的一体化。首先分别根据频域和时域两种阵列信号模型,通过对入射期望信号的估计,建立了跟踪方程;然后利用改进粒子滤波,得到实时DOA和信号源数目估计。理论分析和实验结果表明:本文算法可处理时变DOA估计,既实现了信号源数目与DOA联合跟踪,又实现了DOA估计与波束形成一体化,且估计精度在信噪比较高时接近克拉美罗界。

全文目录

摘要  10-11
ABSTRACT  11-13
第一章绪论  13-19
  1.1 课题背景及意义  13-14
  1.2 国内外研究历史及现状  14-17
    1.2.1 DOA估计方法  14-16
    1.2.2 DOA跟踪方法  16
    1.2.3 贝叶斯估计与蒙特卡罗方法  16-17
  1.3 论文主要内容及章节安排  17-19
    1.3.1 本文的研究思路  17-18
    1.3.2 论文主要内容及章节安排  18-19
第二章阵列信号处理模型  19-31
  2.1 基本原理、定义和假设  19-22
    2.1.1 贝叶斯定理  19
    2.1.2 阵列形状  19-21
    2.1.3 相干信号  21
    2.1.4 窄带和宽带信号  21-22
  2.2 频域阵列信号模型  22-24
    2.2.1 窄带信号频域模型  22-23
    2.2.2 宽带信号频域模型  23-24
  2.3 时域阵列信号模型及其推广  24-30
    2.3.1 带通信号采样与重构定理  24
    2.3.2 单信号时域模型  24-28
    2.3.3 仿真实验  28-29
    2.3.4 多信号模型  29-30
    2.3.5 时域模型推广  30
  2.4 本章小结  30-31
第三章蒙特卡罗方法  31-47
  3.1 蒙特卡罗方法概述  31-33
    3.1.1 蒙特卡罗方法的基本步骤和原理  31-32
    3.1.2 重要性抽样方法  32-33
  3.2 MCMC以及一种新的混合抽样方法  33-37
    3.2.1 马尔科夫链  33-34
    3.2.2 MCMC方法步骤  34
    3.2.3 Metropolis-Hastings抽样  34-35
    3.2.4 随机游动MH方法  35
    3.2.5 独立抽样MH方法  35
    3.2.6 一种新的混合抽样方法  35-37
  3.3 RJMCMC方法及其改进  37-41
    3.3.1 更新过程  38-39
    3.3.2 出生过程  39
    3.3.3 死亡过程  39-40
    3.3.4 改进的RJMCMC方法  40-41
  3.4 粒子滤波算法及其改进  41-46
    3.4.1 贝叶斯原理与粒子滤波  42
    3.4.2 基本SIS（Sequential Important Sampling）算法  42-44
    3.4.3 粒子滤波算法需要注意的问题  44-45
    3.4.4 改进的粒子滤波  45-46
  3.5 本章小结  46-47
第四章基于混合抽样的贝叶斯DOA估计方法  47-57
  4.1 贝叶斯最大后验概率DOA估计推导  47-49
  4.2 一种新的混合抽样用于模型求解  49-50
  4.3 性能分析  50-56
    4.3.1 混合抽样算法收敛速度比较  50-52
    4.3.2 混合抽样算法计算量比较  52-53
    4.3.3 两种混合抽样方法估计精度比较  53
    4.3.4 贝叶斯DOA估计分辨力比较  53-54
    4.3.5 对相干信号的处理能力比较  54-55
    4.3.6 贝叶斯方法与MUSIC方法估计精度比较  55-56
    4.3.7 本文估计方法的特点  56
  4.4 本章小结  56-57
第五章基于改进粒子滤波的DOA跟踪方法  57-81
  5.1 状态空间模型概述  57
  5.2 频域模型DOA跟踪方法  57-66
    5.2.1 状态演化方程  57-58
    5.2.2 观测方程及期望信号估计  58
    5.2.3 改进的粒子滤波及联合跟踪方法  58-61
    5.2.4 仿真实验  61-65
    5.2.5 本节实验小结  65-66
  5.3 时域模型DOA跟踪方法  66-79
    5.3.1 状态演化方程  66
    5.3.2 观测方程及期望信号估计  66-67
    5.3.3 改进的粒子滤波及联合跟踪方法  67-69
    5.3.4 仿真实验一：不同入射信号条件下的DOA跟踪与波束形成  69-72
    5.3.5 仿真实验二：不同信噪比和粒子数条件下的跟踪  72-74
    5.3.6 仿真实验三：信号源数目与DOA联合跟踪  74-77
    5.3.7 跟踪效果评价  77-79
    5.3.8 本节实验小结  79
  5.4 本章小结  79-81
结束语  81-83
参考文献  83-87
附录公式(117)推导  87-88
作者简历攻读硕士学位期间完成的主要工作  88-89
致谢  89

基于蒙特卡罗方法的阵列信号DOA估计与跟踪方法研究

内容摘要

全文目录

相似论文