最大似然波达方向(DOA)估计具有最优的理论性能,但是存在计算量过大的问题。为了降低最大似然DOA估计的计算量,将参数估计转化为高维非线性函数的优化问题,并提出了一种新的优化算法。首先利用波束形成法对空间谱进行预估计并根据空间谱信息构造一组满足"预估分布"的初始解,这组初始解以较大概率落在全局最优解的局部吸引域中。然后将其中适应度最大的一个初始解作为局部搜索的起点。网格爬山法是一种以网格为单元的局部搜索方法,比传统爬山法更加高效和稳定,因此采用该方法获取全局最优解。新算法不仅能够得到精确的参数估计,同时具有较高的计算效率,计算机仿真显示新算法的计算效率高于基于粒子群优化的最大似然DOA估计算法。

针对二维多重信号分类算法可以估计出系统的到达时间(TOA,time-of-arrival)和波达方向(DOA,direction-of-arrival)参数，但需要复杂度非常高的二维谱峰搜索这一问题，提出了IR-UWB系统中基于求根MUSIC(root-MUSIC)的TOA和DOA联合估计算法，该算法对接收信号的频域形式建模，先估计出TOA，然后由TOA的差值计算出DOA，从而实现TOA和DOA的联合估计。该算法不需谱峰搜索，可直接给出估计参数的闭式解，还可实现参数配对。还推导了参数估计的误差方差。仿真结果表明，该算法的参数估计性能明显优于矩阵束算法、传播算子算法以及基于旋转不变技术估计信号参数算法，并且非常接近于2D-MUSIC算法，但该算法的复杂度却远远低于2D-MUSIC算法。

基于加权1范数的稀疏重构波达方向估计算法

提出了一类适用于Alpha稳定分布随机变量的统计量—类M估计相关(MELC),通过构造阵列输出的类M估计相关矩阵,提出了适用于Alpha稳定分布噪声环境下的波达方向(DOA)估计新算法,即MELC-MUSIC算法。仿真实验表明,在Alpha稳定分布噪声环境下,MELC-MUSIC算法在抗噪声特性、多源信号分辨性以及对不同形式信号(圆对称信号或非圆对称信号)的适应性方面获得比基于分数低阶统计量(FLOS)的MUSIC方法更好的估计性能。

人工智人-家居设计-互耦对智能天线波达方向算法的影响研究及算法应用.pdf

ESPRIT是一种基于阵列数据相关矩阵信息的广义特征值分解的高分辨率波达方向(DOA)估计算法。由于空间噪声的相关性,这种基于自相关的高分辨率算法将出现极大的偏差。本文针对自相关算法的局限性,提出一种基于高阶累积量的ESPRIT算法。实验结果表明,借助高阶累积量方法,不仅能有效地抑制高斯色噪声。而且还能获得高精度、高分辨率的渐进无偏估计。

【资源内容介绍】： 【1】构建多目标非相干信源阵列信号模型（一维ULA阵列）； 【2】经典ESPRIT估计算法； 【适应对象】： 雷达专业、阵列信号处理专业学生； 【资源特点】： 编程规范，注释明细； 【使用建议】： 此资源为较基础的空域信号处理算法，建议结合算法的理论知识，了解代码实现的技巧和过程。 【关于售后】： 如果对代码有不理解的地方，可以在CSDN平台私信我，有时间都会回复。 感谢支持！

人工智能-机器学习-智能天线波达方向估计算法的研究.pdf

采用Music法进行7阵元ULA线阵波达方向估计时，已知：中心波长为λ ，阵元间距为 λ/2，两对不同的波达角分别为3° ，两个等幅信源信号为 ，不相关， ，噪声方差σ=0.1 。用MATLAB进行计算

提出一种新的基于分数阶傅里叶变换和信号子空间分解的宽带线性调频（LFM）信号波达方向（DOA）估计算法。该方法利用LFM信号在分数阶傅里叶变换域的极高的聚集性，在分数阶傅里叶变换域分离信号。并构造分数阶傅里叶变换域的阵列信号相关矩阵。通过对相关矩阵进行特征值分解，估计信号子空间和噪声子空间，并利用MusIc算法估计宽带LFM信号的波达方向。仿真验证了新方法的有效性。