基于噪声子空间估计的MWF实现
基于噪声子空间二阶锥规划求解的宽带波达方向估计算法
是 窄带 处理 方法 。ＩＭ 算 法 的 门限效应使 窄带 处理 Ｓ 及综 合在 低信 噪 比时 发生 困难 ， 不能处 理相干 源 。 且 Ｃ Ｍ 具 有较 好 的精 度 ， 低 的 门限 值 ， 由于 是用 Ｓ 较 但 窄 带模 型在 聚焦后 构 成 低 秩 模 型来 近 似宽 带 结果 ， 从 而 导致 其 估 计 结 果 受 信 号 短 时谱 不确 定 性 的影 响 。宽 带直 接处 理算 法建 立 了宽带 信号 的低秩 表示
中 图分 类号 ： ＴＮ９ １ １
近年来在 传感器 阵 处理 的众 多应用 中关 于宽 带 信 号 的 研究 十分 活 跃 ， 扩 频 通 讯 、 动声 纳 等 领 如 被 域 。其 中一个最 普遍 的 问题 是 宽带 源的 高分辨 方位
估 计 问题 ， ＤＯ （ ｉ ｃｉｎ ０ｆ ｒ ａ）估 计 问 即 Ａ Ｄｒ ｔ ｉ １ ｅ ｏ Ａｒ ｖ 题［ 。信号 子空 间谱估 计技 术 被广 泛用 于对 该类 问 １ ］
第２卷第３ ６ 期
Ｖｏ． １ ２６ Ｎｏ． ３
基 于 噪 声 子 空 间 二 阶锥 规 划 求 解 的 宽 带 波 达 方 向 估 计 算 法
张 立 杰 ，黄建 国，金 勇 ，马 娟
（ 北 工 业 大 学 航 海 学 院 ， 西 西 安 ７ ０ ７ ） 西 陕 １０ ２
摘
Hale Waihona Puke 要 ： 有 宽 带子 空 间类方位 估 计方 法 需要 对庞 大 的空 时联合 采 样相 关矩 阵进 行 特征 分解 运算 现
ＤＯ 估计 算法 可分 为如下 ３ ： Ａ 类 ①非 相 干信 号子 空
间 处 理 方 法 （Ｓ ：Ｉｃ ｈ ｒｎ ｉｎ ｌＳ ｂ ｐ ｃ ＩＭ ｎ ｏ ｅｅ ｔ Ｓｇ ａ ｕ ｓ ａｅ
基于信号子空间的信噪比盲估计算法 matlab
一、概述在通信系统中，信噪比是衡量信号质量的重要指标之一。
通常情况下，我们可以通过传统的方法对信号与噪声进行分离，然后计算它们的功率比来得到信噪比。
然而，在某些复杂的情况下，传统的方法可能会失效。
信号子空间的信噪比盲估计算法在这种情况下显得尤为重要。
二、信号子空间的概念信号子空间是指由信号矩阵的列向量所张成的空间。
在信号处理中，我们常常需要对信号进行降维处理，这就涉及到信号子空间的概念。
信号子空间的维度通常等于信号的有效自由度，是信号的本征特征空间。
三、信号子空间的应用1. 信号降维在某些情况下，信号的维度过高，需要进行降维处理。
这时候就可以利用信号子空间的概念，通过对信号矩阵进行奇异值分解等操作，得到信号子空间，从而实现信号的降维处理。
2. 信号分离在复杂的通信环境中，信号往往会受到各种干扰，如多径效应、多普勒效应等。
这时候就需要对信号进行分离处理，识别出真正的信号成分。
信号子空间的方法利用信号的特征子空间进行信号分离，可以有效地提高信噪比。
四、信噪比盲估计算法的原理信噪比盲估计算法是一种基于信号子空间的方法，它利用信号子空间和噪声子空间的性质来实现信噪比的盲估计。
其原理如下：1. 提取信号子空间和噪声子空间通过奇异值分解等方法，可以得到信号矩阵的特征向量和特征值，从而提取出信号子空间和噪声子空间。
2. 计算信噪比在得到信号子空间和噪声子空间之后，可以通过计算它们的功率比来得到信噪比的估计值。
由于信号子空间和噪声子空间是互补的，因此它们的功率比可以很好地表示信噪比的大小。
五、信噪比盲估计算法的 matlab 实现在 matlab 中，可以通过一些内置函数和工具箱来实现信噪比盲估计算法。
下面是一个简单的 matlab 实现示例：``` matlab读入信号矩阵X = ...; 读入信号矩阵，假设为一个m×n 的矩阵奇异值分解得到信号子空间和噪声子空间[U, S, V] = svd(X);signal_space = U(:, 1:r); 假设信号的有效自由度为 rnoise_space = U(:, r+1:end);计算信噪比snr_est = norm(signal_space, 'fro')^2 / norm(noise_space, 'fro')^2; 使用 Frobenius 范数来计算功率比显示信噪比估计结果disp(['信噪比估计值为：', num2str(snr_est)]);```六、实验结果与分析我们利用上述 matlab 实现代码对一组合成信号进行了信噪比盲估计实验，并得到了如下结果：1. 信号矩阵 X 的维度为100×50，信号的有效自由度 r 为 10；2. 经过奇异值分解和功率比计算，得到的信噪比估计值为 20dB。
强噪声背景下基于子空间的盲信号提取
（ ｏｌ ｅｏＥ ｅｔ ｎｃ ｃｅｃ ｎ ｃ ｎｌｇ ， ａｉ ａ ｎ ｅｓｙｏ Ｄｅｅｓ ｃ ｎ ｌ ｙ Ｃ ａ ｇｈ ０ ３ Ｃ ｉａ Ｃ ｌ ｇ ｌｃ ｏ ｉ Ｓｉｎｅ ｄＴ ｈ ｏｏｙ Ｎ ｔ ｎ ｌｆＵ ｉ ｒｉ ｆｎｅＴ ｈ ｏｏ ， ｈ ｎｓａ４ ７ ， ｈｎ ） ｅ ｆ ｒ ｓ ａ ｅ ｏ ｏ ｖ ｔｆ ｅ ｇ １ ０ （ ｏｌ ｅ Ｍｅｈ ｔ ｎｃ ｎ Ａ ｔｍ ｔ ｎＮａｉｎ ｌ ｎｖｒｉ Ｄ ｆｎｅ ｅｈ ｏｏ ， ｈ ｎ ｓａ４ ７ ， ｈｎ） Ｃ ｌｇ ｅ ｏ ｆ ｃ ａｒ ｉ ａ ｄ ｕｏ ａｉ ， ｔ ａ ｉ ｓ ｏ ｅｅｓ ｃｎ ｌｇ Ｃ ａ ｇｈ ｌ０ ３ Ｃ ｉａ ｏ ｓ ｏ ｏ Ｕ ｅ ｔｆ ｙ Ｔ ｙ ０
Ｂｌ ｄ Ｓ ｇ ａ ｔ ａ ｔ ｎ Ｂａ ｅ ｎ Ｓ ｂ ｐ ｃ ｖ ｒ ｉ ｉｎ ｌ ｎ Ｅｘ ｒ ｃ ｉ ｓ ｄ ｏ ｕ ｓ ａ ｅｏ ｅ ｏ Ｈｉ ｈＮｏ ｓ ｏ ｒ ｅＢａ ｋ ｒ ｕ ｄ ｇ ｉｅＳ ｕ ｃ ｃ ｇ ｏ ｎ
Ｈｕ ｎ ａ ． ｉ￣ ａ ｇＸｉｏｂ ｎ Ｌ ｕＨａ． ｏ ｉ ｉ ａ ｏ ｔ Ｗ ａ ｉｎｗｅｏ ｎＪａ ． ｉ ＨｕＤｅｗｅ ② ． ｎ
法 ，该方法在光学功能成像巾得到了成功应用。但研 究发现在极低信噪 比下 ，由于观测数据的样ｌ ＿ 小协方差炬 阵具 有奇异性 ，这使得 ＩＡ 去噪算法 中的 白化处理步骤无法进行。为解决这一问题，本文利用予窄问的概念 ，在 Ｉ Ａ Ｃ Ｃ 去噪方法 的基础上提 出了一种新 的基于子空间的 ＩＡ（ Ａ ｂｓｄｏ ｉｎｌ ｕ ｓａｅ ＳＣ 去噪方法 。仿真表 明该 Ｃ Ｉ ａｅ ｎｓ ａ Ｓ ｂｐｃ ， ｌＡ） Ｃ ｇ 方法 能在极低信噪 比下有效去噪 ，同时与传统的滤波去噪丰 比， ＳＣ 耳 Ｉ Ａ去噪方法 在去噪的同时还能够成功地将频 域重 叠的信号正确分离 。 关键 词 盲信号提取 ，独立成分分析 ，子窄间分解，滤波 中图分类号 ： Ｎ９ １ Ｔ １． ７ 文献标识码 ： Ａ 文章编 号； ０ ９５９ （０ ６１－０ ７０ １ ０—８ ６２ ０ ）１２３ —４
基于部分噪声子空间DOA估计的性能分析
基于部分噪声子空间DOA估计的性能分析作者：张宏谋施锦文来源：《现代电子技术》2013年第07期摘要：基于子空间DOA估计的MUSIC算法，是将阵列输出数据的协方差矩阵进行特征分解后，利用与信号分量相正交的噪声子空间来估计信号波达方向。
然而在进行谱估计之前，需要对信号源的数目进行估计，以确定信号子空间和噪声子空间的维数，这将增大DOA估计的复杂度。
对利用部分噪声子空间进行谱估计的方法进行了阐述，由于其不需要进行信源数目的估计，因此可以减小谱估计的复杂度。
计算机仿真实验和性能分析验证了该方法的性能。
关键词：噪声空间；波达方向； MUSIC； DOA估计中图分类号： TN911⁃34 文献标识码： A 文章编号： 1004⁃373X（2013）07⁃0047⁃040 引言空间谱估计中，基于子空间DOA估计的算法，如多重信号分类（MUSIC）[1]算法、ESPRITE[2⁃3]算法等是一类经典的高分辨算法。
这一类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。
MUSIC算法的基本思想则是将任何阵列输出数据的协方差矩阵进行特征分解，从而得到与信号分量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来估计信号入射方向等参数。
然而在进行谱估计之前，需要对信号源的数目进行估计，以确定信号子空间和噪声子空间的维数，这将增大DOA估计的复杂度。
有人认为在对协方差矩阵进行特征分解后，只有最小的特征值对应的特征向量才是真正的噪声子空间（本文称为部分噪声子空间）。
因此如果直接利用该部分噪声子空间进行空间谱估计，将不再需要进行信源数目的估计，可以降低系统在实现过程中的复杂度，以及提高谱估计的时效性。
本文对利用部分噪声子空间进行谱估计的方法进行了阐述，并用计算机仿真进行了对比说明。
仿真结果显示，利用部分噪声空间进行谱估计的性能和利用全部噪声子空间进行谱估计的性能接近。
语音识别中的噪声抑制与特征提取技术研究
语音识别中的噪声抑制与特征提取技术研究噪声是语音识别中一个常见的问题，它可以影响语音信号的质量和准确性。
为了提高语音识别系统的性能，研究人员一直致力于噪声抑制和特征提取技术的研究。
本文将介绍语音识别中常用的噪声抑制与特征提取技术，并对其研究现状进行分析与总结。
一、噪声抑制技术1. 基于统计建模的噪声抑制方法统计建模是一种常用的噪声抑制方法，它通过对语音信号和噪声进行建模，并利用概率统计的方法来抑制噪声。
常用的统计建模方法包括最小均方差（MMSE）估计、最大似然估计等。
这些方法通过对噪声进行建模和估计，可以减少噪声对语音信号的影响，提高语音信号的质量。
2. 基于子空间分解的噪声抑制方法子空间分解是一种通过将语音信号和噪声信号映射到不同的子空间中来进行噪声抑制的方法。
常用的子空间分解方法包括主成分分析（PCA）、独立成分分析（ICA）等。
这些方法通过分解语音信号和噪声信号，使得语音信号在一个特定的子空间中受到噪声的影响较小，从而实现噪声的抑制。
3. 基于深度学习的噪声抑制方法深度学习是一种人工神经网络模型，可以通过学习大量的数据来进行噪声抑制。
常用的深度学习方法包括自编码器、卷积神经网络、循环神经网络等。
这些方法通过训练神经网络模型，使其能够学习并理解语音信号和噪声的特征，进而实现噪声的抑制。
二、特征提取技术特征提取是语音识别中一个重要的步骤，它可以将语音信号转化为一组具有区分性的特征向量。
常用的特征提取技术包括线性预测编码（LPC）、梅尔频率倒谱系数（MFCC）、束搜索（Beam Search）等。
1. 线性预测编码（LPC）LPC是一种经典的语音信号分析方法，它可以将语音信号分解为线性预测模型和残差信号。
LPC通过分析语音信号的预测模型来提取特征，具有较好的鲁棒性和准确性。
2. 梅尔频率倒谱系数（MFCC）MFCC是一种基于人听觉特性的特征提取方法，它通过将语音信号转化为梅尔频率谱图，并对其进行倒谱变换来提取特征。
fmcw雷达music空间谱估计算法
FMCW雷达和MUSIC空间谱估计算法都是现代雷达技术和信号处理领域中的重要概念。
1. FMCW雷达：FMCW雷达的基本思想是生成线性频率斜坡作为发射信号。
发射信号和接收信号之间的差频（即拍频）在下变频后确定。
对拍频信号进行FFT运算可以识别不同距离和速度的目标。
在实际应用中，FMCW雷达的参数设置非常关键，例如脉冲重复间隔（PRI）和带宽等，这些参数会影响到雷达的性能和测距、测速的准确性。
2. MUSIC算法：MUSIC（Multiple Signal Classification）算法是一种基于子空间分解的算法，它利用信号子空间和噪声子空间的正交性，构建空间谱函数，通过谱峰搜索，估计信号的参数。
对于声源定位来说，需要估计信号的DOA（到达方向）。
MUSIC算法的核心思想是将阵列接收数据的协方差矩阵进行特征值分解得到特征值和特征向量，将特征向量划分为信号子空间和噪声子空间，这两个空间是正交且不相关的，利用该性质可以实现空间信号的超分辨。
结合FMCW雷达和MUSIC算法，可以在雷达应用中实现高精度的目标检测和定位。
例如，通过FMCW雷达获取目标的距离、速度等信息，然后利用MUSIC算法对这些信息进行进一步的处理，如方位估计、目标识别等。
这种组合可以提高雷达系统的性能和应用范围。
matlab 基于信号子空间的信噪比估计
【信噪比估计在Matlab中的应用】在信号处理领域，信噪比（SNR）的准确估计对于正确处理和分析信号至关重要。
而基于信号子空间的信噪比估计方法在Matlab中的应用，是当前研究和工程领域的热门话题之一。
在本文中，我将针对这一主题进行深入探讨，结合Matlab实际操作，帮助读者更全面地理解和应用该方法。
1. 信噪比估计的重要性在信号处理中，信号和噪声往往是相互混合的，因此需要对它们进行有效的分离和估计。
信噪比是衡量信号与噪声强度之间关系的重要指标，对于判断信号质量、系统性能等至关重要。
准确估计信噪比是信号处理中的关键问题之一。
2. 基于信号子空间的信噪比估计原理基于信号子空间的信噪比估计方法是一种基于信号子空间分解的盲源分离和估计技术。
它利用信号子空间和噪声子空间之间的特性差异，通过特定的算法对信号和噪声进行有效的区分和估计。
在Matlab中，可以通过调用相关的函数和工具包实现对信号子空间的分解和信噪比的估计。
3. Matlab中的实际操作在Matlab中，可以利用相关的工具包和函数来实现基于信号子空间的信噪比估计。
需要对信号进行采样和预处理，然后利用Matlab提供的信号处理工具包进行信号子空间的分解。
可以通过特定的算法或方法来估计信号子空间和噪声子空间的特性参数，进而得到准确的信噪比估计结果。
在实际操作中，需要注意参数的选择、算法的优化和结果的验证等步骤，以确保估计结果的准确性和可靠性。
4. 个人观点和总结基于信号子空间的信噪比估计方法在Matlab中的应用，具有重要的理论意义和实际应用价值。
通过深入研究和实际操作，可以更好地理解和应用该方法，为信号处理领域的进一步发展和应用提供重要的技术支持和理论指导。
我个人认为，Matlab作为一种强大的工具和评台，为信噪比估计等信号处理问题的研究和应用提供了重要的支持和便利。
基于信号子空间的信噪比估计方法在Matlab中的应用，是一个值得深入研究和探讨的重要课题。
基于相干对消的噪声子空间自适应估计
基于相干对消的噪声子空间自适应估计噪声子空间自适应估计(Noise Subspace Adaptive Estimation, NSAE)是一种用于估计多元信号的算法，该算法利用了噪声信号的结构信息，在信号与噪声的混合中准确地估计信号成分。
其中，基于相干对消的噪声子空间自适应估计是NSAE中的一种优化方法，通过消除某些对信号估计有干扰的噪声成分，进一步提高估计的准确度和稳定性。
在讲解基于相干对消的噪声子空间自适应估计之前，我们先来了解一下噪声子空间的概念。
在多元信号的估计过程中，我们通常利用信号与噪声的不同性质来区分它们。
信号通常具有较高的相关性，而噪声则是随机的、无序的，并且在时间与空间上具有平稳性。
噪声子空间指的是信号矩阵与噪声矩阵的正交补空间，即由噪声构成的线性子空间。
通过估计噪声子空间，我们可以分离出信号矩阵与噪声矩阵，从而更准确地估计信号的成分。
基于相干对消的噪声子空间自适应估计利用相干性对噪声子空间进行自适应修正，进一步提高估计的精度。
简单来说，相干性指的是信号成分之间具有一定的相关性，而相干对消则是利用了信号成分之间的相关性，消除在估计某个成分时其他成分所带来的干扰。
如何在噪声子空间中利用相干对消进行信号估计呢？首先，我们需要对噪声子空间进行建模。
在建模时，我们通常假设信号的成分是相互独立的，并且满足一定的相关性。
具体来说，我们可以采用协方差矩阵的特征分解方法，将协方差矩阵分解为信号子空间与噪声子空间两部分，其中噪声子空间对应的是协方差矩阵的特征值较小的部分。
接着，我们利用相干对消的方法进一步提高估计的准确性。
首先，我们利用估计得到的信号成分对噪声子空间进行修正，获得一个更加精确的噪声子空间模型。
然后，我们通过将信号成分与噪声子空间中的成分进行相关性匹配来抑制噪声对信号估计的干扰。
这里的相关性匹配指的是，将信号成分与噪声子空间中的某个成分进行相关性计算，并输出一个滤波器系数，利用该系数削弱同时与信号成分相关的噪声成分的影响。
基于子空间的干扰噪声协方差矩阵重构的波束形成方法[发明专利]
![基于子空间的干扰噪声协方差矩阵重构的波束形成方法[发明专利]](https://img.taocdn.com/s3/m/1eeb0b2b0c22590103029dd1.png)
专利名称：基于子空间的干扰噪声协方差矩阵重构的波束形成方法
专利类型：发明专利
发明人：袁晓垒,朱胜利,甘露,廖红舒
申请号：CN201510680829.5
申请日：20151019
公开号：CN105204006A
公开日：
20151230
专利内容由知识产权出版社提供
摘要：本发明属于阵列信号处理领域，主要涉及基于协方差矩阵重构的标准Capon自适应波束形成算法对对干扰信号导向矢量误差的稳健性。
本发明基于子空间的干扰噪声协方差矩阵重构的波束形成算法，首先利用阵列接收数据来估计所有D-1个干扰信号的导向矢量及其功率同时估计噪声功率然后按照干扰噪声协方差矩阵的定义来重新构造干扰噪声协方差矩阵最后在较小的角度区间Θ构造信号协方差矩阵，取其主特征向量作为期望信号导向矢量估计联合重构的得到新的波束形成加权矢量本发明克服现有波束形成算法的不足，使波束形成算法对干扰信号导向矢量误差具有很好的稳健性。
申请人：电子科技大学
地址：611731 四川省成都市高新区(西区)西源大道2006号
国籍：CN
代理机构：成都点睛专利代理事务所(普通合伙)
代理人：葛启函
更多信息请下载全文后查看。
OFDM系统中基于噪声子空间的参数估计方法的开题报告
OFDM系统中基于噪声子空间的参数估计方法的开题报告一、选题背景及意义OFDM系统作为一种多载波调制技术，现已成为广泛应用的无线通信技术之一。
OFDM系统中存在着多种参数需要估计，如载波频率偏差、时钟偏移、码率等。
其中，对信道频率响应的估计尤为关键，其精度直接关系到 OFDM 接收机的灵敏度以及误码率的大小。
目前，基于傅里叶变换的频域均衡技术已经成熟应用于OFDM系统中，但在实际应用中，由于多径效应和时变衰落等原因，估计信道频率响应的精度依然存在一定的问题。
为了解决这一问题，基于噪声子空间的参数估计方法被提出并得到了广泛应用。
该方法能够利用输入信号存在的结构特性，在不知道信噪比的情况下估计信道频率响应。
同时，该方法还能够对多径信道进行建模，针对瑞利衰落信道适用。
本文将基于噪声子空间的参数估计方法应用于OFDM系统中，旨在探究该方法的优势和不足之处，并在此基础上提出更为精确的估计方法，对OFDM系统的性能进行进一步提升。
二、研究内容和方法本文主要研究内容是基于噪声子空间的参数估计方法在OFDM系统中的应用。
具体研究内容包括：1. OFDM系统中常见的信道建模方法，如瑞利衰落信道模型等；2. 噪声子空间理论和基于噪声子空间的参数估计方法的原理与应用；3. 在OFDM系统中应用噪声子空间方法进行信道频率响应的估计，并对其优缺点进行分析；4. 提出更为精确的估计方法，以提升OFDM系统的性能；5. 通过仿真实验验证提出的参数估计方法的准确性和有效性。
研究方法包括理论分析和仿真实验两种。
对于理论分析，将结合噪声子空间理论、OFDM系统以及信道建模等方面进行分析。
在仿真实验方面，将通过Matlab等数学软件进行仿真模拟，并对仿真结果进行分析和比对。
三、预期成果和意义本文旨在对基于噪声子空间的参数估计方法在OFDM系统中的应用进行研究分析，并提出更为精确的估计方法，以提升OFDM系统的性能。
预期成果如下：1. 系统地总结OFDM系统中的信道建模方法及其特点；2. 分析噪声子空间理论及其在参数估计中的应用，探究其优缺点；3. 在OFDM系统中应用噪声子空间方法进行信道频率响应的估计，并对其进行验证和比较；4. 提出更为精确的估计方法，并通过实验验证其准确性和有效性；5. 对OFDM系统的性能进行提升，为实际应用提供一定的理论参考和技术支持。
噪声估计的算法及MATLAB实现
太原理工大学毕业设计（论文）任务书噪声估计算法的研究及MATLAB仿真摘要日常的通信过程中,语音会常常受到环境噪声的干扰而使通话质量下降,严重时使得语音处理系统不能正常工作。
因此,必须采用信号处理方法通过语音增强来抑制背景噪声从而提高语音通信质量,而噪声估计的准确性又直接影响语音的增强效果。
可见,噪声估计是语音增强的一个非常重要的部分,所以研究噪声估计算法有很好的实用价值。
本文主要研究两种噪声估计算法:基于最小统计和最优平滑的噪声估计算法和最小值控制递归平均法的噪声估计算法,通过实验仿真比较最终研究了一种改进的最小值统计量控制递归平均噪声估计算法。
本文的主要工作总结归纳为以下几方面：首先,本文对几种经典的噪声估计算法进行研究,了解它们的各自优缺点,在此基础上选定两种较好的算法进行具体分析。
其次,了解最小统计和最优平滑和噪声功率谱统计跟踪的噪声估计算法的原理,它的基本思路是先用最优平滑滤波器对带噪语音的功率谱滤波,得到一个噪声的粗略估计，然后找出粗略估计噪声中的在一定时间窗内的最小值，对这个最小值进行一些偏差修正，即得到所要估计的噪声的方差。
通过MATLAB仿真看其特征。
再次,本文研究了一种改进的最小统计法。
算法采用递归平均进行噪声估计，其递归平均的平滑量控制递归平均噪声估计算因子受语音存在概率控制，而语音存在概率的计算采用了两次平滑和最小统计量跟踪。
与I．Cohen提出的IMCRA 算法相比，本文采用了一种快速有效的最小统计量跟踪算法。
仿真结果表明：在非平稳噪声条件下，该算法具有较好的噪声跟踪能力和较小的噪声估计误差，可以有效地提高语音增强系统的性能。
最后,对整体论文总结,通过研究发现改进的最小统计量控制递归平均噪声算法在IMCRA算法的基础上,采用了一种简单有效地最小统计量估计算法,在保证噪声估计准确性的同时,减小了算法的复杂度。
同时,基于这种噪声估计的语音增强系统能有效地提高增强语音的信噪比,并且能有效地消除增强语音中的音乐噪声。
基于子空间的语音去噪算法-毕业论文
---文档均为word文档，下载后可直接编辑使用亦可打印---摘要现代理想的语音通信系统在现实环境中并不存在，在实际应用中的通信环境通常都是伴有噪声的。
想要减少噪声获得较为纯净的语音，语音去噪变得尤其重要。
本文提出的基于子空间的语音去噪算法，是基于线性代数理论和矩阵分析模型，对含噪语音信号的协方差矩阵进行特征值分解，根据特征值个数的分解情况，分别估计出信号子空间和噪声子空间，随后对语音信号矩阵以及噪声协方差矩阵分别作对角变换，将含噪语音信号映射到信号子空间和噪声子空间这两个相互正交的子空间中，然后对两个子空间分别进行处理，在信号子空间中尽可能的估计出原始的语音信号，从而达到去除混有白色噪声或者有色噪声的语音信号中噪声的目的。
该算法的优点在于可以尽量避免音乐噪声的引入，并且语音失真程度和噪声残留程度可以控制在一个相对平衡状态。
本文是从子空间的算法开始，对基于子空间的去噪原理以及常用的估计器进行了比较和分析，并且针对不同的信噪比下的白色噪声或有色噪声情况下的语音去噪情况进行了仿真对比。
关键词：语音去噪，信号子空间，噪声AbstractThe modern ideal voice communication system does not exist in the real environment, and the communication environment in practical application is usually accompanied by noise. In order to reduce noise and get more pure speech, speech enhancement becomes especially important.The speech enhancement algorithm based on subspace is based on the linear algebra theory and the matrix analysis model. By decomposing the eigenvalues of the matrix with noisy speech signals, the signal subspace and noise subspace are estimated respectively. Then the speech signal number matrix and the noise matrix are respectively analyzed. In diagonal transformation, the speech signals with noise are projected into the two orthogonal subspace of the signal subspace and the noise subspace, then the two subspace are processed respectively, and the original speech signals are estimated as possible in the subspace of the signal to achieve the removal of mixed white or colored noise. The purpose of noise in speech signals. The advantage of the algorithm is that it can avoid the introduction of music noise as much as possible, and the degree of speech distortion and the degree of noise residue can be controlled in a relative equilibrium state. This paper begins with the algorithm of subspace, compares and analyzes the enhancement principle based on subspace and the commonly used estimator, and compares the noise enhancement under the condition of white noise or colored noise under different SNR.Keywords: speech enhancement, signal subspace, noise第一章绪论1.1选题研究背景与意义语音是信息传递的载体，在人类日常交流中不可或缺。
强噪声背景下基于子空间的盲信号提取
强噪声背景下基于子空间的盲信号提取黄晓斌;刘海涛;万建伟;胡德文【期刊名称】《电子与信息学报》【年(卷),期】2006(028)011【摘要】低信噪比下的去噪一直是一个难题,最近Emir等人提出了Independent Component Analysis(ICA)去噪方法,该方法在光学功能成像中得到了成功应用.但研究发现在极低信噪比下,由于观测数据的样本协方差矩阵具有奇异性,这使得ICA 去噪算法中的白化处理步骤无法进行.为解决这一问题,本文利用子空间的概念,在ICA去噪方法的基础上提出了一种新的基于子空间的ICA(ICA based on signal Subspace,SICA)去噪方法.仿真表明该方法能在极低信噪比下有效去噪,同时与传统的滤波去噪相比,SICA去噪方法在去噪的同时还能够成功地将频域重叠的信号正确分离.【总页数】4页(P2037-2040)【作者】黄晓斌;刘海涛;万建伟;胡德文【作者单位】国防科技大学电子科学与工程学院,长沙,410073;国防科技大学电子科学与工程学院,长沙,410073;国防科技大学电子科学与工程学院,长沙,410073;国防科技大学机电工程与自动化学院,长沙,410073【正文语种】中文【中图分类】TN911.7【相关文献】1.强背景噪声下微弱声发射信号提取及处理研究现状 [J], 范博楠;王海斗;徐滨士;张玉波2.强噪声背景下的语音信号提取研究 [J], 曹斌芳;何怡刚;郭杰荣3.强噪声源背景下的盲信号提取 [J], 黄晓斌;刘海涛;万建伟4.强噪声背景下微弱核脉冲信号提取方法 [J], 张江梅;王坤朋;季海波;冯兴华5.一种强噪声背景下微弱超声信号提取方法研究 [J], 王大为;王召巴因版权原因，仅展示原文概要，查看原文内容请购买。
机载雷达杂波抑制的预条件多级维纳滤波器算法
机载雷达杂波抑制的预条件多级维纳滤波器算法
张增辉;胡卫东;郁文贤
【期刊名称】《信号处理》
【年(卷),期】2008(024)002
【摘要】在机载雷达抑制地杂波的应用中,降阶空时自适应处理是目前研究的重点,而在各种降阶算法中以Goldstein和Reed等人提出的多级维纳滤波器(MWF)算法最具代表性.本文首先将MWF算法由广义旁瓣对消结构推广到直接处理结构,在此基础之上引入预条件处理以改善杂波和噪声协方差矩阵的条件数,提出了预条件多级维纳滤波器(PMWF)算法,并给出了算法的预条件共轭梯度法实现.利用杂波和噪声协方差矩阵的分块Toeplitz结构,可使PMWF算法的计算量降低为
0(NKlog2NK).仿真实验表明,PMWF算法与经典的MWF算法相比,当处理阶数相同时,其信杂噪比改善有明显的提高,且以主杂波附近的改善尤为显著.
【总页数】4页(P219-222)
【作者】张增辉;胡卫东;郁文贤
【作者单位】国防科技大学ATR重点实验室,湖南,长沙,410073;国防科技大学ATR重点实验室,湖南,长沙,410073;国防科技大学ATR重点实验室,湖南,长
沙,410073
【正文语种】中文
【中图分类】TN91
【相关文献】
1.机载雷达近程杂波高效自适应抑制算法 [J], 沈明威;孟祥东;朱岱寅
2.机载相控阵雷达近程杂波抑制的俯仰向空域自适应算法 [J], 孟祥东;王彤;吴建新;保铮
3.非正侧视阵机载雷达杂波抑制算法研究 [J], 龚清勇;朱兆达
4.基于稀疏重构的机载雷达KA-STAP杂波抑制算法 [J], 王晓明;杨鹏程;邱炜
5.机载俯仰多通道气象雷达地杂波抑制新算法 [J], 谭鸿刚;吴迪;朱岱寅
因版权原因，仅展示原文概要，查看原文内容请购买。
强信号背景下基于噪声子空间扩充的弱信号DOA估计方法
强信号背景下基于噪声子空间扩充的弱信号DOA估计方法张静;廖桂生;张洁【期刊名称】《系统工程与电子技术》【年(卷),期】2009(031)006【摘要】针对强信号背景下弱信号波速方向(direction of arriaval,DoA)估计问题,提出了一种基于噪声子空间扩展的弱信号DOA估计算法.该算法提出并使用了噪声子空间扩充的思想,其先将强信号导向矢量所在空间纳入噪声子空间进而构造出扩展噪声子空间,再在该扩展噪声子空间基础上利用常规多信号分类(multiple signal classification,MUSIC)算法得到弱信号的DOA估计.通过噪声子空间的扩充有效地抑制了强信号谱峰,算法无需已知强信号方向及导向矢量.运算量与常规MUSIC相当.理论分析表明该算法对弱信号DOA估计性能不劣于对应的强信号阻塞类算法,仿真实验证实了其有效性和可行性.【总页数】5页(P1279-1283)【作者】张静;廖桂生;张洁【作者单位】西安电子科技大学雷达信号处理重点实验室,陕西,西安,710071;西安电子科技大学雷达信号处理重点实验室,陕西,西安,710071;中国飞行试验研究院,陕西,西安,710089【正文语种】中文【中图分类】TN957.51【相关文献】1.强信号背景下弱信号角度时延的联合Capon估计方法 [J], 冯源;侯帅;陈强;迮剑舟;孙云2.强干扰背景下二维弱信号DOA估计的修正投影阻塞法 [J], 董惠;徐婷婷;王纯3.强信号背景下弱信号DOA估计方法 [J], 燕飞4.未知信源数条件下基于合成空间谱的弱信号DOA估计方法 [J], 侯帅;潘伟5.宽带强干扰背景下的弱信号源DOA估计方法 [J], 王姝;何子述;李会勇因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Ｉ ｐ ｅ ｅ ｔ ｔｏ ｆ Ｍ Ｗ Ｆ ｓ ｄ ｏ Ｎｏ ｓ ｕ ｐａ ｅ Ｅｓｉ ａ ｉ ｎ ｍ ｌｍ ｎ ａ ｉ ｎ ｏ Ｂａ ｅ ｎ ｉｅ Ｓ ｂｓ ｃ ｔｍ ｔｏ
ｅ ｉｔ ．ｔ ａ ｈ ｕ ｓ ａ ｅ ｒ ｎ ｆ ｏｓ ａ ｔｂ ｓｉ ｔ ｄ ｗｉ ｈ ｌ ｓ ｉａ ｘｓｓ ｈ ｔｔｅ ｓ ｂ ｐ ｃ ａ ｋ ｏ ｉｅ ｃ ｎ’ ｅ ｅ ｔ ｎ ｍａ ｅ ｔ ｔ ｅ ｃａ ｓｃ ｌＭＷＦ ｍｅｈ ｄ ｈ ｔ ｏ ．Ｔ ｅ ＭＷ Ｆ ｉ ｎ ｌ ｚ ｄ ｉ ｈ ｓ ｈ ｓａ ａｙ ｅ ｎ ｔ ｉ ｐ ｐ ｒ ｎ ｅａ ａｙｉ ａ ｐ ｒ ｏ ａ ｅ ，ａ ｄ ｔ ｎ ｌｔ ｌ ａｔ ｆＭＷ Ｆ ｉ ｄ ｐ ｅ ｐ ｔ ｅｒ ｃ ｉｅ ｉｎ ｌ ｎｏ ａ ｎ ｗ ｓｇ ａ ｅ ｔ ｒ ｈ ｏ ｇ ｎ ｌｚｎ ｅ ｈ ｃ ｓａ ｏ ｔｄ ｔ ｍａ ｅ ｅｖ ｄ ｓｇ ａ ｔ ｅ ｉｎ ｌ ｃｏ ．Ｔ ｒ ｕ ｈ ａ ａｙ ｉ ｇｔ ｏ ｈ ｉ ｖ ｈ ｃ ｖ ｒａ ｃ ｔ ｘ ｏ ｅ ｎ ｗ ｓ ｎ ｌｖ ｃｏ ，ａ ｒ ｂ ｓ ｍｅ ｈ ｄ ｉ ｐ ｏ ｏ ｅ ｏ ｅ ｔ ｔ ｈ ｕ ｓ ａ ｅ ｒ ｎ ． Ｓ ｍｕ ａｉｎ ｈ ｗ ｏ ａ ｉｎ ｅ ｍａｒ ｆｔ ｅ ｉ ａ ｅ ｔ ｒ ｏ ｕ ｔ ｔ ｏ ｓ ｒ ｐ ｓ ｄ ｔ ｓｉ ｅ ｔ ｅ ｓ ｂ ｐ ｃ ａ ｋ ｉ ｌ ｔ ｓ ｓ ｏ ｉ ｈ ｇ ｍａ ｏ ｔ ａ ｈ ｕ ｓ ａ ｅ ｒ ｎ ａ ｅ ｅ ｔ ｔｄ ａ ｃ ｒ ｔｌ ｙ ｔ ｅ ｐ ｏ ｏ ｅ ｔ ｏ ． Ｃ ｍｐ ｒ ｇ ｔｅ ｐ ｏ ｏ ｅ ｔ ｏ ｉ ｈ ｈ ｔ ｅ ｓ ｂ ｐ ｃ ａ ｋ ｃ ｎ ｂ ｓｉ ｅ ｃ ｕ ａｅｙ ｂ ｈ ｒ ｐ ｓ ｄ ｍｅ ｈ ｄ ｔ ｍａ ｏ ａｉ ｈ ｒ ｐ ｓ ｄ ｍｅｈ ｄ ｗ ｔ ｔ ｅ ｎ ｈ ｔ ｄ ｔ ｎ ｌｍｅｈ ｄ ｏ ｅｔｎ ｈ ｈ ｅ ｈ ｌ ｆ ＭＳ ｒ ｉ ｏ ａ ｔ ｏ ｆ ｓ ｔ ｇ ｔ ｅ ｔ ｒ ｓ ｏ ｄ ｏ Ｅ，ｔ ｅ ｓ ｂ ｐ ｃ ａ ｋ ｅ ｔ ｔｄ ｉ ｍｏ ｅ ａ ｃ ｒ ｔ ｎ ｒ ｄ ｂｅ，ａ ｄ ｉ ａ ｉ ｉ ｈ ｕ ｓ ａ ｅ ｒ ｎ ｓｉ ｅ ｓ ｍａ ｒ ｃ ｕ ａｅ ａ ｄ ｃ ｅ ｉ ｌ ｎ ｔ
本文 研究 Ｇ Ｓ导航 信 号抗 干 扰 问题 ， Ｐ 地球 表 面 接 收 的 Ｇ Ｓ信 号功 率非 常 微小 ， Ｐ 比接 收机 热 噪声 约
低 ２ ｄ 。如 果接 收信 号 中含有 人 为 干扰 ， １Ｂ 不进 行 干 扰 抑制 则信 号很 难 接收 。运 用 自适 应 天线 阵在 干扰
摘
要 ：采用阵列天线对 Ｇ Ｓ接收信号 进行 干扰抑制 ， Ｐ 在信 号处理 时 引入时延 ， 成空 时二维处 理 的模 式。 形
空时二维 抗干扰 由于运算量大而导致在实 际实现 困难 ， 必须进行 降维处 理 。多级维 纳滤波 （ ＭＷＦ 方法 可以有效 ） 降低 滤波器的维数 ， 但是经典 的 Ｍ ＷＦ方 法存 在子空间维数估计 不准 的问题 。本 文对于多 级维纳 滤波方法进 行 了 分析 ， 利用 ＭＷＦ的分析滤波器将接 收信号矢 量映射为另一信号矢量 。通过对该信号矢 量的协方 差矩阵进行分 析 ， 找到一种判 断子空间维数的稳健方法 。仿真表 明该方法 能够准确地 估计 出噪声子 空间维数 。与传统 的设 定 ＭＳ Ｅ 门限的方法相 比较 ， 得出用本方法估计子空 间维数更 为准 确可靠 ， 抗干扰性能更优 的结论 。 关键 词 ：Ｇ Ｓ Ｐ ；多级 维纳滤波 ；秩选 ；ＭＤ Ｌ；二分法 中图分类 号 ：Ｔ ９ １７ Ｎ １ ．２ 文献标识码 ：Ａ 文章编号 ：１０ —３ ８ ２ １ ）５０ ６ －８ ００ １２ （０２ ０ －６ １ ０
ｅｈｂ ｓ ｕ ｅ ｏ ａｔｊｍ ｐｒ ｒ ａｃ． ｘｉｉ ｐｒ ｒ ｎｉａ ｅ ｏ ｎ ｅ ｔｓ ｉ － ｆｍ Ｋｅ ｒ ｓ Ｐ ； ｌｓ ｇ ｉ ｅ ｌ ｒ（ ＷＦ ； ａｋｄｔ ｉ ｔ ｎ ＭＤ Ｂｓｃｏ ｅ ｏ ｙｗｏｄ ：Ｇ Ｓ Ｍｕｔｔ ｅｗｅ ｒ ｉｅ Ｍ ｉａ ｎ ｆｔ ） Ｒ ｅ ｒ ｎ ｉ ； Ｌ； ｉ ｔｎｍ ｔ ｄ ｎ ｅ ｍ ａｏ ｅｉ ｈ
换后 的信 号进行 维纳 滤波 ， 求得权 向量维 纳解 Ｗ ＝ ， ， ｏ ） ． Ｘ （ 经过 ｗ滤 波得 到与 ｄ （ ） 。 凡 相准 则 是 线 性 约 束 最 小 Ｐ 方差 （ Ｃ Ｌ ＭＶ） 则 及 其 特 例 最 小 方 差 无 失 真 响 应 准 （ Ｄ ） ＭＶ Ｒ 准则 ， 采用 空时联 合抗 干 扰方 式 ， Ｖ Ｒ权 Ｍ Ｄ
第３ ３卷 第 ５期 ２１ ０ ２年 ５月
宇 航
学
报
Ｖｏ． Ｎ０ ５ １３３
．
Ｊ ｕ ｎ ｌｏ ｔｏ ａ ｔ ｓ ｏ ｒ ａ ｆＡｓｒ ｎ ｕ ｉ ｃ
Ｍａ ｙ
２０１ ２
基 于 噪 声 子 空 间估 计 的 ＭＷＦ实 现
周 柱 ，张 尔扬 ，卢树军
（ 防科 技 大学 电子 科 学 与 工 程 学 院 ，长 沙 ４ ０７ ） 国 １０ ３
０ 引 言
更大 的 自由度 ， 时二 维 的 处理 方 式 具 有在 空 时二 空 维域剔 除 干扰 的能 力 。 阵元 数 为 ，时 间延 迟 数 设 为 Ⅳ， 接 收数据 为 ＭＮ ×１ 向量 ， 协方 差矩 则 维 其 阵Ｒ ＝Ｅ｛ Ｘ ｝ 为 ＭＮ ×ＭＮ维矩 阵 ， Ｘ “， 其最 优处 理 的运算 量 约为 ０（ ＭＮ） ，随着 空时处 理维 数 的增 （ ）
Ａ ｂｓｒ ｃ ： ｅ ｉ ｔｒｅｅ ｃｅ ｓ ｐｐ ｅ ｓｏ ｆＧＰＳ ｒ ｃ ｉｅ ｉｎ ｌｉ ｅ ｌｚ ｄ ｂ ｔｌｚｎ ｒａ ｎ ｅ ｎ ｎ ｔ ｓｐａ ｅ ，ａ ｄ ｔ ａ ｔ Ｔｈ ｎｅ ｒ ｎ ｕ ｒ ｓ ｉｎ ｏ ｆ ｅ ｅｖ ｄ ｓｇ ａ ｓｒ ａ ｉｅ ｙ ｕ ｉ ｉ ｇ ａｒ ｙ ａ ｔ ｎ ａ ｉ ｈｉ ｐ ｒ ｎ ｉ
矢 量为下 式 的解 。
ｗｏ ＝ ａｇ ｉ ｒ ｎ Ｒ Ｗ Ｓｔ ＝ １ （ ） ａ ｒ ｘ ．．Ｗ＿ Ｓ １
扰分 量 ， 上下 支路 对消 的结果 即为 Ｇ Ｓ有用 信 号分 Ｐ
量 。通 过变换 ， 阵列 信 号抗 干 扰 问 题转 化 为 维 纳 滤
波 问题 。
在 图 １的 基础 上 持 续 对 每级 的下 支 路 进 行 分 解 ， 可 以得到 Ｇ ｌｓ ｉ 出 的经典 多 级 维 纳滤 波 就 ｏ ｔ ｎ提 ｄｅ
ｔ ｍｅ ｉｎａ ｒ ｃ ｓ ｉ ｎ ｉ ｔｒｅｅ ｅ ｓ ｐｐ ｅ ｓｏ ｗｏ ｄｉ ｎｓｏ ｌｐ ｏ ｅ ｓｎｇ ｏ ｎｅ ｆ ｒｎｃ ｕ ｒ ｓ ｉｎ，ｔ ｅ ｌ ｒｅ ａ ｕ ｆｏ ｅ ａ ｉｎ ｉ ｆ ｃ ｌｙ，Ｓ ｔｉ ｅ ｅ ｓ ｒ ｏ ｈ ａ ｇ ｍｏ ｎｔｏ ｐ ｒ ｔｏ ｓ ａ ｄｉ ｕ ｔ ｉ Ｏ ｉ ｓ ｎ ｃ ｓ ａｙ ｔ
来实 现 ， 广义旁 瓣对 消器结 构如 图 １所示 。
秩维 纳滤 波器 。ＭＷＦ把 接 收 信 号 矢量 投 影 到低 维
的子 空 间之 中 ， 维 维数 根 据 各 级迭 代 后 均 方误 差 降
（ Ｓ 的收 敛 情 况 确 定 。然 而 这 种 方 法 难 以在 不 Ｍ Ｅ）
同干扰 场景 下 找 到准 确 的子 空 间 维数 。Ｍ ＷＦ方法 将接 收数 据矢量 映 射 为另 一 维 数 相 同 的矢 量 ， 过 通 求解 该矢 量 的协 方 差 ， 对 协方 差 矩 阵 进行 分 析 获 并 得最 优 的降维 维数 ， 其稳健 性 比一般 方法好 。
加 ， 算量 成立方 倍增 长 ， 运 大运算 量对 计算 资源 消耗 以及计 算 时长都 是不 可接 受 的 ，因此 降维 处 理是 实
际应用 的必 然选 择 。
方 向形成零 陷是一种稳定可靠的方法 ， 自由度有 但 限 。 时二 维抗 干扰 相 对 于单 纯 阵 列抗 干扰 而 言 有 空
ｔ ｅａ ｓｉ ｔ ｄ ｃ ｄ ｆ ｒｓｇ ａ ｒ ｃ ｓ ｉｇ，ｔ ｕ ｏｍｉ ｇ ａ ｓ ａｉｌｔ ｗ ｉ ｎ ｉｎ ｐ ｏ ｅ ｓ ｇ ｍｏ ｅ ｏ ｒ ａｉｅ ｔ ｅ ｉ ｄ ｌｙ ｉ ｎｒ ｕ ｅ ｏ ｉｎ ｌｐ ｏ ｅ ｓｎ ｍｅ ｏ ｈ ｓｆ ｒ ｎ ｐ ｔ — ｍｅ ｔ ｏ ｄ ｍｅ ｓｏ ｒ ｃ ｓ ｉ ｄ ．Ｔ ｅ ｌ ｈ ａ ｉ ｎ ｚ
Ｚ Ｕ Ｚ ｕ Ｚ Ａ Ｇ Ｅ —ａ ｇ Ｌ ｈ — ｎ ＨＯ ｈ ， Ｈ Ｎ ｒｙｎ ， Ｕ Ｓ ｕｊ ｕ
（ ｏ ｅｅｏ Ｅｅｔ ｎｃＳｉｎｅａｄＥ ｇ ｅｒ ｇ ａｉ ａ Ｕ ｉｅｓｙｏ ｅ ｎｅＴ ｃｎ ｌ ｙ ｈ ｎｓａ １０ ３ ｈｎ ） Ｃ ｌ ｇ ｆ ｌ ｒ ｉ ｃ ｃ ｎ ｎｉ ｅｉ ，Ｎ ｔ ｎｌ ｎｖｒｉ ｆＤ ｆ ｓ ｅｈｏｏ ，Ｃ ａ ｇｈ ０ ７ ，Ｃ ｉａ ｌ ｃｏ ｅ ｎ ｎ ｏ ｔ ｅ ｇ ４
式 中 为接 收信 号 的协方 差矩 阵 ， 为信 号 的空 时 方 向矢 量 ， １ 式 表 示 在期 望 信 号 空 时方 向矢 量 增 （） 益 约束 为 １的条件 下 求解使 输 出信号功 率最 小 的权
值 。根据文 献 ［ ］ ２ ，该 有 约 束 的最 优 化 问题 可 用 广 义旁 瓣对 消器 （ Ｓ Ｇ ｎｒｌ ｅ ｉｅ ｂ ａｃｌ ｒ Ｇ Ｃ： ｅ ｅａ ｚｄＳ ｌ ｅ ｎ ｅ ｅ） ｉ ｄｏ Ｃ ｌ
１ 多级 维 纳滤波 的基本 方 法
图 １ 广 义 旁 瓣 对 消 器 结 构 图
Ｆｉ ． Ｇｅ ｒ ｌｚ ｄ ｓｄ ｌｂ ａ ｅ ｌｒ ｇ１ ｎｅａ ｉｅ ｉ ｅｏ ｅ ｃ ｎｃ ｌｅ
设 期 望 信 号 为 ｄ（ ）ｄ （ ）中包 含 Ｇ Ｓ有用 。 ｎ ，。ｎ Ｐ 信 号 和干扰信 号 ， 阻塞矩 阵 Ｂ 。＝ｎｌ（ ）下 支路通 ｕｌＳ ， 过Ｂ 阻塞掉 期望信 号 ， Ｘ （ ）仅包 含干 扰 。 变 则 。ｎ 对