相干信号空间谱估计测向Matlab仿真研究

合集下载

基于MATLAB的双向空间平滑解相干的MUSIC算法的研究

基于MATLAB的双向空间平滑解相干的MUSIC算法的研究

基于MATLAB的双向空间平滑解相干的MUSIC算法的研究石晶晶1 王飞1 李政1朱剑1,21.南京邮电大学通信与信息工程学院,南京,2100032.南京邮电大学电磁场与无线通信技术教育部重点实验室,南京,210003摘要M U s IC(M ul t i pl e Sig na l Classification多信号分类)算法是19"/9年由美国人R.O.Sdmaidt 提出的,经典的MUSIC算法是一种重要的高分辨率测向算法。

但是在实际应用过程中往往存在着相干的信号源。

这使得M U S I C算法的分辨率能力急剧下降。

文章提出的双向空间平滑解相干的Mu§lC算法可以解决经典的MUSIC算法不能解相干的问题,而且阵列孔径没有损失。

本文着重分析了双向空间平滑解相干M U S I C算法的性能,然后对不同条件下的双向空间平滑解相干的M U-SIC算法进行了Matlab的仿真和分析。

关键词双向空间平滑。

MUSIC算法,MAaZAB1 引言自从Sehmidt提出MUSIC算法以来,空间谱估计技术就一直受到人们的普遍关注。

一方面是在不断探索获得高的角分辨率;另一方面也在探索对于传统的MUSIC算法的改进。

传统的算法在信号互不相干的窄带信号的条件下,具有较高的计算效率实现信号的DOA(Direction Of Arrival)渐进无偏估计。

但是在实际的应用过程中,往往存在着相干的信号源,这时传统MUSIC算法的性能就会急剧下降。

本文提出的双向空间平滑解相干的MUSIC算法能很好的解决传统MUSIC算法不能解相干的问题,而且阵列孔径没有损耗,可以估计更多的相干信号。

空间谱估计侧重于研究空间多传感器阵列所构成的处理系统对空间信号的多种参数进行相对准确的估计,其主要估计的是信号的空域参数或信源位置,即各个信号到达阵列元的方向角,也即波达方向(DOA)。

波达方向(DOA)是指无线电波到达天线阵列的方向,如图1所示。

MATLAB仿真实现经典谱估计(采用周期图法)

MATLAB仿真实现经典谱估计(采用周期图法)
axis([0 0.3 -2 2]);
grid on;
window = boxcar( length( xn) ) ;%矩形窗
nfft = 512;
[Pxx f]= periodogram( xn,window,nfft,Fs) ;%直接法
subplot(312)
plot( f,10* log10( Pxx) ) ;
plot( f,10*log10( Pxx) ) ;
title('直接法经典谱估计,1024点');
xlabel('频率(Hz)');
ylabel('功率谱密度');
grid on;
六、实验总结
从上图我们可以得到这样的结论:在增加数据长度N时,就会使互不相关的点数增加,提高谱曲线的分辨力,但是加剧谱曲线 的起伏。经典功率谱估计不是一致估计,这是周期图法(直接法)的一个严重的缺点。
数字信号处理课程实验报告
实验指导教师:黄启宏
实验名称
MATLAB仿真实现经典谱估计(采用周期图法)
专业、班级
电子与通信工程
姓名
张帅
实验地点
仿古楼301
实验日期
2013.11.17
一、实验内容
采用周期图法(直接法)实现经典谱估计。
二、实验目的
(1)掌握周期图法(直接法)估计出功率谱的步骤和方法;
(2)在实验的过程中找到影响经典谱估计的因素;
%采用直接法(周期图法)估计功率谱;
clear
Fs = 1000;%采样频率
n = 0:1 /Fs: .3;%产生含有噪声的序列
xn = cos(200*pibplot(311);%输出随机信号xn;

matlab 实验四 信号的谱分析

matlab 实验四 信号的谱分析

实验四 信号的谱分析一、实验目的:1、 掌握DTFT 原理及其程序实现,学习用DTFT 对信号进行谱分析。

2、 掌握DFT 原理及其程序实现,学习用DFT 对信号进行谱分析。

3、 熟悉FFT 算法原理和掌握fft 子程序的应用。

4、 掌握DFT 的性质。

二、实验内容:1、 对于序列x(n)=[3,1,7,2,4],在-π ~ π内取64个频点,利用矩阵操作求其DTFT ,画出它的幅频特性和相频特性。

并把x(n)的位置零点右移一位,再求DTFT ,画出其幅频特性和相频特性,讨论移位对于DTFT 的影响。

2、 利用矩阵操作求1题中序列的DFT ,并画图。

3、 利用Matlab 自带的fft 函数求1题中序列的DFT ,并与1题中求出的DTFT 相比较。

4、 已知序列x(n)=[2,3,4,5]位于主值区间,求其循环左移一位的结果,画出循环移位的中间过程。

提示:左右各拓展一个周期,nx=[-4:7];采用stem 函数画图。

5、 已知序列x(n)=[1,2,3,4,5,6]位于主值区间,循环长度为8,确定并画出循环折叠y(n)=x((-n)8);如果循环长度为6,确定并画出循环折叠y(n)=x((-n)6)。

6、 已知序列x(n)=[2,1,5,3]位于主值区间,h(n)=nR 4(n),计算循环卷积1()()()c y n h n x n =⑥,2()()()c y n h n x n =⑩和线性卷积()()*()y n h n x n =,画出1()c y n 、2()c y n 和()y n 的波形图,观察循环卷积和线性卷积的关系。

三、实验报告要求:1.实验原理:序列x (n)的频谱定义为:nj n en x n x F j X ωω-∞-∞=∑==)())(()( πωπ≤≤-;也称为它的离散时间傅立叶变换。

可以认为,序列中的每一个样本x(n)对频谱产生的贡献为n j e n x ω-)( ,把整个序列中所有样本的频谱分量按向量(即复数)叠加起来,就得到序列的频谱X(j ω)。

MATLAB处理信号得到频谱、相谱、功率谱全解

MATLAB处理信号得到频谱、相谱、功率谱全解

第一:频谱一.调用方法X=FFT(x);X=FFT(x,N);x=IFFT(X);x=IFFT(X,N)用MATLAB进行谱分析时注意:(1)函数FFT返回值的数据结构具有对称性。

例:N=8;n=0:N-1;xn=[4 3 2 6 7 8 9 0];Xk=fft(xn)→Xk =39.0000 -10.7782 + 6.2929i 0 - 5.0000i 4.7782 -7.7071i 5.0000 4.7782 + 7.7071i 0 + 5.0000i -10.7782 - 6.2929iXk与xn的维数相同,共有8个元素。

Xk的第一个数对应于直流分量,即频率值为0。

(2)做FFT分析时,幅值大小与FFT选择的点数有关,但不影响分析结果。

在IFFT时已经做了处理。

要得到真实的振幅值的大小,只要将得到的变换后结果乘以2除以N即可。

二.FFT应用举例例1:x=0.5*sin(2*pi*15*t)+2*sin(2*pi*40*t)。

采样频率fs=100Hz,分别绘制N=128、1024点幅频图。

clf;fs=100;N=128; %采样频率和数据点数n=0:N-1;t=n/fs; %时间序列x=0.5*sin(2*pi*15*t)+2*sin(2*pi*40*t); %信号y=fft(x,N); %对信号进行快速Fourier变换mag=abs(y); %求得Fourier变换后的振幅f=n*fs/N; %频率序列subplot(2,2,1),plot(f,mag); %绘出随频率变化的振幅xlabel('频率/Hz');ylabel('振幅');title('N=128');grid on;subplot(2,2,2),plot(f(1:N/2),mag(1:N/2)); %绘出Nyquist频率之前随频率变化的振幅xlabel('频率/Hz');ylabel('振幅');title('N=128');grid on;%对信号采样数据为1024点的处理fs=100;N=1024;n=0:N-1;t=n/fs;x=0.5*sin(2*pi*15*t)+2*sin(2*pi*40*t); %信号y=fft(x,N); %对信号进行快速Fourier变换mag=abs(y); %求取Fourier变换的振幅f=n*fs/N;subplot(2,2,3),plot(f,mag); %绘出随频率变化的振幅xlabel('频率/Hz');ylabel('振幅');title('N=1024');grid on;subplot(2,2,4)plot(f(1:N/2),mag(1:N/2)); %绘出Nyquist频率之前随频率变化的振幅xlabel('频率/Hz');ylabel('振幅');title('N=1024');grid on;运行结果:fs=100Hz,Nyquist频率为fs/2=50Hz。

基于MATLAB 的M-QAM调制及相干解调的设计与仿真通信原理课程设计

基于MATLAB 的M-QAM调制及相干解调的设计与仿真通信原理课程设计

通信原理课程设计报告题目:基于MATLAB 的M-QAM调制及相干解调的设计与仿真班级:通信工程1411姓名:杨仕浩(2014111347)解博文(2014111321)介子豪(2014111322)指导老师:罗倩倩成绩:日期:2016 年12 月21 日基于MATLAB的M-QAM调制及相干解调的设计与仿真摘要:正交幅度调制技术(QAM)是一种功率和带宽相对高效的信道调制技术,因此在自适应信道调制技术中得到了较多应用。

本次课程设计主要运用MATLAB软件对M =16 进制正交幅度调制系统进行了仿真,从理论上验证16进制正交幅度调制系统工作原理,为实际应用和科学合理地设计正交幅度调制系统,提供了便捷、高效、直观的重要方法。

实验及仿真的结果证明,多进制正交幅度调制解调易于实现,且性能良好,是未来通信技术的主要研究方向之一,并有广阔的应用前景。

关键词:正交幅度调制系统;MATLAB;仿真目录1引言 (1)1.1课程设计的目的 (1)1.2课程设计的基本任务和要求 (1)1.3仿真平台Matlab (1)2 QAM系统的介绍 (2)2.1正交幅度调制技术 (2)2.2QAM调制解调原理 (5)2.3QAM的误码率性能 (7)3 多进制正交幅度(M-QAM)调制及相干解调原理框图 (9)4 基于MATLAB的多进制正交幅度(M-QAM)调制及相干解调设计与仿真 (10)4.1系统设计 (10)4.2随机信号的生成 (10)4.3星座图映射 (11)4.4波形成形(平方根升余弦滤波器) (13)4.5调制 (14)4.6加入高斯白噪声之后解调 (15)5 仿真结果及分析 (20)6 总结与体会 (23)6.1总结 (23)6.2心得体会 (24)【参考文献】 (25)附录 (26)1引言本次课程设计主要运用MATLAB软件进行程序编写。

实现模拟基带信号经QAM调制与相干解调的传输过程,通过分析比较调制解调输出波形以及功率谱特征,理解QAM调制解调原理。

matlab相干信号对比算法

matlab相干信号对比算法

matlab相干信号对比算法
MATLAB中,可通过以下步骤实现相干信号的对比算法:
1.准备比较的相干信号数据,其中包含两个信号x和y。

2.对信号进行FFT变换,得到频率谱。

3. 对频率谱进行取幅值操作,得到两个信号的幅值谱ax和ay。

4. 计算幅值谱之间的相关系数r,可以使用MATLAB中的corrcoef
函数或自行编写相关系数计算函数。

5.根据计算得到的相关系数r,判断两个信号是否高度相关或不相关。

可以根据需求设置一个相关系数阈值。

如果r大于设定的阈值,则认为两
个信号高度相关,否则认为不相关。

6.可以在图形界面中将两个信号的波形和频谱在同一图中展示出来,
方便比较和分析。

m-qam通信系统及matlab的仿真

m-qam通信系统及matlab的仿真
Modem通过正交调幅 (QAM)的方式调制解调信号, 通过有线电视同轴 电缆上和下载信息. 这类技巧事实上是 从有线电视同 轴电缆的模拟信号带宽中分别出6MHz做为载频创立 下行通道. 依照接收的调制方式的差不以差不的速率 传输信息. Cable Modem同样接收的是 64-QAM和 256-QAM两种调制方式, 其特点似 表.
四. M-QAM的matlab仿真
仿真程序似下: fs = 128e3 ; fc = 20e3; M=16; type_of_mod="qam"; Down_samp = 2; test_data = "my_speech.wav"; siz = wavread(test_data, "size"); [data, fcar] = wavread(test_data);
由此可以发现这类任务模式事实上质定是 操 纵现有的有线*络带宽来传送互联*络信息. 在 这类模式下任务时, Cable Modem终端系统 (CMTS)在整个系统中起到非常关键的作用,
它不光是 Cable Modem的操纵中间, 同时且 它仍是 有线电视*络与互联*络的接口部分. 用 户通过CMTS与互连*络交流信息.
这类任务方式所带来的好处是 显而易见的, 有线电视用户不必铺设新的信息通道, 操纵 现有的有线电视路线, 即可以与互连*络交互 信息.
式中Ts为码元宽度, m=1, 2, …, M, M为Am和Bm的电平数.
QAM中的振幅Am和Bm, 可以示意成: Am=dmA, Bm=emA
式中, A是 固定的振幅, (dm, em)决意 已调QAM信号在信号空间中的坐标点
二. QAM的调制和相干解调
■ QAM的调制和相干解调似图一. 在调制端, 输入信息经过串同时变幻后分为两路, 分 不经过2电平到L电平的变幻, 造成Am和 Bm , 之后Am和Bm经过调制低通滤波器, 与 彼此正交的各路载波相乘. 末了将两个信号 相加就能得到已调输出信号y(t).

信号谱分析matlab实验

信号谱分析matlab实验

clear all ;close all ;clc;cd F:\MATLAB\spectralanalysis ;%file path of experiment_data.mat; load experiment_data ;figure;plot(data);N1=64;%data length;N2=256;data64=[data(65:65+N1-1) data(129:129+N1-1) data(193:193+N1-1)];%the three statistical samples of data using starting points of 64,128,and 192 for N=64;data256=[data(257:257+N2-1) data(513:513+N2-1)data(769:769+N2-1)];%the three statistical samples of data using starting points of 256,512,and 768 for N=256;Ts=1;%sampling interval is 1s;%1.Periodogram Methods%9-6aK=8;figure(1);for time1=1:3plot(linspace(0,1/Ts,K*N1),10*log10(abs(fft(data64(:,time1),K*N1)).^2/length(data64(:,time1))));hold on ;endhold off ;xlabel('frequency');ylabel('spectral density estimate(dB)');xlim([0 (1/Ts/2)]);ylim([-20 20]);title('9-6a periodogram,N=64,rect window,no smooth');%9-6(b)我们对这个模型采样,获得1024个采样点,结合极限谱密度的图,我们可以知道我们的数据中包含三个sine 波形以及附加的高斯有色噪声(colored Gaussian noise )wn1=2*hanning(N1);figure(2);for time1=1:3datatapering64(:,time1)=data64(:,time1).*wn1;plot(linspace(0,1/Ts,K*N1),10*log10(abs(fft(datatapering64(:,time1),K *N1)).^2/length(datatapering64(:,time1))));hold on;endhold off;xlabel('frequency');ylabel('spectral density estimate(dB)');xlim([0 (1/Ts/2)]);ylim([-20 20]);title('9-6b periodogram,N=64,hanning window,no smooth');%--------------------------------------------------------------------%9-6cfigure(3);for time1=1:3Sf=(abs(fft(data64(:,time1),K*N1)).^2/length(data64(:,time1)));for n=1:(length(Sf)-16)Sfmat(n,:)=Sf(n:n+15,:);endSfsmooth=Sfmat*ones(16,1)./16;plot(linspace(0,1/Ts,n),10*log10(Sfsmooth));hold on;endhold off;xlabel('frequency');ylabel('spectral density estimate(dB)');xlim([0 (1/Ts/2)]);ylim([-20 20]);title('9-6c periodogram,N=64,rect window,smooth M=2');%9-6dwn1=2*hanning(N1);figure(4);for time1=1:3datatapering64(:,time1)=data64(:,time1).*wn1;Sf=(abs(fft(datatapering64(:,time1),K*N1)).^2/length(datatapering64(: ,time1)));for n=1:(length(Sf)-16)Sfmat(n,:)=Sf(n:n+15,:);endSfsmooth=Sfmat*ones(16,1)./16;plot(linspace(0,1/Ts,n),10*log10(Sfsmooth));hold on;endhold off;xlabel('frequency');ylabel('spectral density estimate(dB)');xlim([0 (1/Ts/2)]);ylim([-20 20]);title('9-6d periodogram,N=64,hanning window,smooth M=2');从图9-6a中的周期图中可以看出,频谱假峰很多,可靠性差、分辨力低,难以从中得到正确的频谱信息。

(完整版)功率谱估计性能分析及Matlab仿真

(完整版)功率谱估计性能分析及Matlab仿真

功率谱估计性能分析及Matlab 仿真1 引言随机信号在时域上是无限长的,在测量样本上也是无穷多的,因此随机信号的能量是无限的,应该用功率信号来描述。

然而,功率信号不满足傅里叶变换的狄里克雷绝对可积的条件,因此严格意义上随机信号的傅里叶变换是不存在的。

因此,要实现随机信号的频域分析,不能简单从频谱的概念出发进行研究,而是功率谱[1]。

信号的功率谱密度描述随机信号的功率在频域随频率的分布。

利用给定的N 个样本数据估计一个平稳随机信号的功率谱密度叫做谱估计。

谱估计方法分为两大类:经典谱估计和现代谱估计。

经典功率谱估计如周期图法、自相关法等,其主要缺陷是描述功率谱波动的数字特征方差性能较差,频率分辨率低。

方差性能差的原因是无法获得按功率谱密度定义中求均值和求极限的运算[2]。

分辨率低的原因是在周期图法中,假定延迟窗以外的自相关函数全为0。

这是不符合实际情况的,因而产生了较差的频率分辨率。

而现代谱估计的目标都是旨在改善谱估计的分辨率,如自相关法和Burg 法等。

2 经典功率谱估计经典功率谱估计是截取较长的数据链中的一段作为工作区,而工作区之外的数据假设为0,这样就相当将数据加一窗函数,根据截取的N 个样本数据估计出其功率谱[1]。

2.1 周期图法( Periodogram )Schuster 首先提出周期图法。

周期图法是根据各态历经的随机过程功率谱的定义进行的谱估计。

取平稳随机信号()x n 的有限个观察值(0),(1),...,(1)x x x n -,求出其傅里叶变换10()()N j j n N n X e x n e ωω---==∑然后进行谱估计21()()j N S X e Nωω-= 周期图法应用比较广泛,主要是由于它与序列的频谱有直接的对应关系,并且可以采用FFT 快速算法来计算。

但是,这种方法需要对无限长的平稳随机序列进行截断,相当于对其加矩形窗,使之成为有限长数据。

同时,这也意味着对自相关函数加三角窗,使功率谱与窗函数卷积,从而产生频谱泄露,容易使弱信号的主瓣被强信号的旁瓣所淹没,造成频谱的模糊和失真,使得谱分辨率较低[1]。

基于MATLAB的信号谱估计方法的研究与仿真

基于MATLAB的信号谱估计方法的研究与仿真

基于MATLAB的信号谱估计方法的研究与仿真作者:黄军友来源:《硅谷》2008年第19期[摘要]从当今通信技术发展趋势出发,通过应用MATLAB仿真软件,对影响信号谱估计的四个参数作了定性研究,并比较它们之间的异同。

[关键词]信号谱估计仿真MATLAB中图分类号:TN91 文献标识码:A 文章编号:1671-7597(2008)1010061-02一、引言近代谱估计方法已广泛应用于各个领域,如气象预报、市场预测、语声处理、图像加工、地震信号分析、地质勘探、信号识别和系统辨识等方面。

估计随机序列的功率谱是数字信号处理技术的一个重要方面,目前通用的功率谱估计方法在很大程度上还要依靠经验知识,需要在各种不同的方法间做出权衡。

本文针对各种谱估计方法用MATLAB进行仿真,并比较其性能。

二、信号谱估计Matlab编程思路图7 h=0.5 M=2 L=1的raised cosine信号用不同的谱估计函数估计结果图6(a)为π/4QPSK信号在滚降系数=0.5,码元速率RS分别取20KBd,40KBd,80KBd时候的自相关法频谱估计图,可以看出,在其他系数固定的情况下,波形形状基本不变,但其频谱宽度随着RS的增大而增大。

图6(b)为滚降系数=0.5,M分别为2,4,8的MPSK信号,显然对于RS固定的信号,其频谱图基本保持不变;而当信息速率即RS*M相同时候,从2PSK,4PSK和8PSK信号的频谱图可以看出,M越大,功率谱主瓣越窄,从而频带利用率越高。

图6(c)为高斯滤波器的滚降系数分别为0.1,0.5,2的时候频谱比较,由带宽B=(1+)/2T的式子和上图的比较,显然符合滚降系数越大,带宽越大的理论。

五、各种谱估计函数的分析比较(见图7)分析说明:a是对基带信号进行fft;b是对载波调制信号进行256点的fft;c是对载波调制信号进行1024点的fft;对比b、c可以看出:当信号的长度增加时,估计图的起伏加剧。

基于MATLAB的信号谱估计方法的研究与仿真

基于MATLAB的信号谱估计方法的研究与仿真

蘩然≈脚V A L L E工基于M A TL A B的信号谱估计方法的研究与仿真[摘要]从当今通信技术发展趋势出发[关键词]信号谱估计仿真M A T LA B 中图分类号:T N91文献标识码:A黄军友(四川信息职业技术学院四JI f广元628017)通过应用M A T L A B仿真软件,对影响信号谱估计的四个参数作了定性研究,并比较它们之间的异同。

文章编号:1671--7597(2008)1010061--02一、引言近代谱估计方法已广泛应用于各个领域,如气象预报、市场预测、语声处理、图像加工、地震信号分析、地质勘探、信号识别和系统辨识等方面。

估计随机序列的功率谱是数字信号处理技术的一个重要方面,目前通用的功率谱估计方法在很大程度上还要依靠经验知识,需要在各种不同的方法问做出权衡。

本文针对各种谱估计方法用M A T LA B进行仿真,并比较其性能。

=、信号膏估计M a t l ab编程思路图1(a)C PM信号谱估计编程思路图l(b)P SK信号谱估计编程思路图1C PM与PSK信号谱估计编程思路图三、参数对C PM信号频膏的影响调制指数h,码元进制数M,脉冲形状g(t),脉冲持续时间LT分别对信号功率谱将产生什么样的影响,下面将通过仿真结果,给出定性结论。

图2调制指h对信号功率谱影响仿真慢。

快。

从图2可以看出:调制指数h越大,主瓣越宽,旁瓣衰减的越慢。

,剁熟冁秽’r’K.。

埘J部j甄。

茂£您l|蚴"!’谍穆爨联攀、r o群0;…+∞d e:22i=4”u;…:獬1e二+{I_s图3码元进制数M对信号功率谱影响仿真从图3可以看出:码元进制数M越大,信号的主瓣越宽,旁瓣的衰减越图4h=0.25,M=4,脉冲持续时间为T的不同脉冲形状的信号功率密度谱从图4可以看出:升余弦脉冲较矩形脉冲,主瓣更窄,旁瓣衰减更r’…v一’x0f…、添≥#≮瓣鞴臻≤箍。

…。

m目№。

一s№$∞§#图5脉冲持续时间对信号功率谱影响仿真回娃鬟妻Ⅵ渊裂黼::从图5可以看出:脉冲持续时问越长,主瓣越窄,旁瓣衰减越快。

运用Matlab虚拟信号频谱分析

运用Matlab虚拟信号频谱分析

运用Matlab虚拟信号频谱分析摘要:频谱分析被被广泛运用于各大领域,如物理.电子学 .建筑学等等,它是对各种震动进行特性分析的重要手段。

而频谱分析使用Matlab进行的,在Matlab 中运用函数FFT(快速傅立叶变换)和DFT(离散傅立叶变换)进行频谱分析。

所以我们要熟悉运用Matlab软件以及DFT和FFT进行频谱分析的方法,利用这个方法我们可以减少繁琐的测量工作,减少错误。

最后通过实例得到虚拟结果。

关键词:Matlab.FFT.DFT.频谱分析。

0.引言在信号处理过程中,频域分析方法往往逼时域分析方法更加方便和有效,对于确知连续时间信号,其品与分析可以通过连续时间傅立叶变换进行,但是,这样计算出来的结果仍然是连续函数,计算机不能直接加以处理,为了实现数值计算,还仍需对其进行离散化处理,即采用DFT(离散傅立叶)进行分析。

DFT的快速算法的出现,使DFT 在数字通信.图像处理.功率估计.系统分析与仿真.雷达信号处理等各个领域得到广泛应用.1.频谱分析的认识利用傅里叶变换的方法对振动的信号进行分解,并按频率顺序展开,使其成为频率的函数,进而在频率域中对信号进行研究和处理的一种过程,称为频谱分析,一般理论上是利用傅里叶分析的方法,求出与时域描述相对应的频域描述,从中找出信号频谱的变化规律,以达到特征提取的实验目的。

但实际的待分析信号一般没有解析式,直接利用公式进行傅里叶分析非常困难。

DFT是一种时域和频域均离散化的傅里叶变换,适合数值计算且有快速算法,是分析信号的有力工具。

2序列的DFT变换DFT(离散傅里叶变换),是傅里叶变换在时域和频域上都呈离散的形式,将信号的时域采样变换为其DTFT的频域采样。

在形式上,变换两端(时域和频域上)的序列是有限长的,而实际上这两组序列都应当被认为是离散周期信号的主值序列。

即使对有限长的离散信号作DFT,也应当将其看作其周期延拓的变换。

在本次虚拟中用Matlab进行可直接得出结果。

相干信号DOA估计的研究

相干信号DOA估计的研究

大连海事大学毕业论文Array二○○八年六月相干信号DOA估计方法的研究与仿真专业班级:通信二班*名:***指导教师:**信息工程学院内容摘要相干信号的DOA估计是阵列信号处理中的一个研究热点,也是阵列信号处理中的一个重要研究课题,也是雷达、声纳、通信等领域基本任务之一。

为了解决相干信号的处理问题,各国学者提出了不少算法,这些算法大致可分为两类:一类以牺牲有效阵元数来换取信号的不相关性,即先对阵列信号进行去相干的预处理,而后应用普通的各种算法以获取精确的到达角,如空间平滑法,前后向预测投影矩阵法,数据矩阵分解法。

另一类是不损失阵列孔径而利用移动阵列的方法或采用频率平滑法处理相干信号。

本文重点是关于相干信号DOA估计算法的研究。

首先介绍了DOA估计问题的原理,对部分非相干信号DOA估计的经典算法进行了分析与比较。

之后重点研究了解决相干信号DOA估计的前向空间平滑算法和前后向空间平滑算法。

最后通过MATLAB仿真验证了以上算法的有效性。

关键词:相干信号DOA估计;阵列信号处理;空间平滑。

iAbstractThe DOA(Direction-of-Arrival) estimation of coherent signals is a research hotspot and important research subject of array signal processing, it is also one of the basic task of radar, sonar communication areas and so on. In order to solve the problem of the DOA estimation of coherent signals, researchers all over the world proposed a lot of algorithms, all the algorithms can be departed two types: he first type can decrease the relativity of coherent signals by sacrificing the number of arrays, that is preprocessing the coherent signals then estimate the precise DOA with the common algorithms such as the spatial smoothing, forward backward prediction projection and data matrix decomposition algorithm. The other type needn't decrease the aperture of the arrays, which shift the arrays or make use of frequency smoothing to decrease the relativity.This dissertation put the emphasis on researches of direction-of-arrival estimation algorithms. It first introduces the principles of DOA estimation, and makes analysis and comparison about the classical algorithms of the DOA estimation of incoherent signal. And then, it puts the emphasis on researching to resolve the front space smooth algorithm and front-rear space smooth algorithm of DOA estimation of coherent signals.At last, through MATLAB simulation prove the efficiency of the algorithm.Keywords: DOA estimation of coherent signals ; Signal Processing; space smoothii目录1绪论 (1)1.1课题研究背景及意义 (1)1.1.1 阵列信号处理 (1)1.1.2 高分辨波达方向估计 (1)1.1.3 相干信源DOA估计技术的国内外研究现状 (2)2阵列信号处理模型 (2)2.1 空间谱估计的系统结构 (2)2.2窄带信号源数学模型 (3)2.3相干信号源数学模型 (5)3 波达方向估计的算法研究 (6)3.1 DOA估计的传统法 (6)3.1.1 延迟-相加法 (6)3.1.2 Capon最小方差法 (7)3.2 DOA估计的子空间法 (8)3.2.1MUSIC算法 (8)4 相干信号的DOA估计 (12)iii4.1 基于解相干的MUSIC算法 (12)4.2 空间平滑算法 (12)4.2.1 前向空间平滑法 (12)4.2.2 前后向空间平滑法 (14)4.3 计算机仿真实验 (1)55 结论与展望 (17)参考文献致谢iv相干信号DOA估计的研究1绪论1.1课题研究的背景及意义1.1.1 阵列信号处理阵列信号处理理论应用十分广泛,涉及到雷达、声纳、通信、射电天文以及医疗诊断等多种领域,是信号处理领域中的一个重要部分。

功率谱估计及其MATLAB仿真

功率谱估计及其MATLAB仿真

功率谱估计及其MATLAB仿真一、本文概述功率谱估计是一种重要的信号处理技术,它能够从非平稳信号中提取有用的信息,揭示信号在不同频率上的能量分布特征。

在通信、雷达、生物医学工程、地震分析等领域,功率谱估计都发挥着至关重要的作用。

随着计算机技术的快速发展,功率谱估计的仿真研究也越来越受到重视。

本文将对功率谱估计的基本理论进行简要介绍,包括功率谱的概念、性质以及常见的功率谱估计方法。

随后,我们将重点探讨MATLAB 在功率谱估计仿真中的应用。

MATLAB作为一种功能强大的数值计算和仿真软件,为功率谱估计的研究提供了便捷的工具。

通过MATLAB,我们可以轻松地模拟出各种信号,进行功率谱估计,并可视化结果,从而更直观地理解功率谱估计的原理和方法。

本文旨在为读者提供一个关于功率谱估计及其MATLAB仿真的全面而深入的学习机会,帮助读者更好地掌握功率谱估计的基本原理和仿真技术,为后续的实际应用打下坚实的基础。

我们将通过理论分析和实例仿真相结合的方式,逐步引导读者深入了解功率谱估计的奥秘,探索MATLAB在信号处理领域的广泛应用。

二、功率谱估计的基本原理功率谱估计是一种在信号处理领域中广泛使用的技术,它旨在从时间序列中提取信号的频率特性。

其基本原理基于傅里叶变换,通过将时域信号转换为频域信号,可以揭示信号中不同频率分量的存在和强度。

功率谱估计主要依赖于两个基本概念:自相关函数和功率谱密度。

自相关函数描述了信号在不同时间点的相似程度,而功率谱密度则提供了信号在不同频率下的功率分布信息。

在实际应用中,由于信号往往受到噪声的干扰,直接计算功率谱可能会得到不准确的结果。

因此,功率谱估计通常使用窗函数或滤波器来减小噪声的影响。

窗函数法通过在时域内对信号进行分段,并对每段进行傅里叶变换,从而减小了噪声对功率谱估计的干扰。

而滤波器法则通过在频域内对信号进行滤波,去除噪声分量,得到更准确的功率谱。

MATLAB作为一种强大的数值计算和仿真软件,为功率谱估计提供了丰富的函数和工具。

相干积分 matlab

相干积分 matlab

相干积分matlab摘要:一、引言二、相干积分的概念与性质三、相干积分在信号处理中的应用四、MATLAB 中实现相干积分的函数五、总结正文:一、引言相干积分是信号处理中的一个重要概念,它在分析信号的频谱、估计信号的参数以及滤波等方面具有广泛的应用。

MATLAB 作为一款强大的数学软件,为相干积分的计算和应用提供了便利。

本文将介绍相干积分的相关知识,以及如何在MATLAB 中实现相干积分。

二、相干积分的概念与性质相干积分,又称相关积分,是信号处理中一种用于描述两个信号之间相似性的方法。

设信号x(t) 和h(t) 具有相同的采样频率,则它们的相干积分为:I(τ) = ∫ x(t)h*(t - τ) dt其中,τ为时间延迟,*表示复共轭。

相干积分的性质包括:线性性、可加性、对称性、以及与信号的互相关函数的关系等。

三、相干积分在信号处理中的应用1.信号的频谱分析:通过计算信号与它的内积,可以得到信号的频谱。

这是因为在频域中,信号与其内积等价。

2.信号的参数估计:相干积分可用于估计信号的参数,如幅度、相位和频率等。

例如,通过计算信号与一组正弦信号的内积,可以得到信号的幅度和相位。

3.滤波:相干积分可用于设计滤波器。

例如,可以通过计算信号与理想滤波器响应的内积,来设计最小均方误差滤波器。

四、MATLAB 中实现相干积分的函数MATLAB 提供了丰富的信号处理函数,可以方便地实现相干积分。

例如,可以使用`xcorr`函数计算信号的互相关函数,从而得到相干积分。

另外,可以使用`spectrogram`函数计算信号的频谱,从而间接得到相干积分。

五、总结相干积分是信号处理中的一个重要概念,它在分析信号的频谱、估计信号的参数以及滤波等方面具有广泛的应用。

MATLAB 为相干积分的计算和应用提供了便利。

空间谱估计测向

空间谱估计测向

1 j1 e j ( m 1)1 e
1 e j2 e j ( m 1)2
j p e j ( m 1) p e 1
10
二、空间谱估计测向的基本原理
1.数学模型
信号模型 xk (n) ak (i ) si (n) ek (n), k 1,..., m
5
一、空间谱估计技术的发展历程


20世纪80年代后期: 出现了一类子空间拟合类算法,其中比较有代表性的算法有最大似然 (ML)算法、加权子空间拟合(WSF)算法及多维MUSIC(MD-MUSIC) 算法等。最大似然(ML)参数估计类方法是参数估计理论中一种典型 和实用的估计方法,它包括确定性最大似然算法(DML)和随机性最大 似然算法(SML)。WSF算法同样按子空间特性分为两类:一类是信号 子空间拟合算法;另一类是噪声子空间拟合算法。子空间拟合算法具 有运算量大,但与子空间分解类算法(如MUSIC,ESPRIT)相比,它 的估计性能优良,尤其是低信噪比、小块拍数据情况下,此类算法比 MUSIC及别的子空间分解类算法性能好得多。另为ML,WSF等子空 间拟合算法在相干源情况下仍能有效估计,而此时子空间分解类算法 若不做特殊处理则失效。
13
二、空间谱估计测向的基本原理
2. 子空间方法
2 aH 2 , i 1,, p i 2 R xx 的特征值: , i p 1,, m
按特征值大小,将U分为两部分:
U S | G u1,, u p | u p1,, um


子空间:向量组 a1 ,, a p 线性组合的集合,称为 a1 ,, a p
张成的空间。

信号S

噪声G

相干信号matlab

相干信号matlab

相干信号matlab相干信号是信号处理中的一种重要概念,它在多个领域中都有广泛应用。

本文将介绍相干信号的概念、特点以及在Matlab中的应用。

一、相干信号的概念相干信号是指两个或多个信号之间存在一定的相关性或关联性。

在信号处理中,我们常常需要分析信号之间的关系,而相干信号提供了一种有效的方法来描述信号之间的相关性。

相干信号的特点之一是它们在时间上存在一定的延迟关系。

这种延迟可以通过信号的互相关函数来度量,互相关函数描述了两个信号之间的相似程度。

当两个信号之间具有一定的延迟关系时,它们的互相关函数会在某个延迟值处达到峰值。

二、相干信号的应用相干信号在许多领域中都有广泛的应用,包括通信系统、雷达系统、生物医学工程等。

在通信系统中,相干信号可以用来提高信号的传输质量,减小噪声的影响。

在雷达系统中,相干信号可以用来提高目标的探测性能,提高雷达系统的灵敏度。

在生物医学工程中,相干信号可以用来分析人体内部的信号,例如心脏电信号、脑电信号等。

三、Matlab中的相干信号分析Matlab是一种常用的信号处理工具,它提供了一系列用于分析相干信号的函数和工具。

在Matlab中,我们可以使用crosscorr函数来计算两个信号之间的互相关函数,从而分析它们之间的相干性。

具体来说,我们可以先读取两个信号的数据,并将其存储为向量。

然后,使用crosscorr函数计算两个信号之间的互相关函数,并将结果绘制成图像。

通过观察图像,我们可以判断两个信号之间的相干性,以及它们之间存在的延迟关系。

除了互相关函数,Matlab还提供了其他一些函数和工具,用于分析相干信号的频谱特性、相位关系等。

这些函数和工具可以帮助我们更全面地理解和分析相干信号的性质。

总结:相干信号是信号处理中的重要概念,它描述了信号之间的相关性和延迟关系。

相干信号在通信系统、雷达系统、生物医学工程等领域中有着广泛的应用。

在Matlab中,我们可以使用互相关函数等工具来分析相干信号的特性。

信号检测与估值matlab仿真报告

信号检测与估值matlab仿真报告

信号检测与估值仿真报告题目信号检测与估值的MATLAB仿真学院通信工程学院专业通信与信息系统学生姓名学号导师姓名作业1试编写程序,画出相干移频键控、非相干移频键控(无衰落)和瑞利衰落信道下非相干移频键控的性能曲线。

(1)根据理论分析公式画性能曲线;(2)信噪比范围(0dB-10dB),间隔是1dB;(3)信噪比计算SNR=10lg(Es/N0)一、脚本文件1、主程序%********************************************************%二元移频信号检测性能曲线(理论分析)%FSK_theo.m%********************************************************clear all;clc;SNRindB=0:1:20;Pe_CFSK=zeros(1,length(SNRindB));Pe_NCFSK=zeros(1,length(SNRindB));Pe_NCFSK_Rayleigh=zeros(1,length(SNRindB));for i=1:length(SNRindB)EsN0=exp(SNRindB(i)*log(10)/10);Es_aveN0=exp(SNRindB(i)*log(10)/10);Pe_CFSK(i)=Qfunct(sqrt(EsN0));%相干移频键控系统Pe_NCFSK(i)=0.5*exp(-EsN0/2);%非相干移频键控系统(无衰落)Pe_NCFSK_Rayleigh(i)=1/(2+Es_aveN0);%非相干移频键控系统(瑞利衰落)endsemilogy(SNRindB,Pe_CFSK,'-o',SNRindB,Pe_NCFSK,'-*',SNRindB,Pe_NCFSK_Rayleigh ,'-');xlabel('Es/No或平均Es/No(dB)');ylabel('最小平均错误概率Pe');legend('相干移频','非相干移频(无衰落)','非相干移频(瑞利衰落)');title('二元移频信号检测性能曲线');axis([0 20 10^-7 1]);grid on;2、调用子函数%********************************************************%Q函数%Qfunct.m%********************************************************function [y]=Qfunct(x)% [y]=Qfunct(x) % QFUNCT evaluates the Q-function. % y = 1/sqrt(2*pi) * integral from x to inf of exp(-t^2/2) dt. % y = (1/2) * erfc(x/sqrt(2)). y=(1/2)*erfc(x/sqrt(2)); 二、仿真结果246810121416182010-710-610-510-410-310-210-110Es/No 或平均Es/No(dB)最小平均错误概率P e二元移频信号检测性能曲线作业2试编写程序,仿真BPSK ,4PSK 调制信号在高斯信道下的性能,画出误码率(误比特和误符号)的性能曲线,并与理论分析结果相比。

matlab 相干解调

matlab 相干解调

matlab 相干解调Matlab相干解调是一种用于提取信号中的信息的数字信号处理技术。

相干解调是一种在通信系统中常用的调制和解调技术,可以有效地提高传输信号的质量和可靠性。

在通信系统中,信号在传输过程中会受到多种干扰和失真。

为了准确地提取信号中的信息,需要进行解调操作。

相干解调是一种基于相位和幅度信息的解调方法,可以有效地抑制噪声和失真,提高解调的准确性和可靠性。

相干解调的基本原理是通过对接收信号进行相位和幅度的测量,从而恢复出原始信号中的信息。

在Matlab中,可以使用一系列的函数和工具箱来实现相干解调的过程。

需要对接收信号进行采样和量化,得到离散的信号样本。

然后,通过对信号样本进行滤波和时钟恢复,可以消除噪声和失真,提高信号的质量。

接下来,需要对信号进行解调操作。

相干解调的关键是测量信号的相位和幅度信息。

在Matlab中,可以使用相干解调函数来实现这一过程。

相干解调函数会自动估计信号的相位和幅度,然后将信号解调为原始信息。

可以对解调后的信号进行后续处理和分析。

可以使用Matlab提供的工具箱来进行信号处理、频谱分析、数据压缩等操作,以进一步提取和分析信号中的信息。

相干解调在通信系统中具有广泛的应用。

它可以用于调制解调器、无线通信系统、光纤通信系统等领域。

相干解调可以提高信号传输的质量和可靠性,减少误码率,提高系统的性能。

Matlab相干解调是一种用于提取信号中的信息的有效方法。

通过对接收信号进行相位和幅度测量,可以恢复出原始信号中的信息。

相干解调在通信系统中具有广泛的应用,可以提高信号传输的质量和可靠性。

在Matlab中,可以使用相干解调函数和工具箱来实现相干解调的过程,并对解调后的信号进行后续处理和分析。

  1. 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. 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. 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)。

相干信号空间谱估计测向Matlab 仿真研究1. 引言由于多径传播、电磁干扰等因素的影响,相干信源存在的电磁环境是经常碰到的。

当空间存在相干源时,经典的超分辨DOA 估计方法:MUSIC 算法和ESPRIT 算法,已经失去了其高分辨性能优势,有时甚至不能正确地估计出信源的真实方位。

新MUSIC 算法在空间不存在相干源时,其估计性能基本上是和MUSIC 算法是接近的,但若有相干源存在时,其估计性能也是大大降低。

因此,若将其用于相干源,必须和经典的MUSIC 算法一样,首先对阵列输出的协方差矩阵进行各种去相干处理,然后再采用新MUSIC 算法实现对相干信源的DOA 估计。

基于加权空间平滑的MUSIC 算法,该算法充分利用了子阵输出的自相关信息和互相关信息,将阵列协方差矩阵的所有子阵阵元数阶子矩阵进行加权平均,而权矩阵的选取以平滑后等价的信源协方差矩阵与对角阵的逼进为约束条件,以期对相干信源最大限度地去相干,改进常规空间平滑算法对相干源的分辨力。

基于此本文提出的基于加权空间平滑的新MUSIC 算法,以实现对相干源最大限度的去相干,实现相干源的高分辨DOA 估计。

2. 窄带阵列相干源的数学模型和空间平滑算法 2.1 窄带阵列相干源的数学模型对于M 元均匀线阵,阵源间距为d ,且假设均为各向同性阵元。

阵列远场中在以线阵轴线法线为参考的(1,2,...)k P =k θ处有 P 个窄带点源以平面波入射,以阵列第一阵元为参考点,某一特定信号到达线阵时,各阵元接收信号间仅仅存在因波程差引起的相位差。

阵列接收的快拍数据可由下式表示为:t t t θX()=A()S()+N() (2-1)(2-1)式中()t X 为M 1⨯快拍数据矢量,是阵元输出信号,1()[(),......()]T M t x t x t =X 。

()t N 为M 1⨯阵列阵元噪声矢量,且是与信号源不相关的白噪声,均值为0,方差为2n σ,1()[(),......()]T M t n t n t =N 。

()t S 为输入信号矢量1()[(),......()]T M t s t s t =S 。

()θA 为阵列的流形矩阵,如式(2-2)所示。

1()[(),......()]P θθθ=A a a =11()(1)()1...j j M e e ϕθϕθ---⎡⎢⎢⎢⎢⎢⎣ 22()(1)()1...j j M e e ϕθϕθ---.........()(1)()1...p p j j M e e ϕθϕθ---⎤⎥⎥⎥⎥⎥⎦(2-2) (2()sin()i i d πϕθθλ=, 1,2,...i M =)向量()i θa 称为第i 个信号源的方向向量。

矩阵A 列向量即是阵列方向向量的集合,它表示所有信源的方向,称为阵列的方向矩阵。

阵列的协方差矩阵R 定义为2[()()]H H E t t σ==+S R X X AR A I ,式中[()()]H E t t =S R S S 为信源的协方差矩阵。

当空间信源互不相干时,对协方差矩阵R 进行特征分解,构造信号子空间和噪声子空间,利用其正交性直接采用MUSIC 或ESPRIT 算法进行DOA估计,令其特征值分解为H =∑s R U U ,式中,221(,......,)Mdiag σσ=∑,如果信号不相干,则A 为列满秩,()rank P =H S AR A ,于是221(,...,,0,...0)P diag αα=H H S U AR A U ,将R 同时左乘HU 和右乘U ,可以得到:22221(,...,,0,...0)H H Pdiag σαασ++H H S U RU =U AR A U U U =I ,所以自相关矩阵R 的特征值为2222221,...,,...Pασασσσ++,前P 个特征值为信号特征值, 后M-P 个特征值为噪声特征值, 由信号特征值对应的所有特征向量形成的矢量空间称为信号子空间, 信号子空间同时可以用信号的方向矢量()i θa 表示。

由噪声特征值对应的特征向量形成的矢量空间称为噪声子空间, 二者组成信号自相关矩阵的信息空间,利用信号矢量与噪声空间的所有矢量都是正交的这一特性来估计来波信号的到达角(如式2-3所示), 即MUSIC 法。

1=()H HPθθθ()()a UU a (2-3) 代码如下:仿真结果如下:图1 无相干信号源时的 MUSIC 测向MUSIC 测向波达方向M U S I C 谱但若存在相干信源时,阵列输出信号协方差的秩()rank P <R ,对信号协方差矩阵进行特征值分解后,得到的较大的特征值个数小于P ,而特征值为2σ 的个数将大于M − P 。

与此相对应的信号子空间的向量也少于P ,即特征向量展开的信号子空间的维数少于1()[(),......()]P θθθ=A a a 的列数。

对某些相干源的方向矢量()i θa ,1,2,...i P = 将不正交于噪声子空间,不出现零点,所以,有些源在空间谱曲线中将不呈现峰值,造成谱估计的漏报。

在这里我们不妨将上面程序的信号源是S1和S2设置成相干信号,S2=2S1; 仿真结果如下:图2 有相干信号源时的MUSIC 测向因此,我们要对阵列输出的协方差矩阵首先进行预处理,使其阵列协方差矩阵的秩恢复为信号元数P ,然后再采用MUSIC 或ESPRIT 算法。

MUSIC 测向波达方向M U S I C 谱2.2 空间平滑算法(spatial smoothing )2.2.1 前向空间平滑算法将M 个阵元的均匀线阵,分成相互交错的P 个子阵,每个子阵包含的阵元数为m 个,即满足M =p+m-1。

信号源数为N 。

图3 前向空间算法原理图如图 3所示,取第一个子阵(最左边的子阵)为参考子阵,那么各个子阵的输出矢量分别为:11222311[,,...,][,,...,]...[,,...,]f m f m f p p p M x x x x x x x x x ++===X X X (2-4)对于第k 个子阵有:(1)11()[,,...,]()()()f k k k k k m m k t x x x t t θ-++-==+X A D s n (2-5)其中:12sin()0...0dj e D πθλ⎡⎢⎢=⎢⎢⎢⎣ 22sin()0...0d j e πθλ ............ 2sin()00...N dj e πθλ⎤⎥⎥⎥⎥⎥⎦(2-6) 那么该子阵的数据协方差矩阵为:(1)(1)2()(())k k H k m s m R θθσ--=+R A DA D I (2-7) 其中,m A 是一个m ×p 的参考子阵(通常取第一个子阵)的导向矢量矩阵, 1()[(),......()]m m m N θθθ=A a a ,22sin()sin()()[1,,....,]k k ddj jT m k eeππθθλλθ--=a ,s R 为信号的协方差矩阵,}{Hs E ss =R 。

前向空间平滑技术是通过求各个子阵协方差矩阵的均值来实现的,即取前向平滑修正的协方差矩阵为:11pfk p ==∑k R R (2-8)可以证明,当满足m>N, p>N 时,前向空间平滑数据协方差矩阵f R 是满秩的。

即可以通过特征分解求得相应的信号子空间和噪声子空间。

2.2.2 前后向空间平滑算法如果按照图4划分阵列,即称为后向平滑的方法划分子阵,那么各个子阵的输出矢量为:图4 后向空间平滑算法原理图11121211[,,...,][,,...,]...[,,...,]b M M M m b M M M m b p m m x x x x x x x x x --+----===X X X (2-9)那么,第k 个子阵的数据矢量为:*12()[,,...,]bk M k M k M m k t x x x -+---+=X (2-10)比较前向平滑和后向平滑的数据矢量,可以得到前向平滑中第k 个子阵与后向平滑中第p-k+1个子阵之间存在如下关系:**(1)**1()(())()()bfk p k k m k t J X t J s t Jn t ---+==+X A D(2-11)其中J 为m 的交换矩阵。

00...1⎡⎢⎢=⎢⎢⎣J 0 0...1...010...0⎤⎥⎥⎥⎥⎦,所以后向平滑第p-k+1个子阵的数据协方差矩阵为:*(1)*(1)*21()()b k k H Hp k m m σ-----+=+s R JA DR D A J I (2-12) 那么后向空间平滑修正的数据矩阵为:111p bbp k k p -+==∑R R (2-13)取前向平滑和后向平滑数据协方差矩阵的平均,即前后向空间平滑的数据矩阵,即2b ffb+=R R R (2-14)同样可以证明,当满足m>N, p>N 时,后向空间平滑数据协方差矩阵b R 是满秩的。

3.Matlab 仿真程序代码4.Matlab 仿真结果分析图5 MUSIC 算法与改进MUSIC 算法的比较由此可见,空间平滑算法有效的达到了去相干的目的,较为准确的测出了方向。

下面将研究将子阵列划分的个数L 变化时的情形,仿真波形如下:-100-80-60-40-20020*********MUSIC 测向波达方向M U S I C 谱图6 测向随L 的变化由此可见,当空间中存在两个相干信号时,L=2时已经不能正确测向,因此L>信号源数。

5.参考文献[1]通信原理与MATLAB 仿真教程 [2]MATLAB 及其在理工课程中的应用指南[3]论文:一种基于加权空间平滑的新MUSIC 算法 [4] 谱估计测向的MUSIC 算法研究MUSIC 测向波达方向M U S I C 谱-1001020304050MUSIC 测向波达方向M U S I C 谱-100-50050100MUSIC 测向波达方向M U S I C 谱-100-5005010000.20.40.60.81MUSIC 测向波达方向M U S I C 谱。

相关文档
最新文档