2.5 信号源数估计
大多数空间谱估计算法都基于特征子空间算法,充分利用信号子空间与噪声子空间的正交性,当信号源数估计不准时,导致信号子空间、噪声子空间估计不准,两只不能完全正交,就会造成估计信号源时的漏警或虚警,造成估计信号方向时的偏差。因此,只有准确估计信号源数才能有效地获得信号源方向。
2.5.1 信息论方法
信息论方法有一个统一的表达形式
J ( k ) = L ( k ) + P ( k ) J(k)=L(k)+P(k) J(k)=L(k)+P(k)
式中, L ( k ) L(k) L(k)是对数似然函数, P ( k ) P(k) P(k)是罚函数。通过对 L ( k ) L(k) L(k)和 P ( k ) P(k) P(k)的不同选择就可以得到不同的准则。下面介绍EDC信息论准则,有
E D C ( n ) = L ( M − n ) ln Λ ( n ) + n ( 2 M − n ) C ( L ) {\rm EDC}(n)=L(M-n)\ln{\Lambda(n)}+n(2M-n)C(L) EDC(n)=L(M−n)lnΛ(n)+n(2M−n)C(L)
式中, n n n为带估计的信号源数(自由度), L L L为采样数,其中 Λ ( n ) \Lambda(n) Λ(n)为似然函数,且
Λ ( n ) = 1 M − n ∑ i = n + 1 M λ i ( ∏ i = n + 1 n λ i ) 1 M − n \Lambda(n)=\frac{\frac{1}{M-n}\sum_{i=n+1}^{M}\lambda_i}{(\prod_{i=n+1}^{n} \lambda_i)^\frac{1}{M-n}} Λ(n)=(∏i=n+1nλi)M−n1M−n1∑i=n+1Mλi
C ( L ) C(L) C(L)需满足如下条件:
( 1 ) lim L → ∞ ( C ( L ) / L ) = 0 ( 2 ) lim L → ∞ ( C ( L ) / ln ln L ) = ∞ (1)\lim_{L\to\infty}(C(L)/L)=0\\ (2)\lim_{L\to\infty}(C(L)/\ln{\ln{L}})=\infty\\ (1)L→∞lim(C(L)/L)=0(2)L→∞lim(C(L)/lnlnL)=∞
当 C ( L ) C(L) C(L)满足上述条件时,准则EDC具有估计一致性。
当 C ( L ) C(L) C(L)分别选择 1 1 1, ( ln L ) / 2 (\ln{L})/2 (lnL)/2及 ( ln ln L ) / 2 (\ln{\ln{L}})/2 (lnlnL)/2可以得到AIC,MDL及HQ等准则
A I C ( n ) = 2 L ( M − n ) ln Λ ( n ) + 2 n ( 2 M − n ) {\rm AIC}(n)=2L(M-n)\ln{\Lambda(n)}+2n(2M-n) AIC(n)=2L(M−n)lnΛ(n)+2n(2M−n)
M D L ( n ) = L ( M − n ) ln Λ ( n ) + 1 2 n ( 2 M − n ) ln L {\rm MDL}(n)=L(M-n)\ln{\Lambda(n)}+\frac{1}{2}n(2M-n)\ln{L} MDL(n)=L(M−n)lnΛ(n)+21n(2M−n)lnL
H Q ( n ) = L ( M − n ) ln Λ ( n ) + 1 2 n ( 2 M − n ) ln ln L {\rm HQ}(n)=L(M-n)\ln{\Lambda(n)}+\frac{1}{2}n(2M-n)\ln{\ln{L}} HQ(n)=L(M−n)lnΛ(n)+21n(2M−n)lnlnL
仿真结论:
(1)AIC准则不是一致性估计,即在大快拍数的场合,它仍然有较大的误差概率;MDL准则相对较好,HQ准则居于两者之间,是由准则中的罚函数项引起的。
(2)MDL准则是一致性估计,也就是在高信噪比情况下该准则有较好的性能,但小信噪比情况下该准则相比AIC有高的误差概率。
(3)EDC准则中 C ( L ) C(L) C(L)取下式时:
C ( L ) = ln L 1 / 2 = 1 2 ln L C(L)=\ln{L^{1/2}}=\frac{1}{2}\ln{L} C(L)=lnL1/2=21lnL
EDC准则就是MDL准则,所以说MDL准则时EDC准则的特例。
(4)EDC准则中 C ( L ) C(L) C(L)取下式时:
C ( L ) = 1 2 ln ln L C(L)=\frac{1}{2}\ln{\ln{L}} C(L)=21lnlnL
EDC准则就是HQ准则,所以说HQ准则时EDC准则的特例。从低信噪比角度而言,HQ准则最优,其次是AIC。
2.5.2 平滑秩序列法
阵列对信号的分辨能力,阵元数M应大于独立源数,即 M ≥ K + 1 M\geq K+1 M≥K+1;对于前向(后向)空间平滑法,应满足 M ≥ K + J 1 M\geq K+J_1 M≥K+J1,式中 K K K是总源数, J 1 J_1 J1是相关源数目;对于双向平滑算法
M ≥ K + 1 2 J 1 M\geq K+\frac{1}{2}J_1 M≥K+21J1
平滑秩序列法是相关结构检测的方法。
设 R 0 \pmb{R}_0 RRR0是 M × M M×M M×M维矩阵, k k k是正整数,定义一个 ( M − k ) × M (M-k)×M (M−k)×M维矩阵 I M − k , j \pmb{I}_{M-k,j} IIIM−k,j
I M − k , j = [ 0 ⋯ 0 I 0 ⋯ 0 ] \pmb{I}_{M-k,j}=\begin{bmatrix}\pmb{0}&\cdots&\pmb{0}&\pmb{I}&\pmb{0}&\cdots&\pmb{0}\end{bmatrix} IIIM−k,j=[000⋯000III000⋯000]
它的前 j j j列和后 k − j k-j k−j列为 0 \pmb{0} 000矢量, I \pmb{I} III为单位矩阵。将 R 0 \pmb{R}_0 RRR0分成交叉重叠矩阵 { R 0 ( i ) } i = 1 M − 1 \{\pmb{R}_0^{(i)}\}_{i=1}^{M-1} {
RRR0(i)}i=1M−1,即
R 0 ( k ) = 1 k + 1 ∑ i = 0 k I M − k , i R 0 I M − k , i T , k = 1 , 2 , ⋯ , M − 1 \pmb{R}_0^{(k)}=\frac{1}{k+1}\sum_{i=0}^{k}\pmb{I}_{M-k,i}{R}_0\pmb{I}_{M-k,i}^{T},k=1,2,\cdots,M-1 RRR0(k)=k+11i=0∑kIIIM−k,iR0IIIM−k,iT,k=1,2,⋯,M−1
上式中的交叉重叠矩阵序列实质上是前向空间平滑矩阵。假设信号源由 L L L组相关源的群组成,分别为 g i ( i = 1 , 2 , ⋯ , L ) g_i(i=1,2,\cdots,L) gi(i=1,2,⋯,L),如 i = 1 i=1 i=1则表明该群是单个独立信号, i = 3 i=3 i=3表面该群有三个相干源, L L L是最大的相关源数。若 g 2 = 3 g_2=3 g2=3则说明有三个相关群,每个群里有两个相干源。则相关群的数目为
Q = ∑ i = 1 L g i Q=\sum_{i=1}^{L}g_i Q=i=1∑Lgi
总信号源数为
K = ∑ q = 1 Q f q K=\sum_{q=1}^{Q}f_q K=q=1∑Qf
今天的文章《空间谱估计理论与算法》学习笔记005-信号源数估计「建议收藏」分享到此就结束了,感谢您的阅读。
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。
如需转载请保留出处:https://bianchenghao.cn/65767.html