阵列信号处理及MATLAB实现(第2版)
| 作者 |
| 张小飞 |
| 丛书名 |
| 出版社 |
| 电子工业出版社 |
| ISBN |
| 9787121373428 |
| 简要 |
| 简介 |
| 内容简介 阵列信号处理是信号处理领域的一个重要分支，它采用传感器阵列来接收空间信号。与传统的单个定向传感器相比，阵列信号处理具有灵活的波束控制、较高的信号增益、极强的干扰抑制能力，以及更高的空间分辨能力等优点，因而具有重要的军事、民事应用价值和广阔的应用前景。具体来说，阵列信号处理已用于雷达、声纳、通信、地震勘探、射电天文及医学诊断等多种国民经济和军事领域。本书共12章，主要内容涵盖波束形成、DOA估计、二维DOA估计、宽带阵列信号处理、阵列分布式信源定位、阵列近场信源定位、稀疏阵列信号处理、向量传感器阵列信号处理及其MATLAB实现等。本书的读者对象为通信与信息系统、信号和信息处理、微波和电磁场、水声等专业的高年级本科生和研究生。 |
| 目录 |
第1章 绪论\t1 1.1 研究背景\t1 1.2 阵列信号处理的发展史及现状\t1 1.2.1 波束形成技术\t2 1.2.2 空间谱估计方法\t4 1.2.3 阵列多维参数估计\t7 1.3 本书的安排\t9 参考文献\t10 第2章 阵列信号处理基础\t17 2.1 矩阵代数的相关知识\t17 2.1.1 特征值与特征向量\t17 2.1.2 广义特征值与广义特征向量\t17 2.1.3 矩阵的奇异值分解\t18 2.1.4 Toeplitz矩阵\t18 2.1.5 Hankel矩阵\t19 2.1.6 Vandermonde矩阵\t19 2.1.7 Hermitian矩阵\t19 2.1.8 Kronecker乘积\t20 2.1.9 Khatri-Rao乘积\t21 2.1.10 Hadamard乘积\t21 2.1.11 向量化\t22 2.2 高阶统计量\t22 2.2.1 高阶矩、高阶累积量和高阶谱\t22 2.2.2 累积量性质\t24 2.2.3 高斯随机过程的高阶累积量\t25 2.2.4 随机场的累积量与多谱\t26 2.2.5 二维随机场的高阶矩及高阶累积量估计\t28 2.3 四元数理论\t29 2.3.1 四元数\t29 2.3.2 Hamilton四元数矩阵\t30 2.3.3 Hamilton四元数矩阵的奇异值分解\t30 2.3.4 Hamilton四元数矩阵的右特征值分解\t32 2.4 平行因子理论\t33 2.4.1 平行因子模型\t33 2.4.2 可辨识性\t34 2.4.3 PARAFAC分解\t36 2.5 信源和噪声模型\t37 2.5.1 窄带信号\t37 2.5.2 相关系数\t37 2.5.3 噪声模型\t38 2.6 阵列天线的统计模型\t38 2.6.1 前提及假设\t38 2.6.2 阵列的基本概念\t38 2.6.3 天线阵模型\t40 2.6.4 阵列的方向图\t41 2.6.5 波束宽度\t42 2.6.6 分辨率\t43 2.7 阵列响应向量/矩阵\t44 2.8 阵列协方差矩阵的特征分解\t47 2.9 信源数估计方法\t50 2.9.1 特征值分解方法\t50 2.9.2 信息论方法\t50 2.9.3 其他信源数估计方法\t52 参考文献\t52 第3章 波束形成算法\t54 3.1 波束形成定义\t54 3.2 常用的波束形成算法\t55 3.2.1 波束形成原理\t55 3.2.2 波束形成的最佳权向量\t56 3.2.3 波束形成的准则\t59 3.3 自适应波束形成算法\t60 3.3.1 自适应波束形成的最佳权向量\t60 3.3.2 权向量更新的自适应算法\t63 3.3.3 基于变换域的自适应波束形成算法\t64 3.4 广义旁瓣相消（GSC）的波束形成算法\t65 3.5 基于投影和斜投影的波束形成算法\t66 3.5.1 基于投影的波束形成算法\t66 3.5.2 基于斜投影的波束形成算法\t68 3.6 过载情况下的自适应波束形成算法\t70 3.6.1 信号模型\t70 3.6.2 近似最小方差法波束形成算法\t71 3.7 基于高阶累积量的波束形成算法\t72 3.7.1 阵列模型\t73 3.7.2 利用高阶累积量方法估计期望信号的方向向量\t74 3.7.3 基于高阶累积量的盲波束形成\t74 3.8 基于周期平稳性的波束形成算法\t74 3.8.1 阵列模型与信号周期平稳性\t75 3.8.2 CAB类盲波束形成算法\t76 3.9 基于恒模的盲波束形成算法\t78 3.9.1 信号模型\t78 3.9.2 随机梯度恒模算法\t78 3.9.3 最小二乘恒模算法（LS-CMA）\t79 3.10 稳健自适应波束形成\t81 3.10.1 对角加载方法\t82 3.10.2 基于特征空间的方法\t82 3.10.3 贝叶斯方法\t83 3.10.4 基于最坏情况性能优化的方法\t84 3.10.5 基于概率约束的方法\t84 3.11 本章小结\t85 参考文献\t85 第4章 DOA估计\t89 4.1 引言\t89 4.2 Capon算法和性能分析\t90 4.2.1 数据模型\t90 4.2.2 Capon算法\t90 4.2.3 改进的Capon算法\t91 4.2.4 Capon算法的均方误差分析\t92 4.3 MUSIC算法及其修正算法\t95 4.3.1 MUSIC算法\t95 4.3.2 MUSIC算法的推广形式\t96 4.3.3 MUSIC算法性能分析\t98 4.3.4 求根MUSIC算法\t102 4.3.5 求根MUSIC算法性能\t103 4.4 最大似然法\t103 4.4.1 确定性最大似然法\t104 4.4.2 随机性最大似然法\t105 4.5 子空间拟合算法\t106 4.5.1 信号子空间拟合（SSF）\t107 4.5.2 噪声子空间拟合（NSF)\t108 4.5.3 子空间拟合算法的性能\t109 4.5.4 子空间拟合算法的实现\t111 4.6 ESPRIT算法及其修正算法\t118 4.6.1 ESPRIT算法的基本模型\t118 4.6.2 LS-ESPRIT算法\t121 4.6.3 TLS-ESPRIT算法\t122 4.6.4 ESPRIT算法理论性能\t123 4.7 基于四阶累积量的DOA估计\t126 4.7.1 四阶累积量与二阶统计量之间的关系\t126 4.7.2 四阶累积量的阵列扩展特性\t128 4.7.3 MUSIC-like算法\t129 4.7.4 virtual-ESPRIT算法\t130 4.8 传播算子\t132 4.8.1 谱峰搜索传播算子和性能分析\t132 4.8.2 旋转不变PM\t138 4.9 基于广义ESPRIT算法的DOA估计算法\t140 4.9.1 阵列模型\t140 4.9.2 谱峰搜索广义ESPRIT方法\t141 4.9.3 无须搜索的广义ESPRIT算法\t143 4.10 基于压缩感知理论的DOA估计\t144 4.10.1 压缩感知基本原理\t144 4.10.2 基于压缩感知理论的DOA估计算法\t148 4.11 相干信源DOA估计\t148 4.11.1 引言\t148 4.11.2 空间平滑算法\t150 4.11.3 改进的MUSIC算法\t151 4.11.4 基于Toeplitz矩阵重构的ESPRIT算法\t152 4.12 大规模均匀线阵下基于DFT的DOA估计算法\t154 4.12.1 数据模型\t155 4.12.2 基于DFT的低复杂度DOA估计算法\t155 4.12.3 算法分析\t157 4.12.4 仿真实验\t160 4.13 本章小结\t161 参考文献\t161 第5章 二维DOA估计\t167 5.1 引言\t167 5.2 均匀面阵中基于旋转不变性的二维DOA估计算法\t168 5.2.1 数据模型\t168 5.2.2 基于ESPRIT的二维DOA估计算法\t170 5.2.3 基于PM的二维DOA估计算法\t174 5.3 均匀面阵中基于MUSIC类的二维DOA估计算法\t180 5.3.1 数据模型\t181 5.3.2 二维MUSIC算法\t181 5.3.3 降维MUSIC算法\t181 5.3.4 级联MUSIC算法\t187 5.4 均匀面阵中基于三线性分解的二维DOA估计算法\t189 5.4.1 数据模型\t190 5.4.2 三线性分解\t191 5.4.3 可辨识性分析\t192 5.4.4 二维DOA估计\t193 5.4.5 算法复杂度和优点\t194 5.4.6 仿真结果\t194 5.5 均匀面阵中基于压缩感知三线性模型的二维DOA估计\t195 5.5.1 数据模型\t195 5.5.2 三线性模型压缩\t195 5.5.3 三线性分解\t196 5.5.4 可辨识性分析\t197 5.5.5 基于稀疏恢复的二维DOA估计\t198 5.5.6 算法复杂度和优点\t199 5.5.7 仿真结果\t200 5.6 双平行线阵二维DOA估计：DOA矩阵法和扩展DOA矩阵法\t200 5.6.1 阵列结构及信号模型\t200 5.6.2 DOA矩阵法\t201 5.6.3 扩展DOA矩阵法\t202 5.6.4 性能分析与仿真\t205 5.7 均匀圆阵中二维DOA估计\t206 5.7.1 数据模型\t207 5.7.2 波束空间转换\t207 5.7.3 UCA-RB-MUSIC算法\t208 5.7.4 UCA-Root-MUSIC算法\t209 5.7.5 UCA-ESPRIT算法\t209 5.8 本章小结\t210 参考文献\t211 第6章 宽带阵列信号处理基础和宽带波束形成\t213 6.1 引言\t213 6.2 宽带阵列信号处理基础\t214 6.2.1 宽带信号的概念\t214 6.2.2 阵列信号模型\t215 6.3 宽带信号源的DOA估计\t216 6.3.1 非相干信号子空间方法（ISM）\t216 6.3.2 相干信号子空间方法（CSM）\t217 6.3.3 聚焦矩阵的构造方法\t218 6.4 稳健的麦克风阵列近场宽带波束形成\t221 6.4.1 概述\t221 6.4.2 基于凸优化的稳健近场宽带波束形成器设计\t224 6.4.3 稳健近场自适应波束形成\t235 6.5 本章小结\t242 参考文献\t242 第7章 阵列分布式信源定位\t246 7.1 引言\t246 7.2 线性阵列中基于ESPRIT的分布式信源定位算法\t248 7.2.1 数据结构\t248 7.2.2 基于ESPRIT的分布式信源定位算法\t251 7.2.3 性能分析\t253 7.2.4 仿真结果\t254 7.3 线性阵列中基于DSPE的分布式信源定位算法\t255 7.3.1 数据结构\t255 7.3.2 基于DSPE的分布式信源定位算法\t255 7.4 线性阵列中基于级联DSPE的分布式信源定位算法\t256 7.4.1 数据结构\t256 7.4.2 基于级联DSPE的分布式信源定位算法\t256 7.4.3 性能分析\t258 7.4.4 仿真结果\t259 7.5 线性阵列中基于广义ESPRIT的分布式信源定位算法\t261 7.5.1 数据结构\t261 7.5.2 基于广义ESPRIT的分布式信源定位算法\t262 7.5.3 基于多项式求根的中心DOA估计方法\t266 7.5.4 性能分析\t268 7.5.5 仿真结果\t272 7.6 移不变阵列中基于快速PARAFAC的分布式信源定位算法\t274 7.6.1 数据结构\t274 7.6.2 基于快速PARAFAC的分布式信源定位算法\t276 7.6.3 性能分析\t280 7.6.4 仿真结果\t281 7.7 本章小结\t282 参考文献\t283 第8章 阵列近场信源定位\t286 8.1 引言\t286 8.1.1 研究背景\t286 8.1.2 研究现状\t287 8.2 近场信源目标定位：二阶统计量算法\t288 8.2.1 数据模型\t288 8.2.2 基于二阶统计量的近场源参数估计算法\t289 8.2.3 算法主要步骤\t290 8.2.4 算法复杂度和优点\t290 8.2.5 仿真结果\t291 8.3 近场信源目标定位：二维MUSIC算法\t291 8.3.1 数据模型\t291 8.3.2 算法描述\t292 8.3.3 算法仿真结果\t293 8.4 近场信源目标定位：降秩MUSIC算法\t293 8.4.1 数据模型\t294 8.4.2 算法描述\t294 8.4.3 算法步骤\t295 8.4.4 算法复杂度分析\t296 8.4.5 算法优点\t296 8.4.6 仿真结果\t296 8.5 近场信源目标定位：降维MUSIC算法\t297 8.5.1 数据模型\t297 8.5.2 算法描述\t297 8.5.3 算法步骤\t300 8.5.4 算法复杂度分析\t300 8.5.5 |
有问题微信扫码联系