陣列信號(hào)處理及MATLAB實(shí)現(xiàn)（第3版）

第1章 緒論 1
1.1 研究背景 1
1.2 陣列信號(hào)處理的發(fā)展 1
1.2.1 波束形成技術(shù) 2
1.2.2 空間譜估計(jì)方法 4
1.2.3 稀疏陣列信號(hào)處理 8
1.3 本書的安排 9
參考文獻(xiàn) 10
第2章 陣列信號(hào)處理基礎(chǔ) 17
2.1 矩陣代數(shù)的相關(guān)知識(shí) 17
2.1.1 特征值與特征向量 17
2.1.2 廣義特征值與廣義特征向量 17
2.1.3 矩陣的奇異值分解 17
2.1.4 Toeplitz矩陣 18
2.1.5 Hankel矩陣 18
2.1.6 Vandermonde矩陣 19
2.1.7 Hermitian矩陣 19
2.1.8 Kronecker積 19
2.1.9 Khatri-Rao積 20
2.1.10 Hadamard積 21
2.1.11 向量化 21
2.2 高階統(tǒng)計(jì)量 22
2.2.1 高階累積量、高階矩和高階譜 22
2.2.2 累積量性質(zhì) 24
2.2.3 高斯隨機(jī)過程的高階累積量 24
2.2.4 隨機(jī)場(chǎng)的累積量與多譜 25
2.3 四元數(shù)理論 27
2.3.1 四元數(shù) 27
2.3.2 Hamilton四元數(shù)矩陣 28
2.3.3 Hamilton四元數(shù)矩陣的奇異值分解 29
2.3.4 Hamilton四元數(shù)矩陣的右特征值分解 30
2.4 PARAFAC理論 32
2.4.1 PARAFAC模型 32
2.4.2 可辨識(shí)性 32
2.4.3 PARAFAC分解 34
2.5 信源和噪聲模型 36
2.5.1 窄帶信號(hào) 36
2.5.2 相關(guān)系數(shù) 36
2.5.3 噪聲模型 36
2.6 陣列天線的統(tǒng)計(jì)模型 37
2.6.1 前提及假設(shè) 37
2.6.2 陣列的基本概念 37
2.6.3 天線陣列模型 38
2.6.4 陣列的方向圖 40
2.6.5 波束寬度 41
2.6.6 分辨率 42
2.7 陣列響應(yīng)向量/矩陣 42
2.8 陣列協(xié)方差矩陣的特征值分解 46
2.9 信源數(shù)估計(jì) 49
2.9.1 特征值分解方法 49
2.9.2 信息論方法 49
2.9.3 其他信源數(shù)估計(jì)方法 51
參考文獻(xiàn) 51
第3章 波束形成 53
3.1 波束形成定義 53
3.2 常用的波束形成算法 54
3.2.1 波束形成原理 54
3.2.2 波束形成的最優(yōu)權(quán)向量 55
3.2.3 波束形成的準(zhǔn)則 58
3.3 自適應(yīng)波束形成算法 59
3.3.1 自適應(yīng)波束形成的最優(yōu)權(quán)向量 60
3.3.2 權(quán)向量更新的自適應(yīng)算法 62
3.3.3 基于變換域的自適應(yīng)波束形成算法 63
3.4 基于GSC的波束形成算法 65
3.5 基于投影分析的波束形成算法 66
3.5.1 基于投影的波束形成算法 66
3.5.2 基于斜投影的波束形成算法 67
3.6 過載情況下的自適應(yīng)波束形成算法 69
3.6.1 信號(hào)模型 69
3.6.2 近似最小方差波束形成算法 70
3.7 基于高階累積量的波束形成算法 72
3.7.1 陣列模型 72
3.7.2 利用高階累積量方法估計(jì)期望信號(hào)的方向向量 73
3.7.3 基于高階累積量的盲波束形成 73
3.8 基于周期平穩(wěn)性的波束形成算法 74
3.8.1 陣列模型與信號(hào)周期平穩(wěn)性 74
3.8.2 CAB類盲自適應(yīng)波束形成算法 75
3.9 基于恒模的盲波束形成算法 77
3.9.1 信號(hào)模型 77
3.9.2 隨機(jī)梯度恒模算法 78
3.10 穩(wěn)健的自適應(yīng)波束形成算法 79
3.10.1 對(duì)角線加載方法 80
3.10.2 基于特征空間的方法 80
3.10.3 貝葉斯方法 81
3.10.4 基于最壞情況性能優(yōu)化的方法 82
3.10.5 基于概率約束的方法 83
3.11 本章小結(jié) 83
參考文獻(xiàn) 84
第4章 DOA估計(jì) 87
4.1 引言 87
4.2 Capon算法和性能分析 88
4.2.1 數(shù)據(jù)模型 88
4.2.2 Capon算法 88
4.2.3 改進(jìn)的Capon算法 89
4.2.4 Capon算法的MSE分析 90
4.3 MUSIC算法及其修正算法 93
4.3.1 MUSIC算法 93
4.3.2 MUSIC算法的推廣形式 94
4.3.3 MUSIC算法性能分析 96
4.3.4 Root-MUSIC算法 99
4.3.5 Root-MUSIC算法性能分析 100
4.4 最大似然法 101
4.4.1 確定性最大似然法 101
4.4.2 隨機(jī)性最大似然法 103
4.5 子空間擬合算法 104
4.5.1 信號(hào)子空間擬合 104
4.5.2 噪聲子空間擬合 106
4.5.3 子空間擬合算法性能 106
4.6 ESPRIT算法及其修正算法 108
4.6.1 ESPRIT算法的基本模型 109
4.6.2 LS-ESPRIT算法 111
4.6.3 TLS-ESPRIT算法 113
4.6.4 ESPRIT算法理論性能 114
4.7 四階累積量方法 116
4.7.1 四階累積量與二階統(tǒng)計(jì)量之間的關(guān)系 117
4.7.2 四階累積量的陣列擴(kuò)展特性 118
4.7.3 MUSIC-like算法 119
4.7.4 virtual-ESPRIT算法 120
4.8 傳播算子 122
4.8.1 譜峰搜索傳播算子 122
4.8.2 旋轉(zhuǎn)不變傳播算子 128
4.9 廣義ESPRIT算法 130
4.9.1 陣列模型 131
4.9.2 譜峰搜索廣義ESPRIT算法 132
4.9.3 無須進(jìn)行譜峰搜索的廣義ESPRIT算法 133
4.10 壓縮感知方法 134
4.10.1 壓縮感知基本原理 134
4.10.2 正交匹配追蹤 138
4.10.3 稀疏貝葉斯學(xué)習(xí) 140
4.11 DFT類方法 141
4.11.1 數(shù)據(jù)模型 142
4.11.2 基于DFT的低復(fù)雜度DOA估計(jì)算法 142
4.11.3 算法分析和改進(jìn) 144
4.11.4 仿真實(shí)驗(yàn) 148
4.12 相干信源DOA估計(jì)算法 149
4.12.1 引言 149
4.12.2 空間平滑算法 151
4.12.3 改進(jìn)的MUSIC算法 152
4.12.4 基于Toeplitz矩陣重構(gòu)的相干信源DOA估計(jì)算法 153
4.13 本章小結(jié) 155
參考文獻(xiàn) 155
第5章 二維DOA估計(jì) 160
5.1 引言 160
5.2 均勻面陣中基于旋轉(zhuǎn)不變性的二維DOA估計(jì)算法 161
5.2.1 數(shù)據(jù)模型 161
5.2.2 基于ESPRIT的二維DOA估計(jì)算法 163
5.2.3 基于傳播算子的二維DOA估計(jì)算法 166
5.3 均勻面陣中基于MUSIC類的二維DOA估計(jì)算法 173
5.3.1 數(shù)據(jù)模型 173
5.3.2 二維MUSIC算法 173
5.3.3 降維MUSIC算法 174
5.3.4 級(jí)聯(lián)MUSIC算法 180
5.4 均勻面陣中基于PARAFAC分解的二維DOA估計(jì)算法 182
5.4.1 數(shù)據(jù)模型 183
5.4.2 PARAFAC分解 184
5.4.3 可辨識(shí)性分析 185
5.4.4 二維DOA估計(jì)過程 186
5.4.5 算法復(fù)雜度和優(yōu)點(diǎn) 187
5.4.6 仿真結(jié)果 188
5.5 均勻面陣中基于壓縮感知PARAFAC模型的二維DOA估計(jì)算法 188
5.5.1 數(shù)據(jù)模型 188
5.5.2 PARAFAC模型壓縮 189
5.5.3 PARAFAC分解 189
5.5.4 可辨識(shí)性分析 190
5.5.5 基于稀疏恢復(fù)的二維DOA估計(jì) 191
5.5.6 算法復(fù)雜度和優(yōu)點(diǎn) 192
5.5.7 仿真結(jié)果 193
5.6 雙平行線陣中二維DOA估計(jì)算法：DOA矩陣法和擴(kuò)展DOA矩陣法 193
5.6.1 陣列結(jié)構(gòu)及信號(hào)模型 194
5.6.2 DOA矩陣法 194
5.6.3 擴(kuò)展DOA矩陣法 196
5.6.4 性能分析與仿真 198
5.7 均勻圓陣中二維DOA估計(jì)算法 200
5.7.1 數(shù)據(jù)模型 200
5.7.2 波束空間轉(zhuǎn)換 200
5.7.3 UCA-RB-MUSIC算法 201
5.7.4 UCA-Root-MUSIC算法 202
5.7.5 UCA-ESPRIT算法 202
5.8 本章小結(jié) 203
參考文獻(xiàn) 204
第6章 寬帶陣列信號(hào)處理 207
6.1 引言 207
6.2 寬帶陣列信號(hào)模型 208
6.2.1 寬帶信號(hào)的概念 208
6.2.2 陣列信號(hào)模型 209
6.3 寬帶信號(hào)的DOA估計(jì) 210
6.3.1 非相干信號(hào)子空間方法 210
6.3.2 相干信號(hào)子空間方法 211
6.3.3 聚焦矩陣的構(gòu)造方法 212
6.4 穩(wěn)健的麥克風(fēng)陣列近場(chǎng)寬帶波束形成 215
6.4.1 概述 215
6.4.2 基于凸優(yōu)化的穩(wěn)健近場(chǎng)寬帶波束形成 219
6.4.3 穩(wěn)健近場(chǎng)自適應(yīng)波束形成 229
6.5 本章小結(jié) 237
參考文獻(xiàn) 237
第7章 分布式信源空間譜估計(jì) 240
7.1 引言 240
7.2 基于ESPRIT的分布式信源空間譜估計(jì)算法 242
7.2.1 數(shù)據(jù)模型 242
7.2.2 算法描述 244
7.2.3 性能分析 247
7.2.4 仿真結(jié)果 248
7.3 基于DSPE的分布式信源空間譜估計(jì)算法 249
7.3.1 數(shù)據(jù)模型 249
7.3.2 算法描述 249
7.4 基于級(jí)聯(lián)DSPE的分布式信源空間譜估計(jì)算法 250
7.4.1 數(shù)據(jù)模型 250
7.4.2 算法描述 250
7.4.3 性能分析 252
7.4.4 仿真結(jié)果 253
7.5 基于廣義ESPRIT的分布式信源空間譜估計(jì)算法 255
7.5.1 數(shù)據(jù)模型 255
7.5.2 算法描述 256
7.5.3 多項(xiàng)式求根方法 260
7.5.4 性能分析 262
7.5.5 仿真結(jié)果 266
7.6 基于快速PARAFAC的分布式信源空間譜估計(jì)算法 268
7.6.1 數(shù)據(jù)模型 268
7.6.2 算法描述 270
7.6.3 性能分析 274
7.6.4 仿真結(jié)果 275
7.7 本章小結(jié) 276
參考文獻(xiàn) 277
第8章 陣列近場(chǎng)信源定位 280
8.1 引言 280
8.1.1 研究背景 280
8.1.2 研究現(xiàn)狀 281
8.2 基于二階統(tǒng)計(jì)量的近場(chǎng)信源定位算法 282
8.2.1 數(shù)據(jù)模型 282
8.2.2 算法描述 282
8.2.3 性能分析 284
8.2.4 仿真結(jié)果 284
8.3 基于二維MUSIC的近場(chǎng)信源定位算法 285
8.3.1 數(shù)據(jù)模型 285
8.3.2 算法描述 286
8.3.3 仿真結(jié)果 287
8.4 基于降秩MUSIC的近場(chǎng)信源定位算法 287
8.4.1 數(shù)據(jù)模型 288
8.4.2 算法描述 288
8.4.3 性能分析 290
8.4.4 仿真結(jié)果 290
8.5 基于降維MUSIC的近場(chǎng)信源定位算法 291
8.5.1 數(shù)據(jù)模型 291
8.5.2 算法描述 291
8.5.3 性能分析 295
8.5.4 仿真結(jié)果 296
8.6 本章小結(jié) 296
參考文獻(xiàn) 297

第9章 互質(zhì)陣列信號(hào)處理 298
9.1 引言 298
9.2 互質(zhì)線陣結(jié)構(gòu)與信號(hào)模型及兩種DOA估計(jì)算法 299
9.2.1 互質(zhì)線陣結(jié)構(gòu)與信號(hào)模型 299
9.2.2 基于互質(zhì)子陣分解思想的DOA估計(jì)算法 300
9.2.3 基于虛擬陣元擴(kuò)展思想的DOA估計(jì)算法 303
9.3 基于孔洞填充思想的嵌型子陣互質(zhì)陣列 307
9.3.1 互耦條件下的接收信號(hào)模型 307
9.3.2 孔洞填充方案及嵌型子陣互質(zhì)陣列 309
9.3.3 仿真結(jié)果 316
9.4 基于嵌套思想的均勻tCADiS差聯(lián)合陣列 318
9.4.1 均勻差聯(lián)合陣9