摘 要

近三十年来，阵列信号处理作为信号处理领域的一个重要的分支得到了迅速
的发展，广泛地被应用于雷达、通信、声纳、地震、射电天文等军事及国民经济
领域。本文主要针对于阵列信号处理中多参数估计以及短数据阵列测向两方面的
内容进行研究。
首先，对于阵列多参数估计，研究了信源数估计算法及频率与角度联合估计
算法。在信源数估计方面，简要介绍了传统的信源数估计算法后，提出一种基于
伪协方差矩阵的信源数估计算法。该算法充分的利用了阵元间的时间相关构造伪
协方差矩阵，有效地扩展了阵列，提高了信源数检测性能。由于重构数据矩阵时
对原数据的平均达到了平滑噪声的作用，使得该算法适用于色噪声情况下。仿真
实验证明其检测性能优于传统的信源数估计算法。而在频率与角度联合估计算法
方面，本论文对现有的一些频率与角度联合估计算法进行了研究，并将伪协方差
矩阵的思想扩展至 L 阵，提出了频率与二维 DOA 联合估计算法。由于对阵列孔径
与时间孔径的有效扩展，使得该算法具有较好的角度、频率估计精度以及角度分
辨率，仿真结果证明了算法的有效性。
其次，研究了短数据阵列测向算法。传统阵列测向算法在数据快拍数较小（短
数据）的情况下，性能将急剧下降，不能达到测向的精度要求。跳频通信与突发
短时通信等低截获技术近年来的广泛应用，非合作接收中天线波束无法对准等都
会造成短数据情况。针对这一问题，本文利用随机矩阵理论及相关结论分析了传
统阵列测向算法在短数据情况下性能下降的原因。重点讨论了两种现有的调整子
空间类算法，而后，提出了一种迭代算法实现短数据情况下的阵列测向。由于该
算法避免了协方差矩阵的特征值分解，而是通过对样本协方差矩阵的迭代来逼近
真实值，对于短数据测向有较好的性能，且有较高的角度分辨率。

关键词：伪协方差矩阵，L 阵，频率与二维 DOA，短数据，随机矩阵

I
 ABSTRACT

Array signal processing, an important part of signal processing, which is widely

used in many fields such as radar, communications, sonar, seismic exploration,
astronomy, has been developed over the recent three decades. This dissertation offers an
in-depth study of joint multi-parameter estimation and direction-of-arrival（DOA）
estimation with a small sample size.
Firstly, the algorithms for estimating the number of sources, joint estimation of
frequency and 2-D DOA are studied. We simply introduce the traditional methods and
then propose a new method based on pseudocovariance matrix. The proposed method
provides superior estimation performance to the traditional ones by taking advantage of
sufficient temporal correlations to extend the array. The reconstructed pseudocovariance
matrix smoothes the noise by averaging the data which makes the method can work
well in the presence of color noise. The simulation results demonstrate that the proposed
method performs better than the traditional ones. We study the method of joint
estimation of frequency and 2-D DOA. After analyzing some algorithms of joint
estimation of frequency and angles, a new method of joint multi-parameter estimation
by extending the pseudocovariance matrix method to the L-shaped array is proposed.
The proposed method provides very attractive 3-D estimation performance, high DOA
resolution by making use of the temporal and spatial information of the array. The
numerical simulations demonstrate the validity of the proposed method.
Then, the estimation of DOA with a small sample size is studied. The performance
of the traditional DOA estimators degrades rapidly in the case of small sample size,
which does not satisfy the requirement of DOA estimation. The small sample size,
caused by the non-alignment of the antenna, the widely used low probability of
intercept（LPI）technology, brings a new challenge to the array direction-finding system.
To analyze the problem, the effect of the sample size on the performance of DOA
estimator is studied by random matrix theory. Two DOA estimators based on adjusting
the subspace are discussed and parametric iterative adaptive approach for amplitude and
phase estimation（P-IAA-APES）, which suits small sample size, is proposed. The

II
proposed method has very attractive estimation performance, high DOA resolution in
the case of small sample size for avoiding the eigenvalue decomposition（EVD）and
calculating the sample correlation matrix iteratively to approximate the truth.

Keywords: pseudocovariance matrix, L-shaped array, frequency and 2-D DOA, small
sample size, random matrix

III
 目 录

第一章 绪论...................................................................................................................1
1.1 研究背景与意义 ............................................................................................... 1
1.2 国内外研究现状 ............................................................................................... 2
1.3 本文主要工作与章节安排 ............................................................................... 3
第二章 阵列测向系统构成...........................................................................................5
2.1 引言 ................................................................................................................... 5
2.2 阵列测向系统构成 ........................................................................................... 5
2.3 阵列测向系统信号处理流程 ........................................................................... 7
2.4 本章小结 ........................................................................................................... 9
第三章 基于伪协方差矩阵的参数估计.....................................................................10
3.1 引言 ................................................................................................................. 10
3.2 信源数估计 ......................................................................................................11
3.2.1 经典信源数估计算法 ...........................................................................11
3.2.2 基于伪协方差矩阵的信源数估计算法 .............................................. 13
3.2.3 仿真实验 .............................................................................................. 15
3.3 多维参数联合估计 ......................................................................................... 16
3.3.1 数据模型 .............................................................................................. 16
3.3.2 基于 TLS-ESPRIT 的多维联合估计算法 .......................................... 18
3.3.3 基于 CVA-ESPRIT 的多维参数联合估计算法.................................. 19
3.3.4 基于伪协方差矩阵的多维参数联合估计算法 .................................. 21
3.3.5 计算量分析 .......................................................................................... 24
3.3.6 仿真实验 .............................................................................................. 24
3.4 本章小结 ......................................................................................................... 27
第四章 快拍数对测向算法性能影响.........................................................................28
4.1 引言 ................................................................................................................. 28
4.2 测向算法性能影响因素 ................................................................................. 29
4.3 样本协方差矩阵的随机特性 ......................................................................... 31
4.4 快拍数对于测向算法性能的影响 ................................................................. 34

IV
 4.4.1 子空间泄漏 .......................................................................................... 35
4.4.2 算法分辨率 .......................................................................................... 38
4.5 本章小结 ......................................................................................................... 40
第五章 短数据测向算法.............................................................................................41
5.1 引言 ................................................................................................................. 41
5.2 GMUSIC 算法.................................................................................................. 41
5.2.1 算法原理 .............................................................................................. 41
5.2.2 仿真实验 .............................................................................................. 43
5.3 GSSMUSIC 算法 ............................................................................................. 44
5.3.1 算法原理 .............................................................................................. 44
5.3.2 仿真实验 .............................................................................................. 48
5.4 P-IAA-APES 算法 ........................................................................................... 49
5.4.1 算法原理 .............................................................................................. 49
5.4.2 仿真实验 .............................................................................................. 51
5.5 本章小结 ......................................................................................................... 53
第六章 总结与展望.....................................................................................................54
6.1 总结 ................................................................................................................. 54
6.2 展望 ................................................................................................................. 55
致 谢 .............................................................................................................................56
参考文献 .........................................................................................................................57
个人简历及研学成果.....................................................................................................61

V
 第一章 绪论

1.1 研究背景与意义

如何有效地分析与识别日益复杂的无线电信号并对辐射源进行准确的测向定
位在军事以及民用领域中都有非常重要的作用。如在民用领域，主要是用于对无
线电信号进行管理，监测合法电台的无线电信号质量，以及搜索未经批准的非法
无线电信号，以确保无线电资源得以充分合理的利用；对于辐射源的无源测向定
位也可用于救援搜索。而在军用领域，对无线电信号的探测、测向分析等则是进
行侦听和干扰的前提条件。一旦知道敌方通信信号的各种参数，就可以从中获取
有价值的战略和战术情报，制定有针对性的侦察和反侦察策略，同时能保证我方
获取、传输和利用无线电信号的能力，夺取信息优势，以确保战争的全面胜利。
在复杂多变的现代化高科技战场环境中，能否及时准确的从瞬息万变的战场
态势中获取战略和战术情报直接关系着战争的成败。对目标和辐射源进行测向是
现代战争特别是电子战中重要的作战环节之一。无源阵列空域信号信号处理技术
由于其良好的隐蔽性在电子侦察领域得到了广泛应用。各种超分辨率阵列测向算
法由于突破了传统波束形成类算法的瑞利（Rayleigh）限的限制，使得阵列测向性
能得到了很大的提高。近年来，各国都在发展以卫星为平台的空间电子侦察系统。
由于其不受国界、领空、领海和天气条件的限制，能进行大面积和长期侦察监视，
可以迅速获取敌方情报，而其测向系统均采用的阵列测向系统。
在现代军事和民用通信中，跳频通信技术与突发短时通信技术由于具有抗干
扰性、低截获概率等优势而得到了广泛的应用。在非合作接收的情况下，由于跳
频信号跳速及频点的未知常常造成截获数据快拍数较少；而突发通信的时间短暂
也将造成接收数据量的不足。在接收非合作卫星通信信号（如星载侦察系统）时，
由于卫星本身的运动和接收天线波束的无法对准也使得系统所能接收到的数据量
有限。此外，在一些复杂多变的环境中，如船只，战机的高速运动情况下，都将
使得接收数据只存在短暂的稳态。对于基于统计理论的测向算法而言，在这种情
况下能够使用的有效数据量也将是严重不足的。在多径严重的情况下，也可能造
成接收数据的缺失。传统的阵列测向算法，如子空间类算法，虽然具有高精度及
超分辨率的特点，但当快拍数或信噪比下降到一定门限时，算法的性能将迅速下

1
降。综上，各种数据缺失所造成的短数据对于传统阵列测向算法都提出了新的挑
战。短数据阵列测向算法也成为了阵列信号处理的一个新的方向。

1.2 国内外研究现状

阵列信号处理在近几十年里得到了很大的发展，它对放置在空间不同位置的
多个传感器构成的阵列接收的数据进行处理，实现信号参数提取、估计或者滤波
等。它主要包括自适应空间滤波和空间谱估计两方面。从 20 世纪 60 年代至今，
它得到了深入的研究并获得广泛的应用，从最开始的雷达到军事与国民经济的各
个领域[1-10]，例如雷达、声纳、通信、射电天文、医学诊断与治疗、地震探测和军
事电子对抗等等。其中，阵列信号测向是阵列信号处理的重要方向之一。被称为
具有超分辨率的子空间类算法因其在分辨率与计算复杂度之间做出了较好的折中
而受到广泛的重视。
信号多维参数联合估计是近年来阵列信号处理发展的一个重要方向，特别是
阵列信号的频率与二维到达角联合估计成为了一个热点。大多数的时空参数联合
估计算法都是在一维算法的基础上扩展而得，例如二维 MUSIC（Multiple Signal
Classification）算法[11]及各种 ESPRIT（Estimating Signal Parameter via Rotational
Invariance Techniques）算法[12-15]等等。
Peter Strobach[16]利用 TLS-ESPRIT 算法，结合二维均匀矩形阵列对频率及二维
到达角进行联合估计。该算法虽然提高了估计的性能，但是所要求的阵元数比较
多。针对实际应用中的宽频段信号（2~18GHz），Zoltowski 等[17]利用非均匀 L 阵，
在欠采样的条件下，对各阵元及延迟点的输出数据进行 FFT 计算，取峰值附近的
数据作为信号数据来减小计算量，然后用 ESPRIT 算法进行参数的估计，但这种算
法的性能较差。对于相干信号的情况下，文献[18]利用平行阵列，将信号平滑处理
去相干后进行三维参数估计。以上各算法均在复高斯白噪声的前提下进行推导，
Viberg 等[19]提出色噪声情况下的多维参数估计算法，该算法采用 CVA（Canonical
Variate Analysis）状态空间实现技术及 ESPRIT 算法实现频率与方位角的估计，且
能自动配对。但是其在进行参数估计时需要对一个高维矩阵进行特征分解，因此
当阵元数或信号数比较多时其计算负担较大。
传统的子空间类算法要求用大量的阵列输入数据快拍来构造协方差矩阵，且
在估计过程中，信号的到达角保持不变。当快拍数或信噪比下降到一定门限[20, 21]

时，MUSIC 算法的性能将迅速下降。随着电子对抗技术的发展，提高电子战设备

2
自身生存能力的要求越来越突出。突发通信等低截获信号的出现对于阵列信号处
理提出了新的挑战。由于截获概率低，接收机接收到的数据快拍数将严重不足，
从而使得传统的阵列测向算法在实际应用中失效。为了处理短数据的情况，近年
来人们提出了一些直接数据域自适应（DDDA）类方法[22, 23]。Kim[22]提出了一种适
用于相干情况的利用单快拍构造为协方差矩阵进行快速测向的方法，但该算法对
阵元数的要求较高。在大多数的研究中，子空间类算法的性能下降现象被称为子
空间泄露[21]。故，近来提出了一些基于调整信号子空间与噪声子空间类算法[24-26]。
同时，文献[27]中还提出了一种基于稀疏信号描述的非参数最小均方迭代的幅度相
位估计（IAA-APES）算法。该算法不需估计信源个数，但计算量过大，且必须预
先知道噪声的方差。

1.3 本文主要工作与章节安排

本文主要针对于阵列信号处理中多参数估计以及短数据阵列测向两方面的内
容进行研究。对于信源数估计，在讨论了传统的信源数估计算法后，提出了基于
伪协方差矩阵的信源数估计算法。该算法充分的利用了阵元间的时间相关构造伪
协方差矩阵，有效地扩展了阵列，提高了信源数检测性能，由于重构数据矩阵时
对原数据的平均达到了平滑噪声的作用，使得该算法适用于色噪声情况下。然后，
本文分析了几种现有的多维参数估计算法，将伪协方差矩阵的思想扩展至二维 L
阵，提出了频率与二维 DOA 联合估计算法。由于对阵列孔径与时间孔径的有效扩
展，使得该算法具有较好的角度、频率估计精度以及角度分辨率。针对于短数据
情况，本文通过随机矩阵理论相关结论分析了传统阵列测向算法在短数据情况下
性 能 下 降 的 原 因 。 重 点 讨 论 了 两 种 现 有 的 调 整 子 空 间 类 算 法 （ GMUSIC ，
GSSMUSIC），而后，提出了一种迭代算法实现对短数据阵列测向。由于该算法避
免了协方差矩阵的特征值分解，而是通过对样本协方差矩阵的迭代来逼近真实值，
对于短数据测向有较好的性能，且有较高的分辨率。本文主要内容如下：
第一章：绪论。简述了课题研究背景与意义，以及国内外研究现状。
第二章：分析了阵列测向系统的构成，及信号处理流程。
第三章：详细地讨论了传统的信源数估计方法，提出了基于伪协方差矩阵的
信源数估计算法，仿真实验证明其检测性能优于传统的信源数估计算法。研究了
几种现有的频率与角度联合估计算法，并将伪协方差矩阵的思想扩展至二维 L 阵，
提出了频率与二维 DOA 联合估计算法。仿真结果证明了该算法具有较好的角度、

3
频率估计精度以及角度分辨率。
第四章：利用随机矩阵理论相关结论，从子空间正交性及分辨率两方面分析
了快拍数对于传统子空间类阵列测向算法性能的影响。
第五章：重点讨论了两种现有的调整子空间类算法，而后，提出了一种迭代
算法实现对短数据阵列测向。由于该算法避免了协方差矩阵的特征值分解，而是
通过对样本协方差矩阵的迭代来逼近真实值，对于短数据测向有较好的性能，且
有较高的分辨率。仿真实验结果证明了该算法的有效性。
第六章：总结了全文的研究工作，并指出了需要进一步研究的问题。

4
 第二章 阵列测向系统构成

2.1 引言

阵列测向系统主要是将多个传感器设置在空间不同的位置上组成具有一定阵
型的传感器阵列，然后通过这一阵列对空间信号进行接收并采样。由于传感器的
摆设具有一定的阵型构成，通过对接收数据的处理，可以从中提取所接收信号的
特征信息参数（如频率，二维入射角等），同时抑制噪声、干扰等不感兴趣信息。
本质上来说，阵列信号处理就是通过布置在空间不同位置上的阵元来提取信号的
空域或时域信息。
由于跳频通信技术与突发短时通信技术的广泛应用，在接收非合作卫星通信
信号（如星载侦察系统）时，由于卫星本身的运动和接收天线波束的无法对准等
原因，使得阵列测向系统面临接收数据快拍不足的情况。而传统阵列测向算法在
短数据情况下性能将急剧下降，这就对阵列测向系统提出了新的要求。
本章将简要的介绍阵列测向系统构成，以及信号处理方案。

2.2 阵列测向系统构成

阵列测向系统由空间多元天线阵、多通道接收机、多路数据采集器和信号分
析处理单元构成。其系统模型可由图 2-1 表示。

多 元 多通道 多 路 信号分析处
阵列天线 接收机 数据采集 理单元

系统自校正
及检验

图 2-1 阵列测向系统模型

z 多元天线阵
多元天线阵列部分可由多个阵元（五个以上）天线阵构成。理论上来说，只

5
要阵列的方向向量线性无关性得到保证，阵列就可以是任意结构的。但另一方面，
阵列结构设计关系到阵列测向算法的选择与测向精度，所以阵型的设计与选择是
阵列测向的重要工作之一。目前常见的二维测向阵列结构有平行线阵，均匀圆阵，
L 阵，Y 阵，三角阵等。均匀圆阵由于表现出了在方位角上的各向同性性能而受到
广泛关注，而且对称性质也为圆阵的实际布置提供了便利，但是由于圆阵在阵列
结构上表现出的特殊性使其不满足 ESPRIT 类算法所要求的平移子阵的性质，故
而，在圆阵上不能应快速实时算法，虽然模式空间激励类算法可以改善这样的条
件，使其满足平移子阵性质，但是其孔径的损失也带来了角度估计精度的下降，
且巨大的计算量也对硬件提出了更高的要求。同时对于相干源信号，圆阵的算法
复杂度也大大增加。通常平面线阵，均能实现空间信号的二维来波方向估计，但
是从阵列测向的基本原理出发，当阵列在二维来波方向（方位角和俯仰角）都能
获得较大的相位差时，估计精度较好，所以很多算法将 L 阵列以 zox 轴的形式布阵，
这样，阵列在方位角和俯仰角上都能获得较大的信号相位差，从而获得大的覆盖
范围和高的估计精度，对于 ML（Maximum Likelihood）类算法，L 阵可以达到最
低的 CRB（Cramer-Rao bound）界[28]。
z 多通道接收机
多通道接收机部分主要进行各路信号的放大、变频处理。低频端和高频端使
用不同间距的阵列，通过开关进行通道分时接收以减少通道数。各路接收通道的
内部电路完全相同，共用本振，以保持各路相同的相位特性。接收机输出应在中
频以前，以保证相位信息不丢失。为了得到复信号，一般输出部分应是两个正交
通道的，这样信号数目应是阵元数的两倍。但也可以在数据采集之后使用数字方
法实现正交通道，但这时采样频率要提高一倍。我们采用的是后一种方法，即用
数字方法实现正交通道。
接收机部分可能产生误差的主要有通道增益与相位不一致以及串扰。由于增
益不一致性可以通过硬件的调节来保证各通道输出幅度的不一致性在容许的范围
内；通过对各通道相互隔离来尽可能地减小串扰。这样一来，相位的不一致性就
成了导致这部分误差的主要因素，我们利用通道相位校正模块完成各个接收机通
道相位不一致的校正，用软件的方法完成相位的补偿，使得各路接收机通道的输
出在相位上尽可能取得一致。
z 多路数据采集
各路接收机的输出中频信号经采样保持和 A/D 变换器同步采集，变换成并行
数据经缓存器与高速数字信号处理单元中的大容量 FPGA 相连。在 FPGA 中设有

6
大容量的高速全局缓存，用以存储各路 ADC 输入的采样数据。并且通过 FPGA 中
的逻辑来实现对高速 ADC 的控制，以及 ADC 状态的监视，如多路 ADC 的同步启
动、采样频率设置、中断与状态反馈。
数据采集子系统在设计过程中除了满足算法要求的数据位数、采样数、采样
率、快拍长度、接口外，还应考虑实时的触发性的数据采集和保存，以捕获短数
据信号。
z 信号分析处理部分
信号分析处理部分是阵列测向系统的核心部分，采用 DSP 芯片与可编程逻辑
器件 FPGA 相结合来实现数字信号处理。采用这种结构的数字信号处理系统的最
大的特点是结构灵活，有较强通用性，适于模块化设计，从而能够提高算法效率；
同时开发周期较短，系统易于维护和扩展，特别适合于实时信号处理。

2.3 阵列测向系统信号处理流程

信号处理流程如图 2-2 所示，主要包括以下四个步骤：

（1）利用信号检测技术实现信号个数估计与类型判断；
（2）利用时频域分析技术获取信号形式和信号特定参数；
（3）构造时频滤波器完成信号预分离；
（4）针对不同的信号类型进行阵列测向。
首先，利用多通道接收机接收数据完成时频特征分析，信号源个数检测，与
类型判决。其次，利用时频分析结果实现特定参数的提取，如短数据信号持续时
间，宽带信号带宽，跳频信号频点数据等，并且利用这些信号的典型特征来完成
预处理，如对短时信号就只能使用其中存在信号的采样数据数据；宽带信号可以
使用预滤波，对缺失数据进行预处理等，这样就能克服了这些情况下导致的阵列
模型不匹配的问题，采用与实际信号更相匹配的数学模型就提高定位精度，同时
还给出了信号时频域分析结果。而后根据预处理的结果，对于不同类型的信号做
不同的阵列测向处理。

7
 4

1 2 3

图 2-2 阵列测向系统信号处理流程

由于大多数的高分辨阵列测向算法的性能依赖于对信号源个数的准确已知，
这使得信号源个数估计问题成为阵列信号处理中的一个非常重要的议题。其主要
方法有：基于信息论的方法（如 AIC、MDL 等），平滑秩法，矩阵盖氏圆盘法以
及上述方法的各种改进方法。
而对于传统的窄带信号，信号多维参数联合估计是近年来阵列信号处理发展
的一个重要方向，特别是阵列信号的频率与二维到达角联合估计成为了一个热点。
大多数的时空参数联合估计算法都是在一维算法的基础上扩展而得，例如二维
MUSIC，各种 ESPRIT 算法等。
传统阵列测向算法在数据快拍数较小（短数据）的情况下，性能将急剧下降，
不能达到测向的精度要求。对于星载侦察系统而言，卫星本身的运动和接收天线
波束无法对准，跳频通信与突发短时通信等低截获技术近年来的广泛应用等都会
造成短数据情况。针对这一情况，目前采用的算法基本思想就是调整信号与噪声
子空间，提高二者之间的正交性。
目前，宽带信号测向算法主要由两种思想：一种是基于不相干信号的处理方
法。其主要的思想是将宽带信号划分为频带上不重叠的窄带信号，再分别对窄带
信号进行测向处理，对于各测向结果进行组合而得到最后的结果；另一种是基于
相干信号的处理方法。其主要思想是将宽带信号聚焦到参考频点，然后用聚焦后

8
的数据构造协方差矩阵，利用窄带信号的处理方法进行测向。
本文将主要针对上述信源数估计，多维参数联合估计以及短数据阵列测向等
方面的内容进行研究。

2.4 本章小结

本章介绍了阵列测向系统的各部分构成，给出了阵列测向系统的信号处理流
程。该信号处理流程通过对信号的预先分选等预处理后，对于不同类型的信号做
不同的阵列测向处理，克服了阵列模型不匹配的问题。

9
 第三章 基于伪协方差矩阵的参数估计

3.1 引言

阵列测向系统所侦察的对象一般处于三维空间当中，需要对信源个数，信号
的频率，俯仰角及方位角等多维参数进行测量估计。
大多数的高分辨阵列测向算法的性能依赖于对信号源个数的准确已知，这使
得信号源个数估计问题成为阵列信号处理中的一个非常重要的议题。其主要方法
有：基于信息论的方法[29-35]（如 AIC、MDL 等），平滑秩法[36, 37]
，矩阵盖氏圆盘
[38, 39]
法 以及上述方法的各种改进方法。
信号多维参数联合估计也是近年来阵列信号处理发展的一个重要方向，特别
是阵列信号的频率与二维到达角联合估计成为了一个热点。大多数的时空参数联
合估计算法都是在一维算法的基础上扩展而得，例如多维 MUSIC 算法[11]及各种
ESPRIT 算法[12-15]等等。
Peter Strobach[16]利用 TLS-ESPRIT 算法，结合二维均匀矩形阵列对频率及二维
到达角进行联合估计。该算法虽然提高了估计的性能，但是所要求的阵元数比较
多。针对于实际应用中的宽频段信号（2~18GHz），Zoltowski 等[17]利用非均匀 L
阵，在欠采样的条件下，对各阵元及延迟点的输出数据进行 FFT 计算，取峰值附
近的数据作为信号数据来减小计算量，然后用 ESPRIT 算法进行参数的估计，但这
种算法的性能不是很好。对于相干信号的情况下，文献[18]利用平行阵列，将信号
平滑处理去相干后进行三维参数估计。以上各算法均在复高斯白噪声的前提下进
行推导，Viberg 等[19]提出色噪声情况下的多维参数估计算法，该算法采用 CVA
（Canonical Variate Analysis）状态空间实现技术及 ESPRIT 算法实现频率与方位角
的估计，且能自动配对。但是其在进行参数估计时需要对一个高维矩阵进行特征
分解，因此当阵元数或信号数比较多时其计算负担也是比较大。
本章将分别对信源数估计和多维参数联合估计方法进行研究。对于信源数估
计，详细地讨论了传统的信源数估计方法，提出了基于伪协方差矩阵的信源数估
计算法。该算法充分的利用了阵元间的时间相关构造伪协方差矩阵，有效地扩展
了阵列，提高了信源数检测性能，由于重构数据矩阵时对原数据的平均达到了平
滑噪声的作用，使得该算法适用于色噪声情况下。研究了几种现有的频率与角度

10
联合估计算法，并将伪协方差矩阵的思想扩展至二维 L 阵，提出了一种频率与二
维 DOA 联合估计算法。由于对阵列孔径与时间孔径的有效扩展，使得该算法具有
较好的角度、频率估计精度以及角度分辨率。最后进行的仿真实验充分证实了所
提方法性能的优越性。

3.2 信源数估计

阵列信号处理中的信号源数目估计问题可以追溯到上个世纪五、六十年代。
当时的信号源数目估计方法主要是采用假设检验的方法。由于假设检验方法需要
人为的确定一个检测门限来与似然比检验统计量比较，所以基于假设检验的信源
数目估计方法受人的主观因素的影响，使得估计的信号数目与实际的信源数目差
别比较大。Wax M 和 Kailath T 首先将信息论准则引入到阵列信号处理中，用来解
决信号源数目估计的问题。在文献[29]中 Wax M 和 Kailath T 给出了阵列协方差矩
阵特征值形式的 AIC 准则和 MDL 准则，克服了基于假设检验的信号源数目估计
方法的缺点。后来的学者在此基础上改进和发展出各种信源数估计算法。本节主
要介绍了几种传统的信源数估计算法，并提出一种基于伪协方差矩阵的信源数估
计算法。

3.2.1 经典信源数估计算法

3.2.1.1 信息论方法

AIC 准则与 MDL 准则均由似然函数和惩罚函数两部分构成，其主要区别在于

惩罚函数的不同。信息论方法的统一表达形式为：
J (k ) = L(k ) + p (k ) (3-1)
其中， L(k ) 为对数似然函数， p(k ) 为罚函数。
这些算法估计信源数的步骤如下：
1） 利用阵列采样数据矩阵估计协方差矩阵；
2） 通过特征值分解得到样本协方差矩阵的 M 个特征值 λ1 > λ2 > > λM ；
3） 利用以下代价函数估计信源数 D ：
⎛ f ( D) ⎞
min N ( M − D) log ⎜ 1 ⎟ + f 3 ( D, N ) (3-2)
D
⎝ 2
f ( D ) ⎠

11
 1
1 M
⎛ M ⎞ M −D
其中， f1 ( D) ∑
M − D i = D +1
λi ， f 2 ( D) ⎜ ∏ λi ⎟
⎝ i = D +1 ⎠
，

⎧ D(2 M − D) AIC方法
⎪
f3 ( D) = ⎨ 1 。
⎪⎩ 2 D(2 M − D) log N MDL方法

AIC 准则由于其惩罚函数不具有一致性而产生虚警，不是一致估计，应用比
较少；而 MDL 因是一致有效估计而得到了广泛的应用[40, 41]。

3.2.1.2 盖氏圆定理

利用盖氏圆盘估计信源数时，通常需要对数据协方差矩阵进行酉变换，使得
信号和噪声的圆盘分开，因为信号的圆盘半径较大，它包含有 K 个信号源对应的
特征值。
对数据的协方差矩阵进行分块：
⎡ Rˆ ′ rˆ ⎤
Rˆ = ⎢ H ⎥ (3-3)
⎣ rˆ rˆMM ⎦

其中， R̂′ 为 M − 1 维协方差矩阵。构造酉变换矩阵 T ：

⎡ Uˆ 0⎤
T =⎢ T ⎥ (3-4)
⎣0 1⎦

Û 为 R̂′ 的特征矩阵，满足 UU
ˆ ˆ H = I ，且 Rˆ ′ = Uˆ ΣUˆ H 。对协方差矩阵进行酉变换后
得：

⎡ Σ Uˆ H rˆ ⎤
RT = T RT = ⎢
ˆ H ˆ
⎥
H ˆ
⎣⎢ rˆ U rˆMM ⎦⎥
⎡ λˆ1 0 0 ρ1 ⎤
⎢ ⎥ (3-5)
⎢0 λˆ 2 0 ρ2 ⎥
=⎢ ⎥
⎢ ⎥
⎢0 0 λˆM −1 ρ M −1 ⎥
⎢ * ⎥
⎣⎢ ρ1 ρ 2* ρ *M −1 rˆMM ⎦⎥

其中， λˆ1 ≥ λˆ2 ≥ ≥ λˆM −1 。

记 Uˆ = [u1 , u2 , , uM −1 ] ， bi = ⎡⎣e j (i −1) β1 , e j ( i −1) β2 ,

T
, e j ( i −1) β K ⎤⎦ ，

12
 rˆ = [ r1M , r2 M , , rM −1M ] = [b1 , b2 , , bM −1 ] RS b*M −1 = A1 RS b*M −1 ，则有：
T T

ρi = uiH A1 Rs b*M −1 (3-6)

故盖氏圆的半径满足如下不等式：
ri = ρi = uiH A1 Rs b*M −1
(3-7)
≤ uiH A1 Rs b*M −1 = k uiH A1

其中， k = Rs b*M −1 与 i 无关，故半径仅由 uiH A1 决定。根据信号子空间与噪声子空

间的正交性及协方差子阵的特征值可知，噪声对应的盖氏圆半径较小，而信号对
应的盖氏圆半径较大，从而得到判断信号源数的准则（GDE）
：
D( N ) M −1
GDE (k ) = rk − ∑ ri > 0
M − 1 i =1
(3-8)

式中， D ( N ) 是一个与快拍数有关的调整因子，它在 1 与 0 之间选取，当快拍

数趋于无穷时其取 0；k 的取值范围为 1 ∼ M − 2 ，当 k 从小到大时，假设 GDE (k ) 第
一次出现负数时的数为 k0 ，则信源数为 K = k0 − 1 。

3.2.2 基于伪协方差矩阵的信源数估计算法

AIC 准则由于不是一致估计，应用比较少；而 MDL 虽然是一致有效估计但却

不适用于色噪声情况下。GDE 对噪声有一定的免疫性，但也只是应用了实际的阵
列孔径。本节将提出一种基于伪协方差矩阵的信源数估计方法，该方法充分的利
用了阵元间的时间相关构造伪协方差矩阵，有效地扩展了阵列，提高了信源数检
测性能，且可用于色噪声的情况下。
假设有 K 个不相关的窄带信号 {sk (t )}k =1 从不同的方向入射至 M 个阵元所构成
K

的均匀线阵（阵元间距为 d ）上，方位角分别为 {θ k }k =1 。在 t 时刻第 i 个阵元输出为：

K

K
xi ( t ) = ∑ ai (θ k ) sk ( t ) + ni ( t ) (3-9)
k =1

其中， ai (θ k ) = exp {− j 2π ( i − 1) d sin θ k λk } ，为第 i 个阵元的方向响应系数。 ni (t ) 表

示均值为零的平稳高斯且具有有限相关时间 L 的色噪声，而且与信号不相关，并假
定 L 已知[19]，即：
Rn = E [ nk (t ) n*j (t − p ) ] = 0 k , j = 1, 2, ,M (3-10)

其中， p ≥ L 。对于高斯白噪声的情况，可取 L = 0 。
定义阵元间的相关为：

13
 r ( dij , p ) E { xi ( t ) x*j ( t − p )}
K (3-11)
= ∑ ρk e
− j β k dij
e jωk p
k =1

其中， p = L, L + 1, ,L+m m ≥ K ， β k = ω cos θ k c k = 1, 2, , K ， ρ k 为第 k 个

信号的统计平均功率。
(3-11)式中的参数 m 表示时延量， m 的选择决定了计算量的大小[42]。
对于均匀线阵而言，不同的阵元间 dij 值可能相同，我们对具有相同 dij 的
r ( dij , p ) 进行平均处理：

, p ) δ ( d nl , dij )
M M

∑∑ r ( d nl
r ( dij , p ) = n =1 l =1
i, j = 1, 2, ,M (3-12)
∑∑ δ ( d , dij )
M M

nl
n =1 l =1

其中， δ ( a, b ) 为广义 Kronecker delta 函数。

特别地，对于阵元间距为 d 的均匀线阵，(3-12)式可以改写成：
M M

∑∑ r ( ( n − l ) d , p ) δ ( n − l , q )
r ( q, p ) = n =1 l =1
M M
(3-13)
∑∑ δ ( n − l , q )
n =1 l =1

在这里， q 为扩展的阵列间距， p 定义为伪采样间隔。

我们将具有相同伪采样间隔的 r ( q, p ) 构造成新的接收数据采样矢量为：
r = ⎡⎣ r ( − M + 1, p ) , , r ( 0, p ) , , r ( M − 1, p ) ⎤⎦
T
(3-14)

通过(3-14)的数据重构，阵列有效阵元数由 M 扩展为 2M − 1 。我们取 ( m + 1) 个

伪采样快拍构造伪协方差矩阵如下：
⎡ r ( − M + 1, L ) r ( − M + 1, L + m ) ⎤
⎢ ⎥
⎢ ⎥
R ⎢ r ( 0, L ) r ( 0, L + m ) ⎥
⎢ ⎥ (3-15)
⎢ ⎥
⎢ r ( M − 1, L ) r ( M − 1, L + m ) ⎥⎦
⎣
BρG H

其中， ρ = diag { ρ1 , ρ 2 , , ρ K } ， G = ⎡⎣g (ω1 ) , g (ω2 ) , , g (ωK ) ⎤⎦ ，

14
 g (ωk ) = ⎡⎣e − jωk , , e − jmωk ⎤⎦ ， B = ⎡⎣b (θ1 ) , b (θ 2 ) , , b (θ K ) ⎤⎦ ，
T

b (θ k ) = ⎡⎣e − j ( M −1) βk , , e j ( M −1) βk ⎤⎦ 。

T
,1,

从(3-15)式中很容易可知， B 和 G 中分别包含了方位角以及信号频率信息。亦
可以证明 B ，G 和 ρ 是秩为 K 的列满秩矩阵。则对 R 进行 SVD 分解即可得到 K 个
大的特征值。利用这一结论，可用重构数据协方差矩阵 R 代替样本协方差矩阵，
用信息论准则与盖式圆定理对信号源个数进行估计。
由于我们利用了阵元间的时间相关构造伪协方差矩阵，有效地扩展了阵列，
可使得算法在低信噪比下的检测概率提高。由于(3-10)中加性噪声的有限时延性，
使得重构的数据对于噪声有一定得免疫性，也使得算法可以适用于色噪声的情况
下。

3.2.3 仿真实验

为了验证所提算法的性能，我们利用计算机进行了数值仿真实验。考虑 5 阵
元均匀线阵，阵元间距为 λ 2 ，对接收数据作 1000 次独立的蒙特卡罗实验。并对
于 AIC，MDL，GDE 与本节所提算法对信源数的检测概率进行比较。
首先，我们检测白噪声情况下，所提算法成功检测率随信噪比的变化。考虑
等功率不相干的两个入射信号，入射角分别为 (θ1 θ 2 ) = (100 200 ) ，归一化载频
为 0.3 ，快拍数为 100，信噪比从 −20dB 到 10dB 变化。所提方法中， m = 10, L = 0 。
算法成功检测率随信噪比变化如图 3-1 所示。

100

90

80

70
Probability of Detection%

60
proposed AIC
50 proposed MDL
proposed GDE
40 AIC
MDL
30
GDE
20

10

0
-20 -15 -10 -5 0 5 10
SNR/dB

图 3-1 白噪声下各算法检测概率与信噪比的关系

15
 由图 3-1 的仿真结果可以看出，在高斯白噪声的情况下，所提算法由于利用阵
元间的时间相关构造伪协方差矩阵，有效地扩展了阵列，其应用于 AIC，MDL 及
GDE 准则时估计性能均得到了很大的提高。所提算法普遍优于传统算法 5dB 左右。
下面验证算法在色噪声情况下的性能。其仿真参数和仿真试验一中的相同，
除了噪声产生的不同外。图 3-2(a)给出了所提方法应用于 AIC，MDL 及盖式圆准
则中检测率与信噪比的关系，图 3-2(b)给出了所提方法应用于盖氏圆准则中及盖氏
圆算法检测概率的比较。
100 100

90 90
proposed GDE
80 proposed AIC 80 GDE
proposed MDL
70 70
Probability of Detection%

proposed GDE Probability of Detection%

60 60

50 50

40 40

30 30

20 20

10 10

0 0
-20 -15 -10 -5 0 5 10 -20 -15 -10 -5 0 5 10
SNR/dB SNR/dB

(a) (b)

图 3-2 色噪声下各算法性能的检测概率

由图 3-2(a)可知，所提算法对于噪声有免疫性，可用于色噪声的环境中；而图
3-2(b)的仿真结果证明，所提算法用于 GDE 准则中提高了原算法在色噪声情况下
信源数的检测性能。这些改进都源于重构数据矩阵时对于原数据的平均达到了平
滑噪声的作用。

3.3 多维参数联合估计

信号多维参数联合估计也是近年来阵列信号处理发展的一个重要方向，特别
是阵列信号的频率与二维到达角联合估计成为了一个热点。本小节将对现有的几
种多维参数联合估计方法做详细地讨论，同时，将上节的伪协方差矩阵构造思想
扩展至 L 阵，提出一种计算简单的频率和角度联合估计算法。

3.3.1 数据模型

利用平面阵列实现对空间信号的频率、二维到达角和极化参量的联合估计，
具有数据存储量较小、估计精度较高等优点，但由于阵元数相对较多，结构复杂，

16
冗余度较大，以及通道误差影响大，所以实际应用中会导致一系列困难[43]。针对
这一实际问题，考虑将平面阵简化，采用两相互垂直的均匀线阵（阵元间距为 d ）
置于 x − z 平面上构成 L 阵，如图 3-1 所示，阵元间距为半波长。假设有 K 个独立
不相干的远场窄带信号 sk ( t ) ， k = 1, 2, , K ，分别从 (θ k , φk ) （图 3-3(a)，图 3-3(b)
为 (θ k , ϕ k ) ）方向入射至图 3-3 所示的 L 阵上，各信号的载频为 ωk , k = 1, 2, ,K 。

z z
M −1 M

θk θk
1 2

0 y ϕk y
1
1
φk 1
2 2

M M
x x
(a) (b)

图 3-3 L 阵构型

对于图 3-3(a)对应的阵列而言，在 x 轴和 z 轴上的接收数据可以表示为：

x ( t ) = A xs ( t ) + n x ( t )
K (3-16)
= ∑ a x (θ k , φk ) sk ( t ) + n x ( t )
k =1

z (t ) = A zs (t ) + n z (t )
K (3-17)
= ∑ a z (θ k ) sk ( t ) + n z ( t )
k =1

其中， x ( t ) = ⎡⎣ x1 ( t ) , x2 ( t ) , , xM ( t ) ⎤⎦ ， z ( t ) = ⎡⎣ z1 ( t ) , z2 ( t ) , , zM ( t ) ⎤⎦ 为 t 采样
T T

时刻阵列信号观测向量，维数为 M × 1 ； s ( t ) = ⎡⎣ s1 ( t ) , , sK ( t ) ⎤⎦ 表示信号源向量；
T

a x = ⎡⎣1, exp {− jωk d sin θ k cos φk c} , exp {− jωk d ( M − 1) sin θ k cos φk c}⎤⎦ ，
T

17
a z = ⎡⎣1, exp {− jωk d sin θ k c} , exp {− jωk d ( M − 1) sin θ k c}⎤⎦
T
，分别为 x 轴与 z 轴的

导向矢量，c = 3.0 × 108 m / s 为光速。n x ( t ) ，n z ( t ) 分别为 x 轴与 z 轴的加性复高斯白

噪声，均值为零，方差为 σ 2 ，且与信号均互不相关。
而对于图 3-3(b)对应的阵列而言，在 x 轴和 z 轴上的接收数据可以表示为：
x ( t ) = A′x s ( t ) + n x ( t )
K (3-18)
= ∑ a′x (ϕk ) sk ( t ) + n x ( t )
k =1

z ( t ) = A′z s ( t ) + n z ( t )
K (3-19)
= ∑ a′z (θ k ) sk ( t ) + n z ( t )
k =1

与图 3-3(a)的导向矢量不同，由于俯仰角与方位角的定义不同， x 轴和 z 轴接
收数据相对独立。 a′x = ⎡⎣1, exp {− jωk d cos ϕ k c} , exp {− jωk d ( M − 1) cos ϕ k c}⎤⎦ ，
T

a′z = ⎡⎣1, exp {− jωk d cos θ k c} , exp {− jωk d ( M − 1) cos θ k c}⎤⎦ 。

T

图 3-3(b)的定义可以利用 x 轴和 z 轴的阵列分别单独的估计方位角和俯仰角，
且可以获得大的覆盖范围和高的估计精度[28, 44]
，但同时，由于方位角与俯仰角的
独立估计，在此后必须进行二者的配对工作。在本文中均采用如图 3-3(b)所示的阵
列模型。

3.3.2 基于 TLS-ESPRIT 的多维联合估计算法

将子阵 x 的前，后 M − 1 个阵元的接收数据矩阵分别记为 x1 ( t ) 和 x 2 ( t ) ；子阵 z

的前，后 M − 1 个阵元的接收数据矩阵分别记为 z1 ( t ) 和 z 2 ( t ) ，则有：
⎧ x1 (t ) = A x1s(t ) + n x (t )
⎨ (3-20)
⎩x 2 (t ) = A x1Φ x s(t ) + n x (t )

⎧ z1 (t ) = A z1s(t ) + n z (t )
⎨ (3-21)
⎩z 2 (t ) = A z1Φ z s(t ) + n z (t )

其中， A x1 ， A z1 分别为子阵 x ， z 的前 M − 1 个阵元的阵列流型，

Φ x = diag {exp ( − jω1d cos φ1 c ) , exp ( − jω2 d cos φ2 c ) , , exp ( − jω K d cos φK c )} ，
Φ z = diag {exp ( − jω1d cos θ1 c ) , exp ( − jω2 d cos θ 2 c ) , , exp ( − jωK d cos θ K c )} 。

18
 对于(3-20)和(3-21)式，根据 ESPRIT 原理，可以构造 x1 的自协方差矩阵 R x11 ，
x1 与 x 2 的互协方差矩阵 R x 21 ， z1 的自协方差矩阵 R z11 ， z1 与 z 2 的互协方差矩阵
R z 21 ，并对上述的四个协方差矩阵去噪，则有：
R x11 − σ 2 I = A x1R S A Hx1 = Cx11 (3-22)

R x 21 − σ 2 I = A x1Φ x R S A Hx1 = CX 21 (3-23)

R z11 − σ 2 I = A z1R S A Hz1 = Cz11 (3-24)

R z 21 − σ 2 I = A z1Φ z R S A Hz1 = Cz 21 (3-25)

在 信 号 频 率 已 知 或 者 在 同 一 频 段 时 ， 就 可 以 分 别 求 出 {Cx11 Cx 21} 和
{Cz11 Cz 21} 两个矩阵对的广义特征值，从而求出信号的方位角与俯仰角。
对于频率的估计如下：
对接收数据 x1 ( t ) 进行延时 τ 处理，得到 y ( t ) ，则有：
y (t ) = A x1Φτ s(t ) + n x (t ) (3-26)

其中， Φτ = diag {e − jω1τ e − jω2τ e − jωKτ } 。

构造 y ( t ) 与 x1 ( t ) 的互协方差矩阵，并进行去噪处理，有：
R yx − σ 2 I = A x1Φτ R s A xH1 = Cyx (3-27)

对 {Cx11 Cyx } 进行广义特征值分解，得特征值 α f ，则信号频率估计为：

angle (α fi )
fi = (3-28)
2πτ

频率，方位角、俯仰角的配对则可采用文献[45]与[46]中所提出的基于互相关
的配对算法来完成。

3.3.3 基于 CVA-ESPRIT 的多维参数联合估计算法

TLS-ESPRIT 算法，都是基于背景噪声为高斯白噪声的情况下推导而得的，对
于更加复杂的色噪声情况下，算法的性能将下降。为此，文献[19]中提出了基于
CVA（Canonical Variate Analysis）的状态空间分辨算法。该算法基于过去与将来输
出的互相关，适用于任意阵列结构，及色噪声的环境下。
为了简化问题，我们先在一维情况下对方位角及信号频率估计进行推导。

19
 假设有 K 个正弦信号 sk ( t ) , k = 1, 2, , K 入射至 M 个阵元构成的均匀线阵，接
收数据快拍数为 N ，则阵元接收的数据矢量为：
K
y (t ) = ∑ a (θ k ) e jωk t + n(t ) t = 1, 2, ,N (3-29)
k =1

即， y (t ) = As(t ) + n(t ) 。对于信源 s ( t ) ，有：

s(t + 1) = Φs(t ) (3-30)

{
其中， Φ = diag e jω1 e jωn 。 }
构造数据向量 y m (t ) ∈ C Mm×1 ：
y m (t ) = ⎡⎣ y T (t ) y T ( t + 1) yT ( t + m − 1) ⎤⎦
T
(3-31)

则有：
y m (t ) = Ω ms(t ) + n m (t ) (3-32)

( AΦm−1 ) ⎤⎦⎥ ，一般取 m = K （入射信号数）。

T
其中， Ω m = ⎡⎢ AT ( AΦ )
T T

⎣
由上式可以看出， A ， Φ （即，角度与频率信息）可以从 Ω m 中得到。
构造相关函数：
N − m +1
ˆ ( m + L − 1) = 1
R ∑ ym (t ) ym* ( t − m − L + 1) (3-33)
ym
N t =m+ L

其中， L 满足： Rn ( s ) = E {n(t )n* (t − s )} = 0 for s ≥ L 。

(3-33)式可以化简为：
ˆ ( m + L − 1) = Ω R ( m + L − 1) Ω H
R (3-34)
ym m z m

其中， R z ( m + L − 1) = diag {β1 β n } ， βi 为第 i 个信源的平均功率。

对于 R ˆ 进行预白化处理：
ym

ˆ =W R
R ˆ ( m + L − 1) W (3-35)
R ym C

1 1
− −
⎛1 N − m +1
⎞ 2 ⎛1 N −2m− L+ 2
⎞ 2
其中， WR = ⎜
⎝N
∑
t =m+ L
ym (t ) y (t ) ⎟ ， WC = ⎜
*
m
⎠ ⎝N
∑t =1
ym (t ) y (t ) ⎟ 。
*
m
⎠
对 R̂ 进行 SVD 处理，得：
Mm
ˆ = ∑σ u vH
R (3-36)
k k k
k =1

20
其中， σ k 为 R̂ 的奇异值， u k 和 v k 分别为左右奇异向量。
在大采样快拍或高的信噪比的情况下，有：
span {u1 u n } ≈ span {WR Ω m } (3-37)

故信号子空间为：
ˆ = W −1 [u
Ω uK ] (3-38)
R 1

则有：
⎧⎪ A ˆ =Ω
T
ˆ
1:K
⎨ (3-39)
ˆ =Ω
⎪⎩Φ ˆ Ω
† ˆ
T 1:m 2:m

其中， A ˆ = T−1ΦT ， Ω
ˆ = AT （ A 为阵列流型）， Φ ˆ 表示从第 k 行到第 l 行的块
T T k :l

向量（每块大小为 M × K ）
。
ˆ 作特征值分解，得：
对Φ T

ˆ = EΛE−1
Φ (3-40)
T

其中， Λ = diag {λ1 λK } 。

则，
⎧⎪ωk = ∠λk
⎨ˆ ˆ (3-41)
⎪⎩ A = AT E

ˆ = [aˆ aˆ
其中， ωk 为信号频率， A aˆ K ] 为阵列流型估计值。
1 2

故，角度估计值为：
a H (θ ) aˆ k
2

θˆk = arg max k = 1, 2, ,K (3-42)

a (θ )
2

同理，可以扩展至三维参数估计情况。

3.3.4 基于伪协方差矩阵的多维参数联合估计算法

对于伪协方差矩阵的构造已在上节中叙述，由于在此将推广至三维参数估计，
故作简要的回顾。本小节中只考虑高斯白噪声的情况，取 L = 0 。
假设在 t 时刻 x 轴与 z 轴第 i 个阵元输出分别为：
K
xi ( t ) = ∑ axi (ϕk , ωk ) sk ( t ) + nxi ( t ) (3-43)
k =1

21
 K
zi ( t ) = ∑ azi (θ k , ωk ) sk ( t ) + nzi ( t ) (3-44)
k =1

其中， nxi (t ) 和 nzi (t ) 表示均值为零的高斯白噪声，

axi (φk , ωk ) = exp {− jωk (i − 1)d cos ϕ k c} ， azi (θ k , ωk ) = exp {− jωk (i − 1)d cos θ k c} 。
我们在此定义阵元间的相关为：
rx ( dij , p ) E { xi ( t ) x*j ( t − p )}
K (3-45)
= ∑ ρk e
− j β k dij
e jωk p
k =1

rz ( dij , p ) E { zi ( t ) z *j ( t − p )}
K (3-46)
= ∑ ρk e
− jα k dij
e jωk p
k =1

其中， p = 1, 2, , m + 1 m ≥ K ， β k = ωk cos ϕk c k = 1, 2, , K ， dij 为阵元 i, j 的

间距， α k = ωk cos θ k c k = 1, 2, , K ， ρ k 为第 k 个信号的平均功率。
(3-45)式与(3-46)式中的参数 m 同样的表示时延量，对于 m 的选择不但决定了
算法计算量的大小，同时也决定频率估计的性能。另外，增加时延 m 可以增大时
间孔径，从而提高频率估计的分辨率，但同时也将增大计算量[42]。
类似于(3-13)式，我们重构阵元间平均相关为：
M M

∑∑ r ( ( n − l ) d , p ) δ ( n − l , q )
x
rx ( q, p ) = n =1 l =1
M M
(3-47)
∑∑ δ ( n − l , q )
n =1 l =1

M M

∑∑ r ( ( n − l ) d , p ) δ ( n − l , q )
z
rz ( q, p ) = n =1 l =1
M M
(3-48)
∑∑ δ ( n − l , q )
n =1 l =1

同样地，q 为扩展的阵列间距， p 代表了伪采样间隔。将具有相同伪采样间隔

的 rx ( q, p ) 与 rz ( q, p ) 分别构造成新的接收数据采样矢量如下：
rx = ⎡⎣ rx ( − M + 1, p ) , , rx ( 0, p ) , , rx ( M − 1, p ) ⎤⎦
T
(3-49)

rz = ⎡⎣ rz ( − M + 1, p ) , , rz ( 0, p ) , , rz ( M − 1, p ) ⎤⎦
T
(3-50)

通过(3-49)及(3-50)的数据重构，阵列有效阵元数由 M 扩展为 2M − 1 。我们取

22
( m + 1) 个伪采样快拍构造伪协方差矩阵如下：
⎡ rx ( − M + 1,1) rx ( − M + 1, m + 1) ⎤
⎢ ⎥
⎢ ⎥
Rx ⎢ rx ( 0,1) rx ( 0, m + 1) ⎥
⎢ ⎥ (3-51)
⎢ ⎥
⎢ r ( M − 1,1) rx ( M − 1, m + 1) ⎥⎦
⎣ x
B x ρG H

⎡ rz ( − M + 1,1) rz ( − M + 1, m + 1) ⎤
⎢ ⎥
⎢ ⎥
Rz ⎢ rz ( 0,1) rz ( 0, m + 1) ⎥
⎢ ⎥ (3-52)
⎢ ⎥
⎢ r ( M − 1,1) rz ( M − 1, m + 1) ⎥⎦
⎣ z
B z ρG H

其中， ρ = diag { ρ1 , ρ 2 , , ρ K } ， G = ⎡⎣g (ω1 ) , g (ω2 ) , , g (ωK ) ⎤⎦ ，

g (ωk ) = ⎡⎣e − jωk , , e − jmωk ⎤⎦ ， B x = ⎡⎣b x (φ1 , ω1 ) , b x (φ2 , ω2 ) , , b x (φK , ωK ) ⎤⎦ ，

T

b x (φk , ωk ) = ⎡⎣e − j ( M −1) βk , , e j ( M −1) βk ⎤⎦ ，

T
,1,

B z = ⎡⎣b z (θ1 , ω1 ) , b z (θ 2 , ω2 ) , , b z (θ K , ωK ) ⎤⎦ ，

b z (θ k , ωk ) = ⎡⎣ e − j ( M −1)α k , , e j ( M −1)α k ⎤⎦ 。
T
,1,

从(3-51)与(3-52)式中容易知，G ，B x 和 B z 中分别包含了信号频率，方位角和
俯仰角信息。亦可以证明 B x ， B z ， G 和 ρ 为秩为 K 的列满秩矩阵。
对 R x 和 R z 进行 SVD 分解，有：
R x = U x ΛVxH (3-53)

R z = U z ΛVzH (3-54)

并且有以下关系：
span {U x } = span {B x } (3-55)

span {U z } = span {B z } (3-56)

23
 span {Vx } = span {Vz } = span {G} (3-57)

对于信号频率，方位角及俯仰角，我们可以用类似 ESPRIT 方法进行估计。

Vx 的前 m 行和后 m 行分别记为 Vx1 和 Vx2 ，可得到下列关系式：
T−1Ωf T = Vx1† Vx2 (3-58)

其中，T 为可逆的 K × K 维变换矩阵，且满足 GT = Vx 。Ωf = diag {γ 1 , ,γ K } ，

γ k = exp {− jωk } , k = 1, 2, ,K 。
故，通过对 Vx1† Vx2 的特征值分解即可得到信号频率估计值：
ωk = ∠γ k , k = 1, 2, ,K (3-59)

同理可得到方位角和俯仰角的估计值。

3.3.5 计算量分析

本小节中所提算法的计算量主要由以下的三部分构成：1) 伪协方差矩阵的计
算，每个矩阵需要 ( m + 1) M 2 N 个复数乘加运算；2) 伪协方差矩阵 SVD 分解，每
个分解的计算量为 5 ( m + 1)( 2M − 1) + 11( 2M − 1) 6 ； 3) EVD 分解的计算量为
3 3

O(K3 )。
所提算法计算量与 CVA-ESPRIT 及 TLS-ESPRIT 的比较如表 3-1 所示。
从表 3-1 可以看出，当所提算法满足 m < 24 时，所提算法更具计算量上的优势。

表 3-1 各算法计算量比较
计算量
算 法
N M K ≥2
2 ( m + 1) M 2 N + 10 ( m + 1)( 2M − 1) +
2
4M 3 N
所提算法
2 M − 1) + 3O ( K 3 )
3(
3
11
( m = 2M − 1)
2 ( M ( m + 1) ) ( N − 2M − L + 2 ) +
2
50M 2 N
( )
CVA-ESPRIT
3O ( Mm ) + ( Mm ) K + 3O ( K 3 ) + 3K 2 mM ( m = 4, K = L )
3 2

TLS-ESPRIT 5M 2 N + O ( M 3 )

3.3.6 仿真实验

为了验证各算法的性能，我们利用计算机进行了数值仿真实验。在此，考虑

24
如图 3-3(b)所示的 L 型阵列，阵元间距为 λ 2 ，单臂阵元数为 8，对接收数据作 1000
次独立的蒙特卡罗实验。在此定义方位角与俯仰角估计的联合均方根误差为：

JRMSE = E ⎡ θˆ − θ ( ) + (ϕˆ − ϕ ) ⎤
2 2
(3-60)
⎣⎢ ⎦⎥

首先，我们检测各算法估计性能随信噪比的变化情况。假设两等功率不相干
信号以 (ϕ1 ϕ 2 ) = (100 200 ) ， (θ1 θ 2 ) = ( 300 500 ) 方向入射 L 阵，信号归一化频
率为 ( 0.3 0.2 ) ，接收数据快拍数取 100，信噪比从 −5dB 到 15dB 变化。
0
1.4 10
CVA-ESPRIT CVA-ESPRIT
TLS-ESPRIT TLS-ESPRIT
1.2
proposed proposed
-1
10
1
JRMSE/degree

0.8
RMSE/rad

-2
10
0.6

0.4 -3
10

0.2

-4
0 10
-5 0 5 10 15 -5 0 5 10 15
SNR/dB SNR/dB

(a) 角度联合估计均方根误差 (b) 频率估计均方根误差

图 3-4 算法估计性能随信噪比变化关系

对于算法中的相关参数的选取为：所提算法中 m = 10 ，而 CVA-ESPRIT 算法中

m = 2 ，L = 1 。方向角及信号频率估计均方根误差随信噪比变化关系如图 3-4 所示。
由图 3-4(a)可以看出，所提算法角度联合估计均方根误差小于其他两种算法，
而 图 3-4(b) 中 ， 当 信 噪 比 SNR = 5dB 时 ， 所 提 算 法 频 率 估 计 均 方 根 误 差 优 于
TLS-ESPRIT 算法两个数量级。
假设两等功率不相干信号以 (ϕ1 ϕ 2 ) = (100 200 ) ， (θ1 θ 2 ) = ( 300 500 ) 方向
入射 L 阵，信号归一化频率为 ( 0.3 0.2 ) ，信噪比 SNR = 10dB ，改变接收数据快拍
数（由 40 至 200 变化）来检测算法性能随快拍数变化的关系，仿真结果如图 3-5
所示。

25
 -1
0.4 10
CVA-ESPRIT CVA-ESPRIT
TLS-ESPRIT TLS-ESPRIT
0.35
proposed proposed

0.3
-2
10
JRMSE/degree

0.25

RMSE/rad
0.2
-3
10
0.15

0.1

-4
0.05 10
40 60 80 100 120 140 160 180 200 40 60 80 100 120 140 160 180 200
snapshots snapshots

(a) 角度估计联合均方根误差 (b) 频率估计均方根误差

图 3-5 算法估计性能随快拍数变化关系

由图 3-4 及图 3-5 可以看出，所提算法性能比其他两种算法性能优越。这主要

是由于所提算法对阵列进行了充分的扩展，使得阵列孔径加大，从而提高了测向
及测频的性能。
在前面我们提到过，在所提的基于伪协方差矩阵参数估计算法中，时延量 m 的
选择决定了频率估计的性能。下面，我们将对参数 m 的选择对估计结果的影响进
行仿真实验。设信噪比 SNR = 5dB ，快拍数为 100，延时数从 5 到 50 变化，其余
参数如上述设置。仿真结果如图 3-6 所示。
RMSE/rad

-3
10

5 10 15 20 25 30 35 40 45 50
time delay/m

图 3-6 频率估计均方根误差与时延关系

图 3-6 表明，当时延量 m 增大时，算法的频率估计性能得到提高，但同时计算

量也将随之增大，故在实际使用中，应综合考虑对时延量做出折中的选择。

26
 基于伪协方差矩阵多维参数估计算法的主要优势在于充分地扩展了阵列孔
径。下面，我们用仿真实验讨论算法的角度分辨率，以证实算法对孔径的扩展。
假设信号入射角分别为 (ϕ1 ϕ2 ) = (100 100 + Δϕ ) ， (θ1 θ 2 ) = ( 300 500 ) ，归
一化载频为 ( 0.3 0.2 ) ，信噪比 SNR = 10dB ，快拍数取 100， Δϕ 从 0.50 到 30 变化。
DOA 估计联合均方根误差如图 3-7 所示。
2
10
CVA-ESPRIT
TLS-ESPRIT
proposed

1
10
JRMSE/degree

0
10

-1
10
0.5 1 1.5 2 2.5 3
DOA separation/degree

图 3-7 算法角度分辨率

由图 3-7 可知，所提算法角度分辨率优于前两种算法，这是由于算法对于阵列
孔径扩展的结果。

3.4 本章小结

本章分别对信源数估计和多维参数联合估计方法进行了研究。提出基于伪协
方差矩阵的信源数估计方法和计算简单的频率和角度联合估计算法。由于二者充
分利用阵列接收数据的空时信息构造伪协方差矩阵，对阵列进行了有效的扩展，
故具有较好的角度、频率估计精度以及角度分辨率及较好的信源数估计效果。最
后进行的仿真实验充分证实了所提方法所得到的结论。

27
 第四章 快拍数对测向算法性能影响

4.1 引言

在现代军事和民用通信中，跳频通信技术与突发短时通信技术由于具有抗干
扰性、低截获概率等优势而得到了广泛的应用。在非合作接收的情况下，由于跳
频信号跳速及频点的未知常常造成截获数据快拍数较少；而突发通信的时间短暂
也将造成接收数据量的不足。在接收非合作卫星通信信号（如星载侦察系统）时，
由于卫星本身的运动和接收天线波束无法对准也使得系统所能接收到的数据量有
限。此外，在一些复杂多变的环境中，如船只，战机的高速运动情况下，都将使
得接收数据只存在短暂的稳态。在多径严重的情况下，也可能造成接收数据的缺
失。对于基于统计理论的测向算法而言，在这些情况下能够使用的有效数据量将
是不足的。
传统的阵列测向算法，如子空间类算法，虽然具有高精度及超分辨率的特点，
但当快拍数或信噪比下降到一定门限[20, 21]时，算法的性能将迅速下降。MUSIC 算
法对快拍数的要求一般上百快拍。在上述接收环境下，阵列所接收数据快拍往往
达不到测向算法的要求，从而使得测向性能急剧下降。典型的均方误差随信噪比/
快拍数变化曲线如图 4-1 所示[47]。

MSE I II III

Loss

CRB

SNR/snapshot

图 4-1 测向算法性能示意图

28
 图 4-1 中共有三个区域，其中区域 III 被称为渐近区（asymptotic regime）
，在
这个区域中，算法性能成线性，且逼近于 CRB 界；区域 II 中，算法性能呈急剧的
非线性的恶化，这种恶化正是由于算法的门限效应所引起的。而这种门限所对应
的信噪比随算法以及观测数据快拍长度的不同而不同；区域 I 称为无可用信息区，
在这一区域内，算法可视为完全失效。利用图 4-1 可以用来确定算法的信噪比及快
拍数工作门限。
本章将利用随机矩阵理论的相关原理与结论分析快拍数对于传统测向算法性
能的影响，并给出现子空间泄漏的门限值。

4.2 测向算法性能影响因素

为说明测向算法性能的影响因素，在此，我们做以下的仿真实验：
仿真实验一：10 阵元组成的均匀线阵，入射信号数 K = 1 ，入射角为 300 ，信
噪比由 −5dB 到 25dB 变化，每个阵元的采样快拍数 C = N M = [0.2, 0.4,1, 20]（其中，
M 为阵元数， N 为采样快拍数），对于接收数据做 2000 次蒙特卡罗试验，MUSIC
估计均方根误差随信噪比的变化曲线如图 4-2 所示。

2
10
C=0.2
C=0.4
C=1
1 C=20
10
RMSE/degree

0
10

-1
10

-2
10
-5 0 5 10 15 20 25
SNR/dB

图 4-2 单信源不同快拍下 MUSIC 算法测向性能

由图 4-2 可知，在相同的信噪比情况下，MUSIC 算法的测向性能随着 C 值的

提高。且在 C = 0.2 时可以看出此时 MUSIC 算法存在图 4-1 所示的性能陡降区域。
仿真实验二： 10 阵元组成的均匀线阵，入射信号数 K = 3 ，入射角分别为

29
100 ,350 , 400 ，信噪比由 −5dB 到 25dB 变化，每个阵元的采样快拍数 C = [0.2,1, 2, 20] ，
对于接收数据做 2000 次蒙特卡罗试验，MUSIC 估计均方根误差随信噪比的变化曲
线如图 4-3 所示。

2
10

1
10
RMSE/degree

0
10

-1
10
C=0.2
C=1
C=2
C=20
-2
10
-5 0 5 10 15 20 25
SNR/dB

图 4-3 多信源不同快拍下 MUSIC 算法测向性能

由图 4-3 可以看出，对于多信源的情况，尤其是存在入射角较近的信源时，
MUSIC 算法存在着明显的性能陡降区，且随着 C 值的增加，陡降区往低信噪比方
向移动。
仿真实验三：入射信号数 K = 3 ，入射角分别为 100 ,350 , 400 ，信噪比由 −5dB 到
25dB 变化，每个阵元的采样快拍数 C = 0.8 ，阵元数分别为 10，20，30，对于接收
数据做 2000 次蒙特卡罗试验，MUSIC 估计均方根误差随信噪比的变化曲线如图
4-4 所示。
由图 4-4 中可以看出，在相同的 C 值下，MUSIC 算法的性能随着阵元数的增
加而提高。当阵元数 M = 30 时，MUSIC 算法性能曲线只存在如图 4-1 所示的区域
III，而 M = 10 时，在 [−5dB, 25dB] 范围内，区域 I，II 占据了绝大部分，此时可以
认为 MUSIC 算法失效。

30
 2
10

1
RMSE/degree 10

0
10

-1
10

M=10
M=20
M=30
-2
10
-5 0 5 10 15 20 25
SNR/dB

图 4-4 C = 0.8 时不同阵元数下 MUSIC 算法性能

从上述三个仿真实验可以看出：
1）
、阵列测向算法性能随着信噪比的增加而提高；
2)、算法性能随着每阵元所得快拍数 C 的增加而提高；
3）
、在 C 值相同时，算法性能随阵元数的增加而提高；
4）
、当信号源入射角度较近且 C 值较小时，算法性能急剧恶化。
根据上述三个仿真实验证明可以用 C 值的大小来定义阵列测向算法所需数据
长度的多少，当接收数据快拍数小于某一门限时则被认为是短数据。而这一门限
与接收数据信噪比以及所使用的算法都有关系。而这些因素对于测向性能的影响
主要表现在样本协方差矩阵的特征分解上。下面我们将对样本协方差矩阵的随机
特性进行分析。

4.3 样本协方差矩阵的随机特性

本节将利用随机矩阵理论的相关结论对于样本协方差矩阵的特征值分解特性
进行研究。随机矩阵理论是统计学的一个分支，它致力于研究当某些随机矩阵的
维数以同速率无边界增长时，其特征值和特征向量的渐近行为。这里假设：
lim N M → const < ∞ (4-1)
M , N →∞

随机矩阵理论证明在这种情况下所得到的结论也将适用于 M , N = const < ∞ 的

31
情况下。在此，我们所关心的是无限随机矩阵特征值极限分布（limiting distribution）
的特性。
A． Wishart 随机矩阵
如果阶数为 M × N 的矩阵 X ，其每列为相互独立的零均值方差为 σ 2 的（实/
复）高斯向量，则随机矩阵 R = XX H 是一个（实/复）Wishart 随机矩阵，且其自由
度为 N ，方差为 σ 2 ，即 R ∼ WM ( N , σ ) 。在复数情况下，其概率密度函数为：
π − M ( M −1) 2
fA ( B) = exp ⎡⎣ −tr {σ −1 B}⎤⎦ det B N − M (4-2)
det σ ∏ ( N − i )!
N M
i =1

而在加性高斯白噪声背景的假设前提下，阵列接收数据矩阵每列即为相互独
立的零均值方差为 σ 2 的复高斯向量，样本协方差矩阵为服从 Wishart 分布的随机
矩阵。
B．极限分布的确定性
阶数为 M × N 的随机矩阵 X ，在 M 及 N 以同速率趋于无穷大且 M N 是一个
常数时，其特征值的经验极限分布为一确定的概率分布。
C．代数随机矩阵的定义及性质
令 F A ( x ) 表示一系列随机矩阵 AN 特征值的极限分布，如果存在一二元多项式
Lmz ( m, z ) 使得
1
mA ( z ) = ∫ dF A ( x ) z∈ +
\
x−z
是 Lmz ( mA ( z ) , z ) = 0 的一个解，那么 AN 称为代数随机矩阵，其概率密度函数
f A = dF A 称为代数密度。
由上述定义可知，代数随机矩阵其特征值极限分布与一二元多项式一一对应。
而样本协方差矩阵属于代数随机矩阵，可以用一二元多项式表示其特征值的极限
分布。
D． 特征值的分布规律
阶数为 M × N 的随机矩阵 X ，存在 R = XX H ，其特征值总是分布在包含特定
特征值的簇（cluster）里。这些簇的位置分布与 C 值（ C = N M ）有关。当 C 值大
时，各簇之间可以分辨开来；当 C 值小时，则所有的簇逐渐融合为一个簇。
为了说明随机矩阵的特征值的分布规律，我们做以下的仿真实验：
假设随机矩阵 AN 和 BN 的极限分布为：
f A ( x ) = f B ( x ) = 0.5δ ( x − 2 ) + 0.5δ ( x − 1) (4-3)

32
 则其 Stieltjes 变换为：
0.5 0.5
mA ( z ) = mB ( z ) = + (4-4)
2 − z 1− z
对应的二元多项式为：
LAmz = LBmz = ( −6 z + 2 z 2 + 4 ) m + 2 z − 3 (4-5)

令 CN = AN BNH ，则：
6 4
LCmz = ∑∑ ⎡⎣Tmzc ⎤⎦ m j −1 z k −1 (4-6)
jk
j =1 k =1

其中， c = 1 C ，

⎡ −18c + 18c 2 18c − 9 4 0 ⎤

⎢ ⎥
⎢ −108c + 36c + 72c −112c + 18 + 130c −18 + 54c
2 3 2
4 ⎥
⎢ 64c 2 + 64c 4 − 128c3 72c − 324c 2 + 288c 3 224c 2 − 112c 36c ⎥
Tmzc = ⎢ ⎥。
⎢ 0 64c 2 − 256c3 + 192c 4 360c 3 − 216c 2 112c 2 ⎥
⎢ 0 0 192c 4 − 128c 3 114c 3 ⎥
⎢ ⎥
⎣⎢ 0 0 0 64c 4 ⎦⎥

5
c=0.25
4.5 c=0.001
c=0.05
4

3.5

2.5

1.5

0.5

0
0 1 2 3 4 5 6 7

图 4-5 不同 C 值下的特征值分布情况

由(4-6)式，我们可以求得不同 C 值情况下的特征值极限分布，如图 4-5 所示。

当 1 C = 0.25 时，各特征值分布在同一簇内不可分； 1 C = 0.001 时，各特征值分布
在不同的簇内，相互不交叠，且分布方差比 1 C = 0.05 时小。

33
 而对于阵列的样本协方差矩阵其特征值分布也随 C 值而变化。考虑等功率四
个信号分别从 −200 , −100 ,350 ,370 方向入射到由 20 阵元组成的均匀线阵，采样快拍
数 N = 15 ，信噪比 SNR = 0dB 。对样本协方差矩阵进行特征分解，在 4000 次蒙特
卡罗实验，统计其分布直方图如图 4-6 所示。

800
NS SS

700

600

500
Number

400

300

200

100

0
0 10 20 30 40 50 60
Eigenvalue

图 4-6 样本协方差矩阵特征值分布直方图

其中，从右至左依次为 λ1 > λ2 > λ3 > λ4 > λelse ，SS（即 λ1 ∼ λ4 ）代表信号子空

间，而 NS（即 λelse ）则代表着噪声子空间。由图 4-6 可以看出，在 C = 0.75 的情况
下，信号子空间与噪声子空间存在着部分的交叠，且信号子空间的两个特征值 λ3 与
λ4 之间也存在着交集，从而影响算法分辨率。上述这些都将使得子空间类测向算
法的性能下降。

4.4 快拍数对于测向算法性能的影响

随机矩阵理论的结论证明样本协方差矩阵为服从 Wishart 分布的随机矩阵，其

特征值极限分布服从一定的规律，而上节的仿真实验也证明快拍数对于测向性能
的影响主要表现在样本协方差矩阵特征值分布的混叠，从而造成子空间泄漏
（subspace swap）以及算法分辨率的下降上。下面我们将结合随机矩阵理论相关结
论来分析快拍对于子空间类算法（尤其是 MUSIC 算法）测向性能的影响。

34
4.4.1 子空间泄漏

记阵列接收数据的协方差矩阵为：
R = E {XX H }
(4-7)
= AR S A H + σ 2 I

其中， A 为阵列导向矢量矩阵，R S 为信号协方差矩阵，σ 2 为加性高斯白噪声的方

差。由于信号与噪声相互独立，数据协方差矩阵可以分解为与信号、噪声互不相
关的两部分， AR S A H 为信号部分。
对 R 进行特征值分解有：
R = U S Σ S U SH + U N Σ N U HN (4-8)

式中，U S 是由大特征值对应的特征向量张成的子空间，也即信号子空间，而 U N 是
由小特征值对应的特征向量张成的噪声子空间。
子空间类测向算法的核心思想就在于利用噪声子空间与信号子空间之间的正
交性，即信号子空间中的导向矢量与噪声子空间正交性进行测向的：
a H (θ ) U N = 0 (4-9)

当这种正交性被破坏后，测向性能自然也将随之下降。考虑等功率三个信号
分别从 −200 , −100 ,300 方向入射到由 20 阵元组成的均匀线阵，
采样快拍数 N = 5, 40 ，
信噪比 SNR = 0dB 。对样本协方差矩阵进行特征分解，在 4000 次蒙特卡罗实验，
其特征值分布情况如图 4-7 所示。

500 600

450
500
400

350
400
300
Number

Number

250 300

200
200
150

100
100
50

0 0
0 10 20 30 40 50 60 70 80 0 5 10 15 20 25 30 35 40
Eigenvalue Eigenvalue

(a) N =5 (b) N = 40

图 4-7 不同采样快拍下协方差矩阵特征值分布直方图

图 4-7 给出了较大的四个特征值（ λ1 > λ2 > λ3 > λ4 ）的分布情况。由图 4-7 可

35
以看出，当采样快拍数 N = 5 时，即 C = 0.25 ， λ2 , λ3 , λ4 所在的簇交叠在一起，此
时噪声子空间与信号子空间之间存在着混叠现象；当 N = 40 ，即 C = 2 时，各特征
值所在的簇是独立分开的，此时噪声子空间与信号子空间之间是完全独立的。可
见，采样快拍数决定着样本协方差矩阵中噪声子空间与信号子空间之间的正交性，
从而影响到测向算法的性能。
下面，我们将讨论出现子空间泄漏的门限值[24]。
根据随机矩阵特征值分布规律，假定协方差矩阵的第 m 个特征值为 λm ，
m = 1, 2, , M （表示协方差共有 M 个不同的特征值，每个特征值的重数为 K m ）。
要使得 λm 从 λm −1 与 λm +1 的簇中分离出来，则必须满足：
N
> ξ ( m ) , ξ ( m ) = max β ( j ) (4-10)
M j∈( m , m −1)

2
1 M ⎛ λr ⎞
βj =
M
∑ Kr ⎜
⎜ λ − f ⎟⎟
(4-11)
r =1 ⎝ r j ⎠

其中， 0 < j < M ， β ( 0 ) = β ( M ) = 0 ，系数 f j 是满足式(4-12)的 M − 1 个实数解。

1 M
λm2
∑ Km =0 (4-12)
( λm − f )
3
M m =1

其中， f1 > f 2 > > f min 。

由(4-10)~(4-12)式可得，采样快拍数与阵列阵元数之比，即 C 决定了噪声子空
间特征值能否与信号子空间的特征值分开，即：
2
N 1 M
⎛ λr ⎞
C= >
M M
∑ ⎜ ⎟
r =1 ⎝ λr − f min ⎠
(4-13)

如果每个阵元的快拍数大于(4-13)式右侧的门限，则信号子空间与噪声子空间
在样本协方差矩阵特征值的极限分布中可以分离开，如图 4-7(b)所示，此时子空间
泄漏发生的概率为零。
为了简化对(4-8)式对应模型的分析，考虑 Johnstone 提出的一种尖协方差矩阵
模型（spiked population covariance matrix model）[48]，其描绘了带噪声的平面入射
波的协方差矩阵的渐近性。这种模型从本质上来说是将一般情况进行简化，假定
信号子空间在渐近区域内是微不足道的，而噪声子空间的维数与阵元数相当，信
号子空间维数保持不变。在这种简化下（假设信源数 K 保持不变，而阵元维数
M → ∞）
，(4-13)式的渐近子空间分离条件（asymptotic subspace splitting condition）
可以写成：

36
 2
N ⎛ λM ⎞
>⎜ ⎟ (4-14)
M ⎝ λM − λK ⎠

其中，λ1 ≥ λ2 ≥ ≥ λK ≥ λK +1 = = λM = σ 2 ， K 为信源数，λi 为协方差矩阵的真实

特征值。
(4-14)式还可以写成：

(
λˆK > λM 1 + γ ) (4-15)

其中， γ = M N = 1 C ， λˆK 为估计特征值。

在实际应用中，对于(4-15)式可以写成：

(
λˆK > λˆK +1 1 + γ ) (4-16)

当样本协方差矩阵特征值满足(4-16)式时，则表示子空间之间不存在着泄漏。
本文中以是否满足(4-16)式作为短数据的定义。
为描述子空间之间的泄漏情况，我们还可以进行如下的定义：

ˆ E
e Hj E ˆ H > eH E
ˆ EˆH
N Nej S S ej (4-17)
<
j

其中，e j 表示真实协方差矩阵代表信号子空间的特征向量中的一列，E ˆ 和E
ˆ
S N
H ˆ
分别表示估计的信号子空间和噪声子空间。当 e E E ˆ e >e E
H H ˆ E
ˆ e 时，则表示信
H
j N N j j S S j

号子空间泄漏到噪声子空间中。或者也可以等效的写成：

ˆ E
e Hj E ˆ H > 0.5
S S ej (4-18)
<

S S e j < 0.5 则存在子空间泄漏。

ˆ E
当 e Hj E ˆH
仿真实验：等功率三个信号分别从 −200 , −100 ,300 方向入射到由 10 阵元组成的
均匀线阵，信噪比 SNR = 0dB 可以求出在不同信噪比下协方差矩阵的真实特征值
Eig ( M , SNR ) 为：
Eig (10, 0 ) = [12.8738,11.5314,8.5896,1, ,1] (4-19)

由(4-15)式可知，不发生子空间泄漏的条件是样本协方差矩阵特征值：

( )
λK > λM 1 + γ = 1 + 1 C (4-20)

当 C = 0.5 时，对样本做 4000 次蒙特卡罗实验，可得样本协方差矩阵特征值分

布如图 4-8(a)所示（图中给出了较大四个特征值的分布情况）
，其中，满足(4-20)式

37
的概率为 67.775%；当 C = 1 时，样本协方差矩阵特征值分布如图 4-8(b)所示，其中，
满足(4-20)式的概率为 100%。

700 800

600 700

600
500

500
400
Number

Number
400
300
300

200
200

100 100

0 0
0 5 10 15 20 25 30 35 0 5 10 15 20 25 30
Eigenvalue Eigenvalue

(a) C = 0.5 (b) C =1

图 4-8 样本协方差矩阵特征值分布

4.4.2 算法分辨率

为了讨论短数据对于算法分辨率的影响，我们对于两个角度 θ1 和 θ 2 分辨率定
义为：
αˆ (θ1 ,θ 2 ) = −2a H (θ* ) Eˆ S Eˆ SH a (θ* ) + a H (θ1 ) Eˆ S Eˆ SH a (θ1 ) + a H (θ 2 ) Eˆ S Eˆ SH a (θ 2 ) (4-21)

其中， θ* = (θ1 + θ 2 ) 2 ， a (*) 为阵列的导向矢量。

若 αˆ (θ1 , θ 2 ) > 0 则表示 θ1 ，θ 2 可分辨。也就是说，在样本 MUSIC 伪谱中，θ* 的
伪谱在 θ1 ， θ 2 连线的中点的下方。
下面用仿真实验说明每个阵元的采样快拍数 C 与算法分辨率之间的关系。
考 虑 10 阵 元 组 成 的 均 匀 线 阵 ， 入 射 信 号 数 K = 4 ， 入 射 角 分 别 为
−200 , −100 ,350 ,370 ， 信 噪 比 SNR = −5dB, 0dB, 22dB ， 每 个 阵 元 的 采 样 快 拍 数
C = 0.8 ，对于接收数据做 4000 次蒙特卡罗试验，信号子空间所对应的样本协方差
矩阵特征值（即较大的四个特征值）及 αˆ (θ3 ,θ 4 ) 的分布如图 4-9 所示。

38
 350 300

300
250

250
200

200
Number

Number
150
150

100
100

50
50

0 0
0 5 10 15 20 25 30 -1 -0.5 0 0.5 1 1.5 2
Eigenvalue α x 10
-4

(a) SNR = −5dB 样本特征值分布 (b) SNR = −5dB 时 αˆ (θ 3 ,θ 4 ) 分布

350 300

300
250

250
200

200
Number

150
150

100
100

50
50

0 0
0 10 20 30 40 50 60 70 -1 -0.5 0 0.5 1 1.5 2
Eigenvalue -4
x 10

(c) SNR = 0dB 样本特征值分布 (d) SNR = 0dB 时 αˆ (θ 3 ,θ 4 ) 分布

700 400

600 350

300
500

250
400
Number

200
300
150

200
100

100 50

0 0
0 1 2 3 4 5 -4 -2 0 2 4 6 8 10 12 14 16
10 10 10 10 10 10
-5
Eigenvalue x 10

(e) SNR = 22dB 样本特征值分布 (f) SNR = 22dB 时 αˆ (θ 3 ,θ 4 ) 分布

图 4-9 样本协方差矩阵特征值及 αˆ (θ 3 ,θ 4 ) 分布

39
 从图 4-9 可以看出，样本协方差矩阵信号子空间对应的特征值分布随着信噪比
的增加而不再重叠在一起。信噪比 SNR = −5dB 时， αˆ (θ 3 ,θ 4 ) 有一部分值处于负半
轴，但当 SNR = 22dB 时，αˆ (θ3 ,θ 4 ) > 0 ，表示此时 MUSIC 算法可以完全分辨 θ3 = 350
和 θ 4 = 37 0 两个信号。实验表明随着信噪比的增加，MUSIC 算法的角度分辨率随之
提高。不同信噪比及 C 值所对应的 αˆ (θ 3 ,θ 4 ) 均值如表 4-1 所示。在相同的信噪比下，
C = 3 时 αˆ (θ3 ,θ 4 ) 均值均大于 C = 0.8 时。可见，当每个阵元的采样快拍数增大，
MUSIC 算法的分辨率随之提高。

表 4-1 αˆ (θ3 ,θ 4 ) 均值
−5dB 0dB 22dB
C = 0.8 4.5589 × 10−5 6.6185 ×10−5 7.7453 ×10−5
C =3 6.8402 ×10−5 7.4841×10−5 7.7460 ×10−5

4.5 本章小结

本章利用随机矩阵理论相关结论分析了快拍数对于传统子空间类阵列测向算
法性能的影响。快拍数对于测向性能的影响主要表现在样本协方差矩阵的特征值
分解上，从而造成了传统子空间类算法的子空间间的泄漏和算法分辨率的下降。
在分析子空间泄漏中，给出了子空间泄漏的门限，并将其作为短数据的定义。

40
 第五章 短数据测向算法

5.1 引言

在前一章中，我们利用随机矩阵理论分析了快拍数对于传统子空间类算法的
影响。跳频通信与突发短时通信等低截获技术的广泛应用，非合作接收时，接收
天线波束的无法对准等所造成的短数据情况，对于传统阵列测向系统提出了新的
挑战。
为了处理短数据的情况，学者们提出了一些直接数据域自适应（DDDA）类方
[22, 23]
法 。Kim[22]提出了一种适用于相干情况的利用单快拍构造为协方差矩阵进行
快速测向的方法，但该算法对阵元数的要求较高。从上一章的分析可知，子空间
类算法的性能下降现象包括子空间泄漏及算法分辨率的下降。故，近来提出了一
些基于调整信号子空间与噪声子空间类算法[24-26]。同时，文献[27]中还提出了一种
基于稀疏信号描述的非参数最小均方迭代的幅度相位估计（IAA-APES）算法。该
算法不需估计信源个数，但计算量过大，且需预知噪声方差。
本章将详细分析两种现有的调整子空间类算法，并在 IAA-APES 算法的基础
上提出一种参数化的 IAA-APES，该算法不基于稀疏信号描述，对于非参数化方法
具有很大的计算量优势，且具有较好的测向性能。

5.2 GMUSIC 算法

5.2.1 算法原理

由于 MUSIC 算法在快拍数过短的情况下测向性能差， X. Mestre 等 [49] 在

Girko[50]提出的 G 估计器的基础上，对传统 MUSIC 算法的子空间进行调整，提出
了 GMUSIC（General MUSIC）算法。
G 估计理论正好为某个特定条件下，即样本大小无限增长，观测空间的维数
也在以同速率无限增长，得到一致估计器提供了一种架构。G 估计理论的核心思
想在于开发利用在渐近区域内的样本协方差矩阵的特征值或特征向量与真实协方
差矩阵的特征值或特征向量之间的联系，再利用斯特尔斯变换（Stietjes transforms）

41
产生有别于传统 N 一致估计器的 M , N 一致估计器（这里， M 为阵元数， N 为快
拍数）
。
根据随机矩阵理论，在 G 渐近的条件下，即 M N = C & M , N → ∞ 时，随机矩
阵的特征值极限分布 F ( M ) ( λ ) 趋于一个确定性函数 F ( M ) ( λ ) ，即：
F (M ) (λ ) − F (M ) (λ ) → 0 (5-1)

MUSIC 算法的伪谱由接收信号的协方差矩阵决定，而样本协方差矩阵 R̂ 正是
一个在高斯白噪声污染下的随机矩阵。由此，我们根据(5-1)式可以推断在一定条
件下也有一个确定性函数 η (M , N ) (θ ) 可以表征 MUSIC 算法得到的伪谱 η(M , N ) (θ ) ，
即：
(M ,N ) (M ,N )
η MUSIC − η MUSIC →0 (5-2)

经推导[49]可得：
(M ,N ) 1
η MUSIC = (5-3)
⎛ M
⎞
a (θ ) ⎜ ∑ Em EmH ⎟ a (θ )
H

⎝ m = M − K +1 ⎠

(M ,N ) 1
η MUSIC = (5-4)
⎛ M
⎞
a (θ ) ⎜ ∑ w ( m ) Em EmH ⎟ a (θ )
H

⎝ m =1 ⎠

其中， E 为样本协方差矩阵特征向量所构成的矩阵， a (θ ) 为阵列导向矢量，

⎧ 1 M
⎛ σ2 μ1 ⎞
⎪1 − ∑ ⎜
⎪ M − K k = M − K +1 ⎝ λk − σ
2
− ⎟, m ≤ M − K
λk − μ1 ⎠
w ( m) = ⎨ 。
⎪ σ2 μ1
⎪ − , m>M −K
⎩ λ m − σ 2
λ m − μ 1

式中， μk 满足：
1 M
λk 1 M
M
∑λ
k =1 −μ
=
c
，c =
N
。
k

所以，我们定义 GMUSIC 伪谱如下：

(M ,N ) 1
ηGMUSIC = (5-5)
⎛ M
⎞
a (θ ) ⎜ ∑ w ( m ) Em EmH ⎟ a (θ )
H

⎝ m =1 ⎠

其中，

42
 ⎧ 1 M
⎛ σ2 μ1 ⎞
⎪1 − ∑ ⎜
⎪ M − K k = M − K +1 ⎝ λk − σ
2
− ⎟, m ≤ M − K
λk − μ1 ⎠
w ( m) = ⎨ (5-6)
⎪ σ2 μ1
⎪ − , m>M −K
⎩ λm − σ 2
λm − μ1

1 M
λk N
M
∑λ
k =1 −μ
=C =
M
(5-7)
k

5.2.2 仿真实验

为了验证 GMUSIC 算法的性能，我们利用计算机进行了数值仿真实验。考虑

10 阵元均匀线阵，阵元间距为 λ 2 ，对接收数据作 2000 次独立的蒙特卡罗实验，
比较 GMUSIC 算法与 MUSIC 算法的性能。
首先，我们检测算法性能随信噪比的变化。等功率不相干的 2 个独立信号分
别从 (300 ,500 ) 方向入射，快拍数取 N = 5 ，即 C = N M = 0.5 ，信噪比 SNR 从 −5dB
到 15dB 变化。GMUSIC 算法与 MUSIC 算法 DOA 估计均方根误差 RMSE 随信噪
比变化曲线如图 5-1 所示。
RMSE of DOA Estimation
6
GMUSIC
MUSIC
5

4
RMSE/degree

0
-5 0 5 10 15
SNR/dB

图 5-1 DOA 估计均方根误差与信噪比关系

由图 5-1 可以看出，在 C = 0.5 的情况下，GMUSIC 算法性能优于 MUSIC 算

法，尤其是在低信噪比的情况下。但随着信噪比的增加，二者的性能差距逐渐减
小。

43
 为了验证算法性能随快拍数的变化，设信噪比 SNR = 5dB 。各算法中参数的设
置同上实验，C 值从 0.4 到 2 变化，GMUSIC 算法 MUSIC 算法 DOA 估计均方根误
差 RMSE 随快拍数变化曲线如图 5-2 所示。
RMSE of DOA Estimation
1.8
GMUSIC
1.6 MUSIC

1.4

1.2
RMSE/degree

0.8

0.6

0.4

0.2
4 6 8 10 12 14 16 18 20
snapshots

图 5-2 DOA 估计均方根误差与快拍数的关系

由图 5-2 可以看出，GMUSIC 算法只在 C 值较小的情况下其性能优势大，而

当 C = 2 时，其测向性能与 MUSIC 相当。

5.3 GSSMUSIC 算法

5.3.1 算法原理

在导出 GSSMUSIC 估计器的计算公式以前我们先给出一些符号表示和预备知

识。对于给定的矩阵 A ∈ N ×r
，用 A 表示由 A 的 r ( r ≤ N ) 列列向量张成的 N
的
线性子空间。在子空间 A 上的投影，由投影矩阵表示为 PA ，在 A 的正交空间
上的投影称为 A 的正交投影，其投影矩阵记为 PA⊥ ，并且 PA⊥ = I − PA 。子空间 A 和
其零空间 B 上的斜投影由投影矩阵 E AB = A(A H PB⊥ A)−1 APB⊥ 表示，该矩阵是一个非
对称幂等矩阵,且有以下性质：
E AB A = A;E AB B = 0 (5-8)

P[ AB] = E AB + EBA (5-9)

44
 考虑 K 个不相干的信号源入射至由 M 个阵元构成的均匀线阵，其接收数据向
量可表示为：
K
y = x + n = ∑ a (θi ) βi + n
i =1 (5-10)
Aβ + n

其中， β i 为第 i 个复信号的幅度。如果我们特别关心来自某一个方向的信号，那么
式(5-10)可以改写为：
y = a (θ i ) βi + B (θi ) α i + n (5-11)

其中，导向向量矩阵 B (θ i ) = A ∼ a (θi ) 包含 K − 1 个干扰源， α i = β ∼ β i 表示相应的

源的复幅度。由此我们可以得到协方差矩阵：
R = ASA H + σ 2 I
(5-12)
= a (θi ) si a H (θi ) + B (θi ) Si B H (θi ) + σ 2 I

其中，S = diag {s1 , s12 ...sK } 为互不相关信号源的功率组成的对角阵，a (θi ) si a H (θ i ) 为

一个辐射源构成的秩为 1 的协方差矩阵， Si = E{αα H } 为由干扰源的功率构成的对
角阵。不含噪声的信号协方差矩阵为：
⎧ R − σ 2 I = ASA H
⎪
R A = ⎨a (θi ) si a H (θi ) + B (θ i ) Si B H (θi ) (5-13)
⎪ U A Σ A U AH
⎩
其中， U A 表示信号子空间， U O 为噪声子空间。 PA , PO 分别表示到信号子空间
和噪声子空间的投影矩阵。可以从测量向量中在最小二乘意义下进行源分离，得
到关心的辐射源。

( )
−1
a (θi ) βˆi = Ea(θi )B(θi ) y = a (θi ) a (θi ) PB⊥(θi )a (θi ) a (θ i ) PB⊥(θi ) y
H H
(5-14)

由此推广，易有式(5-15)成立。
Ea(θi )B(θi ) ( R − σ 2 I ) EaH(θi )B(θi ) + EB(θi )a(θi ) ( R − σ 2 I ) EBH(θi )a(θi ) = R A (5-15)

并且有 Ea(θi )B(θi ) = ( a H (θi ) R +A a (θi ) ) a (θi ) a H (θi ) R +A 。

−1

令斜投影矩阵 Fa(θ ) 及其零空间矩阵 G a(θ ) 为：

1
Fa(θ ) = a (θ ) a H (θ ) R +A (5-16)
a (θ ) R A a (θ )
H +

45
 G a(θ ) = PA − Fa(θ ) (5-17)

代入式(5-15)有：
Trace {R A } + 2a (θ ) PO a (θ ) ( a* (θ ) R +A a (θ ) ) ≥ Trace {R A }
*
(5-18)

其中， Trace {•} 代表矩阵的迹。

有了以上的数学知识，我们就可以得到 DOA 估计的新技术 SSMUSIC 估计（a
signal subspace scaled MUSIC 估计）
。SSMUSIC 的思想就是在选定的关心角度区域
进行角度扫描，计算出一个由斜投影矩阵 Fa(θ ) 导出的一个总体信号功率 Trace {R A }
的误差。由式(5-18)知，当 a (θ ) POa (θ ) ( a H (θ ) R +A a (θ ) ) = 0 时，功率误差为零。
H

也就是找一个 θ k 使得这两个二次型之比最小，或者其倒数达到最大值。其中，
ˆ + , Pˆ 都是有样本数据得到：
ˆ ,R
R A O

⎡Λˆ2 0 ⎤ ⎡U ˆH⎤
ˆ ⎡ ˆ ˆ ⎤
R = ⎣U A UO ⎦ ⎢ A
⎥⎢ H ⎥ (5-19)
2 ˆ
ˆ ⎦⎥ ⎢ U
⎣⎢ 0 Σ ⎣ O ⎥⎦

( )
M −K
1 ˆ2 = 1
σˆ 2 =
M −K
Tr Σ
M −K
∑ λˆ
k =1
k (5-20)

Pˆ O = U
ˆ UˆH
O O (5-21)

ˆ+ =U
R A
ˆ Λ
A (
ˆ 2 - σˆ 2 I U
ˆH
A ) (5-22)

由此得到 SSMUSIC 的伪谱如下：

(M ,N ) a H (θ ) R
ˆ + a (θ )
η SSMUSIC = H A
(5-23)
a (θ ) P a (θ )
ˆ
O

由式(5-23)可以看出，SSMUSIC 的提出主要是考虑了阵列协方差矩阵子空间
模型和阵列协方差矩阵信号加噪声的模型之间的联系。
其分母和 MUSIC 算法一致，
其分子是一个方位响应函数，该函数更加精准地利用了信号子空间的信息。
若 Pˆ 投影到真正的噪声子空间，那么 MUSIC 和 SSMUSIC 一致。但正是由于
O

短数据、低 SNR、相干信号等原因，使得 Pˆ O 是较差的真实噪声子空间的反映。这

样就会使得 MUSIC 找到错误的来波方向，包括找到的不存在的伪来波方向或着遗
漏某个来波方向，特别是在两个方向角靠得较近时，也就是通常所讲的 MUSIC 分
辨率问题。SSMUSIC 算法处理子空间失配是在分子使用信号子空间这个方程。该
方程开发了真实协方差矩阵的更多结构，并且比 MUSIC 在有限数据长度方面更具

46
鲁棒性，当有相关非零信号时，SSMUSIC 也有比 MUSIC 更好的鲁棒性。同时，
应该注意到 SSMUSIC 估计器并不是加权的 MUSIC 算法。因为 SSMUSIC 是两个
二次型的比值，它利用的是信号子空间和噪声子空间的信息，而加权的 MUSIC（如
前文的 GMUSIC）仍然仅仅就利用噪声子空间的信息。
同样，SSMUSIC 和 MUSIC 一样在 G 渐近理论前提下有其自身的极限确定性
函数。当以上三个先验条件都成立时，在 G 渐近条件下，即 M N = C & M , N → ∞
时，有：
(M ,N ) (M ,N )
η SSMUSIC − η SSMUSIC →0 (5-24)

其中，
⎛M ⎞
a H (θ ) ⎜ ∑ u ( m ) e me mH ⎟ a (θ )
(M ,N )
η SSMUSIC = ⎝ m =1 ⎠ (5-25)
⎛ M
⎞
a H (θ ) ⎜ ∑ w ( m ) e me mH ⎟ a (θ )
⎝ m =1 ⎠
⎧ 1 M
⎛ σ2 μ1 ⎞
⎪1 − ∑ ⎜
⎪ M − K k = M − K +1 ⎝ λk − σ
2
− ⎟, m ≤ M − K
λk − μ1 ⎠
w ( m) = ⎨ (5-26)
⎪ σ2 μ1
⎪ − , m>M −K
⎩ λm − σ 2
λm − μ1

⎧ 1 M
⎛ μk ρk ⎞
⎪ ∑ ⎜ − ⎟, m≤M −K
⎪ σ k = M − K +1 ⎝ λm − μk λm − ρ k ⎠
2

u ( m) = ⎨ (5-27)
⎪− N + 1
M
⎛ μk ρk ⎞
2 ∑
⎪ λ σ k = M − K +1 ⎜ λ − μ − λ − ρ ⎟, m > M − K
⎩ m ⎝ m k m k ⎠

⎛ C M
λk ⎞
σ 2 = σ 2 ⎜1 − ∑ 2 ⎟
k = M − K +1 λk − σ ⎠
(5-28)
⎝ M

其中 μ1 ≤ ... ≤ μ M ， ρ1 ≤ ... ≤ ρ M 分别是式(2-54)中 μ 和 ρ 的实值解。

1 M
λk 1 ⎛ C M
λk ⎞
M
∑λ
k =1 −μ
= , ρ ⎜1 −
C ⎝ M
∑λ
k =1
⎟ =σ
−ρ ⎠
2
(5-29)
k k

从式(5-24)和式(5-25)，可以看出 SSMUSIC 伪谱的极限分布（GSSMUSIC）的

分母和 MUSIC 的极限分布（GMUSIC）一致，而分子是采用不同于分母加权值的
子空间加权值。SSMUSIC 伪谱在 G 渐近条件下收敛的证明在文献[49]中详细给出。

47
5.3.2 仿真实验

为了验证 GSSMUSIC 算法的性能，我们利用计算机进行了数值仿真实验。考

虑 10 阵元均匀线阵，阵元间距为 λ 2 ，对接收数据作 2000 次独立的蒙特卡罗实验，
比较 GSSMUSIC 算法与 MUSIC 算法的性能。
2 2
10 10

1 1
10 10
RMSE/degree

RMSE/degree
0 0
10 10

MUSIC MUSIC
GSSMUSIC GSSMUSIC
-1 -1
10 10
15 20 25 30 35 40 45 5 10 15 20 25 30 35
SNR/dB SNR/dB

(a) C = 0.5 (b) C = 0.8

2 2
10 10

1
10

1
10
RMSE/degree

RMSE/degree

0
10

0
10

-1
10

MUSIC MUSIC
GSSMUSIC GSSMUSIC
-1 -2
10 10
0 5 10 15 20 25 -5 0 5 10 15 20 25
SNR/dB SNR/dB

(c) C = 1.2 (d) C=2

2 2
10 10

1 1
10 10
RMSE/degree

RMSE/degree

0 0
10 10

-1 -1
10 10

MUSIC
MUSIC
GSSMUSIC
GSSMUSIC
-2 -2
10 10
-10 -5 0 5 10 15 20 -10 -5 0 5 10 15 20
SNR/dB SNR/dB

(e) C=6 (f) C = 600

图 5-3 不同条件的下 GSSMUSIC 算法的均方根误差曲线

48
 考 虑 等 功 率 不 相 干 的 3 个 独 立 信 号 分 别 从 (10 ,35 , 40 ) 方向入射，
C = N M = (0.5, 0.8,1.2, 2, 6, 600) ，信噪比 SNR 从 −10dB 到 20dB 变化。GSSMUSIC
算法与 MUSIC 算法 DOA 估计均方根误差 RMSE 随信噪比变化曲线如图 5-3 所示。
从图 5-3 可以看出，随着 SNR 的增加，GSSMUSIC 和 MUSIC 算法的均方根
误差下降，即方向估计随着信噪比的增加更加准确，并且 GSSMUSIC 算法由于采
用了改进算法，其性能优于 MUSIC。同时可以看出， C 值越小，在低信噪比的情
况下 GSSMUSIC 算法的优越性越明显，随着 C 值的增大，GSSMUSIC 算法的优势
逐渐减弱，如图 5-3(f)所示，当 C = 600 ， SNR = 5dB 时，GSSMUSIC 和 MUSIC
的均方根误差的差异甚微。

5.4 P-IAA-APES 算法

以上所讨论的两种算法均为子空间类测向算法，不同于传统的 MUSIC 算法，

二者对于信号子空间与噪声子空间进行了调整。本节将提出一种迭代算法实现对
短数据阵列测向。P-IAA-APES 算法的基本思想是，首先，DAS 波束形成器用于
对信号到达角进行初始估计，然后用最小均方准则及幅度相位估计算法（APES）
对协方差矩阵进行迭代更新直至收敛。

5.4.1 算法原理

在信号不相干的情况下，假设信号源个数已知或已估计出，记 P 为由信号功率
构成的 K × K 维的对角矩阵，其对角元素 Pk 为：
N
1
Pk = ∑ s ( n) , k = 1,
2
k ,K (5-30)
N n =1

定义干扰（不在感兴趣方向 θ k 的信号）和噪声协方差矩阵 Q (θ k ) ：
Q (θ k ) = R − Pk a (θ k ) a H (θ k ) (5-31)

其中，
R A ( θ ) PA H ( θ ) + σ 2 I (5-32)

定义加权最小二乘代价函数为：
N

∑ x(n) − s (n)a (θ ) H 2
(5-33)
k k Q −1 (θ k )
n =1

49
 x H Q −1 (θ k ) x ， sk ( n ) 表示方位角为 θ k 的信号。
2
其中， x Q −1 (θ k )

由(5-33)式可得：
N
sˆk ( n ) = min ∑ x(n) − sk (n)a H (θ k )
2

sk ( n ) Q −1 (θ k )
n =1
(5-34)
a (θ k ) Q −1 (θ k ) x(n)
H

= H , n = 1, ,N
a (θ k ) Q −1 (θ k ) a (θ k )

对于式(5-31)利用矩阵求逆引理，(5-34)式可写成：
a H (θ k ) R −1x(n)
sˆk ( n ) = , n = 1, ,N (5-35)
a H (θ k ) R −1a (θ k )

由(5-35)式可求得各信号波形进而计算功率。而后更新(5-35)式中 R 矩阵，不
断迭代直至收敛。
由于(5-32)式中噪声方差 σ 2 未知，且在短数据情况下，用最大似然法对于 σ 2 进
行估计存在比较大的偏差，尤其在低信噪比时。在此，采用 DMR（Dominant Mode
Rejection）算法[51]对于噪声功率进行估计。
对接收数据的协方差矩阵 R̂ 进行特征值分解，可得：
rank
ˆ = ∑ λ u uH
R (5-36)
n n n
n =1

其中，rank 为 R̂ 矩阵的秩。
DMR 算法构造新的协方差矩阵的逆为：
K rank
−1
RDMR = ∑ λn−1u n u nH + ∑α −1
u n u nH (5-37)
n =1 n = K +1

rank
1
其中， α =
rank − K
∑λ
n = K +1
n ，即为噪声方差。

综上，可得 P-IAA-APES 算法流程如表 5-1 所示。

算法中的收敛条件可根据实际测向精度要求进行调整。
P-IAA-APES 由于未进行样本协方差矩阵的特征值分解，避免了在 EVD 的过
程中，对于信号子空间和噪声子空间的强行分离，从而造成两空间的不正交。
P-IAA-APES 通过迭代的过程更新信号功率使得该算法更适合于短数据的情况。

50
 表 5-1 P-IAA-APES 算法流程

N
1
∑ a (θ ) x ( n )
2
Pˆk = H
DAS 波束形成
( a (θ ) a (θ ) )
2 k
H
N n =1
k k

rank
1
σ DMR
2
=
rank − K
∑
n = K +1
λn

Repeat
R = A ( θ ) PA
ˆ H (θ) + σ 2 I
DMR

For k = 1, ,K
a H (θ k ) R −1x(n)
sˆk ( n ) = , n = 1, ,N
a H (θ k ) R −1a (θ k )

N
1
Pˆk = ∑ sˆ (n)
2
k
N n =1

End for
Until（收敛）

5.4.2 仿真实验

为了验证 P-IAA-APES 算法的性能，我们利用计算机进行了数值仿真实验。

考虑 10 阵元均匀线阵，阵元间距为 λ 2 ，对接收数据作 2000 次独立的蒙特卡罗实
验，比较 P-IAA-APES 算法与 MUSIC 算法的性能。
首先，我们检测所提算法性能随信噪比的变化。等功率不相干的 2 个独立信
号分别从 ( 300 ,500 ) 方向入射，快拍数取 N=5，即 C = N M = 0.5 ，信噪比 SNR 从
−5dB 到 15dB 变化。P-IAA-APES 算法与 MUSIC 算法 DOA 估计均方根误差 RMSE
随信噪比变化曲线如图 5-4 所示。
由图 5-5 可以看出，P-IAA-APES 算法性能明显的优于 MUSIC 算法，尤其是
在低信噪比的情况下。

51
 6
P-IAA-APES
MUSIC
5

4
RMSE/degree

0
-5 0 5 10 15
SNR/dB

图 5-4 DOA 估计均方根误差与信噪比关系

为了验证算法性能随快拍数的变化，设信噪比 SNR = 5dB 。各算法中参数的设

置同上实验，快拍数从 5 到 55 变化。MUSIC 算法与 P-IAA-APES 算法 DOA 估计
均方根误差 RMSE 随快拍数变化曲线如图 5-5 所示。

0.9
P-IAA-APES
0.8 MUSIC

0.7

0.6
RMSE/degree

0.5

0.4

0.3

0.2

0.1
5 10 15 20 25 30 35 40 45 50 55
snapshot

图 5-5 DOA 估计均方根误差与快拍数关系

从图 5-6 中可以看出，P-IAA-APES 算法在数据较短时性能比 MUSIC 算法优

越，当 C ≥ 3.5 时两种算法性能相当。
为验证算法的分辨率，考虑三个等功率信号分别从 ( 200 , 280 , 600 ) 入射由 12 阵

52
元组成的均匀线阵上，取 C = 1 3 （即快拍数 N = 4 ）
，信噪比 SNR = 5dB ，20 次独
立的蒙特卡罗实验，
MUSIC 算法与 P-IAA-APES 算法 DOA 估计伪谱如图 5-6 所示。
由图 5-6 可以看出， MUSIC 算法对于入射角为 ( 200 , 280 )
在所给的仿真条件下，
的两个入射信号分辨效果差，而 P-IAA-APES 算法可以很好地分辨出这两个信号，
且峰值分布的方差较小。说明在相同的条件下，P-IAA-APES 算法的角度分辨率优
于 MUSIC 算法。
P-IAA-APES MUSIC
6 0.28

0.26

5
0.24

0.22
4

0.2
Spatial Spectrum

Spatial Spectrum

3 0.18

0.16

2
0.14

0.12
1

0.1

0 0.08
0 10 20 30 40 50 60 70 80 90 0 10 20 30 40 50 60 70 80 90
DOA( 0 ) DOA( 0 )

图 5-6 P-IAA-APES 算法与 MUSIC 算法伪谱

5.5 本章小结

本章重点讨论了两种现有的调整子空间类算法，二者是利用随机矩阵理论结
论，推导出的广义 G 渐近估计器，通过特征值来调整子空间的正交性。仿真实验
证明二者适用于短数据情况下，可以弥补子空间泄漏所造成的测向性能的下降。
而后，提出了一种基于波束形成类算法实现对短数据阵列测向。由于该算法避免
了协方差矩阵的特征值分解，对于短数据测向有较好的性能，且有较高的分辨率。

53
 第六章 总结与展望

6.1 总结

阵列信号信号处理技术由于其良好的隐蔽性在电子侦察领域得到了广泛应
用。本文针对阵列测向系统的算法进行了研究。分析了信源数估计与多维参数估
计算法；近年来，跳频通信与突发短时通信等低截获技术的广泛应用，非合作接
收中天线波束无法对准等所造成的短数据情况，对传统阵列测向系统提出了新的
挑战。本文利用随机矩阵理论分析了快拍数对传统测向算法测向性能的影响，讨
论了几种基于调整子空间的算法，并提出了一种迭代算法实现对短数据阵列测向，
并对这些算法进行了大量的仿真实验和理论分析。
z 本文首先研究了信源数估计算法，提出了一种基于伪协方差矩阵的信源数
估计方法。该方法通过构造伪协方差矩阵，而后，结合传统 AIC，MDL，盖氏圆
等算法来估计信源个数。由于充分利用阵列接收数据的空时信息构造伪协方差矩
阵，对阵列进行了有效的扩展，使得算法性能优于传统的信源数估计算法。由于
对阵元间相关的平均，使得算法对于噪声有一定的免疫力，可用于色噪声的环境
下。
z 然后，文章介绍并分析了两种 L 阵的特点，讨论并研究了现有的几种频率、
角度联合估计算法。将伪协方差矩阵的思想扩展至二维 L 阵，提出了计算简单的
频率与二维 DOA 联合估计算法。由于对阵列孔径与时间孔径的有效扩展，使得该
算法具有较好的角度、频率估计精度以及角度分辨率，文章对于各种算法进行了
大量的仿真实验，证明了所提算法的优越性。
z 对于短数据的挑战，文中利用随机矩阵理论分析了阵列接收数据的快拍数
对于传统子空间类测向算法性能的影响，得出了快拍数的影响主要表现在子空间
泄漏和分辨率下降两个方面的结论。在分析过程中，还对于短数据给出了定量的
门限。
z 在分析了短数据对于阵列测向影响后，文章讨论了两种现有的调整子空间
类算法，二者是利用随机矩阵理论结论，推导出的广义 G 渐近估计器。仿真实验
证明二者适用于短数据情况下，可以弥补子空间泄漏所造成的测向性能的下降。
而后，提出了一种迭代算法实现对短数据阵列测向。由于该算法避免了协方差矩

54
阵的特征值分解，而是通过对样本协方差矩阵的迭代来逼近真实值，对于短数据
测向有较好的性能，且有较高的角度分辨率。

6.2 展望

本文虽然对阵列测向中多参数估计以及短数据阵列测向两方面的内容进行了
研究，但工作还处于初步阶段，还有很多问题有待于更进一步的研究和深入的探
讨：
在接收数据快拍数对传统测向算法性能影响的研究中，子空间泄漏方面给出
了较为详细的理论推导，但在算法分辨率下降上只是用仿真实验证实了该现象的
存在，在理论推导方面还需要进一步的研究。
本文给出的短数据测向方法均为参数化测向算法，其前提条件是信源数准确
已知或用信源个数估计方法获得。但传统的信源数估计算法在短数据的情况下性
能也将出现严重的下降，如何将随机矩阵理论应用于短数据下信源个数估计也将
是一个重要的研究方向。

55
 致 谢

本文完成之际，首先衷心地感谢我的导师魏平教授。在魏老师的悉心指导下，
我的论文终于得以顺利完成。魏老师渊博的学术知识、严谨的治学态度以及在理
论与工程方面极高的造诣都给我留下了深刻的印象。在攻读硕士期间，我自始至
终都得到了魏老师耐心的指导和严格的要求，使我在不断提高理论水平的同时，
也培养了独立分析和解决问题的科研能力，为我今后的学习和工作奠定了坚实的
基础。在此，谨向魏老师致以深深的敬意并表达由衷的感谢。
感谢课题组的老师及教研室师兄，尤其是甘露老师、顾建峰博士、闫华博士、
魏恒东博士、肖曼琳博士对我的热情帮助和指导。感谢王涛、张超钢、岳峰巍、
刘杰等同学，以及教研室的其他师弟师妹们，他们营造了一个上进、友好、温馨
的科研学习环境，并且在各方面都给了我很大的关心和帮助。
感谢清水居 623 之三载，感谢羽乒之众将。
感谢我的父母，他们在精神和物质上给予了我无微不至的关心爱护和一如既
往的支持，我将一生铭记。
最后，衷心感谢所有关心、支持、帮助过我的老师和朋友们，感谢审阅本文
的各位专家付出的辛勤劳动。

56
 参考文献

[1] H. L. Van Trees. Optimum Array Processing, Part IV: Detection, Estimation, and Modulation
Theory. New York: Wiley, 2002.
[2] S. Haykin. Adaptive Radar Signal Processing. John Wiley & Sons, 2007.
[3] H. Teutsch. Modal Array Signal Processing: Principles and Applications of Acoustic Wavefield
Decomposition. Springer, 2007.
[4] L. C. Codara. Application of antenna arrays to mobile communications, Part II: Beamforming
and direction-of-arrival considerations. Proc. IEEE, 1997, 85(8):1195-1245.
[5] A. Mileant, S. Hinedi. Overview of arraying techniques in the deep space network. TDA
Progress Report 42-104, 1991, 2:109-139.
[6] T. Yamazaki, B. W. van Dijk, and H. Spekreijse. The accuracy of localizing equivalent dipoles
and the spatio-temporal correlations of background EEG. IEEE Trans. Biomed. Eng., 1998,
45(9):1114-1121.
[7] J. Capon. High-resolution frequency-wavenumber spectrum analysis. Proc. IEEE, 1969,
57(8):1408-1418.
[8] D. L. Adamy. EW102: A Second Course in Electronic Warfare. Horizon house publications, Inc.,
2004.
[9] 顾建峰. 阵列信号处理中的若干问题研究. 电子科技大学博士论文, 2008 年 5 月.
[10] 陈辉, 王永良, 彭应宁, 万群. 空间谱估计理论与算法. 北京：清华大学出版社, 2004.
[11] Wax M., Tie-Jun Shan, and Kailath T. Spatio-temporal spectral analysis by eigenstructure
methods. IEEE Trans. Acoustics, Speech and Signal Processing, 1984, 32:817-827.
[12] Lihe Zou, Lin Yin. Spatio-temporal spectral analysis by SVD of signal matrix. IEEE
International Conference on ICASSP '87, Acoustics, Speech, and Signal Processing, 1987,
12:2332-2335.
[13] Roy R., Kailath T. ESPRIT—Estimation of signal parameters via rotational invariance
techniques. Opt. Eng., 1990, 29(4):296-313.
[14] M. Haardt, J. A. Nossek. Unitary ESPRIT: How to obtain increased estimation accuracy with a
reduced computational burden. IEEE Trans. Signal Process, 1995, 43(5):1232-1242.
[15] Minghao H, Yixin Y, and Xianda Z. UCA-ESPRIT algorithm for 2-D angle estimation. in Proc.

57
 IEEE 5th WCCC-ICSP 2000, 2000,437-440.
[16] P. Strobach. Total least squares phased averaging and 3-D ESPRIT for joint
azimuth-elevation-carrier estimation. IEEE Trans. Signal Process, 2001, 49(1):54-62.
[17] M. D. Zoltowski. Real-Time frequency and 2-D angle estimation with Sub-Nyquist
Spatio-Temporal sampling. IEEE Trans. Signal Process, 1994, 42(10):2781-2794.
[18] Du Gang, Zhang Yongshun, Wang Yongliang, et al. A new method for joint estimation of
three-dimensional parameters of coherent signal. in Proceedings of 2007 International
Symposium on Intelligent Signal Processing and Communication Systems, 2007.
[19] M. Viberg, P. Stoica. A computationally efficient method for joint direction finding and
frequency estimation in colored noise. in Conf. Record of the Thirty-Second Asilomar Conf. on
Signals, Systems and Computers,, 1998,1547-1551.
[20] D. Tufts, A. Kot, and R. Vaccaro. The threshold analysis of SVD-based algorithms. in Proc.
IEEE Int. Conf. Acoustics, Speech, Signal Processing (ICASSP), 1988,2416-2419.
[21] D. Tufts, A. Kot, and R. Vaccaro, The Threshold Effect in Signal Processing Algorithms Which
Use an Estimated Subspace, in SVD and Signal Processing, II: Algorithms, Analysis and
Applications, ed. R. Vaccaro. 1991, Ed. New York: Elsevier.
[22] J. T. Kim, S. H. Moon, D. S. Han, and M. J. Cho. Fast DOA estimation algorithm using
pseudocovariance matrix. IEEE Trans. Antennas Propagat., 2005, 53(4):1346-1351.
[23] Zhong Wen, Li-ping Li, and Ping Wei. Fast Direction Finding Using Modified
Pseudocovariance Matrix. IEEE Trans. Antennas Propagat., 2006, 54(12):3914-3918.
[24] Ben A. Johnson, Yuri I. Abramovich, and Xavier Mestre. MUSIC, G-MUSIC, and
Maximum-Likelihood Performance Breakdown. IEEE Trans. Signal Processing, 2008,
56(8):3944-3958.
[25] Xavier Mestre. On the Asymptotic Behavior of the Sample Estimates of Eigenvalues and
Eigenvectors of Covariance Matrices. IEEE Trans. on Signal Processing, 2008,
56(11):5353-5368.
[26] Xavier Mestre, F. Rubio. An Improved Subspace-Based Algorithm in the Small Sample Size
Regime. ICASSP 2006 Proceedings. 2006 IEEE International Conference on, 2006, 4.
[27] Tarik Yardibi, Jian Li, Petre Stoica, Ming Xue, et al. Source Localization and Sensing: A
Nonparametric Iterative Adaptive Approach Based on Weighted Least Squares IEEE
Transactions on Aerospace and Electronic Systems, 2010, 46(1):425-443.
[28] Y. Hua, T. K. Sarkar, and D. D. Weiner. An L-shaped array for estimating 2-D directions of

58
 wave arrival. IEEE Trans. Antennas Propag., 1991, 39:143-146.
[29] Wax M., Kailath T. Detection of Signals by Information Theoretic Criteria. IEEE Trans. on
ASSP, 1985, 33(2):387-392.
[30] Wax M, Ziskind I. Detection of the Number of Coherent Signals by the MDL Principle. IEEE
Trans. on ASSP, 1989, 37(8):1190-1196.
[31] Anderson T W. Asymptotic theory for principal component analysis. Ann. J. Math. Stat, 1963,
34:122-148.
[32] Rissanen J. Modeling by shortest data description. Automatica, 1978, 14:465-471.
[33] Akaike H. A new look at the statistical model identification. IEEE Trans. on AC, 1974,
19(6):716-723.
[34] Schwartz G. Estimation the dimension of a model. Ann. Stat, 1978, 6:461-464.
[35] Zhao L C, Krishnaiah P R, and Bai Z D. On detection of numbers of signals in presence of
white noise. J.Multivariate Anal, 1986, 20:1-25.
[36] Shan T J, Paulray A, and Kailath T. On Smoothed Rand Profile Tests in Eigen structure
Methods for Directions-of-Arrival Estimation. IEEE Trans. on ASSP, 1987, 35(10):1377-1385.
[37] Cozzens J H, Sousa M J. Source Enumeration in a Correlate Signed Environment. IEEE Trans.
on SP, 1994, 42(2):304-317.
[38] Wu H T, Yang J, and Chen F K. Source Number Estimator Using Gerschgorin Disks. in Proc
ICASSP. Adelaide, Australia, 1994,261-264.
[39] Wu H T, Yang J, and Chen F K. Source number estimation using transformed gerschgorin radii.
IEEE Trans. on SP, 1995, 43(6)(1325-1333).
[40] R.F. Brcich, A.M. Zoubir, and P. Pelin. Detection of sources using bootstrap techniques. IEEE
Trans. Signal Processing, 2002, 50(2):206-215.
[41] S. Valaee, P. Kabal. An information theoretic approach to source enumeration in array signal
processing. IEEE Trans. Signal Processing, 2004, 52(5):1171-1178.
[42] D. W. Tufts, R. Kumaresn. Estimation of frequencies of multiple sinusoids: making linear
rediction perform like maximum likelihood. Proc. IEEE, 1982, 70(9):975-989.
[43] 王建英, 阵列信号多参量联合估计技术研究. 电子科技大学硕士学位论文, 2000.
[44] N. Tayem, H. M. Kwon. L-shape 2-dimensional arrival angle estimation with propagator
method. IEEE Trans. Antennas Propag., 2005, 53(5):1622-1630.
[45] S. Kikuchi, H.Tsuji, and A. Sano. Pair-matching method for estimation 2-D angle of arrival
with a cross-correlation matrix. IEEE Antennas Wireless Propag. lett., 2006, 5:35-40.

59
[46] L. Gan, P. Wei. Comments on "pair-matching method for estimation 2-D angle of arrival with a
cross-correlation matrix". IEEE Antennas Wireless Propag. lett., 2008, 5:807.
[47] Rajesh Rao Nadakuditi, Applied Stochastic Eigen-Analysis. Ph.D. Thesis, July, 2002.
[48] . M I, Johnstone. On the distribution of the largest eigenvalue in principal component analysis.
Ann. Stat., 2001, 29(2):295-327.
[49] X. Mestre, M. A. Lagunas. Modified Subspace Algorithms for DOA Estimation With Large
Arrays. IEEE Transactiosns on Signal Processing, 2008, 56(2):598-614.
[50] V. Girko. An Introduction to Statistical Analysis of Random Arrays. Leiden, The Netherlands:
VSP, 1998.
[51] A. L. Kraay, A. B. Baggeroer. A Physically Constrained Maximum-Likelihood Method for
Snapshot-Deficient Adaptive Array Processing. IEEE Trans. on Signal Processing, 2007,
55(8):4048-4063.

60
 个人简历及研学成果

齐昕（男）
籍贯：福建松溪
E-mail：iridium_qi@163.com

教育背景
2007.09 至今 电子科技大学 信号与信息处理 硕士
2003.09－2007.06 电子科技大学 电子信息工程 学士

研学成果
[1] Xin Qi, Lu Gan, Ping Wei and Chunhui Ren. Joint Frequency and 2-D DOA
Estimation Using Pseudocovariance Matrices. Communications, Circuits and
Systems, 2009. ICCCAS 2009. International Conference on, July, 2009, 398-401.
[2] Lu Gan, Xin Qi, Liping Li and Huaguo Zhang. Estimation of the Number of
Signals in the Presence of Color Noise. Communications, Circuits and Systems,
2009. ICCCAS 2009. International Conference on, July, 2009, 391-394.
[3] Manlin Xiao, Xin Qi and Ping Wei. Parametric Direction of Arrival Estimation in
the Small Sample-Size Case. The 2010 International Conference on Image Analysis
& Signal Processing, April, 2010.

61