搜索资源列表
esprit
- 跟prony算法一样,ESPRIT(Estimation of Signal Parameters Via Rotational Invariance Techniques)也是一种参数法,它是一种基于旋转不变技术参数估计的信号处理方法,此方法可以高精度地辨识电力系统中任意组合的衰减/非衰减正弦信号的频率,相位及其幅值等信息。它不需要对信号进行同步采样。此方法把信号空间分解为信号子空间和噪声子空间,能够在较短的信号长度内准确的检测出信号
EigenvalueComplexMatrices
- 两篇关于求复矩阵特征值与特征向量的文献.信号处理的很多领域都需要对矩阵的特征值和特征矢量精确求解,利用它们的结果进行下一步处理。比如,阵列信号处理中MU SIC算法,就是利用噪声子空间特征矢量特性进行估计的方法。-some papers about solving Eigenvalue of a complex matrix.Several kinds of classic algorithms for solving eigenva
EVD
- 用子空间分解法求出时延估计,这种方法具有较强的抗噪声性能-Calculated using subspace decomposition delay estimation, this method has strong anti-noise performance
phd
- PISARENKO 谐波分解是第一个基于相关矩阵的特征分解,且将其为信号和噪声子空间的频率估计方法。-failed to translate
music
- 首先分析了基于非相干信号子空间(ISM)的宽带源DOA估计方法,并将基于数 据阵共轭重构的修正MUSIC算法应用于ISM方法中,提高了分辨能力而且可以分 辨相干信源。接下来讨论了相干信号子空间(CSM)方法的宽带相干源DOA估计, 分析了聚焦矩阵及聚焦频率对DOA估计性能的影响,给出了最佳聚焦矩阵的选择 标准和最佳聚焦频率的选择方法。 针对色噪声环境下宽带信号的波达方向估计,研究了将传播算子思想应用于 TCT聚焦
music
- MUSIC方法,对相关矩阵分解为噪声子空间和信号子空间,然后搜索得到需要估计的频谱-MUSIC method, the decomposition of the correlation matrix for the noise subspace and signal subspace, then search to get the spectrum to be estimated
fast-subspace-algorithm
- 为了对空间辐射源进行精确定位" 建立了基于任意阵列对多目标源进行二维DOA估计的数学模型。将 MUSIC算法推广到三维空间阵列可以对辐射源进行二维高精度测向,但由于其需要估计接收数据的协方差矩阵和进行特征分解, 因而其计算量较大。利用多级维纳滤波器的前向递推获得信号子空间和噪声子空间,不需要估计协方差矩阵和对其进行特征分解,从而降低了MUSIC算法的计算量。将文中的方法应用于任意阵列的二维DOA估计中进行计算机仿真和实际侧向系统性能验证
MIMORadarDOAEstimation
- MIMO雷达模型下一种子空间谱估计方法,采用过估计的方法,以避免信源数估计的问题,直接对数据协方差矩阵进行变换,从而构造了信号子空间投影矩阵和噪声子空间投影矩阵,不需要像经典的MUSIC一样对其进行特征分解,完全避开了在一般非理想情况下MUSIC算法必须面对的识别小特征值与大特征值的麻烦,降低了复杂度,而且该方法不受快拍数的影响,在相干源情况下也能准确的估计目标的入射角,不会出现伪峰。-A subspace based DOA (Dir
noise-music
- 噪声子空间music方法。近场圆阵中俯仰角和方位角的联合估计,估计精度高,算法性能好。-Circular array of near-field pitch angle and azimuth joint estimation, estimation accuracy, the performance of the algorithm
classical_music_1
- 阵列信号处理中MUSIC算法估计DOA,MUSIC算法是一种基于矩阵特征空间分解的方法。从几何角度讲,信号处理的观测空间可以分解为信号子空间和噪声子空间,显然这两个空间是正交的。-Array signal processing MUSIC algorithm for DOA estimation,MUSIC algorithm is a method of feature space based on matrix decomposi
1
- 本文提出了一种复杂条件下基于子空间梯度方向直方图跟踪的方法,通过大量样本的离线训练构建目标的投影子 空间,并用梯度方向直方图在子空间的投影作为新的目标描述特征.为了满足实时性的要求,采用积分直方图方法 提高粒子特征的计算速度;然后结合粒子滤波方法在子空间中计箅粒子与训练样本集之间的相似度,进而估计目标 的运动参数.实验结果表明,该方法能够在光照变化、噪声干扰、模糊、目标姿态和尺度改变,以及部分遮捎等恶劣条 件下实现准确跟
MUSIC
- MUSIC算法是一种基于矩阵特征空间分解的方法。从几何角度讲,信号处理的观测空间可以分解为信号子空间和噪声子空间,显然这两个空间是正交的。信号子空间由阵列接收到的数据协方差矩阵中与信号对应的特征向量组成,噪声子空间则由协方差矩阵中所有最小特征值(噪声方差)对应的特征向量组成。MUSIC算法就是利用这两个互补空间之间的正交特性来估计空间信号的方位。噪声子空间的所有向量被用来构造谱,所有空间方位谱中的峰值位置对应信号的来波方位。MUSIC算
wideband-DOA-estimation
- 提出了一种新的宽带DOA估计方法:频域子空间正交性测试方法(TOFS:Test of orthogonality of frequency sub- space)。该方法通过同时测试频域信号共同带宽内各频段噪声子空间与阵列流形之间的正交性来进行DOA估计。与宽带相干信号子空间方法不同,TOFS方法不需要任何初始值的预估及聚焦操作。与宽带非相干信号子空间方法也不同,TOFS方法同时测试各频段噪声子空间与阵列流形之间的正交性。本文仿真了TO
SVD_freq
- 谱估计奇异值分解包括噪声子空间法和Music方法-singular value decomposition
A_subspace_algorithm
- 子空间算法是一种基于矩阵特征空间分解的方法,信号子空间由阵列接收到的数据协方差矩阵中与信号对应的特征向量组成噪声子空间则由协方差矩阵中所有最小特征值噪声方差对应的特征向量组成。子空间算法就是利用这两个互补空间之间的正交特性来估计空间信号的方位-Subspace algorithms is minimized by the corresponding eigenvalues of all the noise v
CHENGXU
- MUSIC算法[1] 是一种基于矩阵特征空间分解的方法。从几何角度讲,信号处理的观测空间可以分解为信号子空间和噪声子空间,显然这两个空间是正交的。信号子空间由阵列接收到的数据协方差矩阵中与信号对应的特征向量组成,噪声子空间则由协方差矩阵中所有最小特征值(噪声方差)对应的特征向量组成。MUSIC算法就是利用这两个互补空间之间的正交特性来估计空间信号的方位。噪声子空间的所有向量被用来构造谱,所有空间方位谱中的峰值位置对应信号的来波方位。MU
CLASSICALMUSIC1
- MUSIC算法[1] 是一种基于矩阵特征空间分解的方法。从几何角度讲,信号处理的观测空间可以分解为信号子空间和噪声子空间,显然这两个空间是正交的。信号子空间由阵列接收到的数据协方差矩阵中与信号对应的特征向量组成,噪声子空间则由协方差矩阵中所有最小特征值(噪声方差)对应的特征向量组成。MUSIC算法就是利用这两个互补空间之间的正交特性来估计空间信号的方位。噪声子空间的所有向量被用来构造谱,所有空间方位谱中的峰值位置对应信号的来波方位。MU
01424470
- 子空间噪声估计方法,一篇具有一定参考价值的论文(Subspace-Based Noise Variance and SNR Estimation for OFDM Systems)
Design Explorer 99 SE
- 波达方向(DOA)估计的基本问题就是确定同时处在空间某一区域内多个感兴趣的信号的空间位置(即多个信号到达阵列参考阵元的方向角)。最早的也是最经典的超分辨DOA估计方法是著名的MUSIC方法,MUSIC是多重信号分类(Multiple Signal Classification)的英文缩写。它是由R.O. Schmidt于1979年提出来的,由1986年重新发表的。MUSIC算法利用了信号子空间和噪声子空间的正交性,构造空间谱函数,通过谱