掃一掃
關注中圖網(wǎng)
官方微博
本類五星書更多>
-
>
決戰(zhàn)行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優(yōu)實踐之路
-
>
第一行代碼Android
-
>
深度學習
-
>
Unreal Engine 4藍圖完全學習教程
-
>
深入理解計算機系統(tǒng)-原書第3版
-
>
Word/Excel PPT 2013辦公應用從入門到精通-(附贈1DVD.含語音視頻教學+辦公模板+PDF電子書)
陣列信號處理及MATLAB實現(xiàn)(第3版) 版權信息
- ISBN：9787121460708
- 條形碼：9787121460708 ; 978-7-121-46070-8
- 裝幀：平塑
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>>
陣列信號處理及MATLAB實現(xiàn)(第3版) 內(nèi)容簡介
陣列信號處理是信號處理領域的一個重要分支，它采用傳感器陣列來接收空間信號。與傳統(tǒng)的單個定向傳感器相比，傳感器陣列具有靈活的波束控制、較高的信號增益、極強的干擾抑制能力以及更高的空間分辨能力等優(yōu)點，因而具有重要的軍事、民事應用價值和廣闊的應用前景。具體來說，陣列信號處理已涉及雷達、聲吶、通信、地震勘探、射電天文以及醫(yī)學診斷等多個國民經(jīng)濟和軍事應用領域。本書分為11章，主要內(nèi)容涵蓋陣列信號處理基礎、波束形成、DOA估計、二維DOA估計、寬帶陣列信號處理、分布式信源空間譜估計、陣列近場信源定位、互質陣列信號處理、嵌套陣列信號處理和陣列信號處理的MATLAB編程等。本書的讀者對象為通信與信息系統(tǒng)、信號與信息處理、電磁場與微波技術、水聲工程等專業(yè)的高年級本科生和研究生。
陣列信號處理及MATLAB實現(xiàn)(第3版) 目錄
第1章 緒論 1
1.1 研究背景 1
1.2 陣列信號處理的發(fā)展 1
1.2.1 波束形成技術 2
1.2.2 空間譜估計方法 4
1.2.3 稀疏陣列信號處理 8
1.3 本書的安排 9
參考文獻 10
第2章 陣列信號處理基礎 17
2.1 矩陣代數(shù)的相關知識 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 24
2.2.3 高斯隨機過程的高階累積量 24
2.2.4 隨機場的累積量與多譜 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 36
2.5.2 相關系數(shù) 36
2.5.3 噪聲模型 36
2.6 陣列天線的統(tǒng)計模型 37
2.6.1 前提及假設 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 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)估計方法 51
參考文獻 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*優(yōu)權向量 55
3.2.3 波束形成的準則 58
3.3 自適應波束形成算法 59
3.3.1 自適應波束形成的*優(yōu)權向量 60
3.3.2 權向量更新的自適應算法 62
3.3.3 基于變換域的自適應波束形成算法 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波束形成算法 69
3.6.1 信號模型 69
3.6.2 近似*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期望信號的方向向量 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 陣列模型與信號周期平穩(wěn)性 74
3.8.2 CAB類盲自適應波束形成算法 75
3.9 基于恒模的盲波束形成算法 77
3.9.1 信號模型 77
3.9.2 隨機梯度恒模算法 78
3.10 穩(wěn)健的自適應波束形成算法 79
3.10.1 對角線加載方法 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*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 83
參考文獻 84
第4章 DOA估計 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 *大似然法 101
4.4.1 確定性*大似然法 101
4.4.2 隨機性*大似然法 103
4.5 子空間擬合算法 104
4.5.1 信號子空間擬合 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)計量之間的關系 117
4.7.2 四階累積量的陣列擴展特性 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 稀疏貝葉斯學習 140
4.11 DFT類方法 141
4.11.1 數(shù)據(jù)模型 142
4.11.2 基于DFT的低復雜度DOA估計算法 142
4.11.3 算法分析和改進 144
4.11.4 仿真實驗 148
4.12 相干信源DOA估計算法 149
4.12.1 引言 149
4.12.2 空間平滑算法 151
4.12.3 改進的MUSIC算法 152
4.12.4 基于Toeplitz矩陣重構的相干信源DOA估計算法 153
4.13 本章小結 155
參考文獻 155
第5章 二維DOA估計 160
5.1 引言 160
5.2 均勻面陣中基于旋轉不變性的二維DOA估計算法 161
5.2.1 數(shù)據(jù)模型 161
5.2.2 基于ESPRIT的二維DOA估計算法 163
5.2.3 基于傳播算子的二維DOA估計算法 166
5.3 均勻面陣中基于MUSIC類的二維DOA估計算法 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 級聯(lián)MUSIC算法 180
5.4 均勻面陣中基于PARAFAC分解的二維DOA估計算法 182
5.4.1 數(shù)據(jù)模型 183
5.4.2 PARAFAC分解 184
5.4.3 可辨識性分析 185
5.4.4 二維DOA估計過程 186
5.4.5 算法復雜度和優(yōu)點 187
5.4.6 仿真結果 188
5.5 均勻面陣中基于壓縮感知PARAFAC模型的二維DOA估計算法 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 可辨識性分析 190
5.5.5 基于稀疏恢復的二維DOA估計 191
5.5.6 算法復雜度和優(yōu)點 192
5.5.7 仿真結果 193
5.6 雙平行線陣中二維DOA估計算法：DOA矩陣法和擴展DOA矩陣法 193
5.6.1 陣列結構及信號模型 194
5.6.2 DOA矩陣法 194
5.6.3 擴展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估計算法 200
5.7.1 數(shù)據(jù)模型 200
5.7.2 波束空間轉換 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 203
參考文獻 204
第6章 寬帶陣列信號處理 207
6.1 引言 207
6.2 寬帶陣列信號模型 208
6.2.1 寬帶信號的概念 208
6.2.2 陣列信號模型 209
6.3 寬帶信號的DOA估計 210
6.3.1 非相干信號子空間方法 210
6.3.2 相干信號子空間方法 211
6.3.3 聚焦矩陣的構造方法 212
6.4 穩(wěn)健的麥克風陣列近場寬帶波束形成 215
6.4.1 概述 215
6.4.2 基于凸優(yōu)化的穩(wěn)健近場寬帶波束形成 219
6.4.3 穩(wěn)健近場自適應波束形成 229
6.5 本章小結 237
參考文獻 237
第7章 分布式信源空間譜估計 240
7.1 引言 240
7.2 基于ESPRIT的分布式信源空間譜估計算法 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 仿真結果 248
7.3 基于DSPE的分布式信源空間譜估計算法 249
7.3.1 數(shù)據(jù)模型 249
7.3.2 算法描述 249
7.4 基于級聯(lián)DSPE的分布式信源空間譜估計算法 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 仿真結果 253
7.5 基于廣義ESPRIT的分布式信源空間譜估計算法 255
7.5.1 數(shù)據(jù)模型 255
7.5.2 算法描述 256
7.5.3 多項式求根方法 260
7.5.4 性能分析 262
7.5.5 仿真結果 266
7.6 基于快速PARAFAC的分布式信源空間譜估計算法 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 仿真結果 275
7.7 本章小結 276
參考文獻 277
第8章 陣列近場信源定位 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)計量的近場信源定位算法 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 仿真結果 284
8.3 基于二維MUSIC的近場信源定位算法 285
8.3.1 數(shù)據(jù)模型 285
8.3.2 算法描述 286
8.3.3 仿真結果 287
8.4 基于降秩MUSIC的近場信源定位算法 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 仿真結果 290
8.5 基于降維MUSIC的近場信源定位算法 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 仿真結果 296
8.6 本章小結 296
參考文獻 297
第9章 互質陣列信號處理 298
9.1 引言 298
9.2 互質線陣結構與信號模型及兩種DOA估計算法 299
9.2.1 互質線陣結構與信號模型 299
9.2.2 基于互質子陣分解思想的DOA估計算法 300
9.2.3 基于虛擬陣元擴展思想的DOA估計算法 303
9.3 基于孔洞填充思想的嵌型子陣互質陣列 307
9.3.1 互耦條件下的接收信號模型 307
9.3.2 孔洞填充方案及嵌型子陣互質陣列 309
9.3.3 仿真結果 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
1.1 研究背景 1
1.2 陣列信號處理的發(fā)展 1
1.2.1 波束形成技術 2
1.2.2 空間譜估計方法 4
1.2.3 稀疏陣列信號處理 8
1.3 本書的安排 9
參考文獻 10
第2章 陣列信號處理基礎 17
2.1 矩陣代數(shù)的相關知識 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 24
2.2.3 高斯隨機過程的高階累積量 24
2.2.4 隨機場的累積量與多譜 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 36
2.5.2 相關系數(shù) 36
2.5.3 噪聲模型 36
2.6 陣列天線的統(tǒng)計模型 37
2.6.1 前提及假設 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 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)估計方法 51
參考文獻 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*優(yōu)權向量 55
3.2.3 波束形成的準則 58
3.3 自適應波束形成算法 59
3.3.1 自適應波束形成的*優(yōu)權向量 60
3.3.2 權向量更新的自適應算法 62
3.3.3 基于變換域的自適應波束形成算法 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波束形成算法 69
3.6.1 信號模型 69
3.6.2 近似*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期望信號的方向向量 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 陣列模型與信號周期平穩(wěn)性 74
3.8.2 CAB類盲自適應波束形成算法 75
3.9 基于恒模的盲波束形成算法 77
3.9.1 信號模型 77
3.9.2 隨機梯度恒模算法 78
3.10 穩(wěn)健的自適應波束形成算法 79
3.10.1 對角線加載方法 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*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 83
參考文獻 84
第4章 DOA估計 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 *大似然法 101
4.4.1 確定性*大似然法 101
4.4.2 隨機性*大似然法 103
4.5 子空間擬合算法 104
4.5.1 信號子空間擬合 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)計量之間的關系 117
4.7.2 四階累積量的陣列擴展特性 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 稀疏貝葉斯學習 140
4.11 DFT類方法 141
4.11.1 數(shù)據(jù)模型 142
4.11.2 基于DFT的低復雜度DOA估計算法 142
4.11.3 算法分析和改進 144
4.11.4 仿真實驗 148
4.12 相干信源DOA估計算法 149
4.12.1 引言 149
4.12.2 空間平滑算法 151
4.12.3 改進的MUSIC算法 152
4.12.4 基于Toeplitz矩陣重構的相干信源DOA估計算法 153
4.13 本章小結 155
參考文獻 155
第5章 二維DOA估計 160
5.1 引言 160
5.2 均勻面陣中基于旋轉不變性的二維DOA估計算法 161
5.2.1 數(shù)據(jù)模型 161
5.2.2 基于ESPRIT的二維DOA估計算法 163
5.2.3 基于傳播算子的二維DOA估計算法 166
5.3 均勻面陣中基于MUSIC類的二維DOA估計算法 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 級聯(lián)MUSIC算法 180
5.4 均勻面陣中基于PARAFAC分解的二維DOA估計算法 182
5.4.1 數(shù)據(jù)模型 183
5.4.2 PARAFAC分解 184
5.4.3 可辨識性分析 185
5.4.4 二維DOA估計過程 186
5.4.5 算法復雜度和優(yōu)點 187
5.4.6 仿真結果 188
5.5 均勻面陣中基于壓縮感知PARAFAC模型的二維DOA估計算法 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 可辨識性分析 190
5.5.5 基于稀疏恢復的二維DOA估計 191
5.5.6 算法復雜度和優(yōu)點 192
5.5.7 仿真結果 193
5.6 雙平行線陣中二維DOA估計算法：DOA矩陣法和擴展DOA矩陣法 193
5.6.1 陣列結構及信號模型 194
5.6.2 DOA矩陣法 194
5.6.3 擴展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估計算法 200
5.7.1 數(shù)據(jù)模型 200
5.7.2 波束空間轉換 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 203
參考文獻 204
第6章 寬帶陣列信號處理 207
6.1 引言 207
6.2 寬帶陣列信號模型 208
6.2.1 寬帶信號的概念 208
6.2.2 陣列信號模型 209
6.3 寬帶信號的DOA估計 210
6.3.1 非相干信號子空間方法 210
6.3.2 相干信號子空間方法 211
6.3.3 聚焦矩陣的構造方法 212
6.4 穩(wěn)健的麥克風陣列近場寬帶波束形成 215
6.4.1 概述 215
6.4.2 基于凸優(yōu)化的穩(wěn)健近場寬帶波束形成 219
6.4.3 穩(wěn)健近場自適應波束形成 229
6.5 本章小結 237
參考文獻 237
第7章 分布式信源空間譜估計 240
7.1 引言 240
7.2 基于ESPRIT的分布式信源空間譜估計算法 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 仿真結果 248
7.3 基于DSPE的分布式信源空間譜估計算法 249
7.3.1 數(shù)據(jù)模型 249
7.3.2 算法描述 249
7.4 基于級聯(lián)DSPE的分布式信源空間譜估計算法 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 仿真結果 253
7.5 基于廣義ESPRIT的分布式信源空間譜估計算法 255
7.5.1 數(shù)據(jù)模型 255
7.5.2 算法描述 256
7.5.3 多項式求根方法 260
7.5.4 性能分析 262
7.5.5 仿真結果 266
7.6 基于快速PARAFAC的分布式信源空間譜估計算法 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 仿真結果 275
7.7 本章小結 276
參考文獻 277
第8章 陣列近場信源定位 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)計量的近場信源定位算法 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 仿真結果 284
8.3 基于二維MUSIC的近場信源定位算法 285
8.3.1 數(shù)據(jù)模型 285
8.3.2 算法描述 286
8.3.3 仿真結果 287
8.4 基于降秩MUSIC的近場信源定位算法 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 仿真結果 290
8.5 基于降維MUSIC的近場信源定位算法 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 仿真結果 296
8.6 本章小結 296
參考文獻 297
第9章 互質陣列信號處理 298
9.1 引言 298
9.2 互質線陣結構與信號模型及兩種DOA估計算法 299
9.2.1 互質線陣結構與信號模型 299
9.2.2 基于互質子陣分解思想的DOA估計算法 300
9.2.3 基于虛擬陣元擴展思想的DOA估計算法 303
9.3 基于孔洞填充思想的嵌型子陣互質陣列 307
9.3.1 互耦條件下的接收信號模型 307
9.3.2 孔洞填充方案及嵌型子陣互質陣列 309
9.3.3 仿真結果 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
展開全部
陣列信號處理及MATLAB實現(xiàn)(第3版) 作者簡介
張小飛，教授/博導，通信工程研究所常務副所長、電磁頻譜空間動態(tài)認知系統(tǒng)重點實驗室常務副主任，入選愛思唯爾“中國高被引學者”、全球前2%頂尖科學家。為中國通信學會青年工作委員會委員、中國電子學會教育工作委員會青年組委員、江蘇省科技評估專家。為20多家國際會議TPC成員，擔任10多家刊物的編委；任國際刊物客座主編；受邀做會議主題報告10多次、主持國際會議一次。近年來發(fā)表SCI論文80多篇，ESI高被引論文2篇；出版著作11部，授權專利20多項。主持國家級項目5項，其他項目20多項。獲得中國電子學會自然科學一等獎1項、中國通信學會自然科學一等獎1項、中國雷達行業(yè)協(xié)會技術發(fā)明一等獎1項、國防科學技術進步獎3項、江蘇省科技進步獎2項、“333”人才計劃、青藍工程“中青年學術帶頭人”、“六大人才高峰”B類、江蘇省航空航天學會“優(yōu)秀科技工作者”；入選中國百篇最具影響國際學術論文。
書友推薦
- >
巴金－再思錄
- >
中國人在烏蘇里邊疆區(qū):歷史與人類學概述
- >
羅庸西南聯(lián)大授課錄
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
羅曼·羅蘭讀書隨筆-精裝
- >
龍榆生：詞曲概論/大家小書
- >
上帝之肋:男人的真實旅程
本類暢銷
