极化敏感阵列中基于PARAFAC的盲信源分离

论文摘要

极化敏感阵列是一种能够敏感到电磁信号极化信息的阵列,和普通阵列相比,它具有较强的抗干扰能力、稳健的检测能力、较高的分辨率以及极化多址等优点,故在雷达、通信、导航等众多领域有极为广阔的应用前景。平行因子(PARAFAC)首先被提出是作为生理学中数据分析工具,它主要用于化学计量学、光谱学和色谱学等,它是高维数据分析的一种方法。近来,在信号处理和通信领域,PARAFAC技术的应用正在蓬勃发展。本文对极化敏感阵列接收到的信号进行分析表明接收信号具有PARAFAC(PARAllel FACtor)模型特征,然后根据这一模型特征,提出并研究了一种基于平行因子的盲信源检测分离算法,该算法先利用三线性/四线性分解(TALS/QALS)算法估计出信源矩阵,然后对其进行判决。文中系统的研究了基于平行因子模型的极化敏感均匀线阵(ULA)、均匀圆阵(UCA)、L阵和平面阵(UCA)的信号检测,并在研究面阵时由三线性分解模型推广到了四线性分解模型。在以上所有阵列信号检测的研究中均考虑到了双极化和三极化两种情况,并且在不同的阵型中,考虑到了其可辨识性条件的不同。最后进行了仿真以观察算法的性能。在仿真时采用了TALS的一种快速算法即COMFAC算法,这种算法的收敛速度明显比TALS算法快。仿真结果表明:极化敏感阵列系统中的PARAFAC接收机算法具有较好的误码率性能,其性能逼近于非盲的MMSE方法,且在阵列扰动情况下它仍然具有较好的性能。在快拍数较小的情况下性能依然良好,随着快拍数的增加性能更好。随着信源数增加性能逐渐下降。该算法无须空间方向信息和极化信息,是一种盲、鲁棒的方法。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景
• 1.2 极化敏感阵列的性能优势
• 1.3 极化敏感阵列的应用前景
• 1.4 极化敏感阵列的相关研究概况
• 1.5 本文的研究工作与工作安排
• 第二章 平行因子（PARAFAC）技术
• 2.1 引言
• 2.2 理论知识
• 2.2.1 基础知识
• 2.2.2 k-秩
• 2.2.3 可辨识性（唯一性）
• 2.3 平行因子分析法的应用
• 2.4 本章小结
• 第三章 极化敏感均匀线阵（ULA）中PARAFAC 信号检测法
• 3.1 双极化ULA 中的PARAFAC 信号检测法
• 3.1.1 信号接收模型
• 3.1.2 PARAFAC 接收算法
• 3.1.3 可辨识性
• 3.1.4 仿真结果
• 3.2 三极化ULA 中的PARAFAC 信号检测法
• 3.3 本章小结
• 第四章 极化敏感均匀圆阵（UCA）中PARAFAC 信号检测法
• 4.1 双极化UCA 中的PARAFAC 信号检测法
• 4.1.1 信号接收模型
• 4.1.2 PARAFAC 接收算法
• 4.1.3 可辨识性
• 4.1.4 仿真结果
• 4.2 三极化UCA 中的PARAFAC 信号检测法
• 4.3 本章小结
• 第五章 极化敏感L 阵中的PARAFAC 信号检测法
• 5.1 双极化L 阵中的PARAFAC 信号检测法
• 5.1.1 信号的接收模型
• 5.1.2 PARAFAC 接收算法
• 5.1.3 可辨识性
• 5.1.4 仿真结果
• 5.2 三极化L 阵中的PARAFAC 信号检测法
• 5.3 本章小结
• 第六章 极化敏感均匀面阵（USA）中 PARAFAC 信号检测法
• 6.1 双极化 USA 中的三线性分解信号检测法
• 6.1.1 信号的接收模型
• 6.1.2 PARAFAC 接收算法
• 6.1.3 可辨识性
• 6.1.4 仿真结果
• 6.2 三极化 USA 中的三线性分解信号检测法
• 6.3 双极化 USA 中的四线性分解信号检测法
• 6.3.1 信号的接收模型
• 6.3.2 四线性分解接收算法
• 6.3.3 可辨识性
• 6.3.4 仿真结果
• 6.4 三极化 USA 中的四线性分解信号检测法
• 6.5 本章小结
• 第七章 全文总结
• 参考文献
• 致谢
• 攻读硕士期间所发表的论文