[en] HIGH-RESOLUTION DIRECTION FINDING TECHNIQUES EXPLOITING PRIOR KNOWLEDGE
[pt] A maioria dos métodos e algoritmos para estimação de direção é pouco precisa em cenários formados por fontes próximas, pequenos lotes de amostras e sinais correlatados. Nos últimos anos, alguns métodos para superar tais óbices utilizaram conhecimento prévio de direções de sinais oriundos de usu...
| Main Author: | |
|---|---|
| Other Authors: | |
| Language: | en |
| Published: |
MAXWELL
2018
|
| Subjects: | |
| Online Access: | https://www.maxwell.vrac.puc-rio.br/Busca_etds.php?strSecao=resultado&nrSeq=34917@1 https://www.maxwell.vrac.puc-rio.br/Busca_etds.php?strSecao=resultado&nrSeq=34917@2 http://doi.org/10.17771/PUCRio.acad.34917 |
| Summary: | [pt] A maioria dos métodos e algoritmos para estimação de direção é pouco precisa em cenários formados por fontes próximas, pequenos lotes de amostras e sinais correlatados. Nos últimos anos, alguns métodos para superar tais óbices utilizaram conhecimento prévio de direções de sinais oriundos de usuários estáticos. Porém, este conceito está limitado a direções de chegada conhecidas. Esta tese apresenta várias contribuições para superar os problemas mencionados anteriormente. Introduz-se um novo conceito de
conhecimento a priori aplicado à estimação de direção, substituindo-se as tradicionais direções de chegada disponíveis por estimativas preliminares obtidas on-line. Tal ideia é incorporada aos algoritmos propostos e suas extensões. Também é introduzido um conceito para a estimação da matriz de covariância de dados reduzindo-se iterativamente os seus subprodutos que ocorrem na região finita de amostras. Esta abordagem é complementada por uma análise da matriz de covariância modificada, que mostra que, após a primeira iteração, o Mean Squared Error (MSE) da matriz de covariância de dados livre desses subprodutos é menor ou igual ao MSE da matriz de covariância de dados original. Combinando-se os dois conceitos anteriormente descritos, obtém-se um novo método denominado Multi-Step Knowledge-Aided Iterative (MS-KAI) que eleva a precisão de algoritmos existentes. Inicialmente, o método MS-KAI é usado com Uniform linear Arrays (ULAs) e é combinado com o algoritmo Estimation of Signal Parameters
via Rotational Invariance Techniques, resultando no algoritmo proposto MS-KAI-ESPRIT. O método é então ampliado para uso com um número arbitrário de iterações e combinado com o algoritmo Gradiente Conjugado, resultando no algoritmo MS-KAI-CG. Finalmente, ele é usado com arranjos aninhados e combinado com o algoritmo Multiple Signal Classification, resultando no algoritmo proposto MS-KAI-MUSIC. Simulações mostram que o método MS-KAI eleva a precisão de algoritmos baseados em subespaços, empregando modelos de sinais baseados em ULAs e non-ULAs. === [en] Most conventional methods and algorithms for direction finding suffer from poor accuracy when subjected to scenarios characterized by closely spaced sources, short data records and correlated source signals. In the last few years, some approaches to overcoming these problems have exploited prior knowledge of signal directions coming from static users. However, this concept is restricted to known directions of arrival. This thesis presents several contributions to dealing with the aforementioned problems. A novel
concept of a priori knowledge applied to direction finding is first presented, which replaces the traditional available known DOAs so far employed with previous estimates obtained on line. This idea is then incorporated into the proposed algorithms and their extensions. Another approach is also introduced to estimating the data covariance matrix by iteratively reducing its by-products, which occurs in the finite sample region. This concept is complemented by a reshaped covariance matrix analysis, which shows that after the first iteration the Mean Squared Error of the data covariance matrix free of these side effects is less than or equal to the MSE of the original one. A novel method, termed Multi-Step Knowledge-Aided Iterative (MS-KAI), for increasing the accuracy of existing algorithms based on the combination
of the previous concepts is then developed. The MS-KAI method is initially employed with Uniform Linear Arrays (ULAs) and is combined with the Estimation of Signal Parameters via Rotational Invariance Techniques algorithm, resulting in the proposed MS-KAI-ESPRIT algorithm. Then, MS-KAI is extended for use with an arbitrary number of iterations and combined with the Conjugate Gradient algorithm, resulting in the MSKAI- CG algorithm. Finally, the MS-KAI method is considered with nested arrays and combined with the Multiple Signal Classification algorithm, resulting in the proposed MS-KAI-MUSIC algorithm. Simulation results show that MS-KAI method enhances the accuracy of subspace based algorithms
employing ULA and non-ULA based system models. |
|---|