y(n)=AΦs(n)+z(n+1)y(n)=AΦs(n)+z(n+1)
接收向量的自相关矩阵为:
Rrr=E⌈r(n)rH(n)⌉=APAH+σ2IRrr=E⌈r(n)rH(n)⌉=APAH+σ2I
式中,P≜E⌈s(n)sH(n)⌉=diag{|α1|2,|α2|2,⋯,|αK|2}P≜E⌈s(n)sH(n)⌉=diag{|α1|2,|α2|2,
⋯,|αK|2}。相应地,向量 r(n)r(n)和 y(n)y(n)的互相关矩阵为:
Rrv=E⌈r(n)yH(n)⌉=APΦHAH+σ2ZRrv=E⌈r(n)yH(n)⌉=APΦHAH+σ2Z
式中,σ2Z=E⌈z(n)zH(n+1)⌉σ2Z=E⌈z(n)zH(n+1)⌉;Z 中的元素
[Z]m,m+1=1,[Z]m,m+1=1,1⩽m⩽M−11⩽m⩽M−1,其余元素全为 0。
对 RrrRrr 进行特征分解,得到 RrrRrr 的最小特征值
λmin=λM=σ2(λ1⩾λ2⩾⋯⩾λM)λmin=λM=σ2(λ1⩾λ2⩾⋯⩾λM),由式(10)和式(11),定义如下矩
阵对{Crr,Crv}{Crr,Crv}:
Crr=Rrr−σ2I=Rrr−λminI=APAHCrr=Rrr−σ2I=Rrr−λminI=APAH
Crv=Rrv−σ2Z=Rrv−λminZ=APΦHAHCrv=Rrv−σ2Z=Rrv−λminZ=APΦHAH
若存在标量 λλ 和非零向量 u,使得方程:
(Crr−λCrv)u=0(Crr−λCrv)u=0
成立,则这样的标量 λλ 称为矩阵对{Crr,Crv}{Crr,Crv}的广义特征值
[7]
。当矩阵
Crr−λCrvCrr−λCrv 是奇异时,该方程中的向量 u 有非零解,即行列式满足:
故求解式(15)可以得到矩阵对{Crr,Crv}{Crr,Crv}的广义特征值为
ejω1,ejω2,⋯,ejωKejω1,ejω2,⋯,ejωK。
2. R-F 高精度频率估计算法
从上一节介绍可知,RMUSIC 算法具有很高的频率分辨率,且不需要搜索整个谱峰,
但在低信噪比时分辨力还不够。而 FFT 算法实现复杂度低、硬件易于实现,但对于信号非
整周期采样,则应用受到限制
[16]
。
基于上述问题,首先提出 R-F 高精度频率估计算法,具体步骤如下:
1)根据 L 个样本观测值 r(0),r(1),⋯,r(L−1)r(0),r(1),⋯,r(L−1),确定接收信号表达式;
2)计算接收信号的样本自相关矩阵 R^R^;
3)对 R^R^进行特征值分解;
4)确定 M-K 个噪声子空间的特征向量;
5)求解式(5),得到接收信号频率的初步估计值;