超分辨率DOA估计
这个例子展示了如何从两个不同的信号到达角估计来源当两角的主瓣阵列响应的均匀线性阵列(ULA)”。在这种情况下,beamscan DOA估计不能解决两个来源。然而,使用根音乐超分辨率DOA估计算法能够这样做。
注意:这个例子只运行在R2016b或更高版本。如果您使用的是较早的版本,用等效替换每个调用函数一步语法。例如,替换myObject (x)与步骤(myObject x)。
情节的阵列响应齿龈。在主瓣放大。
fc = 1 e9;λ= physconst (“光速”)/ fc;数组= phased.ULA (“NumElements”10“ElementSpacing”λ/ 2);array.Element。FrequencyRange = [8 e8 1.2 e9];plotResponse(数组、fc physconst (“光速”)轴([25 -25 -30 0]);
收到两个信号的来源与DOAs相隔10°。
ang1 = [30;0);ang2 = [40;0);Nsnapshots = 1000;rng默认的npower = 0.01;rxsig = sensorsig (getElementPosition(数组)/λ,…Nsnapshots [ang1 ang2),英国能源再生公司);
使用beamscan估计估计到达的方向。因为DOAs阵列响应的主瓣内,beamscan DOA估计不能解决他们作为独立的来源。
beamscanestimator = phased.BeamscanEstimator (“SensorArray”数组,…“OperatingFrequency”足球俱乐部,“ScanAngles”90:90,…“DOAOutputPort”,真的,“NumSignals”2);[~,sigang] = beamscanestimator (rxsig);plotSpectrum (beamscanestimator)
利用超分辨率DOA估计量来估计两个方向。这个估计量比非参数beamscan估计提供了更高的分辨率。
MUSICestimator = phased.RootMUSICEstimator (“SensorArray”数组,…“OperatingFrequency”足球俱乐部,“NumSignalsSource”,“属性”,…“NumSignals”2,“ForwardBackwardAveraging”,真正的);doa_est = MUSICestimator (rxsig)
doa_est =1×240.0091 - 30.0048
这种估计正确指出了两个截然不同的方向。
