主要内容

aictest

信号子空间的维度

所有的页面崩溃

语法

nsig = aictest (X)
nsig = aictest (X,“facebook”)

描述

例子

nsig= aictest (X)估计信号的数量,nsig,现在在快照的数据,X,影响传感器的一个数组。估计使用Akaike信息标准测试(AIC)。输入参数,X,是一个复数矩阵包含为每个传感器数据的时间序列样本。每一行对应一次样本为所有传感器。

例子

nsig= aictest (X,“facebook”)估计信号的数量。在评估之前,它执行forward-backward平均对样本协方差矩阵构造的数据快照,X。这个语法可以使用任何输入参数在前面的语法。

例子

全部折叠

打开生活的脚本

构造一个数据快照两架飞机波浪到达half-wavelength-spaced制服线与10个元素数组。飞机从0°、-25°波到达方位,都与海拔0°的角度。假定信号到达添加剂的存在暂时的和空间的高斯白噪声。对于每一个信号,信噪比是5分贝。带300样品建立一个300 - 10的数据快照。然后,求解信号使用的数量aictest。

N = 10;d = 0.5;elementPos = (0: n - 1) * d;角= (-25 0);x = sensorsig (elementPos 300、角度、db2pow (5));nsig = aictest (x)
nsig = 2

结果表明,信号的数量是2,。

打开生活的脚本

构造一个数据快照两架飞机波浪到达half-wavelength-spaced制服线与10个元素数组。两个相关飞机波浪到达从0°和10°方位,都与海拔0°的角度。假定信号到达添加剂的存在暂时的和空间的高斯白噪声。对于每一个信号,信噪比是10 dB。带300样品建立一个300 - 10的数据快照。然后,求解信号使用的数量aictest。

N = 10;d = 0.5;elementPos = (0: n - 1) * d;角= (10 0);ncov = db2pow (-10);scov = [1 5] * [1 5];x = sensorsig (elementPos 300、角度、ncov scov);Nsig = aictest (x)
Nsig = 1

这个结果表明aictest数量不能确定正确的信号时,信号相关。

使用forward-backward平滑选项。

Nsig = aictest (x,“facebook”)
Nsig = 2

添加forward-backward平滑收益数量正确的信号。

版权2012年MathWorks公司。

输入参数

全部折叠

数据快照、指定为复值K——- - - - - -N矩阵。快照是一个序列的时域取样同时在每个传感器。在这个矩阵,K代表时间的样本数据的数量N表示传感器元素的数量。

例子:(-0.1211 + 1.2549,0.1415 + 1.6114,0.8932 + 0.9765我。)

数据类型:双
复数的支持:金宝app是的

输出参数

全部折叠

维度的信号子空间,作为一个非负整数返回。信号子空间的维数的信号数据。

更多关于

全部折叠

估计的数量

AIC和MDL测试

音乐和ESPRIT测向算法,如需要知识来源的信号数量的侵犯数组或等价,尺寸,d的信号子空间。Akaike信息准则(AIC)和最小描述长度(MDL)公式两种常用的估计量获取维度。这两个估计假设,除了信号,数据包含时空上白高斯随机噪声。发现的数量相当于找到来源的多样性最小采样空间协方差矩阵的特征值。样本空间协方差矩阵构造的数据快照使用实际的协方差矩阵。

要求两个估计是信号子空间的维数小于传感器的数量,N,在快照时间样本的数量,K更大比N。

每个估计量的变异存在当forward-backward平均被用来构造空间协方差矩阵。Forward-backward平均是有用的情况下的一些来源是高度相关的。在这种情况下,空间协方差矩阵可能是病态的。Forward-backward平均只能用于特定类型的对称的数组,调用centro-symmetric数组。然后forward-backward协方差矩阵可以由样本空间协方差矩阵,年代,使用年代神奇动物= S + JS * J在哪里J是交换矩阵。交换矩阵数组元素映射到对称的同行。线阵列,它将是单位矩阵从左向右翻转。

所有的估计是基于成本函数

l d ( d ) = K ( N − d ) ln { 1 N − d ∑ 我 = d + 1 N λ ^ 我 { ∏ 我 = d + 1 N λ ^ 我 } 1 N − d }

加上额外的惩罚项。值λ我是最小的(一天)空间协方差矩阵的特征值。对于每个具体的估计量,解决方案d是由

  • 另类投资会议

    d ^ 一个 我 C = argmin d { l d ( d ) + d ( 2 N − d ) }

  • AIC forward-backward平均协方差矩阵

    d ^ 一个 我 C : F B = argmin d { l d ( d ) + 1 2 d ( 2 N − d + 1 ) }

  • MDL

    d ^ 米 D l = argmin d { l d ( d ) + 1 2 ( d ( 2 N − d ) + 1 ) ln K }

  • MDL forward-backward平均协方差矩阵

    d ^ 米 D l F B = argmin d { l d ( d ) + 1 4 d ( 2 N − d + 1 ) ln K }

引用

[1]凡树木上半叶最优阵列处理。纽约:Wiley-Interscience, 2002。

扩展功能

版本历史

介绍了R2013a

另请参阅

|||