32阵元 MVDR和DREC DOA估计波束方向图对比

32阵元 MVDR和DREC DOA估计波束方向图对比

一、原理

MVDR原理:https://zhuanlan.zhihu.com/p/457528114

DREC原理(无失真响应特征干扰相消器):http://radarst.ijournal.cn/html/2019/3/201903018.html

主要参数:

阵元:32个阵元,可以设置。

期望信号:1个,角度、信噪比可以设置。

干扰信号:2个,角度、信噪比可以设置。

二、效果

波束方向图效果:

三、代码

部分代码:

bash 复制代码
clc;
clear all;
close all;
%% 
v=2;    %波长为2
d =v/2; %阵元间距
N=32;   %阵元个数
theta_3db = 2/N*180/pi; %-3db波束宽度
for ix=1:1:N
    A(ix,1)=(ix-1)*d;%阵元间距向量
end

%% 接收信号模型
fs=10;  %信号频率
fj1=1;  %干扰1频率
fj2=2;  %干扰2频率

SNR= -10; %信噪比
JNR1=20;  %干噪比1
JNR2=20;  %干噪比2

theta_s=10*pi/180;  %信号入射方向
theta_j1=20*pi/180; %干扰1,间距大于主瓣宽度
theta_j2=25*pi/180; %干扰2,间距大于主瓣宽度

A0=sqrt(10^(SNR/10)); %信号幅度
A1=sqrt(10^(JNR1/10));%干扰1幅度
A2=sqrt(10^(JNR2/10));%干扰2幅度
for k=1:1:N
    as(k,1)=exp(j*2*pi*sin(theta_s)*A(k,1)/v);  %信号方向导向矢量
    aj1(k,1)=exp(j*2*pi*sin(theta_j1)*A(k,1)/v);%干扰1方向导向矢量
    aj2(k,1)=exp(j*2*pi*sin(theta_j2)*A(k,1)/v);%干扰2方向导向矢量
end
M =1000;%快拍数
t=0:1/(4*fs):(M-1)/(4*fs);%快拍时间

T=length(t);%快拍时间长度
S0=A0*exp(sqrt(-1)*(2*pi*fs*t+pi*rand(1,T)));    %构造信号   
J1=A1*exp(sqrt(-1)*(2*pi*fj1*t+pi*rand(1,T)));   %构造干扰信号1 
J2=A2*exp(sqrt(-1)*(2*pi*fj2*t+pi*rand(1,T)));   %构造干扰信号2 

S=as*S0;  %信号乘以信号方向导向矢量
I1=aj1*J1;%干扰1乘以干扰1方向导向矢量
I2=aj2*J2;%干扰2乘以干扰2方向导向矢量

Noise=zeros(N,T);%构造归一化高斯噪声
for k=1:1:N
        Noise(k,:)=(randn(1,T)+sqrt(-1)*randn(1,T))/sqrt(2);
end

X=S+I1+I2+Noise; % 叠加两个干扰信号和噪声,得到新的信号X
R=X*X'/T;        % 干扰和噪声的协方差矩阵

%% 图形绘制
figure(1);
Fa=20*log10(abs(F_s)./max_st); %归一化方向图 db
plot(theta_scan/pi*180, Fa,'b');

hold on
Fa=20*log10(abs(Fsum)./maxs);%归一化方向图 db
plot(theta_scan/pi*180, Fa,'r'); grid on;

Fa1=20*log10(abs(Fsum1)./maxs1);%归一化方向图 db
plot(theta_scan/pi*180, Fa1,'g');
xlabel('theta/°');
ylabel('幅度/dB');
title('波束方向图');
legend('原始波束扫描方向图','MVDR波束方向图','DREC波束方向图')

四、信噪比SNR和信干噪比SINR的关系

信噪比的表达式为:

S N R = 10 lg ⁡ P S P N S N R=10 \lg \frac{P_S}{P_N} SNR=10lgPNPS,其中:

SNR:信噪比,单位是dB。

PS:信号的有效功率。

PN:噪声的有效功率。

信干噪比SINR(Signal to Interference plus Noise Ratio)指的是系统中信号与干扰和噪声之和的比。

信干噪比表达式为:

S I N R = 10 lg ⁡ P S P I + P N S I N R=10 \lg \frac{P_S}{P_I+P_N} SINR=10lgPI+PNPS,其中:

SINR:信干噪比,单位是dB。

PS:信号的有效功率。

PN:噪声的有效功率。

PI:干扰信号的有效功率。

由上述理论可知,SNR增加,即相对于Ps增加,当PI和PN不变时,SINR会逐渐增大,如下图所示是SNR和SINR的关系:

五、干噪比INR和信干噪比SINR的关系

由第四节所述,当干噪比INR增加时,相当于PI增加,因此当PN和PS不变时,SINR会逐渐降低。如下图所示:

代码下载链接:https://mbd.pub/o/bread/ZZicm5Zy

相关推荐
Not Dr.Wang42214 小时前
FIR数字滤波器设计的两种实现
matlab
3GPP仿真实验室14 小时前
【MATLAB源码】CORDIC-QR :基于Cordic硬件级矩阵QR分解
开发语言·matlab·矩阵
民乐团扒谱机1 天前
【微实验】机器学习之集成学习 GBDT和XGBoost 附 matlab仿真代码 复制即可运行
人工智能·机器学习·matlab·集成学习·xgboost·gbdt·梯度提升树
s09071361 天前
【声呐硬件设计】LFM信号处理中前级有源滤波器设计的关键考量与原理分析
信号处理·声呐·线性相位·模拟滤波器
Evand J1 天前
TDOA(到达时间差)的GDOP和CRLB计算的MATLAB例程,论文复现,附参考文献。GDOP:几何精度因子&CRLB:克拉美罗下界
开发语言·matlab·tdoa·crlb·gdop
机器学习之心HML1 天前
MATLAB豆渣发酵工艺优化 - 基于响应面法结合遗传算法
matlab
禁默2 天前
打通 AI 与信号处理的“任督二脉”:Ascend SIP Boost 加速库深度实战
人工智能·信号处理·cann
池央2 天前
CANN SIP 信号处理算子库深度解析:FFT 硬件加速、复数运算的向量化实现与端到端数据流优化
信号处理
池央2 天前
CANN SIP 信号处理算子库深度解析:高性能信号处理的硬件加速、多维数据流与定制化融合策略
信号处理
池央2 天前
CANN 算子生态的深度演进:稀疏计算支持与 PyPTO 范式的抽象层级
运维·人工智能·信号处理