相关干涉仪测向方法的MATLAB仿真

一、相关干涉仪测向原理

1.1 基本理论

相关干涉仪利用多个天线间的相位差来测量来波方向（DOA）。对于间距为d的两个天线：

相位差公式：

Δφ=2π∗d∗sin(θ)/λΔφ = 2π * d * sin(θ) / λΔφ=2π∗d∗sin(θ)/λ

其中：

Δφ：天线间相位差
d：天线间距
θ：来波方向角
λ：信号波长

1.2 相关干涉仪工作流程

复制代码

接收信号 → 相关处理 → 相位差提取 → DOA估计 → 结果输出
    ↓         ↓         ↓         ↓         ↓
 天线阵列 → 互相关计算 → 相位估计 → 角度计算 → 显示

二、完整MATLAB仿真程序

2.1 主程序（main_correlometer.m）

matlab 复制代码

%% 相关干涉仪测向方法MATLAB仿真
clc; clear; close all;
warning('off', 'all');

%% 1. 仿真参数设置
fprintf('相关干涉仪测向仿真\n');
fprintf('=======================================\n');

% 系统参数
params.fc = 2.4e9;         % 载波频率 2.4GHz
params.c = 3e8;           % 光速
params.lambda = params.c / params.fc;  % 波长
params.fs = 100e6;        % 采样率 100MHz
params.T = 1e-6;         % 观测时间 1μs
params.SNR = 20;         % 信噪比 (dB)

% 天线阵列参数
params.N_ant = 4;         % 天线数量
params.d = params.lambda / 2;  % 天线间距（半波长）
params.array_type = 'ULA';  % 均匀线阵

% 信号参数
params.N_signals = 1;     % 信号源数量
params.theta_true = 30;   % 真实来波方向 (度)
params.theta_range = [-90, 90];  % 测向范围
params.theta_step = 0.5;  % 测向步长 (度)

% 算法参数
params.N_snapshots = 100;  % 快拍数
params.N_fft = 1024;      % FFT点数
params.correlation_method = 'corr';  % 相关方法: 'corr', 'xcorr', 'music'

%% 2. 生成接收信号
fprintf('生成接收信号...\n');
[t, s, X] = generate_received_signal(params);

% 显示信号时域波形
figure('Position', [100, 100, 1200, 400]);
subplot(1,2,1);
plot(t*1e6, real(s), 'b-', 'LineWidth', 1.5);
xlabel('时间 (\mu s)');
ylabel('幅度');
title('源信号时域波形');
grid on;

subplot(1,2,2);
for i = 1:min(4, params.N_ant)
    plot(t*1e6, real(X(i, 1:length(t))), 'LineWidth', 1.5);
    hold on;
end
xlabel('时间 (\mu s)');
ylabel('幅度');
title('天线接收信号');
legend(arrayfun(@(x) sprintf('天线%d', x), 1:min(4,params.N_ant), 'UniformOutput', false));
grid on;

%% 3. 相关干涉仪测向
fprintf('执行相关干涉仪测向...\n');
[theta_est, P, corr_matrix] = correlometer_doa(X, params);

%% 4. 结果分析
fprintf('\n测向结果:\n');
fprintf('  真实来波方向: %.2f°\n', params.theta_true);
fprintf('  估计来波方向: %.2f°\n', theta_est);
fprintf('  估计误差: %.2f°\n', abs(theta_est - params.theta_true));

%% 5. 性能评估
fprintf('\n性能评估...\n');
[rmse, bias, std_dev] = evaluate_performance(theta_est, params.theta_true);
fprintf('  RMSE: %.4f°\n', rmse);
fprintf('  偏差: %.4f°\n', bias);
fprintf('  标准差: %.4f°\n', std_dev);

%% 6. 可视化结果
plot_results(params, theta_est, P, corr_matrix, X, t);

%% 7. 鲁棒性分析
fprintf('\n鲁棒性分析...\n');
robustness_analysis(params);

fprintf('\n仿真完成！\n');

2.2 接收信号生成函数

matlab 复制代码

function [t, s, X] = generate_received_signal(params)
% 生成接收信号
% 输入: params - 参数结构体
% 输出: t - 时间向量
%       s - 源信号
%       X - 接收信号矩阵

% 时间向量
N_samples = round(params.T * params.fs);
t = (0:N_samples-1)' / params.fs;

% 生成源信号
s = zeros(N_samples, params.N_signals);
for k = 1:params.N_signals
    % 调制信号 (QPSK)
    data = randi([0, 3], ceil(N_samples/10), 1);
    modulated = pskmod(data, 4);
    s(:, k) = resample(modulated, 10, 1);
    s(:, k) = s(1:N_samples, k);
    
    % 添加频率偏移
    f_offset = 100e3;  % 100kHz偏移
    s(:, k) = s(:, k) .* exp(1j*2*pi*f_offset*t);
end

% 阵列流形
A = compute_array_manifold(params);

% 生成接收信号
X = zeros(params.N_ant, N_samples);
for k = 1:params.N_signals
    X = X + A(:, k) * s(:, k)';
end

% 添加高斯白噪声
noise_power = 10^(-params.SNR/10) * mean(abs(X(:)).^2);
X = X + sqrt(noise_power/2) * (randn(size(X)) + 1j*randn(size(X)));

% 确保维度正确
if size(X, 1) < size(X, 2)
    X = X.';
end
end

function A = compute_array_manifold(params)
% 计算阵列流形
% 输入: params - 参数结构体
% 输出: A - 阵列流形矩阵

A = zeros(params.N_ant, params.N_signals);
theta_rad = deg2rad(params.theta_true);

switch params.array_type
    case 'ULA'
        % 均匀线阵
        for m = 1:params.N_ant
            phase_shift = 2*pi*(m-1)*params.d*sin(theta_rad)/params.lambda;
            A(m, :) = exp(-1j*phase_shift);
        end
        
    case 'UCA'
        % 均匀圆阵
        radius = params.d * (params.N_ant-1) / (2*pi);
        for m = 1:params.N_ant
            angle = 2*pi*(m-1)/params.N_ant;
            phase_shift = 2*pi*radius/params.lambda * ...
                         cos(theta_rad - angle);
            A(m, :) = exp(-1j*phase_shift);
        end
        
    otherwise
        error('不支持的阵列类型');
end
end

2.3 相关干涉仪测向核心算法

matlab 复制代码

function [theta_est, P, R] = correlometer_doa(X, params)
% 相关干涉仪测向
% 输入: X - 接收信号矩阵
%       params - 参数结构体
% 输出: theta_est - 估计的DOA
%       P - 空间谱
%       R - 相关矩阵

% 计算相关矩阵
R = compute_correlation_matrix(X, params);

% 生成角度扫描向量
theta_scan = params.theta_range(1):params.theta_step:params.theta_range(2);
P = zeros(length(theta_scan), 1);

% 计算空间谱
for i = 1:length(theta_scan)
    theta = deg2rad(theta_scan(i));
    
    % 计算理论相位差向量
    a = zeros(params.N_ant, 1);
    for m = 1:params.N_ant
        phase_shift = 2*pi*(m-1)*params.d*sin(theta)/params.lambda;
        a(m) = exp(-1j*phase_shift);
    end
    
    % 相关干涉仪测向公式
    switch params.correlation_method
        case 'corr'
            % 传统相关法
            P(i) = abs(a' * R * a) / (params.N_ant^2);
            
        case 'music'
            % MUSIC算法
            [U, S, ~] = svd(R);
            noise_space = U(:, params.N_signals+1:end);
            P(i) = 1 / (a' * (noise_space * noise_space') * a);
            
        case 'esprit'
            % ESPRIT算法
            [U, ~, ~] = svd(R);
            U1 = U(1:end-1, 1:params.N_signals);
            U2 = U(2:end, 1:params.N_signals);
            Phi = U1 \ U2;
            eigenvalues = eig(Phi);
            angles = asin(angle(eigenvalues) * params.lambda / (2*pi*params.d));
            P(i) = 0;  % ESPRIT不生成谱
            
        otherwise
            error('未知的相关方法');
    end
end

% 寻找谱峰
[~, peak_idx] = max(abs(P));
theta_est = theta_scan(peak_idx);

% 如果使用ESPRIT，直接计算角度
if strcmp(params.correlation_method, 'esprit')
    [U, ~, ~] = svd(R);
    U1 = U(1:end-1, 1:params.N_signals);
    U2 = U(2:end, 1:params.N_signals);
    Phi = pinv(U1) * U2;
    eigenvalues = eig(Phi);
    angles = asin(angle(eigenvalues) * params.lambda / (2*pi*params.d));
    theta_est = rad2deg(mean(angles));
    P = ones(length(theta_scan), 1);  % 为绘图生成伪谱
end
end

function R = compute_correlation_matrix(X, params)
% 计算相关矩阵
% 输入: X - 接收信号
%       params - 参数结构体
% 输出: R - 相关矩阵

[N_ant, N_samples] = size(X);

% 确保足够的采样点
if N_samples < params.N_snapshots
    params.N_snapshots = N_samples;
end

% 分快拍计算相关矩阵
R = zeros(N_ant, N_ant);
for snap = 1:params.N_snapshots
    idx = (snap-1)*floor(N_samples/params.N_snapshots) + 1;
    idx_end = min(idx + floor(N_samples/params.N_snapshots) - 1, N_samples);
    
    X_snap = X(:, idx:idx_end);
    R = R + X_snap * X_snap' / size(X_snap, 2);
end

R = R / params.N_snapshots;

% 对角加载提高数值稳定性
R = R + 1e-6 * eye(N_ant);
end

2.4 性能评估函数

matlab 复制代码

function [rmse, bias, std_dev] = evaluate_performance(theta_est, theta_true)
% 评估测向性能
% 输入: theta_est - 估计角度
%       theta_true - 真实角度
% 输出: rmse - 均方根误差
%       bias - 偏差
%       std_dev - 标准差

% 蒙特卡洛仿真
N_trials = 100;
errors = zeros(N_trials, 1);

% 临时保存参数
global temp_params;
temp_params_backup = temp_params;

for trial = 1:N_trials
    % 每次试验添加不同的噪声
    temp_params.SNR = 20 + randn() * 2;  % SNR在20±2dB范围内变化
    
    % 重新生成信号并测向
    [~, ~, X] = generate_received_signal(temp_params);
    [theta_trial, ~, ~] = correlometer_doa(X, temp_params);
    
    errors(trial) = theta_trial - theta_true;
    
    % 角度包装处理
    if errors(trial) > 180
        errors(trial) = errors(trial) - 360;
    elseif errors(trial) < -180
        errors(trial) = errors(trial) + 360;
    end
end

% 恢复参数
temp_params = temp_params_backup;

% 计算统计量
rmse = sqrt(mean(errors.^2));
bias = mean(errors);
std_dev = std(errors);
end

2.5 可视化函数

matlab 复制代码

function plot_results(params, theta_est, P, R, X, t)
% 绘制结果
figure('Position', [100, 100, 1400, 900]);

% 子图1：空间谱
subplot(3,3,1);
theta_scan = params.theta_range(1):params.theta_step:params.theta_range(2);
plot(theta_scan, 10*log10(abs(P)), 'b-', 'LineWidth', 2);
hold on;
plot([params.theta_true, params.theta_true], ylim, 'r--', 'LineWidth', 1.5);
plot([theta_est, theta_est], ylim, 'g--', 'LineWidth', 1.5);
xlabel('角度 (°)');
ylabel('功率 (dB)');
title(sprintf('空间谱 (方法: %s)', params.correlation_method));
legend('空间谱', '真实角度', '估计角度', 'Location', 'best');
grid on;

% 子图2：相关矩阵幅度
subplot(3,3,2);
imagesc(abs(R));
colorbar;
xlabel('天线序号');
ylabel('天线序号');
title('相关矩阵幅度');
axis equal tight;

% 子图3：相关矩阵相位
subplot(3,3,3);
imagesc(angle(R));
colorbar;
xlabel('天线序号');
ylabel('天线序号');
title('相关矩阵相位');
axis equal tight;

% 子图4：天线相位关系
subplot(3,3,4);
phase_diff = angle(R(1,2:end));
plot(1:params.N_ant-1, rad2deg(phase_diff), 'bo-', 'LineWidth', 2, 'MarkerSize', 8);
hold on;

% 理论相位差
theta_rad = deg2rad(params.theta_true);
theoretical_phase = zeros(1, params.N_ant-1);
for m = 1:params.N_ant-1
    theoretical_phase(m) = 2*pi*m*params.d*sin(theta_rad)/params.lambda;
end
plot(1:params.N_ant-1, rad2deg(theoretical_phase), 'r--', 'LineWidth', 1.5);

xlabel('天线对');
ylabel('相位差 (°)');
title('天线间相位差');
legend('测量', '理论', 'Location', 'best');
grid on;

% 子图5：信号频谱
subplot(3,3,5);
N_fft = params.N_fft;
freq = (-N_fft/2:N_fft/2-1) * params.fs / N_fft;
spectrum = fftshift(fft(X(1,:), N_fft));
plot(freq/1e6, 20*log10(abs(spectrum)), 'b-', 'LineWidth', 1.5);
xlabel('频率 (MHz)');
ylabel('幅度 (dB)');
title('接收信号频谱');
grid on;

% 子图6：阵列结构
subplot(3,3,6);
if strcmp(params.array_type, 'ULA')
    % 均匀线阵
    x_pos = (0:params.N_ant-1) * params.d;
    y_pos = zeros(size(x_pos));
    scatter(x_pos, y_pos, 100, 'filled');
    text(x_pos, y_pos, arrayfun(@(x) sprintf('%d', x), 1:params.N_ant, 'UniformOutput', false), ...
        'HorizontalAlignment', 'center', 'VerticalAlignment', 'bottom');
else
    % 均匀圆阵
    radius = params.d * (params.N_ant-1) / (2*pi);
    angles = linspace(0, 2*pi, params.N_ant+1);
    angles = angles(1:end-1);
    x_pos = radius * cos(angles);
    y_pos = radius * sin(angles);
    scatter(x_pos, y_pos, 100, 'filled');
    text(x_pos, y_pos, arrayfun(@(x) sprintf('%d', x), 1:params.N_ant, 'UniformOutput', false), ...
        'HorizontalAlignment', 'center', 'VerticalAlignment', 'bottom');
    
    % 绘制圆形
    rectangle('Position', [-radius, -radius, 2*radius, 2*radius], ...
        'Curvature', [1,1], 'LineStyle', '--', 'EdgeColor', 'r');
end

% 绘制来波方向
arrow_length = max(abs([x_pos, y_pos])) * 1.2;
arrow_x = arrow_length * cos(deg2rad(theta_est));
arrow_y = arrow_length * sin(deg2rad(theta_est));
quiver(0, 0, arrow_x, arrow_y, 'r', 'LineWidth', 2, 'MaxHeadSize', 0.5);
text(arrow_x*1.1, arrow_y*1.1, sprintf('%.1f°', theta_est), ...
    'Color', 'r', 'FontWeight', 'bold');

axis equal;
xlim([-arrow_length*1.3, arrow_length*1.3]);
ylim([-arrow_length*1.3, arrow_length*1.3]);
xlabel('X位置 (m)');
ylabel('Y位置 (m)');
title('天线阵列布局');

% 子图7：信号星座图
subplot(3,3,7);
scatter(real(X(1,:)), imag(X(1,:)), 10, 'filled');
xlabel('实部');
ylabel('虚部');
title('接收信号星座图');
grid on;
axis equal;

% 子图8：相位直方图
subplot(3,3,8);
phase_angles = angle(X(:));
histogram(phase_angles, 50, 'FaceColor', [0.2, 0.6, 0.8]);
xlabel('相位 (弧度)');
ylabel('频数');
title('相位分布直方图');
grid on;

% 子图9：性能统计
subplot(3,3,9);
axis off;
text_str = {
    sprintf('系统参数:');
    sprintf('  载频: %.1f GHz', params.fc/1e9);
    sprintf('  波长: %.3f m', params.lambda);
    sprintf('  天线数: %d', params.N_ant);
    sprintf('  天线间距: %.3f m', params.d);
    sprintf('  SNR: %.1f dB', params.SNR);
    '';
    sprintf('测向结果:');
    sprintf('  真实角度: %.2f°', params.theta_true);
    sprintf('  估计角度: %.2f°', theta_est);
    sprintf('  误差: %.2f°', abs(theta_est - params.theta_true));
    '';
    sprintf('方法: %s', params.correlation_method);
};
text(0.1, 0.5, text_str, 'FontSize', 10, 'VerticalAlignment', 'middle');

% 保存图形
saveas(gcf, 'correlometer_results.png');
end

2.6 鲁棒性分析函数

matlab 复制代码

function robustness_analysis(params)
% 鲁棒性分析
% 输入: params - 参数结构体

% SNR对测向精度的影响
SNR_range = 0:5:30;
theta_errors_snr = zeros(length(SNR_range), 1);

% 多径对测向精度的影响
multipath_levels = 0:0.1:0.5;
theta_errors_multipath = zeros(length(multipath_levels), 1);

% 天线失配对测向精度的影响
mismatch_levels = 0:0.01:0.05;
theta_errors_mismatch = zeros(length(mismatch_levels), 1);

fprintf('进行鲁棒性分析...\n');
progress_bar = waitbar(0, '鲁棒性分析中...');

% 分析1：SNR影响
for i = 1:length(SNR_range)
    params_temp = params;
    params_temp.SNR = SNR_range(i);
    
    % 多次仿真取平均
    N_trials = 10;
    errors = zeros(N_trials, 1);
    
    for trial = 1:N_trials
        [~, ~, X] = generate_received_signal(params_temp);
        [theta_est, ~, ~] = correlometer_doa(X, params_temp);
        errors(trial) = abs(theta_est - params.theta_true);
    end
    
    theta_errors_snr(i) = mean(errors);
    waitbar(i/(3*length(SNR_range)), progress_bar);
end

% 分析2：多径影响
for i = 1:length(multipath_levels)
    params_temp = params;
    
    % 添加多径信号
    N_trials = 10;
    errors = zeros(N_trials, 1);
    
    for trial = 1:N_trials
        % 生成主信号
        [t, s_main, X_main] = generate_received_signal(params_temp);
        
        % 添加多径信号
        multipath_gain = multipath_levels(i);
        theta_multipath = params.theta_true + 20;  % 多径角度偏移20度
        
        % 生成多径阵列流形
        A_mp = compute_array_manifold_multipath(params_temp, theta_multipath);
        s_mp = multipath_gain * s_main;  % 多径信号
        
        X_mp = A_mp * s_mp';
        
        % 组合信号
        X = X_main + X_mp;
        
        [theta_est, ~, ~] = correlometer_doa(X, params_temp);
        errors(trial) = abs(theta_est - params.theta_true);
    end
    
    theta_errors_multipath(i) = mean(errors);
    waitbar((length(SNR_range)+i)/(3*length(SNR_range)), progress_bar);
end

% 分析3：天线失配影响
for i = 1:length(mismatch_levels)
    params_temp = params;
    
    N_trials = 10;
    errors = zeros(N_trials, 1);
    
    for trial = 1:N_trials
        % 生成接收信号
        [~, ~, X] = generate_received_signal(params_temp);
        
        % 添加天线幅度/相位失配
        amplitude_mismatch = 1 + mismatch_levels(i) * randn(params.N_ant, 1);
        phase_mismatch = mismatch_levels(i) * randn(params.N_ant, 1);
        
        mismatch_matrix = diag(amplitude_mismatch .* exp(1j*phase_mismatch));
        X_mismatched = mismatch_matrix * X;
        
        [theta_est, ~, ~] = correlometer_doa(X_mismatched, params_temp);
        errors(trial) = abs(theta_est - params.theta_true);
    end
    
    theta_errors_mismatch(i) = mean(errors);
    waitbar((2*length(SNR_range)+i)/(3*length(SNR_range)), progress_bar);
end

close(progress_bar);

% 绘制鲁棒性分析图
figure('Position', [100, 100, 1200, 400]);

subplot(1,3,1);
plot(SNR_range, theta_errors_snr, 'b-o', 'LineWidth', 2, 'MarkerSize', 8);
xlabel('信噪比 (dB)');
ylabel('平均测向误差 (°)');
title('SNR对测向精度的影响');
grid on;

subplot(1,3,2);
plot(multipath_levels, theta_errors_multipath, 'r-o', 'LineWidth', 2, 'MarkerSize', 8);
xlabel('多径强度');
ylabel('平均测向误差 (°)');
title('多径对测向精度的影响');
grid on;

subplot(1,3,3);
plot(mismatch_levels, theta_errors_mismatch, 'g-o', 'LineWidth', 2, 'MarkerSize', 8);
xlabel('天线失配系数');
ylabel('平均测向误差 (°)');
title('天线失配对测向精度的影响');
grid on;

% 保存图形
saveas(gcf, 'robustness_analysis.png');

fprintf('鲁棒性分析完成！\n');
end

function A = compute_array_manifold_multipath(params, theta)
% 计算多径阵列流形
% 输入: params - 参数结构体
%       theta - 来波方向
% 输出: A - 阵列流形

A = zeros(params.N_ant, 1);
theta_rad = deg2rad(theta);

for m = 1:params.N_ant
    phase_shift = 2*pi*(m-1)*params.d*sin(theta_rad)/params.lambda;
    A(m) = exp(-1j*phase_shift);
end
end

2.7 多目标测向扩展

matlab 复制代码

function multi_target_doa(params)
% 多目标测向
% 输入: params - 参数结构体

fprintf('\n多目标测向分析...\n');

% 设置多个信号源
params.N_signals = 2;
params.theta_true = [30, -20];  % 两个信号源

% 生成接收信号
[t, s, X] = generate_received_signal(params);

% 执行测向
[theta_est, P, R] = correlometer_doa(X, params);

% 寻找多个峰值
theta_scan = params.theta_range(1):params.theta_step:params.theta_range(2);
P_abs = abs(P);

% 峰值检测
[peaks, locs] = findpeaks(P_abs, 'MinPeakHeight', max(P_abs)*0.5, ...
    'MinPeakDistance', 5/params.theta_step);

% 排序并选择前N个峰值
[~, sorted_idx] = sort(peaks, 'descend');
N_detected = min(params.N_signals, length(peaks));
theta_est_multi = theta_scan(locs(sorted_idx(1:N_detected)));

% 绘制结果
figure('Position', [100, 100, 1200, 400]);

% 子图1：空间谱
subplot(1,2,1);
plot(theta_scan, 10*log10(P_abs), 'b-', 'LineWidth', 2);
hold on;
for i = 1:params.N_signals
    plot([params.theta_true(i), params.theta_true(i)], ylim, 'r--', 'LineWidth', 1.5);
end
for i = 1:N_detected
    plot([theta_est_multi(i), theta_est_multi(i)], ylim, 'g--', 'LineWidth', 1.5);
end
xlabel('角度 (°)');
ylabel('功率 (dB)');
title('多目标空间谱');
legend('空间谱', '真实角度', '估计角度', 'Location', 'best');
grid on;

% 子图2：相关矩阵特征值
subplot(1,2,2);
[U, S, V] = svd(R);
eigenvalues = diag(S);
plot(1:length(eigenvalues), 10*log10(eigenvalues), 'ro-', 'LineWidth', 2);
xlabel('特征值序号');
ylabel('特征值 (dB)');
title('相关矩阵特征值分布');
grid on;

fprintf('检测到 %d 个信号源:\n', N_detected);
for i = 1:N_detected
    fprintf('  信号%d: 估计角度 = %.2f°\n', i, theta_est_multi(i));
end
end

参考代码相关干涉仪测向方法的matlab仿真 www.youwenfan.com/contentcsu/54885.html

三、算法对比与选择

3.1 不同算法的性能比较

算法	计算复杂度	分辨率	多目标能力	抗噪性能	适用场景
传统相关法	低	低	差	中	单目标、高SNR
MUSIC	高	高	优	优	多目标、高分辨率
ESPRIT	中	高	良	优	均匀线阵、实时性要求高
MVDR	中	中	良	中	干扰抑制、自适应波束形成

3.2 参数选择建议

参数	推荐值	说明
天线数	4-16	越多分辨率越高，但计算量增大
天线间距	λ/2	避免栅瓣，获得最大不模糊视场
快拍数	100-1000	信噪比低时需要更多快拍
SNR	>10dB	低于10dB时性能显著下降
测向步长	0.1°-1°	精度要求高时使用小步长

四、实际应用考虑

4.1 校准与补偿

matlab 复制代码

function X_calibrated = calibrate_array(X, cal_params)
% 阵列校准
% 输入: X - 接收信号
%       cal_params - 校准参数
% 输出: X_calibrated - 校准后信号

[N_ant, N_samples] = size(X);
X_calibrated = zeros(N_ant, N_samples);

% 幅度校准
amplitude_cal = cal_params.amplitude_cal;
% 相位校准
phase_cal = cal_params.phase_cal;
% 位置校准
position_cal = cal_params.position_cal;

for i = 1:N_ant
    % 应用校准系数
    cal_factor = amplitude_cal(i) * exp(1j*phase_cal(i));
    X_calibrated(i,:) = X(i,:) * cal_factor;
    
    % 位置误差补偿（可选）
    if isfield(cal_params, 'position_error')
        % 重新计算阵列流形
        % 这里省略具体实现
    end
end
end

4.2 实时处理框架

matlab 复制代码

function real_time_doa()
% 实时DOA估计框架
% 用于实际系统部署

% 初始化
params = initialize_parameters();
buffer = init_buffer(params);

while true
    % 采集新数据
    new_data = acquire_data(params);
    
    % 更新缓冲区
    buffer = update_buffer(buffer, new_data);
    
    % 执行DOA估计
    if buffer.ready
        theta_est = correlometer_doa(buffer.data, params);
        
        % 输出结果
        display_result(theta_est);
        
        % 可选：跟踪滤波
        theta_filtered = kalman_filter(theta_est);
    end
    
    % 控制循环频率
    pause(0.01);  % 100Hz更新率
end
end

五、总结

这个相关干涉仪测向MATLAB仿真系统提供了：

完整实现 ：从信号生成到DOA估计的完整流程
多种算法 ：支持传统相关法、MUSIC、ESPRIT等
性能分析 ：全面的误差统计和鲁棒性分析
可视化 ：丰富的图形展示中间结果和最终性能
实用扩展：多目标测向、阵列校准、实时处理框架

核心优势：

算法实现清晰，便于理解和修改
包含完整的误差分析和鲁棒性测试
提供实际部署的参考框架
丰富的可视化帮助理解算法原理

应用场景：

雷达目标测向
通信信号定位
电子侦察
无人机导航
智能天线系统

下一步工作：

添加更多高级算法（如压缩感知DOA）
实现三维空间测向
集成深度学习辅助的DOA估计
优化实时处理性能
增加硬件接口支持实际数据采集