一种低信噪比下的特征向量类信源数估计算法

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (5): 146-148.

• 数据库、信号与信息处理 • 上一篇下一篇

一种低信噪比下的特征向量类信源数估计算法

李媛1，王畅2，郭建新1，刘尚峰1，3

1.空军工程大学电讯工程学院，西安 710077
2.华北水利水电学院，郑州 450011
3.空军雷达学院，武汉 430019

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2012-02-11 发布日期:2012-02-11

Novel source enumeration algorithm at low SNR based on eigenvectors

LI Yuan1, WANG Chang2, GUO Jianxin1, LIU Shangfeng1，3

1.Institute of Telecommunication Engineering, Air Force Engineering University, Xi’an 710077, China
2.North China University of Water Resources and Electric Power, Zhengzhou 450011, China
3.Air Force Radar Academy, Wuhan 430019, China

Received:1900-01-01 Revised:1900-01-01 Online:2012-02-11 Published:2012-02-11

摘要/Abstract

摘要： 经典的特征值类信源数估计算法在低信噪比、少快拍数条件下的估计性能急剧下降，针对该问题，提出了一种新的信源数估计算法。该算法利用采样协方差矩阵的特征向量对信噪比不敏感的特性来构造判决变量，根据改进的预测描述长度（PDL）准则来实现对信源数的有效估计，理论分析和仿真实验证明了所提算法的有效性。

关键词: 信源数估计, 特征向量, 低信噪比

Abstract: Performance of classical source estimation algorithm drops quickly at low SNR and small snapshot conditions. To deal with this problem, a novel source enumeration algorithm is proposed. The approach employs sample covariance matrix’s eigenvectors which are not sensitive to SNR as decision value. Improved Predictive Description Length（PDL） criterion is adopted to enumerate source number effectively. Theoretical analysis and simulation results demonstrate the validity of the method.

Key words: source enumeration, eigenvector, low signal-to-noise ratio

李媛1，王畅2，郭建新1，刘尚峰1，3. 一种低信噪比下的特征向量类信源数估计算法[J]. 计算机工程与应用, 2012, 48(5): 146-148.

LI Yuan1, WANG Chang2, GUO Jianxin1, LIU Shangfeng1，3. Novel source enumeration algorithm at low SNR based on eigenvectors[J]. Computer Engineering and Applications, 2012, 48(5): 146-148.

[1]	朱洪峰，熊伟，崔亚奇，吕亚飞. 新的自适应转弯模型的IMM算法研究[J]. 计算机工程与应用, 2019, 55(17): 252-258.
[2]	朱大勇1，2，郭星1，2，吴建国1，2. 基于kinect三维骨骼节点的动作识别方法[J]. 计算机工程与应用, 2018, 54(20): 152-158.
[3]	刘学博，李灯熬，赵菊敏，廖述剑. 基于变步长支持向量机的J波自动检测方法[J]. 计算机工程与应用, 2017, 53(23): 203-207.
[4]	曲朝阳1，陈贺新1，胡可为2，刘耀伟3，独健鸿4. 基于Spark的电力调度数据整合模型[J]. 计算机工程与应用, 2017, 53(19): 65-70.
[5]	林卉1，于瑞鹏2，王李娟1，邵聪颖1. 基于特征向量的遥感影像自动分类研究[J]. 计算机工程与应用, 2017, 53(16): 177-181.
[6]	张小恒1，2，李勇明2，朱斌2. 范数正则化解相关集成学习基音频率检测[J]. 计算机工程与应用, 2017, 53(11): 155-160.
[7]	谢涛1，2，何怡刚3，李珩4. 模拟电路故障诊断新方法[J]. 计算机工程与应用, 2015, 51(21): 52-57.
[8]	张森，余剑峰，俞琳，张杰. 基于图论的飞机典型装配工艺数据挖掘方法[J]. 计算机工程与应用, 2015, 51(20): 116-119.
[9]	王娅丹，李鹏，金瑜，刘宇. 标签共现的标签聚类算法研究[J]. 计算机工程与应用, 2015, 51(2): 146-150.
[10]	赵爱芳，裴东，王全州，杨鸿武，安占福. 复杂环境中多信息融合的手势识别[J]. 计算机工程与应用, 2014, 50(5): 180-184.
[11]	尹玉萍1，刘万军2，张冲1，刘永超1. 基于动态聚类的文档碎纸片自动拼接算法[J]. 计算机工程与应用, 2014, 50(18): 162-166.
[12]	孙晶京. 使用伪氨基酸模型和K近邻分类器预测酶的分类[J]. 计算机工程与应用, 2013, 49(9): 123-126.
[13]	曹伟1，2，周智敏1，周辉3，傅作为2. 基于多维特征及BP网络的高分辨雷达目标识别[J]. 计算机工程与应用, 2013, 49(8): 213-216.
[14]	郭超1，张雪英1，刘晓峰2. 支持向量机在低信噪比语音识别中的应用[J]. 计算机工程与应用, 2013, 49(5): 213-215.
[15]	张晓威，孟凡明. 正弦信号幅值和初相位估计的问题研究[J]. 计算机工程与应用, 2013, 49(5): 216-219.

一种低信噪比下的特征向量类信源数估计算法

Novel source enumeration algorithm at low SNR based on eigenvectors

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics