esprit算法研究-資料下載頁
2025-06-20 06:17本頁面
【正文】 %M為獨立重復運行次數(shù)% [estimated,error]=TLSesprit1(p,L,K,SNR,DOA)。 %調(diào)用 TLSesprit1（一個信號的情況）% errorm(k)=error。 %將每次的估計誤差存入變量 errorm中，便于求均值% end% errorn(n)=sum(errorm)/M。 %求多次運行后的估計誤差的均值% end% figure(6)。plot(DOAn*180/pi,errorn*180/pi,39。b:*39。,39。LineWidth39。,2)。%繪制曲線并適當標注(誤差：角度)% xlabel(39。DOA(176。 )39。)。ylabel(39。估計誤差(176。 )39。)。 % % title(39。DOA（單信號）不同分布對估計誤差的影響39。)。% % %結(jié)論：越靠近 0度估計越準確，越靠近正負 90度估計誤差越大% %%%%%估計相關(guān)矩陣 R時，減與不減 Rn（無信號時的噪聲自相關(guān)矩陣）對估計誤差的 影響分析(結(jié)合信噪比 SNR對估計誤差的影響曲線)% SNRn=15:1:5。 %對信噪比 SNR離散化取值% for n=1:length(SNRn)% SNR=SNRn(n)。% for k=1:M% [estimated,error]=TLSesprit(p,L,K,SNR,DOA)。errorm(k)=error。 %調(diào)用減Rn的函數(shù)% [estimated,error]=TLSespritRn(p,L,K,SNR,DOA)。errormRn(k)=error。 %調(diào)用不減 Rn的函數(shù)% end% errorn(n)=sum(errorm)/M。 errornRn(n)=sum(errormRn)/M。% end% figure(7)。h=plot(SNRn,errorn*180/pi,SNRn,errornRn*180/pi,39。r.39。)。 %繪制減與不減 Rn時的估計誤差曲線% legend(39。R=RRn39。,39。R39。)。 set(h,39。LineWidth39。,2)。 %用圖示在圖中標明哪條為減或不減 Rn的曲線% xlabel(39。SNR(dB)39。)。ylabel(39。估計誤差(176。 )39。)。% % title(39。減與不減 Rn對估計誤差的影響39。)。% % %%%%%結(jié)論：若減 Rn，主要是在低信噪比時對估計精度的改善較大，當信噪比較大 時二者幾乎一樣%%%%%本文件名為 %%%%%%%%%%基于總體最小二乘的 ESPRIT算法（TLSESPRIT）的 DOA估計函數(shù)%%%%% function [estimated,error]=TLSesprit(p,L,K,SNR,DOA)% 調(diào)用格式:[estimated,error]=TLSesprit(p,L,K,SNR,DOA)。% 估計結(jié)果(弧度，矢量：p行 1列)：estimated% 估計誤差(弧度，標量：均方誤差)：error% 信號個數(shù)：p% 陣元數(shù)：L% 快拍數(shù)：K% 信噪比：SNR% 波達方向(弧度，矢量：p行 1列)：DOA% p=2。 L=8。 K=100。 SNR=5。 DOA=[pi*(10/180) pi*(20/180)]。%%%%%參數(shù)設置%%%%%dbbc=1/2。 %陣元間隔 d與信號波長之比 d/λ =1/2theta=2*pi*dbbc*sin(DOA)。 %信號方位參數(shù) thetaOmigaT=[pi/4。 pi/6]。 %信號頻率Dn=sqrt(1/(2*10^(SNR/10)))。 %噪聲標準差%%%%%估計相關(guān)矩陣 R%%%%A=exp(j*(0:L1)39。*theta)。 %表示出陣列方向矩陣S=exp(j*OmigaT*(0:K1))。 %構(gòu)造信號源矢量X=A*S。 %構(gòu)造陣列輸出矢量（無噪）Noise=Dn*(sqrt(2)/2)*(randn(L,K)+j*randn(L,K))。%加入復噪聲Y=X+Noise。 %構(gòu)造陣列輸出矢量R=zeros(L,L)。Rn=zeros(L,L)。 %初始化為零，加快運行速度for i=1:KRn=Rn+Noise(:,i)*Noise(:,i)39。R=R+Y(:,i)*Y(:,i)39。endR=R/K。Rn=Rn/K。 %求得相關(guān)矩陣 R(有信號)和 Rn（無信號）R1=RRn。 %減小噪聲對估計精度的影響[V,D]=eig(R1)。 %相關(guān)矩陣特征分解%（D中特征值已經(jīng)按從小到大的順序排列，即 V中前 Lp個為噪聲對應的特征向量）%%%%%構(gòu)造矩陣 S%%%%%S=V(:,Lp+1:L)。 %L行 p列（S中的列為 R中 p個大特征值對應的特征向量）S1=S(1:L1,:)。 %將 S的前 L1行構(gòu)造 S1S2=S(2:L,:)。 %將 S的后 L1行構(gòu)造 S2S12=[S1 S2]。 %利用 S1和 S2構(gòu)造 S12（L1行 2p列）SS=S1239。*S12。 %2K 行 2p列[U,D1]=eig(SS)。 %特征分解%%%%%求解估計結(jié)果%%%%%U11=U(1:p,1:p)。 %p行 p列，U12=U(p+1:2*p,1:p)。 %p行 p列TLS=U11*inv(U12)。 %p行 p列，U11和 U12構(gòu)成 U的噪聲子空間d=eig(TLS)。 %特征分解,求 TLS的特征值estimated=(sort(asin(angle(d)/pi)))39。 %輸出估計(已從小到大排序)結(jié)果（弧度）error=sqrt(sum((estimatedsort(DOA)).^2)/p)。 %求出估計誤差(弧度):均方誤差
電大資料相關(guān)推薦
鄂ICP備17016276號-1