MUSIC算法原理以及详细推导
Music算法叫做多信号分类算法(Multiple Signal Classification),Music算法的基本思想是将任意阵列输出数据的协方差矩阵进行特征值分解,对应不同特征值的特征向量构成相互正交的信号子空间和噪声子空间,大特征值对应的特征向量构成的是信号子空间,小特征值对应的特征向量构成的是噪声子空间,然后利用两个子空间之间的正交性来估计信号的来波方向(DOA估计)。
假设N元等距线阵,阵元间距为d,信号的波长为λ,空间中有r个信源,那么接收到的观测信号可表示为
X(t)=∑i=1rsi(t)A(θi)+N(t)X(t)=\sum_{i=1}^rs_i (t)A(θ_i )+N(t)X(t)=i=1∑rsi(t)A(θi)+N(t)
其中,si(t)s_i (t)si(t)是第i个信号,θiθ_iθi是空间中第i个信号的入射角度,A(θi)A(θ_i)A(θi)可表示为
A(θi)=[1,ej2πdsin(θi)/λ,⋯,ej2π(N−1)dsin(θi)/λ]TA(θ_i )=[1,e^{j2πdsin(θ_i )/λ},⋯,e^{j2π(N-1)dsin(θ_i )/λ}]^TA(θi)=[1,ej2πdsin(θi)/λ,⋯,ej2π(N−1)dsin(θi)/λ]T
接收信号进一步可表示为
X(t)=AS(t)+N(t)X(t)=AS(t)+N(t)X(t)=AS(t)+N(t)
A=[A(θ1),A(θ2),⋯,A(θr)]A=[A(θ_1 ),A(θ_2 ),⋯,A(θ_r)]A=[A(θ1),A(θ2),⋯,A(θr)]
S(t)=[s1(t),s2(t),⋯,sr(t)]TS(t)=[s_1 (t),s_2 (t),⋯,s_r (t)]^TS(t)=[s1(t),s2(t),⋯,sr(t)]T
协方差矩阵为
R=E[X∗XT]=E[(AS(t)+N(t))∗(AS(t)+N(t))T]=A∗RsAT+Rn=A∗RsAT+σ2IR=E[X^* X^T ]=E[(AS(t)+N(t))^* (AS(t)+N(t))^T ] =A^* R_s A^T+R_n=A^* R_s A^T+σ^2 IR=E[X∗XT]=E[(AS(t)+N(t))∗(AS(t)+N(t))T]=A∗RsAT+Rn=A∗RsAT+σ2I
上式中,噪声是高斯白噪声(服从均值为0,方差为σ2σ^2σ2)
定理1:方阵A酉相似于对角矩阵的充要条件是:A为正规阵(实或复)
定理2:对于实矩阵A,若满足ATA=AATA^T A=AA^TATA=AAT,则A为正规阵
对于复矩阵A,若满足AHA=AAHA^H A=AA^HAHA=AAH,则A为正规阵
由于协方差矩阵为厄米矩阵(RsH=RsR_s^H= R_sRsH=Rs),厄米矩阵是正规矩阵,所以协方差矩阵RsR_sRs酉相似于对角矩阵
Rs=QΛQHR_s=QΛQ^HRs=QΛQH
其中,QHQ=IQ^H Q=IQHQ=I,Λ=diag(λ1,λ2,…,λL)Λ= diag(λ_1,λ_2,…,λ_L)Λ=diag(λ1,λ2,…,λL)
R=Q(Λ+σ2I)QHR=Q(Λ+σ^2 I)Q^HR=Q(Λ+σ2I)QH
其中,Λ的对角线上r个元素的正数,其余元素均为零。R的r个大的特征值对应的特征向量张成的子空间为信号子空间,其余的L+1-r个小特征值对应的特征向量张成的子空间为噪声子空间。
定理3:R为正定或者半正定矩阵,所有特征值为大于等于零的正实数
证明:
Rqn=λnqnRq_n=λ_n q_nRqn=λnqn
若权向量为特征向量q_n,则输出信号为:y(t)=qnTXy(t)=q_n^T Xy(t)=qnTX
输出信号的功率为:E[∣y(t)∣2]=E[(qnTX)∗(qnTX)T]=qnHRqn≥0E[|y(t)|^2 ]=E[(q_n^T X)^* (q_n^T X)^T ]=q_n^H Rq_n≥0E[∣y(t)∣2]=E[(qnTX)∗(qnTX)T]=qnHRqn≥0
qnHRqn=λnqnHqn≥0q_n^H Rq_n=λ_n q_n^H q_n≥0qnHRqn=λnqnHqn≥0
∵qnHqn≥0∵q_n^H q_n≥0∵qnHqn≥0
∴λn≥0∴λ_n≥0∴λn≥0
定理4:R不同特征值对应的特征向量相互正交
将一组完备的正交基分为信号子空间和噪声子空间
Us=span[q1,q2,…,qr]U_s=span[q_1,q_2,…,q_r]Us=span[q1,q2,…,qr]
Un=span[q(r+1),…,qN]U_n=span[q_(r+1),…,q_N]Un=span[q(r+1),…,qN]
∵Rqn=σ2Iqn,n=r+1,…,N∵Rq_n=σ^2 Iq_n,n=r+1,…,N∵Rqn=σ2Iqn,n=r+1,…,N
将R=A∗RsAT+σ2IR=A^* R_s A^T+σ^2 IR=A∗RsAT+σ2I带入得到
(A∗RsAT+σ2I)qn=σ2qn(A^* R_s A^T+σ^2 I) q_n=σ^2 q_n(A∗RsAT+σ2I)qn=σ2qn
化简得到
A∗RsATqn=0A^* R_s A^T q_n=0A∗RsATqn=0
因为ATA∗A^T A^*ATA∗是r维满秩矩阵,(ATA∗)−1(A^T A^* )^{-1}(ATA∗)−1 存在,而RsR_sRs也是满秩的(r维),则对上式左乘Rs−1(ATA∗)−1ATR_s^{-1} (A^T A^* )^{-1} A^TRs−1(ATA∗)−1AT
Rs−1(ATA∗)−1ATA∗RsATqn=0R_s^{-1} (A^T A^* )^{-1}A^T A^* R_s A^T q_n=0Rs−1(ATA∗)−1ATA∗RsATqn=0
∴ATqn=0,n=r+1,…,N∴A^T q_n=0,n=r+1,…,N∴ATqn=0,n=r+1,…,N
上式表明:信号来波方向的相位矢量A与噪声特征值对应的特征向量正交。
对协方差矩阵R进行特征值分解,并将特征值从到到小排列,其中第r+1到第N个特征值对应的特征向量就是噪声子空间的基。定义一个噪声矩阵
En=[qr+1,…,qN]E_n=[q_{r+1},…,q_N ]En=[qr+1,…,qN]
如果θ_i方向是信号的来波方向,则
(AT(θi)qn)∗(AT(θi)qn)T=AH(θi)qn∗qnTA(θi)=0,n=r+1,…,N(A^T (θ_i ) q_n)^* (A^T (θ_i ) q_n )^T=A^H (θ_i ) q_n^* q_n^T A(θ_i )=0,n=r+1,…,N (AT(θi)qn)∗(AT(θi)qn)T=AH(θi)qn∗qnTA(θi)=0,n=r+1,…,N
即
AH(θi)En∗EnTA(θi)=0A^H (θ_i ) E_n^* E_n^T A(θ_i )=0AH(θi)En∗EnTA(θi)=0
根据上式构造空间谱
Pmusic=1/(AH(θi)PNA(θi))P_{music}=1/(A^H (θ_i ) P_N A(θ_i))Pmusic=1/(AH(θi)PNA(θi))
其中,PN=En∗EnTP_N=E_n^* E_n^TPN=En∗EnT,使θiθ_iθi遍历空间搜索角度,当搜索到目标角度θ的时候,此时Pmusic(θ)P_{music }(θ)Pmusic(θ)有一尖峰。
MUSIC算法原理以及详细推导相关推荐
- 《推荐系统笔记(十一)》Learning to rank(LTR排序问题)的介绍和RankNet算法(内含详细推导)
前言 在美团.大众点评等网站上输入某个关键词时,这些网站该如何对相关的文档进行排序,也就是说,应该将哪个文档排在前面,将哪个文档排在后面. 这就涉及到LRT排序问题.本篇博客将简要介绍LTR问题,并对 ...
- 机器学习算法原理:详细介绍各种机器学习算法的原理、优缺点和适用场景
目录 引言 二.线性回归 三.逻辑回归 四.支持向量机 五.决策树 六.随机森林 七.K-均值聚类 八.主成分分析(PCA) 九.K近邻算法 十.朴素贝叶斯分类器 十一.神经网络 十二.AdaBoos ...
- 卡尔曼滤波原理公式详细推导过程[包括引出]
卡尔曼滤波在很多项目中都有用到,但是对于原理却很少有详细分析,而只是直接应用,在看完b站up主DR_CAN视频推导后自行推导一遍和查看其他资料后进行总结,将从最初的递归算法,利用数据融合,协方差矩阵, ...
- 支持向量机(SVM)优化算法原理超详细证明过程,几何的角度证明互补松弛条件
本文将初学者在硬间隔优化这一部分会遇到的问题基本都进行了说明和推导,包括为什么要取max以及互补松弛条件到底是什么,支持向量到底体现在哪里. 但是本文并没有引入说明支持向量的优化问题是怎么引出的.这里 ...
- EM算法(期望最大化)详细推导
版权声明:博主原创文章,转载请注明来源,谢谢合作!! https://blog.csdn.net/hl791026701/article/details/84641872 1.简介 期望最大化 (Ex ...
- SVM 支持向量机算法原理(详细总结)和python代码实现
支持向量机是由Vapnik等人于1995年提出来的,是被公认的比较优秀的分类模型,逐渐受到了各领域研究者的关注. 支持向量机的基本模型是定义在特征空间上的间隔最大的线性分类器,间隔最大化使它有别于感知 ...
- BP神经网络原理(详细推导)
文章目录 前言 第一步:正向传播激活神经网络 A.变量说明 B.正向传播 C.偏置单元 第二步:误差逆向传播 1.损失函数 2.哈达玛积(Hadamard product) 3.理解误差逆向传播 4. ...
- 【分布式技术专题】「分布式技术架构」一文带你厘清分布式事务协议及分布式一致性协议的算法原理和核心流程机制(上篇)
背景介绍 最近大家都相比遇到了就业瓶颈了,很多公司要不就是不招人了,要不就是把门槛抬的很高,所以针对于一些分布式角度而言的技术知识点,更是必备条件以及重中之重了.那么今天笔者就针对于分布式协议以及一些 ...
- 【机器学习】算法原理详细推导与实现(七):决策树算法
[机器学习]算法原理详细推导与实现(七):决策树算法 在之前的文章中,对于介绍的分类算法有逻辑回归算法和朴素贝叶斯算法,这类算法都是二分类的分类器,但是往往只实际问题中yyy不仅仅只有{0,1}\{0 ...
- 【转】卡尔曼滤波算法详细推导(相当值得一看)
转载自 卡尔曼滤波算法详细推导 这一篇对预备知识的介绍还是很好的,过程与原理讲解也很到位,应该是目前看到中文里最好的讲解了. 一.预备知识 1.协方差矩阵 是一个维列向量,是的期望 ...
最新文章
- 【社工】NodeJS 应用仓库钓鱼
- C/C++中Static的作用详述
- 为什么在重庆比北京更容易迷路?Nature子刊:大脑GPS系统呈蜂窝状,弯路多了就“变形”...
- valid, satisfiable, unsatisfiable的例子
- 当linkedin connection达到1500的时候的感受
- python stringvar函数_Tkinter 求助,怎么获取StringVar() 的值
- (个人使用)uni-app开发(官方资源)· 汇总
- HDU 4393 Throw nails [水题]
- H5上传文件又双叒叕开测了!
- web报表工具FineReport的SQL编辑框的语法简介
- ICANN总裁Fadi Chehadé:IPv6峰会全面推动了IPv6在中国的发展与产业落地
- JWT(JSON Web Token) 多网站的单点登录,放弃session 转载https://www.cnblogs.com/lexiaofei/p/7409846.html...
- 列出所有内核_Windows系统内核溢出漏洞提权
- 金蝶k3cloud安装时,k3cloudmanager没有,该如何处理
- 【Excel 教程系列第 15 篇】Excel 中的简单排序(升序 / 降序)、多条件排序、按颜色排序、自定义排序、以及巧用“升序“制作工资条
- 拆分单元格怎么弄?合并起来了怎么办?
- 贝叶斯网络之父Judea Pearl力荐、LeCun点赞,这篇长论文全面解读机器学习中的因果关系
- Filebeat+Kafka+Logstash+ElasticSearch+Kibana搭建完整版
- CentOS 8上安装Docker
- 利用python绘制自定义棋盘格