当前位置: 首页 > news >正文

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:
在这里插入图片描述

三、代码

部分代码:

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:NA(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2theta_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:Nas(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:NNoise(k,:)=(randn(1,T)+sqrt(-1)*randn(1,T))/sqrt(2);
endX=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:
在这里插入图片描述

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:
在这里插入图片描述
代码下载链接:https://mbd.pub/o/bread/ZZicm5Zy

相关文章:

  • 北京网站建设多少钱?
  • 辽宁网页制作哪家好_网站建设
  • 高端品牌网站建设_汉中网站制作
  • Apache DolphinScheduler 3.1.9 版本发布:提升系统的稳定性和性能
  • 超图iClient3DforCesium地形、影像、模型、在线影像交互示例
  • 启明智显开源项目分享|基于Model 3c芯片的86中控面板ZX3D95CM20S-V11项目软硬件全开源
  • SPI通信
  • 【如何选择Mysql服务器的CPU核数及内存大小】
  • Linux学习第49天:Linux块设备驱动实验(一):Linux三大驱动之一
  • 硬件安全模块 (HSM)、硬件安全引擎 (HSE) 和安全硬件扩展 (SHE)的区别
  • 四十八----react实战
  • IO进程线程 day1 IO基础+标准IO
  • 爬虫工作量由小到大的思维转变---<第三十章 Scrapy Redis 第一步(配置同步redis)>
  • UntiyShader(六)Unity提供的Cg/HLSL语义
  • AI提示词入门教程
  • idea中终端Terminal页面输入命令git log后如何退出
  • 第一章 简单编程实现花生壳的ddns功能
  • Redis7.2.3(Windows版本)
  • 【402天】跃迁之路——程序员高效学习方法论探索系列(实验阶段159-2018.03.14)...
  • 【个人向】《HTTP图解》阅后小结
  • 【面试系列】之二:关于js原型
  • 【刷算法】求1+2+3+...+n
  • C++类的相互关联
  • ES6简单总结(搭配简单的讲解和小案例)
  • gf框架之分页模块(五) - 自定义分页
  • IP路由与转发
  • Js基础——数据类型之Null和Undefined
  • JS基础之数据类型、对象、原型、原型链、继承
  • JS字符串转数字方法总结
  • Leetcode 27 Remove Element
  • Next.js之基础概念(二)
  • Nginx 通过 Lua + Redis 实现动态封禁 IP
  • quasar-framework cnodejs社区
  • V4L2视频输入框架概述
  • 搭建gitbook 和 访问权限认证
  • 代理模式
  • 近期前端发展计划
  • 快速体验 Sentinel 集群限流功能,只需简单几步
  • 设计模式 开闭原则
  • 深度学习入门:10门免费线上课程推荐
  • 思维导图—你不知道的JavaScript中卷
  • 想使用 MongoDB ,你应该了解这8个方面!
  • 用简单代码看卷积组块发展
  • 自定义函数
  • 策略 : 一文教你成为人工智能(AI)领域专家
  • ​插件化DPI在商用WIFI中的价值
  • #预处理和函数的对比以及条件编译
  • #周末课堂# 【Linux + JVM + Mysql高级性能优化班】(火热报名中~~~)
  • $LayoutParams cannot be cast to android.widget.RelativeLayout$LayoutParams
  • (iPhone/iPad开发)在UIWebView中自定义菜单栏
  • (板子)A* astar算法,AcWing第k短路+八数码 带注释
  • (附源码)计算机毕业设计ssm-Java网名推荐系统
  • (心得)获取一个数二进制序列中所有的偶数位和奇数位, 分别输出二进制序列。
  • .bat批处理(十一):替换字符串中包含百分号%的子串
  • .net 程序 换成 java,NET程序员如何转行为J2EE之java基础上(9)
  • .net 提取注释生成API文档 帮助文档
  • .net访问oracle数据库性能问题
  • .net与java建立WebService再互相调用