第1章 绪论 1__eol__1.1 研究背景 1__eol__1.2 阵列信号处理的发展 1__eol__1.2.1 波束形成技术 2__eol__1.2.2 空间谱估计方法 4__eol__1.2.3 稀疏阵列信号处理 8__eol__1.3 本书的安排 9__eol__参考文献 10__eol__第2章 阵列信号处理基础 17__eol__2.1 矩阵代数的相关知识 17__eol__2.1.1 特征值与特征向量 17__eol__2.1.2 广义特征值与广义特征向量 17__eol__2.1.3 矩阵的奇异值分解 17__eol__2.1.4 Toeplitz矩阵 18__eol__2.1.5 Hankel矩阵 18__eol__2.1.6 Vandermonde矩阵 19__eol__2.1.7 Hermitian矩阵 19__eol__2.1.8 Kronecker积 19__eol__2.1.9 Khatri-Rao积 20__eol__2.1.10 Hadamard积 21__eol__2.1.11 向量化 21__eol__2.2 高阶统计量 22__eol__2.2.1 高阶累积量、高阶矩和高阶谱 22__eol__2.2.2 累积量性质 24__eol__2.2.3 高斯随机过程的高阶累积量 24__eol__2.2.4 随机场的累积量与多谱 25__eol__2.3 四元数理论 27__eol__2.3.1 四元数 27__eol__2.3.2 Hamilton四元数矩阵 28__eol__2.3.3 Hamilton四元数矩阵的奇异值分解 29__eol__2.3.4 Hamilton四元数矩阵的右特征值分解 30__eol__2.4 PARAFAC理论 32__eol__2.4.1 PARAFAC模型 32__eol__2.4.2 可辨识性 32__eol__2.4.3 PARAFAC分解 34__eol__2.5 信源和噪声模型 36__eol__2.5.1 窄带信号 36__eol__2.5.2 相关系数 36__eol__2.5.3 噪声模型 36__eol__2.6 阵列天线的统计模型 37__eol__2.6.1 前提及假设 37__eol__2.6.2 阵列的基本概念 37__eol__2.6.3 天线阵列模型 38__eol__2.6.4 阵列的方向图 40__eol__2.6.5 波束宽度 41__eol__2.6.6 分辨率 42__eol__2.7 阵列响应向量/矩阵 42__eol__2.8 阵列协方差矩阵的特征值分解 46__eol__2.9 信源数估计 49__eol__2.9.1 特征值分解方法 49__eol__2.9.2 信息论方法 49__eol__2.9.3 其他信源数估计方法 51__eol__参考文献 51__eol__第3章 波束形成 53__eol__3.1 波束形成定义 53__eol__3.2 常用的波束形成算法 54__eol__3.2.1 波束形成原理 54__eol__3.2.2 波束形成的最优权向量 55__eol__3.2.3 波束形成的准则 58__eol__3.3 自适应波束形成算法 59__eol__3.3.1 自适应波束形成的最优权向量 60__eol__3.3.2 权向量更新的自适应算法 62__eol__3.3.3 基于变换域的自适应波束形成算法 63__eol__3.4 基于GSC的波束形成算法 65__eol__3.5 基于投影分析的波束形成算法 66__eol__3.5.1 基于投影的波束形成算法 66__eol__3.5.2 基于斜投影的波束形成算法 67__eol__3.6 过载情况下的自适应波束形成算法 69__eol__3.6.1 信号模型 69__eol__3.6.2 近似最小方差波束形成算法 70__eol__3.7 基于高阶累积量的波束形成算法 72__eol__3.7.1 阵列模型 72__eol__3.7.2 利用高阶累积量方法估计期望信号的方向向量 73__eol__3.7.3 基于高阶累积量的盲波束形成 73__eol__3.8 基于周期平稳性的波束形成算法 74__eol__3.8.1 阵列模型与信号周期平稳性 74__eol__3.8.2 CAB类盲自适应波束形成算法 75__eol__3.9 基于恒模的盲波束形成算法 77__eol__3.9.1 信号模型 77__eol__3.9.2 随机梯度恒模算法 78__eol__3.10 稳健的自适应波束形成算法 79__eol__3.10.1 对角线加载方法 80__eol__3.10.2 基于特征空间的方法 80__eol__3.10.3 贝叶斯方法 81__eol__3.10.4 基于最坏情况性能优化的方法 82__eol__3.10.5 基于概率约束的方法 83__eol__3.11 本章小结 83__eol__参考文献 84__eol__第4章 DOA估计 87__eol__4.1 引言 87__eol__4.2 Capon算法和性能分析 88__eol__4.2.1 数据模型 88__eol__4.2.2 Capon算法 88__eol__4.2.3 改进的Capon算法 89__eol__4.2.4 Capon算法的MSE分析 90__eol__4.3 MUSIC算法及其修正算法 93__eol__4.3.1 MUSIC算法 93__eol__4.3.2 MUSIC算法的推广形式 94__eol__4.3.3 MUSIC算法性能分析 96__eol__4.3.4 Root-MUSIC算法 99__eol__4.3.5 Root-MUSIC算法性能分析 100__eol__4.4 最大似然法 101__eol__4.4.1 确定性最大似然法 101__eol__4.4.2 随机性最大似然法 103__eol__4.5 子空间拟合算法 104__eol__4.5.1 信号子空间拟合 104__eol__4.5.2 噪声子空间拟合 106__eol__4.5.3 子空间拟合算法性能 106__eol__4.6 ESPRIT算法及其修正算法 108__eol__4.6.1 ESPRIT算法的基本模型 109__eol__4.6.2 LS-ESPRIT算法 111__eol__4.6.3 TLS-ESPRIT算法 113__eol__4.6.4 ESPRIT算法理论性能 114__eol__4.7 四阶累积量方法 116__eol__4.7.1 四阶累积量与二阶统计量之间的关系 117__eol__4.7.2 四阶累积量的阵列扩展特性 118__eol__4.7.3 MUSIC-like算法 119__eol__4.7.4 virtual-ESPRIT算法 120__eol__4.8 传播算子 122__eol__4.8.1 谱峰搜索传播算子 122__eol__4.8.2 旋转不变传播算子 128__eol__4.9 广义ESPRIT算法 130__eol__4.9.1 阵列模型 131__eol__4.9.2 谱峰搜索广义ESPRIT算法 132__eol__4.9.3 无须进行谱峰搜索的广义ESPRIT算法 133__eol__4.10 压缩感知方法 134__eol__4.10.1 压缩感知基本原理 134__eol__4.10.2 正交匹配追踪 138__eol__4.10.3 稀疏贝叶斯学习 140__eol__4.11 DFT类方法 141__eol__4.11.1 数据模型 142__eol__4.11.2 基于DFT的低复杂度DOA估计算法 142__eol__4.11.3 算法分析和改进 144__eol__4.11.4 仿真实验 148__eol__4.12 相干信源DOA估计算法 149__eol__4.12.1 引言 149__eol__4.12.2 空间平滑算法 151__eol__4.12.3 改进的MUSIC算法 152__eol__4.12.4 基于Toeplitz矩阵重构的相干信源DOA估计算法 153__eol__4.13 本章小结 155__eol__参考文献 155__eol__第5章 二维DOA估计 160__eol__5.1 引言 160__eol__5.2 均匀面阵中基于旋转不变性的二维DOA估计算法 161__eol__5.2.1 数据模型 161__eol__5.2.2 基于ESPRIT的二维DOA估计算法 163__eol__5.2.3 基于传播算子的二维DOA估计算法 166__eol__5.3 均匀面阵中基于MUSIC类的二维DOA估计算法 173__eol__5.3.1 数据模型 173__eol__5.3.2 二维MUSIC算法 173__eol__5.3.3 降维MUSIC算法 174__eol__5.3.4 级联MUSIC算法 180__eol__5.4 均匀面阵中基于PARAFAC分解的二维DOA估计算法 182__eol__5.4.1 数据模型 183__eol__5.4.2 PARAFAC分解 184_