ترجمه فارسی مقاله تحلیل زیرآرایه‌های پراکنده‌ی کالیبره‌شده‌ی جزئی برای جهت‌یابی با درجات آزادی گسترده

چکیده

This paper investigates the problem of direction-of-arrival (DOA) estimation using multiple partially-calibrated sparse subarrays. In particular, we present the Generalized Coarray Multiple Signal Classification (GCA-MUSIC) DOA estimation algorithm to scenarios with partially-calibrated sparse subarrays. The proposed GCA-MUSIC algorithm exploits the difference coarray for each subarray, followed by a specific pseudo-spectrum merging rule that is based on the intersection of the signal subspaces associated to each subarray. This rule assumes that there is no a priori knowledge about the cross-covariance between subarrays. In that way, only the second-order statistics of each subarray are used to estimate the directions with increased degrees of freedom, i.e., the estimation procedure preserves the coarray Multiple Signal Classification and sparse arrays properties to estimate more sources than the number of physical sensors in each subarray. Numerical simulations show that the proposed GCA-MUSIC has better performance than other similar strategies.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله به بررسی مسئله تخمین جهت گیری (DOA) با استفاده از چندین زیر مجموعه پراکنده جزئی کالیبره شده پرداخته شده است.به طور خاص ، ما الگوریتم تخمین DOA (GCA-Music) طبقه بندی سیگنال چندگانه (GCA-Music) را به سناریوها با زیر مجموعه های پراکنده جزئی کالیبره شده ارائه می دهیم.الگوریتم GCA-Music پیشنهادی از همبستگی تفاوت برای هر یک از زیر مجموعه ها استفاده می کند ، و به دنبال آن یک قانون ادغام شبه طیف خاص که بر اساس تقاطع زیر مجموعه های سیگنال مرتبط با هر زیر مجموعه است.این قانون فرض می کند که هیچ دانش پیشینی در مورد بین کواریانس بین زیر مجموعه ها وجود ندارد.از این طریق ، فقط از آمار مرتبه دوم هر زیر فرعی برای تخمین جهت ها با افزایش درجه آزادی استفاده می شود ، یعنی روش تخمین طبقه بندی سیگنال چندگانه و خصوصیات آرایه های پراکنده را حفظ می کند تا منابع بیشتری نسبت به تعداد سنسورهای فیزیکی تخمین بزند.در هر فرعیشبیه سازی های عددی نشان می دهد که GCA-Music پیشنهادی عملکرد بهتری نسبت به سایر استراتژی های مشابه دارد.