1.本技术涉及通信技术领域，具体涉及一种用于色噪声及小快拍数条件下的信源数估计方法，主要基于dmr白化滤波器技术以及增强协方差矩阵技术，并结合信息论准则，可应用于阵列信号处理中信源个数估计、doa估计。
背景技术：2.目前大多数高分辨率波达方向估计(doa)方法,如多重信号分类(music)，旋转不变子空间算法(esprit)，方向估计算法(mode),和主奇向量模态分析算法(puma)等，都是以已知信源个数为前提的。而信息论中经典的akaike最小信息准则(aic)与最小描述长度(mdl)准则具有良好的信源个数估计性能，至今都受到广泛的关注。
3.l huang等人利用目标信号的训练数据可以更快速更精确地划分信号和噪声两个正交分量，提高了mdl准则的计算效率，也改善了在低信噪比和小快拍数下的估计性能。boaz nadler则针对信息论准则中的非参数设置问题，利用随机矩阵理论对aic准则的惩罚项进行改进，显著提高了aic准则在低信噪比下的估计性能。l huang和h c so研究了噪声子空间的单位协方差矩阵结构，设计了一种基于线性收缩结构的mdl准则，用以降低mdl准则在低信噪比和小快拍数下的错误检测概率。m wax等则对改善mdl准则在相干信源数目的估计性能进行了研究。然而，以上对基于aic和mdl准则的信源个数估计方法的研究均是在高斯白噪声这种理想的假设条件下，而实际环境中普遍存在的色噪声会对天线接收数据的协方差矩阵产生较大的干扰，从而影响最终的估计效果。为了改善色噪声条件下的信源个数估计性能，calson等人提出了结合对角加载技术与信息论准则的方法，引入加载量来平滑色噪声对特征值的破坏，但缺点是它的最优加载值难以确定。l huang等利用最小均方误差(mmses)来代替mdl准则中被色噪声干扰的特征值，但该方法需要较大的快拍数和较高的信噪比。许佳奇等人和褚鼎立等人则利用盖氏半径与噪声模型无关的特点，将mdl准则和aic准则分别与盖氏半径(gde)准则结合，但gde准则本身具有估计自由度降低的缺点。
4.为了更好地解决色噪声条件下的信源个数估计问题，nasakuditi和silverstein利用估计的阵列天线接收到的纯噪声样本协方差矩阵设计出白化滤波器矩阵，对实际接收信号样本的协方差矩阵进行白化变换，以减轻色噪声对特征值的发散影响，但该白化滤波器的构造需要较大的快拍数。diaz-santos和wage结合主模式抑制(dominant mode rejection，dmr)技术设计dmr白化滤波器，并证明了这种新型白化滤波器的最大噪声特征值的概率密度函数具有tracy-widom分布的特点，并验证了dmr白化滤波器的获得无需较大的快拍数。
5.信源数估计除了受噪声环境影响比较大外，采样快拍数同样是影响信源数估计的一个重要因素。目前的大多数信源数估计算法都是假定采样快拍数足够大，当样本容量越大，表示阵列信号包含的信息越多，获得的估计样本协方差矩阵比较精确，算法的性能也就表现越好，相反，在小快拍数下，协方差矩阵的估计可能不准确，也就导致算法性能越差甚至失效。然而，实际工程环境是复杂的，往往不能满足大快拍，因此得到的估计样本协方差
矩阵精度较差。为了获得一个性能良好的估计量，一般的做法是在协方差矩阵上强加一些特殊结构，例如随机理论模型或因子模型等，但是在关于矩阵真实结构的先验信息得不到的状况下，这种特殊的结构通常会被错误地指定，带来的估计结果可能会有很大的偏差，以至于它与真实的协方差矩阵几乎没有相似之处。
技术实现要素：6.本技术的目的是提供一种用于色噪声及小快拍数条件下的信源数估计方法，用以解决空间色噪声背景下的噪声特征值发散以及在采样快拍数较小的情况下信号源数目估计不理想的问题。
7.为了实现上述任务，本技术采用以下技术方案：
8.一种用于色噪声及小快拍数条件下的信源数估计方法，包括以下步骤：
9.步骤1，搭建一个由多个阵元组成的均匀线阵并放置在色噪声环境中，当有未知数目的远场窄带信号以不同入射方向撞击均匀线阵ula时，在设定的采样快拍数下，均匀线阵接收到含色噪声信号并获得接收信号矢量的样本协方差矩阵；
10.步骤2，在没有信号源入射的情况下，均匀线阵ula中接收的信号为纯色噪声矢量，在采样快拍数为l时，得到纯噪声样本协方差矩阵；
11.步骤3，利用得到的纯噪声样本协方差矩阵特征分解后结合主模式抑制技术，构造出一个dmr白化滤波器矩阵；
12.步骤4，利用构造好的dmr白化滤波器矩阵对接收信号矢量的样本协方差矩阵进行白化变换，获得白化后的样本协方差矩阵；
13.步骤5，利用白化变换后的样本协方差矩阵与单位矩阵的最优凸线性组合，对样本协方差矩阵进行增强，提高样本协方差矩阵的估计精度；
14.步骤6，将增强后的样本协方差矩阵进行特征值分解，得到更精确的特征值并按照从大到小排序好；
15.步骤7，基于信息论中的aic和mdl准则，利用得到的特征值对色噪声及小快拍数下的信源个数进行估计，获得估计值。
16.进一步地，在步骤1中，所述均匀线阵ula由m个阵元组成，阵元间距d为：d＝λ/2，λ为载波波长，检测到k个独立的远场窄带信号构成的信号源矢量{s1(t),s2(t),...,sk(t)}以不同入射角{θ1,θ2...,θk}撞击均匀线阵，且k＜m，则接收到的第t次快拍的信号为：
17.x(t)＝as(t)+n(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
18.式(1)中：x(t)＝[x1(t),...,xm(t)]
t
，a＝[a(θ1),...,a(θk)]，s(t)＝[s1(t),...,sk(t)]
t
，n(t)＝[n1(t),...,nm(t)]
t
分别为接收信号矢量，导向矢量阵，信号源矢量和噪声矢量；
[0019]
其中导向矢量阵a中的第k个信号源的导向矢量e为欧拉数，j为虚数单位，ωk为第k个信号源的频率，代表ula中第m个阵元相对于参考阵元的时延，式中，
[0020]
n(t)可表示为：n(t)＝nc(t)+nw(t)，其中nw(t)为高斯白噪声矢量，nc(t)为色噪声矢量；
[0021]
当采样快拍数为l时(本发明中的l的取值均为10到100之间)，阵列m-ula接收信号矢量的样本协方差矩阵为：
[0022][0023]
其中(
·
)h表示共轭转置。
[0024]
进一步地，在所述步骤2中，白化滤波器的设计是利用ula接收到的纯噪声样本协方差矩阵构造出来的，在没有信号源入射的情况下，即s(t)＝0时，阵列的接收信号矢量为纯噪声矢量，即x(t)＝n(t)；当采样快拍数为l时，由式可得到纯噪声样本协方差矩阵为
[0025]
进一步地，所述步骤3中，构造dmr白化滤波器矩阵的方法为：
[0026]
将特征分解后分为两部分：色噪声部分和白噪声部分，其中色噪声部分由大特征值组成，白噪声部分由小特征值组成；
[0027]
假设色噪声子空间的秩为q，则变为：
[0028][0029]
式(3)中，u代表特征向量组成的方阵，∑代表特征值组成的对角矩阵，gb，gc分别为色噪声和白噪声的特征值，eb，ec分别为色噪声和白噪声的特征值对应的特征矢量；
[0030]
其中小特征值gc的平均值由式(4)给出：
[0031][0032]
假设式(3)中的小特征值gc被其平均值所替代，则替代后的纯噪声协方差矩阵可记为
[0033]
对取反平方根可得到dmr白化滤波器w
dmr
，即：
[0034][0035]
进一步地，所述步骤4中，白化后的样本协方差矩阵的构建过程为：
[0036]
利用得到的w
dmr
对接收信号矢量的样本协方差矩阵进行白化变换，得到变换后的样本协方差矩阵
[0037][0038]
进一步地，所述步骤5中，对样本协方差矩阵进行增强，包括：
[0039]
白化变换后的样本协方差矩阵与单位矩阵i的广义线性组合的表达式为：
[0040][0041]
其中，α和β为收缩参数；当的均方误差mse取最小值时，α和β取最优解；均方误差的求解方式如下：
[0042][0043]
其中，e[]表示求协方差矩阵，e{}表示求期望值，tr()表示求矩阵的迹；此时，β的最优值可表示为β0：
[0044][0045]
α的最优值可表示为α0:
[0046][0047]
其中，υ＝tr(r
dmr
)/m，γ＝||υi-r
dmr
||2；进一步得到ρ、υ的估计值为：
[0048][0049][0050]
另外：
[0051][0052]
所以，α和β的最优值的估计值为：
[0053][0054][0055]
此时，将式(14)、(15)的和代替式(7)中的α和β，得到增强协方差矩阵的最终表达式为：
[0056][0057]
进一步地，所述步骤6中，将增强后的样本协方差矩阵进行特征值分解，得到更精确的特征值并按照从大到小排序好，包括：
[0058]
对进行特征分解，获取更精确的特征值λ
(dmr)i
：
[0059][0060]
式(17)中，u代表特征向量组成的方阵，∑代表特征值组成的对角矩阵，λ
(dmr)i
和ui分别为的特征值和对应的特征矢量；
[0061]
对特征值λ
(dmr)i
按从大到小进行排序：
[0062]
λ
dmr(1)
≥...≥λ
dmr(k)
≥λ
dmr(k+1)
≥...≥λ
dmr(m)
。
[0063]
进一步地，所述步骤7中，利用得到的特征值对色噪声及小快拍数下的信源个数进行估计，包括：
[0064]
将得到的特征值λ
(dmr)i
利用信息论准则aic、mdl获得信源个数的估计值，其中aic和mdl准则的具体表达式为：
[0065][0066][0067]
遍历k＝1,2,...,m-1，信源个数k的估计值为：
[0068][0069][0070]
本技术具有以下技术特点：
[0071]
本技术提出一种用于色噪声及小快拍数条件下的信源数估计方法，将色噪声对信息论准则的限制，即色噪声使得噪声特征值发散问题利用dmr白化滤波器进行解决，且dmr白化滤波器设计简单，采用纯噪声的样本协方差矩阵结合dmr技术即可进行构造，构造使用的快拍数少且对色噪声的白化效果明显；增强协方差矩阵用于提高小快拍数下的信号协方差矩阵估计精度问题，进而使算法在小快拍数下具有更好的鲁棒性，最后信息论算法aic和mdl准则决策出信号源个数。利用本技术的信源数估计方法，可有效实现aic和mdl准则在色噪声条件下的信源个数估计，提高了信息论准则的适用范围，而且在低信噪比和小快拍数下均具有较好的估计性能，也为其他受色噪声及小快拍数条件限制的信源数估计方法提供了新思路以及理论依据。
附图说明
[0072]
图1为本技术的流程图；
[0073]
图2为本技术中所需dmr白化滤波器的构造图。
具体实施方式
[0074]
针对空间色噪声背景下的噪声特征值发散以及在采样快拍数较小的情况下信号源数目估计不理想的问题，本技术提出了一种将信息论准则与dmr白化滤波器以及增强协方差矩阵相结合的信源个数估计方法，用于估计色噪声及小快拍数条件下的信源个数。首先以均匀线阵为阵列模型，利用阵列天线ula接收的纯噪声协方差矩阵构造dmr白化滤波器，dmr白化滤波器可以抑制空间色噪声下噪声特征值的发散现象；再利用dmr白化滤波器对ula接收的包含色噪声信号的样本协方差矩阵进行白化变换，得到经过白化的样本协方差矩阵；接下来利用经过白化的样本协方差矩阵与单位矩阵的最优凸线性组合，通过求解最优收缩参数得到增强后的样本协方差矩阵，而增强后的协方差矩阵能减少小快拍数带来
的估计精度误差；接下来对增强后的协方差矩阵作特征值分解得到更精确的特征值，最后利用信息论准则aic和mdl估计出色噪声及小快拍数条件下信号源的个数。
[0075]
下面结合具体实例对本技术的技术方案作进一步说明。
[0076]
参见图1和图2，本技术公开了一种用于色噪声及小快拍数条件下的信源数估计方法，包括以下步骤：
[0077]
步骤1，搭建一个由多个阵元组成的均匀线阵并任意放置在色噪声环境中，当有未知数目的远场窄带信号以不同入射方向撞击均匀线阵时，在设定的采样快拍数下，均匀线阵接收到含色噪声信号并获得接收信号矢量的样本协方差矩阵。
[0078]
其中，所述均匀线阵ula假设由m个阵元组成(简称m-ula)，阵元间距d为：d＝λ/2，λ为载波波长，检测到k个独立的远场窄带信号构成的信号源矢量{s1(t),s2(t),...,sk(t)}以不同入射角{θ1,θ2...,θk}撞击均匀线阵，其中k未知，且k＜m，则接收到的第t次快拍的信号为：
[0079]
x(t)＝as(t)+n(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0080]
式(1)中：x(t)＝[x1(t),...,xm(t)]
t
，a＝[a(θ1),...,a(θk)]，s(t)＝[s1(t),...,sk(t)]
t
，n(t)＝[n1(t),...,nm(t)]
t
分别为接收信号矢量，导向矢量阵，信号源矢量和噪声矢量。
[0081]
其中导向矢量阵a中的第k个信号源的导向矢量e为欧拉数，j为虚数单位，ωk为第k个信号源的频率，代表ula中第m个阵元相对于参考阵元(第一个阵元)的时延，式中，n(t)可表示为：n(t)＝nc(t)+nw(t)，其中nw(t)为高斯白噪声矢量，nc(t)为色噪声矢量，可利用白噪声经过滤波器裁剪得到。
[0082]
当采样快拍数为l时(本发明中的l的取值均为10到100之间)，阵列m-ula接收信号矢量的样本协方差矩阵为：
[0083][0084]
其中(
·
)h表示共轭转置。
[0085]
步骤2，在没有信号源入射的情况下，均匀线阵ula中接收的信号为纯色噪声矢量，在采样快拍数为l时，得到纯噪声样本协方差矩阵，包括：
[0086]
白化滤波器的设计是利用ula接收到的纯噪声样本协方差矩阵构造出来的，在没有信号源入射的情况下，即s(t)＝0时，阵列的接收信号矢量为纯噪声矢量，即x(t)＝n(t)；当采样快拍数为l时，由式(2)可得到纯噪声样本协方差矩阵为
[0087]
步骤3，利用得到的纯噪声样本协方差矩阵特征分解(evd)后结合主模式抑制(dmr)技术，构造出一个dmr白化滤波器矩阵，包括：
[0088]
为了设计dmr白化滤波器，将特征分解后分为两部分：色噪声部分和白噪声部分，其中色噪声部分由大特征值组成，白噪声部分由小特征值组成。
[0089]
假设色噪声子空间的秩为q，则变为：
[0090][0091]
式(3)中，u代表特征向量组成的方阵，∑代表特征值组成的对角矩阵，gb，gc分别为色噪声和白噪声的特征值，eb，ec分别为色噪声和白噪声的特征值对应的特征矢量。
[0092]
其中小特征值gc的平均值由式(4)给出：
[0093][0094]
引入项是为了使成为无偏估计；假设式(3)中的小特征值gc被其平均值所替代，则替代后的纯噪声协方差矩阵可记为
[0095]
对取反平方根可得到dmr白化滤波器w
dmr
，即：
[0096][0097]
步骤4，利用构造好的dmr白化滤波器矩阵对接收信号矢量的样本协方差矩阵进行白化变换，获得白化后的样本协方差矩阵，包括：
[0098]
利用得到的w
dmr
对式(2)中的进行白化变换，得到变换后的样本协方差矩阵
[0099][0100]
步骤5，利用白化变换后的样本协方差矩阵与单位矩阵的最优凸线性组合，对样本协方差矩阵进行增强，提高样本协方差矩阵的估计精度，包括：
[0101]
接下来考虑白化变换后的样本协方差矩阵与单位矩阵i的广义线性组合的表达式为：
[0102][0103]
其中，α和β为收缩参数；当的均方误差mse取最小值时，α和β取最优解；均方误差的求解方式如下：
[0104][0105]
其中，r＝e[x(t)xh(t)]；e[]表示求协方差矩阵，e{}表示求期望值，tr()表示求矩阵的迹；此时，β的最优值可表示为β0：
[0106][0107]
α的最优值可表示为α0：
[0108][0109]
其中，υ＝tr(r
dmr
)/m，γ＝||υi-r
dmr
||2；进一步得到ρ、υ的估计值为：
[0110][0111][0112]
另外：
[0113][0114]
所以，α和β的最优值的估计值为：
[0115][0116][0117]
此时，将式(14)、(15)的和代替式(7)中的α和β，得到增强协方差矩阵的最终表达式为：
[0118][0119]
步骤6，将增强后的样本协方差矩阵进行特征值分解，得到更精确的特征值并按照从大到小排序好，以便于后续的aic和mdl准则的判别过程，具体包括：
[0120]
对进行特征分解，获取更精确的特征值λ
(dmr)i
：
[0121][0122]
式(17)中，u代表特征向量组成的方阵，∑代表特征值组成的对角矩阵，λ
(dmr)i
和ui分别为的特征值和对应的特征矢量。
[0123]
对特征值λ
(dmr)i
按从大到小进行排序：
[0124]
λ
dmr(1)
≥...≥λ
dmr(k)
≥λ
dmr(k+1)
≥...≥λ
dmr(m)
[0125]
步骤7，基于信息论中的aic和mdl准则，利用得到的特征值对色噪声及小快拍数下的信源个数进行估计，获得估计值，包括：
[0126]
将得到的λ
(dmr)i
利用信息论准则(aic、mdl)获得信源个数的估计值。
[0127]
其中aic和mdl准则的具体表达式为：
[0128][0129][0130]
遍历k＝1,2,...,m-1，信源个数k的估计值为：
[0131]
[0132][0133]
以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。
技术特征：1.一种用于色噪声及小快拍数条件下的信源数估计方法，其特征在于，包括以下步骤：步骤1，搭建一个由多个阵元组成的均匀线阵并放置在色噪声环境中，当有未知数目的远场窄带信号以不同入射方向撞击均匀线阵ula时，在设定的采样快拍数下，均匀线阵接收到含色噪声信号并获得接收信号矢量的样本协方差矩阵；步骤2，在没有信号源入射的情况下，均匀线阵ula中接收的信号为纯色噪声矢量，在采样快拍数为l时，得到纯噪声样本协方差矩阵；步骤3，利用得到的纯噪声样本协方差矩阵特征分解后结合主模式抑制技术，构造出一个dmr白化滤波器矩阵；步骤4，利用构造好的dmr白化滤波器矩阵对接收信号矢量的样本协方差矩阵进行白化变换，获得白化后的样本协方差矩阵；步骤5，利用白化变换后的样本协方差矩阵与单位矩阵的最优凸线性组合，对样本协方差矩阵进行增强，提高样本协方差矩阵的估计精度；步骤6，将增强后的样本协方差矩阵进行特征值分解，得到更精确的特征值并按照从大到小排序好；步骤7，基于信息论中的aic和mdl准则，利用得到的特征值对色噪声及小快拍数下的信源个数进行估计，获得估计值。2.根据权利要求1所述的用于色噪声及小快拍数条件下的信源数估计方法，其特征在于，在步骤1中，所述均匀线阵ula由m个阵元组成，阵元间距d为：d＝λ/2，λ为载波波长，检测到k个独立的远场窄带信号构成的信号源矢量{s1(t),s2(t),...,s
k
(t)}以不同入射角{θ1,θ2...,θ
k
}撞击均匀线阵，且k＜m，则接收到的第t次快拍的信号为：x(t)＝as(t)+n(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)式(1)中：x(t)＝[x1(t),...,x
m
(t)]
t
，a＝[a(θ1),...,a(θ
k
)]，s(t)＝[s1(t),...,s
k
(t)]
t
，n(t)＝[n1(t),...,n
m
(t)]
t
分别为接收信号矢量，导向矢量阵，信号源矢量和噪声矢量；其中导向矢量阵a中的第k个信号源的导向矢量e为欧拉数，j为虚数单位，ω
k
为第k个信号源的频率，代表ula中第m个阵元相对于参考阵元的时延，式中，n(t)可表示为：n(t)＝n
c
(t)+n
w
(t)，其中n
w
(t)为高斯白噪声矢量，n
c
(t)为色噪声矢量；当采样快拍数为l时(本发明中的l的取值均为10到100之间)，阵列m-ula接收信号矢量的样本协方差矩阵为：其中(
·
)
h
表示共轭转置。3.根据权利要求1所述的用于色噪声及小快拍数条件下的信源数估计方法，其特征在于，在所述步骤2中，白化滤波器的设计是利用ula接收到的纯噪声样本协方差矩阵构造出来的，在没有信号源入射的情况下，即s(t)＝0时，阵列的接收信号矢量为纯噪声矢量，即x
(t)＝n(t)；当采样快拍数为l时，由式可得到纯噪声样本协方差矩阵为4.根据权利要求1所述的用于色噪声及小快拍数条件下的信源数估计方法，其特征在于，所述步骤3中，构造dmr白化滤波器矩阵的方法为：将特征分解后分为两部分：色噪声部分和白噪声部分，其中色噪声部分由大特征值组成，白噪声部分由小特征值组成；假设色噪声子空间的秩为q，则变为：式(3)中，u代表特征向量组成的方阵，∑代表特征值组成的对角矩阵，g
b
，g
c
分别为色噪声和白噪声的特征值，e
b
，e
c
分别为色噪声和白噪声的特征值对应的特征矢量；其中小特征值g
c
的平均值由式(4)给出：假设式(3)中的小特征值g
c
被其平均值所替代，则替代后的纯噪声协方差矩阵可记为对取反平方根可得到dmr白化滤波器w
dmr
，即：。5.根据权利要求1所述的用于色噪声及小快拍数条件下的信源数估计方法，其特征在于，所述步骤4中，白化后的样本协方差矩阵的构建过程为：利用得到的w
dmr
对接收信号矢量的样本协方差矩阵进行白化变换，得到变换后的样本协方差矩阵协方差矩阵。6.根据权利要求1所述的用于色噪声及小快拍数条件下的信源数估计方法，其特征在于，所述步骤5中，对样本协方差矩阵进行增强，包括：白化变换后的样本协方差矩阵与单位矩阵i的广义线性组合的表达式为：其中，α和β为收缩参数；当的均方误差mse取最小值时，α和β取最优解；均方误差的求解方式如下：其中，r＝e[x(t)x
h
(t)]；e[]表示求协方差矩阵，e{}表示求期望值，tr()表示求矩阵的迹；此时，β的最优值可表示为β0：
α的最优值可表示为α0:其中，υ＝tr(r
dmr
)/m，γ＝||υi-r
dmr
||2；进一步得到ρ、υ的估计值为：；进一步得到ρ、υ的估计值为：另外：所以，α和β的最优值的估计值为：所以，α和β的最优值的估计值为：此时，将式(14)、(15)的和代替式(7)中的α和β，得到增强协方差矩阵的最终表达式为：。7.根据权利要求1所述的用于色噪声及小快拍数条件下的信源数估计方法，其特征在于，所述步骤6中，将增强后的样本协方差矩阵进行特征值分解，得到更精确的特征值并按照从大到小排序好，包括：对进行特征分解，获取更精确的特征值λ
(dmr)i
：式(17)中，u代表特征向量组成的方阵，∑代表特征值组成的对角矩阵，λ
(dmr)i
和u
i
分别为的特征值和对应的特征矢量；对特征值λ
(dmr)i
按从大到小进行排序：λ
dmr(1)
≥...≥λ
dmr(k)
≥λ
dmr(k+1)
≥...≥λ
dmr(m)
。8.根据权利要求1所述的用于色噪声及小快拍数条件下的信源数估计方法，其特征在于，所述步骤7中，利用得到的特征值对色噪声及小快拍数下的信源个数进行估计，包括：将得到的特征值λ
(dmr)i
利用信息论准则aic、mdl获得信源个数的估计值，其中aic和mdl准则的具体表达式为：
遍历k＝1,2,...,m-1，信源个数k的估计值为：1，信源个数k的估计值为：。
技术总结本申请公开了一种用于色噪声及小快拍数条件下的信源数估计方法，该方法利用阵列天线ULA接收到的色噪声样本协方差矩阵构造DMR白化滤波器矩阵，再利用DMR白化滤波器对ULA接收的包含色噪声信号的样本协方差矩阵进行白化变换，获得白化后的信号样本协方差矩阵；通过白化变换后的样本协方差矩阵与单位矩阵的最优凸线性组合，对样本协方差矩阵进行增强，提高样本协方差矩阵的估计精度，进而经过特征值分解后得到更精确的特征值并分别利用AIC准则和MDL准则进行信源个数的估计。本申请能够改善AIC准则和MDL准则在色噪声下噪声特征值发散问题以及在小采样快拍数条件下算法性能下降问题，提高了传统信息论准则的适用范围，且在低信噪比下具有较好的估计性能。在低信噪比下具有较好的估计性能。在低信噪比下具有较好的估计性能。
技术研发人员：潘晴 黄泽钦
受保护的技术使用者：广东工业大学
技术研发日：2022.05.25
技术公布日：2022/11/1
