SS-MUSIC
- 相干信号源带来的缺秩问题
- 什么是中心对称阵列
- 什么是前后向平均技术
- 什么是 SS-MUSIC 算法
- SS-MUSIC 能解相干的原因
- SS-MUSIC 改进算法
- 总结
- 参考文献
本文讨论针对一维均匀线阵(ULA,Uniform Linear Array)的空间平滑 MUSIC(SS-MUSIC,Spatial Smoothing MUSIC)算法12,同时为了方便公式推导,后续的模型建立在无噪环境下。
相干信号源带来的缺秩问题
假设 K > 1 K>1 K>1 个信号源为同一组完全相干的信号源,即 s k ( t ) = c k s 1 ( t ) s_k(t) = c_ks_1(t) sk(t)=cks1(t),其中 k = 2 , ⋯ , K k = 2,\cdots,K k=2,⋯,K 以及 t = 1 , ⋯ , T t = 1,\cdots,T t=1,⋯,T。令 c = [ 1 , c 2 , ⋯ , c K ] T ∈ C K × 1 \mathbf{c} = [1,c_2,\cdots,c_K]^T\in\mathbb{C}^{K\times 1} c=[1,c2,⋯,cK]T∈CK×1 可得到:
R s = 1 T S S H = 1 T c s 1 s 1 H c H = σ 1 2 c c H \begin{aligned} \mathbf{R}_{\mathrm{s}}&=\frac{1}{T}\mathbf{S}\mathbf{S}^H\\ &=\frac{1}{T}\mathbf{c}\mathbf{s}_1\mathbf{s}_1^H\mathbf{c}^H\\ &=\sigma_1^2\mathbf{c}\mathbf{c}^H \end{aligned} Rs=T1SSH=T1cs1s1HcH=σ12ccH
其中 s 1 ∈ C 1 × T \mathbf{s}_1\in\mathbb{C}^{1\times T} s1∈C1×T 代表第一个阵元的采样序列。为了简化后续推导,我们令 σ 1 2 = 1 \sigma_1^2=1 σ12=1 即可得到 R s = c c H ∈ C K × K \mathbf{R}_{\mathrm{s}} = \mathbf{c}\mathbf{c}^H\in\mathbb{C}^{K\times K} Rs=ccH∈CK×K,因此 r a n k ( R s ) = 1 < K \mathrm{rank}(\mathbf{R}_{\mathrm{s}}) = 1 < K rank(Rs)=1<K,即 R s \mathbf{R}_{\mathrm{s}} Rs 不满秩,此时直接对 R = A R s A H \mathbf{R} = \mathbf{A}\mathbf{R}_{\mathrm{s}}\mathbf{A}^H R=ARsAH 进行 MUSIC 估计会失效。
什么是中心对称阵列
中心对称阵列(Centro-Symmetric Array)是指空间中存在一个参考点,使得每个阵元在关于该参考点的对称位置上,都有另一个相对应的阵元。ULA 就是最经典的一维中心对称阵列,对于 ULA 而言,该参考点就是阵列的中心点。假设空间中存在一组由 M M M 个阵元组成的 ULA,其坐标索引为 { 0 , 1 , ⋯ , M − 1 } \{0,1,\cdots,M-1\} {0,1,⋯,M−1},此时方向矢量 a ( φ ) ∈ C M × 1 \mathbf{a}(\varphi)\in\mathbb{C}^{M\times 1} a(φ)∈CM×1 可表示如下:
a ( φ ) = [ 1 e − j φ ⋮ e − j ( M − 1 ) φ ] \mathbf{a}(\varphi) = \begin{bmatrix} 1 \\ e^{-\mathrm{j}\varphi}\\ \vdots \\ e^{-\mathrm{j}(M-1)\varphi} \end{bmatrix} a(φ)= 1e−jφ⋮e−j(M−1)φ
其中 φ = 2 π d sin ( θ ) / λ \varphi = 2\pi d \sin(\theta)/\lambda φ=2πdsin(θ)/λ, d d d 为相邻阵元的间距,以及 λ \lambda λ 为信号波长。方向矢量矩阵 A ∈ C M × K \mathbf{A}\in\mathbb{C}^{M\times K} A∈CM×K 可表示如下:
A = [ a ( φ 1 ) , a ( φ 2 ) , ⋯ , a ( φ K ) ] \mathbf{A} = [\mathbf{a}(\varphi_1),\mathbf{a}(\varphi_2),\cdots,\mathbf{a}(\varphi_K)] A=[a(φ1),a(φ2),⋯,a(φK)]
ULA 的方向矢量 a ( φ ) \mathbf{a}(\varphi) a(φ) 满足下式:
J a ( φ ) = e − j ( M − 1 ) φ a ∗ ( φ ) \mathbf{J}\mathbf{a}(\varphi) = e^{-\mathrm{j}(M-1)\varphi}\mathbf{a}^*(\varphi) Ja(φ)=e−j(M−1)φa∗(φ)
其中 J ∈ R M × M \mathbf{J}\in\mathbb{R}^{M\times M} J∈RM×M 代表反对角矩阵。不难得出 A \mathbf{A} A 满足下式:
J A = A ∗ Φ M − 1 \mathbf{J}\mathbf{A} = \mathbf{A}^*\Phi^{M-1} JA=A∗ΦM−1
其中 Φ ∈ C K × K \Phi\in\mathbb{C}^{K\times K} Φ∈CK×K 为对角矩阵:
Φ = [ e − j φ 1 ⋱ e − j φ K ] \Phi = \begin{bmatrix} e^{-\mathrm{j}\varphi_1} && \\ &\ddots&\\ &&e^{-\mathrm{j}\varphi_K} \end{bmatrix} Φ= e−jφ1⋱e−jφK
什么是前后向平均技术
前后向平均(Forward Backward Averaging)技术针对中心对称阵列,前后向协方差矩阵 R f b \mathbf{R}_{\mathrm{fb}} Rfb 表示如下:
R f b = 1 2 ( R f + R b ) = 1 2 ( R + J R ∗ J ) \mathbf{R}_{\mathrm{fb}} = \frac{1}{2}(\mathbf{R}_{\mathrm{f}}+\mathbf{R}_{\mathrm{b}})=\frac{1}{2}(\mathbf{R}+\mathbf{J}\mathbf{R}^{*}\mathbf{J}) Rfb=21(Rf+Rb)=21(R+JR∗J)
其中 R f = R \mathbf{R}_{\mathrm{f}}=\mathbf{R} Rf=R 和 R b = J R ∗ J \mathbf{R}_{\mathrm{b}} = \mathbf{J}\mathbf{R}^{*}\mathbf{J} Rb=JR∗J 分别表示为前向协方差矩阵和后向协方差矩阵。代入 R = A R s A H \mathbf{R} = \mathbf{A}\mathbf{R}_{\mathrm{s}}\mathbf{A}^{H} R=ARsAH 可得到:
R f b = 1 2 ( A R s A H + J A ∗ R s ∗ A T J ) = 1 2 ( A R s A H + A Φ M − 1 R s ∗ Φ 1 − M A H ) = 1 2 A ( R s + Φ M − 1 R s ∗ Φ 1 − M ) A H = 1 2 A R f b s A H \begin{aligned} \mathbf{R}_{\mathrm{fb}} &= \frac{1}{2}(\mathbf{A}\mathbf{R}_{\mathrm{s}}\mathbf{A}^{H}+\mathbf{J}\mathbf{A}^{*}\mathbf{R}_{\mathrm{s}}^{*}\mathbf{A}^{T}\mathbf{J})\\ &=\frac{1}{2}(\mathbf{A}\mathbf{R}_{\mathrm{s}}\mathbf{A}^{H}+\mathbf{A}\Phi^{M-1}\mathbf{R}_{\mathrm{s}}^{*}\Phi^{1-M}\mathbf{A}^H)\\ &=\frac{1}{2}\mathbf{A}(\mathbf{R}_{\mathrm{s}}+\Phi^{M-1}\mathbf{R}_{\mathrm{s}}^{*}\Phi^{1-M})\mathbf{A}^H\\ &=\frac{1}{2}\mathbf{A}\mathbf{R}_{\mathrm{fbs}}\mathbf{A}^H \end{aligned} Rfb=21(ARsAH+JA∗Rs∗ATJ)=21(ARsAH+AΦM−1Rs∗Φ1−MAH)=21A(Rs+ΦM−1Rs∗Φ1−M)AH=21ARfbsAH
其中 R f b s = R s + Φ M − 1 R s ∗ Φ 1 − M \mathbf{R}_{\mathrm{fbs}}=\mathbf{R}_{\mathrm{s}}+\Phi^{M-1}\mathbf{R}_{\mathrm{s}}^{*}\Phi^{1-M} Rfbs=Rs+ΦM−1Rs∗Φ1−M。同理可得到:
R f s = R s R b s = Φ M − 1 R s ∗ Φ 1 − M \begin{aligned} \mathbf{R}_{\mathrm{fs}}&=\mathbf{R}_{\mathrm{s}} \\ \mathbf{R}_{\mathrm{bs}}&=\Phi^{M-1}\mathbf{R}_{\mathrm{s}}^{*}\Phi^{1-M} \end{aligned} RfsRbs=Rs=ΦM−1Rs∗Φ1−M
从前面相干信号的讨论中,已知 r a n k ( R s ) = 1 \mathrm{rank}(\mathbf{R}_{\mathrm{s}}) = 1 rank(Rs)=1,即 r a n k ( R f s ) = r a n k ( R b s ) = 1 \mathrm{rank}(\mathbf{R}_{\mathrm{fs}}) = \mathrm{rank}(\mathbf{R}_{\mathrm{bs}}) = 1 rank(Rfs)=rank(Rbs)=1,然而 R f b s \mathbf{R}_{\mathrm{fbs}} Rfbs 的秩并不为 1 1 1,具体推导如下:
R f b s = R s + Φ M − 1 R s ∗ Φ 1 − M = I c c H I + Φ M − 1 c c H Φ 1 − M = C 1 1 T C H + C Φ M − 1 Φ M − 1 H C H = C [ 1 Φ M − 1 ] [ 1 T Φ M − 1 H ] C H \begin{aligned} \mathbf{R}_{\mathrm{fbs}}&=\mathbf{R}_{\mathrm{s}}+\Phi^{M-1}\mathbf{R}_{\mathrm{s}}^{*}\Phi^{1-M}\\ &= \mathbf{I}\mathbf{c}\mathbf{c}^H\mathbf{I} + \Phi^{M-1}\mathbf{c}\mathbf{c}^H \Phi^{1-M} \\ &= \mathbf{C} \mathbf{1} \mathbf{1}^T\mathbf{C}^H + \mathbf{C} \varPhi_{M-1} \varPhi_{M-1}^H\mathbf{C}^H \\ &= \mathbf{C} \begin{bmatrix} \mathbf{1} & \varPhi_{M-1} \end{bmatrix} \begin{bmatrix} \mathbf{1}^T \\ \varPhi_{M-1}^H \end{bmatrix} \mathbf{C}^H \end{aligned} Rfbs=Rs+ΦM−1Rs∗Φ1−M=IccHI+ΦM−1ccHΦ1−M=C11TCH+CΦM−1ΦM−1HCH=C[1ΦM−1][1TΦM−1H]CH
其中 C ∈ C K × K \mathbf{C}\in\mathbb{C}^{K\times K} C∈CK×K 代表 c ∈ C K × 1 \mathbf{c}\in\mathbb{C}^{K\times 1} c∈CK×1 的对角形式, Φ M − 1 ∈ C K × 1 \varPhi_{M-1}\in\mathbb{C}^{K\times 1} ΦM−1∈CK×1 代表 Φ M − 1 ∈ C K × K \Phi^{M-1}\in\mathbb{C}^{K\times K} ΦM−1∈CK×K 对角元素的向量形式, I \mathbf{I} I 代表单位矩阵,以及 1 \mathbf{1} 1 代表全 1 1 1 向量。显然 [ 1 Φ M − 1 ] ∈ C K × 2 [\mathbf{1}\,\,\,\,\varPhi_{M-1}]\in\mathbb{C}^{K\times 2} [1ΦM−1]∈CK×2 的列线性无关,因此 r a n k ( R f b s ) = 2 \mathrm{rank}(\mathbf{R}_{\mathrm{fbs}}) = 2 rank(Rfbs)=2。
什么是 SS-MUSIC 算法
SS-MUSIC 算法提出切分子阵列的方式来解相干,首先将原阵列视为阵元数为 M M M 的单个连续阵列,则 SS-MUSIC 将原阵列切分为 N N N 个连续子阵列,其中每个子阵列有 P P P 个阵元。第一个子阵列包括原阵列中前 1 ∼ P 1\sim P 1∼P 个阵元,第二个子阵列包括原阵列中前 2 ∼ P + 1 2\sim P+1 2∼P+1 个阵元。不难看出 M = N + P − 1 M = N+P-1 M=N+P−1。切分阵列后,再通过子阵列的互相关矩阵来进行累加,即可得到空间平滑结果。
SS-MUSIC 又可以细分为 FSS-MUSIC、BSS-MUSIC 和 FBSS-MUSIC,它们分别针对 R f \mathbf{R}_{\mathrm{f}} Rf、 R b \mathbf{R}_{\mathrm{b}} Rb 和 R f b \mathbf{R}_{\mathrm{fb}} Rfb 进行子阵列切分操作,通常情况下 FBSS-MUSIC 是最优选择。FSS-MUSIC、BSS-MUSIC 和 FBSS-MUSIC 的空间平滑结果如下:
R f s s = 1 N ∑ i = 1 N [ R f ] i i R b s s = 1 N ∑ i = 1 N [ R b ] i i R f b s s = 1 N ∑ i = 1 N [ R f b ] i i \begin{aligned} \mathbf{R}_{\mathrm{fss}} &= \frac{1}{N}\sum_{i=1}^{N} [\mathbf{R}_{\mathrm{f}}]_{ii} \\ \mathbf{R}_{\mathrm{bss}} &= \frac{1}{N}\sum_{i=1}^{N} [\mathbf{R}_{\mathrm{b}}]_{ii} \\ \mathbf{R}_{\mathrm{fbss}} &= \frac{1}{N}\sum_{i=1}^{N} [\mathbf{R}_{\mathrm{fb}}]_{ii} \end{aligned} RfssRbssRfbss=N1i=1∑N[Rf]ii=N1i=1∑N[Rb]ii=N1i=1∑N[Rfb]ii
其中 [ R ] i j ∈ C P × P [\mathbf{R}]_{ij}\in\mathbb{C}^{P\times P} [R]ij∈CP×P 表示第 i i i 个子阵列和第 j j j 个子阵列的相关矩阵:
[ R ] i j = A P Φ i − 1 R Φ 1 − j A P H [\mathbf{R}]_{ij} = \mathbf{A}_{\mathrm{P}}\Phi^{i-1}\mathbf{R}\Phi^{1-j}\mathbf{A}_{\mathrm{P}}^H [R]ij=APΦi−1RΦ1−jAPH
其中 i = 1 , ⋯ , N i=1,\cdots,N i=1,⋯,N, j = 1 , ⋯ , N j=1,\cdots,N j=1,⋯,N 且 A P \mathbf{A}_{\mathrm{P}} AP 表示 A \mathbf{A} A 的前 P P P 行。如此得到的 R f s s \mathbf{R}_{\mathrm{fss}} Rfss、 R b s s \mathbf{R}_{\mathrm{bss}} Rbss 和 R f b s s \mathbf{R}_{\mathrm{fbss}} Rfbss 可直接用于 MUSIC 估计。
SS-MUSIC 能解相干的原因
相干信号源带来的问题是信号协方差矩阵 R s \mathbf{R}_{\mathrm{s}} Rs 的秩降低了,因此 SS-MUSIC 的工作便是将 R s \mathbf{R}_{\mathrm{s}} Rs 的秩恢复为 K K K,以 R f s s \mathbf{R}_{\mathrm{fss}} Rfss 为例:
R f s s = 1 N ∑ i = 1 N [ R f ] i i = 1 N ( A P R f s A P H + ⋯ + A P Φ N − 1 R f s Φ 1 − N A P H ) = 1 N A P ( ∑ i = 1 N Φ i − 1 R f s Φ 1 − i ) A P H \begin{aligned} \mathbf{R}_{\mathrm{fss}} &= \frac{1}{N}\sum_{i=1}^{N} [\mathbf{R}_{\mathrm{f}}]_{ii} \\ &=\frac{1}{N} \left(\mathbf{A}_{\mathrm{P}}\mathbf{R}_{\mathrm{fs}}\mathbf{A}_{\mathrm{P}}^H+\cdots+\mathbf{A}_{\mathrm{P}}\Phi^{N-1}\mathbf{R}_{\mathrm{fs}}\Phi^{1-N}\mathbf{A}_{\mathrm{P}}^H\right) \\ &= \frac{1}{N} \mathbf{A}_{\mathrm{P}} \left( \sum_{i=1}^N \Phi^{i-1}\mathbf{R}_{\mathrm{fs}}\Phi^{1-i}\right)\mathbf{A}_{\mathrm{P}}^H \end{aligned} Rfss=N1i=1∑N[Rf]ii=N1(APRfsAPH+⋯+APΦN−1RfsΦ1−NAPH)=N1AP(i=1∑NΦi−1RfsΦ1−i)APH
由于 R f s = c c H \mathbf{R}_{\mathbf{fs}} = \mathbf{c}\mathbf{c}^H Rfs=ccH,我们得到:
Φ i − 1 R f s Φ 1 − i = C Φ i − 1 Φ i − 1 H C H \Phi^{i-1}\mathbf{R}_{\mathrm{fs}}\Phi^{1-i} = \mathbf{C}\varPhi_{i-1}\varPhi_{i-1}^H \mathbf{C}^H Φi−1RfsΦ1−i=CΦi−1Φi−1HCH
其中 C ∈ C K × K \mathbf{C}\in\mathbb{C}^{K\times K} C∈CK×K 代表 c ∈ C K × 1 \mathbf{c}\in\mathbb{C}^{K\times 1} c∈CK×1 的对角形式, Φ i − 1 ∈ C K × 1 \varPhi_{i-1}\in\mathbb{C}^{K\times 1} Φi−1∈CK×1 代表 Φ i − 1 ∈ C K × K \Phi^{i-1}\in\mathbb{C}^{K\times K} Φi−1∈CK×K 对角元素的向量形式。
进一步化简:
R f s s = 1 N A P ( ∑ i = 1 N Φ i − 1 R f s Φ 1 − i ) A P H = 1 N A P C ( ∑ i = 1 N Φ i − 1 Φ i − 1 H ) C H A P H = 1 N A P C A N H A N C H A P H \begin{aligned} \mathbf{R}_{\mathrm{fss}} &=\frac{1}{N} \mathbf{A}_{\mathrm{P}} \left( \sum_{i=1}^N \Phi^{i-1}\mathbf{R}_{\mathrm{fs}}\Phi^{1-i}\right)\mathbf{A}_{\mathrm{P}}^H \\ &= \frac{1}{N} \mathbf{A}_{\mathrm{P}} \mathbf{C}\left( \sum_{i=1}^N \varPhi_{i-1}\varPhi_{i-1}^H\right) \mathbf{C}^H\mathbf{A}_{\mathrm{P}}^H\\ &=\frac{1}{N} \mathbf{A}_{\mathrm{P}} \mathbf{C} \mathbf{A}_{\mathrm{N}}^H\mathbf{A}_{\mathrm{N}} \mathbf{C}^H\mathbf{A}_{\mathrm{P}}^H \end{aligned} Rfss=N1AP(i=1∑NΦi−1RfsΦ1−i)APH=N1APC(i=1∑NΦi−1Φi−1H)CHAPH=N1APCANHANCHAPH
其中 A N ∈ C N × K \mathbf{A}_{\mathrm{N}}\in\mathbb{C}^{N\times K} AN∈CN×K 代表 A \mathbf{A} A 的前 N N N 行。通过对 R f s s \mathbf{R}_{\mathrm{fss}} Rfss 的推导,我们不难得出结论:每一次的累加,均使得 R f s s \mathbf{R}_{\mathrm{fss}} Rfss 的秩恢复 r a n k ( R f s ) = 1 \mathrm{rank}(\mathbf{R}_{\mathrm{fs}}) = 1 rank(Rfs)=1 个,故而最后 r a n k ( R f s s ) = min ( P − 1 , N , K ) \mathrm{rank}(\mathbf{R}_{\mathrm{fss}}) = \min(P-1,N,K) rank(Rfss)=min(P−1,N,K)。因此为了让 R f s s \mathbf{R}_{\mathrm{fss}} Rfss 的秩恢复为 K K K,需要保证 N ≥ K N\geq K N≥K 和 P > K P>K P>K 成立。结合 M = N + P − 1 M = N+P-1 M=N+P−1 我们将得到:
K ≤ 1 2 M K\leq\frac{1}{2}M K≤21M
即 FSS-MUSIC 至多能估计 1 2 M \frac{1}{2}M 21M 个同组的相干信号源。同理 BSS-MUSIC 也一样。
相比于 FSS-MUSIC 和 BSS-MUSIC,FBSS-MUSIC 有更高的自由度。每一次的累加,均使得 R f b s s \mathbf{R}_{\mathrm{fbss}} Rfbss 的秩恢复 r a n k ( R f b s ) = 2 \mathrm{rank}(\mathbf{R}_{\mathrm{fbs}}) = 2 rank(Rfbs)=2 个,故而最后 r a n k ( R f b s s ) = min ( P − 1 , 2 N , K ) \mathrm{rank}(\mathbf{R}_{\mathrm{fbss}}) = \min(P-1,2N,K) rank(Rfbss)=min(P−1,2N,K)。因此为了让 R f b s s \mathbf{R}_{\mathrm{fbss}} Rfbss 的秩恢复为 K K K,需要保证 2 N ≥ K 2N\geq K 2N≥K 和 P > K P>K P>K 成立。结合 M = N + P − 1 M = N+P-1 M=N+P−1 我们将得到:
K ≤ 2 3 M K\leq\frac{2}{3}M K≤32M
即 FBSS-MUSIC 至多能估计 2 3 M \frac{2}{3}M 32M 个同组的相干信号源。
SS-MUSIC 改进算法
实质上,SS-MUSIC 将协方差矩阵 R \mathbf{R} R 进行分块,并取属于对角位置的子矩阵进行累加,只要累加的次数足够,即可将内部信号协方差的秩恢复为 K K K。IFBSS-MUSIC3(Improved FBSS-MUSIC)利用非对角位置的子矩阵进行计算:
R i f b s s = 1 N 2 ∑ i = 1 N ∑ j = 1 N [ R f b ] i j [ R f b ] j i \mathbf{R}_{\mathrm{ifbss}} = \frac{1}{N^2}\sum_{i=1}^{N}\sum_{j=1}^{N} [\mathbf{R}_{\mathrm{fb}}]_{ij}[\mathbf{R}_{\mathrm{fb}}]_{ji} Rifbss=N21i=1∑Nj=1∑N[Rfb]ij[Rfb]ji
进一步可得到:
R i f b s s = 1 N 2 A P [ ∑ i = 1 N Φ i − 1 R f b s ( ∑ j = 1 N Φ 1 − j A P H A P Φ j − 1 ) R f b s Φ 1 − i ] A P H \begin{aligned} \mathbf{R}_{\mathrm{ifbss}} = \frac{1}{N^2}\mathbf{A}_{\mathrm{P}}\left[\sum_{i=1}^{N} \Phi^{i-1} \mathbf{R}_{\mathrm{fbs}}\left( \sum_{j=1}^{N} \Phi^{1-j}\mathbf{A}_{\mathrm{P}}^H\mathbf{A}_{\mathrm{P}}\Phi^{j-1}\right)\mathbf{R}_{\mathrm{fbs}}\Phi^{1-i}\right]\mathbf{A}_{\mathrm{P}}^H \end{aligned} Rifbss=N21AP[i=1∑NΦi−1Rfbs(j=1∑NΦ1−jAPHAPΦj−1)RfbsΦ1−i]APH
总结
总的来说,SS-MUSIC 针对于 ULA 实现,而 ULA 属于中心对称阵列,因此结合前后向平均技术可以进一步提升自由度。从上面的讨论可得知,当 K > 1 K>1 K>1 个信号源同属一组相干源,即原协方差矩阵秩为 1 1 1,前后向平均技术可以实现一定的解相干,即将协方差矩阵的秩恢复为 2 2 2,但解相干能力有限。SS-MUSIC 牺牲了阵列孔径,但能实现完全解相干。
参考文献
Shan T J, Wax M, Kailath T. On spatial smoothing for direction-of-arrival estimation of coherent signals[J]. IEEE Transactions on Acoustics, Speech, and Signal Processing, 1985, 33(4): 806-811. ↩︎
Pillai S U, Kwon B H. Forward/backward spatial smoothing techniques for coherent signal identification[J]. IEEE Transactions on Acoustics, Speech, and Signal Processing, 1989, 37(1): 8-15. ↩︎
Du W, Kirlin R L. Improved spatial smoothing techniques for DOA estimation of coherent signals[J]. IEEE Transactions on signal processing, 1991, 39(5): 1208-1210. ↩︎