Моделируйте полученный сигнал в массиве и используйте данные, чтобы оценить направления прибытия.

Примечание: Этот пример запускается только в R2016b или позже. Если вы используете более ранний релиз, заменяете каждый вызов функции с эквивалентным синтаксисом step. Например, замените myObject(x) на step(myObject,x).

Создайте универсальную линейную матрицу с 8 элементами, элементы которой расположены половина длины волны с интервалами независимо.

fc = 3e8;
c = 3e8;
lambda = c/fc;
array = phased.ULA(8,lambda/2);

Моделируйте 100 снимков состояния полученного сигнала в массиве. Примите, что существует два сигнала, прибывающие из азимута 30 ° и 60 °, соответственно. Шум является белым через все элементы массива, и ОСШ составляет 10 дБ.

x = sensorsig(getElementPosition(array)/lambda,...
   100,[30 60],db2pow(-10));

Используйте beamscan пространственное средство оценки спектра, чтобы оценить направления прибытия, на основе моделируемых данных.

estimator = phased.BeamscanEstimator('SensorArray',array,...
   'PropagationSpeed',c,'OperatingFrequency',fc,...
   'DOAOutputPort',true,'NumSignals',2);
[~,ang_est] = estimator(x);

Постройте пространственный спектр, следующий из процесса оценки.

plotSpectrum(estimator)

График показывает peaks на уровне 30 ° и 60 °.

Моделируйте получение двух некоррелированых входящих сигналов, которые имеют различные уровни мощности. Вектор под названием scov хранит уровни мощности.

Создайте универсальную линейную матрицу с 8 элементами, элементы которой расположены половина длины волны с интервалами независимо.

fc = 3e8;
c = 3e8;
lambda = c/fc;
ha = phased.ULA(8,lambda/2);

Моделируйте 100 снимков состояния полученного сигнала в массиве. Примите, что один входящий сигнал происходит из 30 азимутов степеней и имеет силу 3 Вт. Второй входящий сигнал происходит из 60 азимутов степеней и имеет силу 1 Вт. Два сигнала не коррелируются друг с другом. Шум является белым через все элементы массива, и ОСШ составляет 10 дБ.

ang = [30 60];
scov = [3 1];
x = sensorsig(getElementPosition(ha)/lambda,...
   100,ang,db2pow(-10),scov);

Используйте beamscan пространственное средство оценки спектра, чтобы оценить направления прибытия, на основе моделируемых данных.

hdoa = phased.BeamscanEstimator('SensorArray',ha,...
   'PropagationSpeed',c,'OperatingFrequency',fc,...
   'DOAOutputPort',true,'NumSignals',2);
[~,ang_est] = step(hdoa,x);

Постройте пространственный спектр, следующий из процесса оценки.

plotSpectrum(hdoa);

График показывает высокий пик в 30 градусах и более низкий пик в 60 градусах.

Моделируйте прием трех сигналов, два из которых коррелируются.

Создайте ковариационную матрицу сигнала, в которой первое и треть из трех сигналов коррелируются друг с другом.

scov = [1 0 0.6;...
        0 2 0;...
        0.6 0 1];

Моделируйте получение 100 снимков состояния трех входящих сигналов от 30 °, 40 °, и азимута на 60 °, соответственно. Массив, который получает сигналы, является универсальной линейной матрицей с 8 элементами, элементы которой являются распределенной половиной длины волны независимо. Шум является белым через все элементы массива, и ОСШ составляет 10 дБ.

pos = (0:7)*0.5;
ns = 100;
ang = [30 40 60];
ncov = db2pow(-10);
x = sensorsig(pos,ns,ang,ncov,scov);

Моделируйте получение сигнала в URA. Сравните теоретическую ковариацию сигнала с ее выборочной ковариацией.

Создайте универсальную прямоугольную разрядку массивов 2 на 2 элементы 1/4-wavelength независимо.

pos = 0.25 * [0 0 0 0; -1 1 -1 1; -1 -1 1 1];

Задайте шумовую степень независимо для каждого из этих четырех элементов массива. Каждая запись в ncov является шумовой степенью элемента массива. Это положение элемента является соответствующим столбцом в pos. Примите, что шум является некоррелированым через элементы.

ncov = db2pow([-9 -10 -10 -11]);

Моделируйте 100 снимков состояния полученного сигнала в массиве и сохраните теоретические и эмпирические ковариационные матрицы. Примите, что один входящий сигнал происходит из азимута на 30 ° и повышения на 10 °. Второй входящий сигнал происходит из азимута на 50 ° и повышения на 0 °. Сигналы имеют силу 1 Вт и являются некоррелироваными.

ns = 100;
ang1 = [30; 10];
ang2 = [50; 0];
ang = [ang1, ang2];
rng default
[x,rt,r] = sensorsig(pos,ns,ang,ncov);

Просмотрите значения теоретической ковариации и выборочной ковариации.

abs(rt)

ans = 4×4

    2.1259    1.8181    1.9261    1.9754
    1.8181    2.1000    1.5263    1.9261
    1.9261    1.5263    2.1000    1.8181
    1.9754    1.9261    1.8181    2.0794

abs(r)

ans = 4×4

    2.2107    1.7961    2.0205    1.9813
    1.7961    1.9858    1.5163    1.8384
    2.0205    1.5163    2.1762    1.8072
    1.9813    1.8384    1.8072    2.0000

Моделируйте получение сигнала в ULA, где шум между различными датчиками коррелируется.

Создайте универсальную линейную матрицу с 4 элементами, элементы которой являются распределенной половиной длины волны независимо.

pos = 0.5 * (0:3);

Задайте шумовую ковариационную матрицу. Значение в (k, _j _) положение в матрице ncov является ковариацией между k и j элементами массива, перечисленными в массиве.

ncov = 0.1 * [1 0.1 0 0; 0.1 1 0.1 0; 0 0.1 1 0.1; 0 0 0.1 1];

Моделируйте 100 снимков состояния полученного сигнала в массиве. Примите, что один входящий сигнал происходит из азимута на 60 °.

ns = 100;
ang = 60;
[x,rt,r] = sensorsig(pos,ns,ang,ncov);

Просмотрите теоретические матрицы и матрицы выборочной ковариации для полученного сигнала.

rt,r

rt = 4×4 complex

   1.1000 + 0.0000i  -0.9027 - 0.4086i   0.6661 + 0.7458i  -0.3033 - 0.9529i
  -0.9027 + 0.4086i   1.1000 + 0.0000i  -0.9027 - 0.4086i   0.6661 + 0.7458i
   0.6661 - 0.7458i  -0.9027 + 0.4086i   1.1000 + 0.0000i  -0.9027 - 0.4086i
  -0.3033 + 0.9529i   0.6661 - 0.7458i  -0.9027 + 0.4086i   1.1000 + 0.0000i

r = 4×4 complex

   1.1059 + 0.0000i  -0.8681 - 0.4116i   0.6550 + 0.7017i  -0.3151 - 0.9363i
  -0.8681 + 0.4116i   1.0037 + 0.0000i  -0.8458 - 0.3456i   0.6578 + 0.6750i
   0.6550 - 0.7017i  -0.8458 + 0.3456i   1.0260 + 0.0000i  -0.8775 - 0.3753i
  -0.3151 + 0.9363i   0.6578 - 0.6750i  -0.8775 + 0.3753i   1.0606 + 0.0000i