Симулируйте принятый сигнал в массиве и используйте данные для оценки направлений прибытия.

Примечание.Этот пример выполняется только в R2016b или более поздней версии. Если вы используете более ранний релиз, замените каждый вызов функции на эквивалентный step синтаксис. Для примера замените myObject(x) с step(myObject,x).

Создайте 8-элементный равномерный линейный массив, элементы которой разнесены на половину длины волны.

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

Симулируйте 100 снимков принятого сигнала в массиве. Предположим, что существует два сигнала, поступающих от азимута 30 ° и 60 ° соответственно. Шум белый во всех элементах массива, и ОСШ составляет 10 дБ.

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

Используйте оценщик пространственного спектра луча, чтобы оценить направления прибытия, основываясь на моделируемых данных.

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

Постройте график пространственного спектра, полученного в результате процесса оценки.

plotSpectrum(estimator)

На графике показаны peaks в 30 ° и 60 °.

Симулируйте прием двух некоррелированных входных сигналов, которые имеют различные уровни степени. Вектор с именем scov сохраняет уровни степени.

Создайте 8-элементный равномерный линейный массив, элементы которой разнесены на половину длины волны.

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

Симулируйте 100 снимков принятого сигнала в массиве. Предположим, что один входящий сигнал инициируется из 30 степеней азимута и имеет степень 3 Вт. Второй входящий сигнал инициируется из 60 степеней азимута и имеет степень 1 Вт. Эти два сигнала не коррелируют друг с другом. Шум белый во всех элементах массива, и ОСШ составляет 10 дБ.

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

Используйте оценщик пространственного спектра луча, чтобы оценить направления прибытия, основываясь на моделируемых данных.

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

Постройте график пространственного спектра, полученного в результате процесса оценки.

plotSpectrum(hdoa);

График показывает высокий пик в 30 степени и нижний пик в 60 степени.

Симулируйте прием трех сигналов, два из которых коррелированы.

Создайте ковариационную матрицу сигнала, в которой первый и третий из трех сигналов коррелируют друг с другом.

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

Симулируйте прием 100 снимков трех входящих сигналов от 30 °, 40 ° и 60 ° азимута соответственно. Массив, который принимает сигналы, является однородной линейной решёткой с 8 элементами, элементы которой разнесены на половину длины волны. Шум белый во всех элементах 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);

Симулируйте прием сигнала в URA. Сравните теоретическую ковариацию сигнала с ее выборочной ковариацией.

Создайте равномерный прямоугольный массив 2 на 2, элементы которой разнесены на 1/4 длины волны.

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

Задайте степень шума независимо для каждого из четырех элементов массива. Каждая запись в ncov - степень шума элемента массива. Это положение элемента является соответствующим столбцом в pos. Предположим, что шум некоррелирован между элементами.

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

Симулируйте 100 снимков принятого сигнала в массиве и сохраните теоретические и эмпирические ковариационные матрицы. Предположим, что один входящий сигнал инициируется из 30 ° азимута и 10 ° повышения. Второй входящий сигнал начинается от 50 ° азимута и 0 ° повышения. Сигналы имеют степень 1 Вт и являются некоррелированными.

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

Посмотрите величины 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

Симулируйте прием сигнала в ULA, где шум между различными датчиками коррелирует.

Создайте однородный линейный массив с 4 элементами, элементы которой разнесены на половину длины волны.

pos = 0.5 * (0:3);

Задайте шумовую ковариационную матрицу. Значение в (k,_j_) положении в ncov матрица является ковариацией между элементами k и j 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];

Симулируйте 100 снимков принятого сигнала в массиве. Предположим, что один входящий сигнал инициируется из азимута 60 °.

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

Просмотрите теоретические и выборочные ковариационные матрицы для принимаемого 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