波束形成和music有什么关系 music算法改进 _经验分享

空间谱估计均匀线阵music算法matlab程序急求！！！！！！
先用特征值分解估计出信号个数，
然后MUSIC算法中找出对应信号或信号噪声的特征向量，建立子空间。
S'*En*En'*S, 找最小值，谱搜索就好了。S是array manifold，En是噪声的特征向量。
函数照这个格式编就行 function output=MUSIC(array,Rxx,M)
array是线阵坐标矩阵，Rxx是接收数据的二阶统计量，M是信号个数。
自己编吧，不难。。
DOA估计算法
学号：20000300055
姓名：王铎澎
嵌牛导读：文章对DOA算法进行了简单的介绍。
嵌牛正文：https://blog.csdn.net/zhangziju/article/details/100730081?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522160689878119725222413438%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=160689878119725222413438&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~baidu_landing_v2~default-1-100730081.pc_first_rank_v2_rank_v28&utm_term=Musicsuanfa&spm=1018.2118.3001.4449
DOA估计算法
DOA（Direction Of Arrival）波达方向定位技术主要有ARMA谱分析、最大似然法、熵谱分析法和特征分解法，特征分解法主要有MUSIC算法、ESPRIT算法WSF算法等。
MUSIC (Multiple Signal Classification)算法，即多信号分类算法，由Schmidt等人于1979年提出。MUSIC算法是一种基于子空间分解的算法，它利用信号子空间和噪声子空间的正交性，构建空间谱函数，通过谱峰搜索，估计信号的参数。对于声源定位来说，需要估计信号的DOA 。MUSIC算法对DOA的估计有很高的分辨率，且对麦克风阵列的形状没有特殊要求，因此应用十分广泛。
运用矩阵的定义，可得到更为简洁的表达式：
X = A S + N X=AS+NX=AS+N
式中
X = [ x 1 ( t ) , x 2 ( t ) , . . . x M ( t ) ] T X=[x_1(t),x_2(t),...x_M(t)]^TX=[x1?(t),x2?(t),...xM?(t)]T，
S = [ S 1 ( t ) , S 2 ( t ) , . . . S D ( t ) ] T S=[S_1(t),S_2(t),...S_D(t)]^TS=[S1?(t),S2?(t),...SD?(t)]T，
A = [ a ( θ 1 ) , a ( θ 2 ) , . . . a ( θ D ) ] T A=[a(\theta_1),a(\theta_2),...a(\theta_D)]^TA=[a(θ1?),a(θ2?),...a(θD?)]T，
N = [ n 1 ( t ) , n 2 ( t ) , . . . n M ( t ) ] T N=[n_1(t),n_2(t),...n_M(t)]^TN=[n1?(t),n2?(t),...nM?(t)]T 。
X XX为阵元的输出，A AA为方向响应向量，S SS是入射信号，N NN表示阵列噪声。
其中 φ k = 2 π d λ s i n θ k \varphi_k=\frac{2\pi d}{\lambda}sin\theta_kφk?=λ2πd?sinθk?有
A = [ a ( θ 1 ) , a ( θ 2 ) , . . . a ( θ D ) ] T = [ 1 1 ? 1 e ? j φ 1 e ? j φ 2 ? e ? j φ D ? ? ? ? e ? j ( M ? 1 ) φ 1 e ? j ( M ? 1 ) φ 2 ? e ? j ( M ? 1 ) φ D ] A=[a(\theta_1),a(\theta_2),...a(\theta_D)]^T=\left[
1e?jφ1?e?j(M?1)φ11e?jφ2?e?j(M?1)φ2????1e?jφD?e?j(M?1)φD11?1e?jφ1e?jφ2?e?jφD????e?j(M?1)φ1e?j(M?1)φ2?e?j(M?1)φD
\right]A=[a(θ1?),a(θ2?),...a(θD?)]T=??????1e?jφ1??e?j(M?1)φ1??1e?jφ2??e?j(M?1)φ2???????1e?jφD??e?j(M?1)φD????????
对x m ( t ) x_m(t)xm?(t)进行N点采样，要处理的问题就变成了通过输出信号x m ( t ) x_m(t)xm?(t)的采样{ x m ( i ) = 1 , 2 , . . . , M } \{ x_m (i)=1,2,...,M\}{xm?(i)=1,2,...,M}估计信号源的波达方向角θ 1 , θ 2 . . . θ D \theta_1,\theta_2...\theta_Dθ1?,θ2?...θD?,由此可以很自然的将阵列信号看作是噪声干扰的若干空间谐波的叠加，从而将波达方向估计问题与谱估计联系起来。
对阵列输出X做相关处理，得到其协方差矩阵
R x = E [ X X H ] R_x=E[XX^H]Rx?=E[XXH]
其中H HH表示矩阵的共轭转置。
根据已假设信号与噪声互不相关、噪声为零均值白噪声，因此可得到：
R x = E [ ( A S + N ) ( A S + N ) H ] = A E [ S S H ] A H + E [ N N H ] = A R S A H + R N R_x=E[(AS+N)(AS+N)^H] =AE[SS^H]A^H+E[NN^H]=AR_SA^H+R_NRx?=E[(AS+N)(AS+N)H]=AE[SSH]AH+E[NNH]=ARS?AH+RN?
其中R s = E [ S S H ] R_s=E[SS^H]Rs?=E[SSH]称为信号相关矩阵
R N = σ 2 I R_N=\sigma^2IRN?=σ2I是噪声相关阵
σ 2 \sigma^2σ2是噪声功率
I II是M × M M\times MM×M阶的单位矩阵
在实际应用中通常无法直接得到R x R_xRx?，能使用的只有样本的协方差矩阵：
R x ^ = 1 N ∑ i = 1 N X ( i ) X H ( i ) \hat{R_x}=\frac{1}{N} \sum_{i=1}^{N}X(i)X^H (i)Rx?^?=N1?∑i=1N?X(i)XH(i)，R x ^ \hat{R_x}Rx?^?是R x R_xRx?的最大似然估计。
当采样数N → ∞ N\to\inftyN→∞，他们是一致的，但实际情况将由于样本数有限而造成误差。根据矩阵特征分解的理论，可对阵列协方差矩阵进行特征分解，首先考虑理想情况，即无噪声的情况：R x = A R s A H R_x=AR_sA^HRx?=ARs?AH，对均匀线阵，矩阵A由
A = [ a ( θ 1 ) , a ( θ 2 ) , . . . a ( θ D ) ] T = [ 1 1 ? 1 e ? j φ 1 e ? j φ 2 ? e ? j φ D ? ? ? ? e ? j ( M ? 1 ) φ 1 e ? j ( M ? 1 ) φ 2 ? e ? j ( M ? 1 ) φ D ] A=[a(\theta_1),a(\theta_2),...a(\theta_D)]^T=\left[
1e?jφ1?e?j(M?1)φ11e?jφ2?e?j(M?1)φ2????1e?jφD?e?j(M?1)φD11?1e?jφ1e?jφ2?e?jφD????e?j(M?1)φ1e?j(M?1)φ2?e?j(M?1)φD
\right]A=[a(θ1?),a(θ2?),...a(θD?)]T=??????1e?jφ1??e?j(M?1)φ1??1e?jφ2??e?j(M?1)φ2???????1e?jφD??e?j(M?1)φD????????
所定义的范德蒙德矩阵，只要满足θ i ≠ θ j , i ≠ j \theta_i
eq \theta_j,i
eq jθi??=θj?,i?=j，则他的各列相互独立。
若R s R_sRs?为非奇异矩阵R a n k ( R s ) = D Rank(R_s)=DRank(Rs?)=D，各信号源两两不相干，且M > D M>DM>D，则r a n d ( A R s A H ) = D rand(AR_sA^H)=Drand(ARs?AH)=D，
由于R x = E [ X X H ] R_x=E[XX^H]Rx?=E[XXH]，有：
R s H = R x R_s^H=R_xRsH?=Rx?
即R s R_sRs?为Hermite矩阵，它的特性是都是实数，又由于R s R_sRs?为正定的，因此A R s A … … H AR_sA……HARs?A……H为半正定的，它有D个正特征值和M ? D M-DM?D个零特征值。
再考虑有噪声存在的情况
R x = A R s A H + σ 2 I R_x=AR_sA^H+\sigma^2IRx?=ARs?AH+σ2I
由于σ 2 > 0 \sigma^2>0σ2>0，R x R_xRx?为满秩阵，所以R x R_xRx?有M个正实特征值λ 1 , λ 2 . . . λ M \lambda_1,\lambda_2...\lambda_Mλ1?,λ2?...λM?
分别对应于M个特征向量v 1 , v 2 . . . v M v_1,v_2...v_Mv1?,v2?...vM? 。又由于R x R_xRx?为Hermite矩阵，所以各特征向量是正交的，即：v i H v j = 0 , i ≠ j v_i^Hv_j=0,i
eq jviH?vj?=0,i?=j与信号有关的特征值只有D个,分别等于矩阵A R s A H AR_sA^HARs?AH的各特征值与σ 2 \sigma^2σ2之和，其余M ? D M-DM?D个特征值为σ 2 \sigma^2σ2，即σ 2 \sigma^2σ2为R RR的最小特征值，它是M ? D M-DM?D维的，对应的特征向量v i , i = 1 , 2 , . . . , M v_i,i=1,2,...,Mvi?,i=1,2,...,M中，也有D个是与信号有关的，另外M ? D M-DM?D个是与噪声有关的，可利用特征分解的性质求出信号源的波达方向θ k \theta_kθk? 。
MUSIC算法的原理及实现
通过对协方差矩阵的特征值分解，可得到如下结论：
将矩阵R x R_xRx?的特征值进行从小到大的排序，即λ 1 ≥ λ 2 ≥ . . . ≥ λ M > 0 \lambda_1 \geq \lambda_2\geq...\geq\lambda_M>0λ1?≥λ2?≥...≥λM?>0，其中D个较大的特征值对应于信号，M ? D M-DM?D个较小的特征值对应于噪声。
矩阵R x R_xRx?的属于这些特征值的特征向量也分别对应于各个信号和噪声，因此可把R x R_xRx?的特征值（特征向量）划分为信号特征（特征向量）与噪声特征（特征向量）。
设λ i \lambda_iλi?为R x R_xRx?的第i ii个特征值，v i v_ivi?是与λ i \lambda_iλi?个相对应的特征向量，有：
R x v i = λ i v i R_xv_i=\lambda_iv_iRx?vi?=λi?vi?
再设λ i = σ 2 \lambda_i=\sigma^2λi?=σ2是R x R_xRx?的最小特征值R x v i = σ 2 v i i = D + 1 , D + 2... M R_xv_i=\sigma^2v_i i=D+1,D+2...MRx?vi?=σ2vi?i=D+1,D+2...M，
将R x = A R s A H + σ 2 I R_x=AR_sA^H+\sigma^2IRx?=ARs?AH+σ2I代入可得σ 2 v i = ( A R s A H + σ 2 I ) v i \sigma^2v_i=(AR_sA^H+\sigma^2I)v_iσ2vi?=(ARs?AH+σ2I)vi?，
将其右边展开与左边比较得：
A R s A H v i = 0 AR_sA^Hv_i=0ARs?AHvi?=0
因A H A A^HAAHA是D ? D D*DD?D维的满秩矩阵，( A H A ) ? 1 (A^HA)^{-1}(AHA)?1存在；
而R s ? 1 R_s^{-1}Rs?1?同样存在，则上式两边同乘以R s ? 1 ( A H A ) ? 1 A H R_s^{-1}(A^HA)^{-1}A^HRs?1?(AHA)?1AH，
有：
R s ? 1 ( A H A ) ? 1 A H A R s A H v i = 0 R_s^{-1}(A^HA)^{-1}A^HAR_sA^Hv_i=0Rs?1?(AHA)?1AHARs?AHvi?=0
于是有
A H v i = 0 ，i = D + 1 , D + 2 , . . . , M A^Hv_i=0，i=D+1,D+2,...,MAHvi?=0，i=D+1,D+2,...,M
上式表明：噪声特征值所对应的特征向量（称为噪声特征向量）v i v_ivi?，与矩阵A AA的列向量正交，而A AA的各列是与信号源的方向相对应的，这就是利用噪声特征向量求解信号源方向的出发点。
用各噪声特征向量为例，构造一个噪声矩阵E n E_nEn?:
E n = [ v D + 1 , v D + 2 , . . . v M ] E_n=[v_{D+1},v_{D+2},...v_{M}]En?=[vD+1?,vD+2?,...vM?]
定义空间谱P m u ( θ ) P_{mu}(\theta)Pmu?(θ):
P m u ( θ ) = 1 a H ( θ ) E n E n H a ( θ ) = 1 ∥ E n H a ( θ ) ∥ 2 P_{mu}(\theta)=\frac{1}{{a^H}(\theta)}E_nE_n^Ha(\theta)=\frac{1}{\Vert E_n^Ha(\theta)\Vert^2}Pmu?(θ)=aH(θ)1?En?EnH?a(θ)=∥EnH?a(θ)∥21?
该式中分母是信号向量和噪声矩阵的内积，当a ( θ ) a(\theta)a(θ)和E n E_nEn?的各列正交时，该分母为零，但由于噪声的存在，它实际上为一最小值，因此P m u ( θ ) P_{mu}(\theta)Pmu?(θ)有一尖峰值，由该式，使θ \thetaθ变化，通过寻找波峰来估计到达角。
MUSIC算法实现的步骤
1.根据N个接收信号矢量得到下面协方差矩阵的估计值：
R x = 1 N ∑ i = 1 N X ( i ) X H ( i ) R_x=\frac{1}{N} \sum_{i=1}^NX(i)X^H(i)Rx?=N1?∑i=1N?X(i)XH(i)
对上面得到的协方差矩阵进行特征分解
R x = A R s A H + σ 2 I R_x=AR_sA^H+\sigma^2IRx?=ARs?AH+σ2I
2.按特征值的大小排序将与信号个数D DD相等的特征值和对应的特征向量看做信号部分空间，将剩下的M ? D M-DM?D个特征值和特征向量看做噪声部分空间，得到噪声矩阵E n E_nEn?:
A H v i = 0 ，i = D + 1 , D + 2 , . . . , M A^Hv_i=0，i=D+1,D+2,...,MAHvi?=0，i=D+1,D+2,...,M
E n = [ v D + 1 , v D + 2 , . . . v M ] E_n=[v_{D+1},v_{D+2},...v_{M}]En?=[vD+1?,vD+2?,...vM?]
3.使θ \thetaθ变化，按照式
P m u ( θ ) = 1 a H ( θ ) E n E n H a ( θ ) P_{mu}(\theta)=\frac{1}{{a^H}(\theta)E_nE_n^Ha(\theta)}Pmu?(θ)=aH(θ)En?EnH?a(θ)1?
来计算谱函数，通过寻求峰值来得到波达方向的估计值。
clear; close all;
%%%%%%%% MUSIC for Uniform Linear Array%%%%%%%%
derad = pi/180;%角度->弧度
N = 8;% 阵元个数
M = 3;% 信源数目
theta = [-30 0 60];% 待估计角度
snr = 10;% 信噪比
K = 512;% 快拍数
dd = 0.5;% 阵元间距
d=0:dd:(N-1)*dd;
A=exp(-1i*2*pi*d.'*sin(theta*derad));%方向矢量
%%%%构建信号模型%%%%%
S=randn(M,K);%信源信号，入射信号
X=A*S;%构造接收信号
【波束形成和music有什么关系 music算法改进】 X1=awgn(X,snr,'measured'); %将白色高斯噪声添加到信号中
% 计算协方差矩阵
Rxx=X1*X1'/K;
% 特征值分解
[EV,D]=eig(Rxx);%特征值分解
EVA=diag(D)';%将特征值矩阵对角线提取并转为一行
[EVA,I]=sort(EVA);%将特征值排序从小到大
EV=fliplr(EV(:,I));% 对应特征矢量排序
% 遍历每个角度，计算空间谱
for iang = 1:361
angle(iang)=(iang-181)/2;
phim=derad*angle(iang);
a=exp(-1i*2*pi*d*sin(phim)).';
En=EV(:,M+1:N);% 取矩阵的第M+1到N列组成噪声子空间
Pmusic(iang)=1/(a'*En*En'*a);
end
Pmusic=abs(Pmusic);
Pmmax=max(Pmusic)
Pmusic=10*log10(Pmusic/Pmmax);% 归一化处理
h=plot(angle,Pmusic);
set(h,'Linewidth',2);
xlabel('入射角/(degree)');
ylabel('空间谱/(dB)');
set(gca, 'XTick',[-90:30:90]);
grid on;
实现结果
请问用matlab做数据处理，需要数据加窗函数的music算法怎么做，出图是功率谱的？
n=0:0.1:200;%设定信号时间zhidao长度为0到200秒，采样间隔0.1，则采内样频率为10HZ，点数2001
y=sin(2*pi*0.2*n)+sin(2*0.213*n);
Y=fft(y);%FFTPyy=Y.*conj(Y)/2000;%信号功率谱f=10*(0:1000)/2000;%计算横容轴频率值figure(1)subplot(2,1,1),plot(n,y),title('信号'),xlabel('时间(S)')subplot(2,1,2),plot(f,Pyy(1:1001)),title('信号功率谱'),xlabel('频率(Hz)')

波束形成和music有什么关系
为了提高频域波束形成的宽带波达方向估计性能,提出了类MUSIC波束形成算法(MBM,MUSIC-likeBeamforming Method).在频域将宽带信号划分为若干窄带信号,叠加各窄带的MBM算法的空间谱后其峰值对应角度即为宽带波达方向估计结果.MBM算法的主瓣宽度在不同分析频率下基本保持不变,计算量与常规波束形成(CBF,Con-ventional Beamforming)相当.仿真结果表明,MBM算法的宽带波达方向估计性能和角度分辨能力介于分别叠加各窄带的CBF和MUSIC算法估计结果的ICBF(Incoherent CBF)和IMUSIC(Incoherent MUSIC)算法之间.
music是什么意思

音乐。music可以指: 中文释义音乐:一种很抽象的艺术形式。

通信中常用的music算法:也就是英文Multiple Signal Classification的简称，多信号分类算法。中文的解释就是音乐的意思，其实是一个很抽象的概念。广义的讲，音乐就是任何一种艺术的、令人愉快的、审慎的或其他什么方式排列起来的声音。所谓的音乐的定义仍存在着激烈的争议，但通常可以解释为一系列对于有声、无声具有时间性的组织，并含有不同音阶的节奏、旋律及和声。在所有的艺术类型中，比较而言，音乐是最抽象的艺术。

music的发展演变
1. 1968 年首先由Schmidit提出.
2. 1972 年Pisarenko提出将接收信号的协方差矩阵的特征值分解，利用了协方差矩阵的最小特征向量求谱.
3. 1984 年Wax. Sh anK ailath提出了二维的music算法.
4. 1986 年Schmidit完善了music算法，使MUSIC算法在空间谱估计算法中占有绝对优势。他把这种方法从严格的均匀阵情况推广到普通阵，利用了协方差矩阵的全部最小特征向量，对噪声起到了平滑的作用.
5.1988年Yin.Zhou提出了二维music算法的分维处理技术。此外还有很多关于MUSIC算法的研究和改进，奠定了MUSIC在空间谱估计算法中的地位.

关于music算法和music算法改进的内容就分享到这儿！更多实用知识经验，尽在 www.hubeilong.com