[en] HIGH-RESOLUTION DIRECTION FINDING TECHNIQUES EXPLOITING PRIOR KNOWLEDGE

• Ano de defesa: 2018
• Autor(a) principal: SILVIO FERNANDO BERNARDES PINTO
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: MAXWELL
• Palavras-chave em Português: [pt] ESTIMACAO DE PARAMETROS EM ALTA RESOLUCAO; [pt] TECNICAS AUXILIADAS POR CONHECIMENTO; [pt] ESTIMACAO DE DIRECAO; [en] HIGH-RESOLUTION PARAMETER ESTIMATION; [en] KNOWLEDGEAIDED TECHNIQUES; [en] DIRECTION FINDING
• Link de acesso: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=34917&idi=1; https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=34917&idi=2; http://doi.org/10.17771/PUCRio.acad.34917

[pt] A maioria dos métodos e algoritmos para estimação de direção é pouco precisa em cenários formados por fontes próximas, pequenos lotes de amostras e sinais correlatados. Nos últimos anos, alguns métodos para superar tais óbices utilizaram conhecimento prévio de direções de sinais oriundos de usuários estáticos. Porém, este conceito está limitado a direções de chegada conhecidas. Esta tese apresenta várias contribuições para superar os problemas mencionados anteriormente. Introduz-se um novo conceito de conhecimento a priori aplicado à estimação de direção, substituindo-se as tradicionais direções de chegada disponíveis por estimativas preliminares obtidas on-line. Tal ideia é incorporada aos algoritmos propostos e suas extensões. Também é introduzido um conceito para a estimação da matriz de covariância de dados reduzindo-se iterativamente os seus subprodutos que ocorrem na região finita de amostras. Esta abordagem é complementada por uma análise da matriz de covariância modificada, que mostra que, após a primeira iteração, o Mean Squared Error (MSE) da matriz de covariância de dados livre desses subprodutos é menor ou igual ao MSE da matriz de covariância de dados original. Combinando-se os dois conceitos anteriormente descritos, obtém-se um novo método denominado Multi-Step Knowledge-Aided Iterative (MS-KAI) que eleva a precisão de algoritmos existentes. Inicialmente, o método MS-KAI é usado com Uniform linear Arrays (ULAs) e é combinado com o algoritmo Estimation of Signal Parameters via Rotational Invariance Techniques, resultando no algoritmo proposto MS-KAI-ESPRIT. O método é então ampliado para uso com um número arbitrário de iterações e combinado com o algoritmo Gradiente Conjugado, resultando no algoritmo MS-KAI-CG. Finalmente, ele é usado com arranjos aninhados e combinado com o algoritmo Multiple Signal Classification, resultando no algoritmo proposto MS-KAI-MUSIC. Simulações mostram que o método MS-KAI eleva a precisão de algoritmos baseados em subespaços, empregando modelos de sinais baseados em ULAs e non-ULAs.