移动通信信号源数据域直接位置估计方法及其装置

摘要

本发明涉及一种移动通信信号源数据域直接位置估计方法及其装置，该方法包含：各观测站分别采集原始观测数据；对采集到的原始观测数据进行底层数据融合，生成包含位置信息的直接定位模型；基于随机矩阵渐进分布理论，构造包含噪声子空间和信号子空间的代价函数；求解代价函数，输出最终目标位置。本发明通过联合各观测站原始观测数据，对接收数据进行充分底层融合，减少位置信息损失，提高定位精度；基于随机矩阵渐进分布数学理论，构造同时包含有信号子空间和噪声子空间的全新代价函数，可在低信噪比、采样数较少等恶劣无线通信环境下，使直接定位技术的信源分辨能力更强；并通过仿真实验证明：定位精度更好，且性能更加稳定。

权利要求

1.一种移动通信信号源数据域直接位置估计方法，其特征在于，包含：步骤1、各观测站分别采集原始观测数据；

步骤2、对采集到的原始观测数据进行底层数据融合，生成包含位置信息的直接定位模型；

步骤3、基于随机矩阵渐进分布理论，构造包含噪声子空间和信号子空间的代价函数；

步骤4、求解代价函数，输出最终目标位置；

所述的步骤2中包含：假设观测区域内有L个观测站和Q个窄带信号源，每个观测站均是由M个阵元构成的均匀直线阵；各个阵列在时间上同步，信号到达阵列时为平面波，根据位置坐标的对应观测站的接收信号，将该接收信号模型转化为观测向量；对各个观测站的观测向量进行联结，得到包含所有位置信息的联合阵列响应矩阵；根据观测向量及联合阵列响应矩阵，得到各观测站底层数据融合后的直接定位模型；所述的步骤2的具体实现过程如下：pq＝(xq,yq)表示第q个信号源位置，位置坐标为(xl,yl)的第l个观测站的接收信号模型表示如下：q＝1,…,Q；l＝1,…,L，式中，rl(t)是M×1维的接收信号矢量，al(pq)表示第q个信号源在第l个观测站上产生的阵列响应，sq(t)表示第q个信号波形，nl(t)表示第l个观测站上产生的均值为零且统计独立的复高斯白噪声矢量，T表示观测时间；转化的观测向量表示为：rl(t)＝Al(p)s(t)+nl(t)

s(t)＝[s1(t),...,sQ(t)]T

令

r(t)＝[r1(t)T,…,rL(t)T]T

T T T

n(t)＝[n1(t) ,…,nL(t) ]

，其中，A为联合阵列响应矩阵；经过各站位置信息融合后的直接定位模型变为：r(t)＝As(t)+n(t)；

所述的步骤3中包含：根据Wishart随机矩阵特征值与特征向量渐进分布理论，构造联合噪声子空间的特征向量；根据该特征向量并结合高斯分布性质，得到关于特征向量的联合对数概率密度函数，将信号源直接位置估计转化为最大似然估计的求解问题；所述的步骤3具体实现过程如下：令根据协方差矩阵 依据Wishart随机矩阵特征

值与特征向量渐进分布理论，构造联合噪声子空间的特征向量 服从如下概率分布：其中，Ms为幂等、厄米特矩阵，用于将与它做内积的向量向联合信号子空间Us进行投影；N(0,C)表示服从均值为0，协方差为C的高斯分布；λmin表示最小特征值；结合高斯分布性质，得到： 根据概率分布特性，得到关于 的联合对数概率密度函数为： 转化为求pk的最大似然估计，即：

2.根据权利要求1所述的移动通信信号源数据域直接位置估计方法，其特征在于，所述的步骤3中包含：根据各观测站原始观测数据，计算协方差矩阵；对协方差矩阵进行特征值分解，得到噪声子空间；根据噪声子空间，构造代价函数。

3.根据权利要求1所述的移动通信信号源数据域直接位置估计方法，其特征在于，所述的步骤3具体实现过程还包含：令 其中，ΣS为联合信号子空间的特征向量对应的特征值构成的对角矩阵；根据WIF-DPD算法谱峰搜索函数 最终目标位置估计转化为

4.一种移动通信信号源数据域直接位置估计装置，其特征在于，基于权利要求1所述的方法实现，包含：数据采集模块、定位模型建立模块、代价函数构造模块及数据输出模块，数据采集模块，用于通过各观测站分别采集原始观测数据；

模型建立模块，用于对数据采集模块采集到的原始观测数据进行底层数据融合，生成包含位置信息的直接定位模型；

代价函数构造模块，用于根据定位模型建立模块生成的直接定位模型并基于随机矩阵渐进分布理论，构造包含噪声子空间和信号子空间的代价函数；

数据输出模块，用于对代价函数构造模块构造的代价函数进行求解，并根据求解结果输出最终目标位置。

5.根据权利要求4所述的移动通信信号源数据域直接位置估计装置，其特征在于，所述的模型建立模块包含：模型转化单元、数据联结单元及模型生成单元，模型转化单元，用于根据位置坐标对应观测站的接收信号，将接收信号模型转化为观测向量；

数据联结单元，用于对模型转化单元得到的各个观测站的观测向量进行数据联结，得到包含所有位置信息的联合阵列响应矩阵；

模型生成单元，用于根据模型转化单元得到的观测向量及数据联结单元得到的联合阵列响应矩阵，获取各观测站底层数据融合后的直接定位模型。

6.根据权利要求4所述的移动通信信号源数据域直接位置估计装置，其特征在于，所述的代价函数构造模块，包含特征向量构造单元及求解问题转化单元，特征向量构造单元，用于根据模型建立模块生成的直接定位模型，并基于Wishart随机矩阵特征值与特征向量渐进分布理论，构造联合噪声子空间的特征向量；

求解问题转化单元，用于根据特征向量构造单元得到的特征向量并结合高斯分布性质，得到关于特征向量的联合对数概率密度函数，将信号源直接位置估计转化为最大似然估计的求解问题。

说明书

移动通信信号源数据域直接位置估计方法及其装置

技术领域

[0001] 本发明属于移动通信中无线信号源位置估计技术领域，特别涉及一种移动通信信号源数据域直接位置估计方法及其装置。

背景技术

[0002] 无源定位具有很好的隐蔽性，不易受到干扰和攻击，在军事及民事等方面得到广泛应用。传统无源定位体制主要采用两步定位法，即首先估计目标的位置参数(DOA、TOA、FDOA等)，然后利用估计出的位置参数建立位置方程完成目标位置的解算。这使得参数估计和位置解算相分离，数据处理过程中不可避免的存在位置信息的损失，且无法保证测量的参数与目标真实位置相匹配，从而无法获得最优的估计性能。直接定位技术(Direct Position Determination，DPD)因直接利用信号数据域信息完成目标位置估计，避免了传统定位方法中因两步分离造成的信息损失，因而具有更高的定位精度。

[0003] 目前，直接定位技术的解算方法主要有三种：最大似然方法、智能优化方法和多阵地子空间数据融合方法。最大似然类方法基于最大似然准则，在频域建立最大似然函数，可用于完成对于单目标的直接位置估计。但最大似然类方法在对多目标进行直接定位时存在复杂度过高的问题，难以实际应用。虽然可采用交替投影的方式将多维搜索问题转化为多个低维搜索问题，但采用这种方法的直接定位精度易受初始值选取的影响。将智能优化算法用于直接位置估计，有效降低了计算量，但控制参数不易选取增加了陷入局部最优的可能性。多阵地子空间数据融合方法能够在较低的复杂度条件下实现对多目标信号源的高精度直接定位。它通过对各阵地接收数据协方差矩阵进行处理得到的噪声子空间进行联合，构建包含各个站噪声子空间的代价函数，从而实现对目标信号源的直接位置估计。但该算法未能充分利用各站原始观测数据、代价函数中只利用了噪声子空间而没有利用信号子空间，导致定位精度存在损失、信源分辨率下降。现有多阵地子空间数据融合直接定位方法，虽然能够实现低复杂度下对于多目标无线信号源的直接定位，但没有进行充分的底层数据融合，同时代价函数中只利用了噪声子空间而没有利用信号子空间，导致定位精度存在损失、信源分辨率下降。

发明内容

[0004] 针对现有技术中的不足，本发明提供一种移动通信信号源数据域直接位置估计方法及其装置，能够在低信噪比、小快拍等恶劣无线通信环境下定位精度及信源分辨能力更好。

[0005] 按照本发明所提供的设计方案，一种移动通信信号源数据域直接位置估计方法，包含：

[0006] 步骤1、各观测站分别采集原始观测数据；

[0007] 步骤2、对采集到的原始观测数据进行底层数据融合，生成包含位置信息的直接定位模型；

[0008] 步骤3、基于随机矩阵渐进分布理论，构造包含噪声子空间和信号子空间的代价函数；

[0009] 步骤4、求解代价函数，输出最终目标位置。

[0010] 上述的，所述的步骤2中包含：假设观测区域内有L个观测站和Q个窄带信号源，每个观测站均是由M个阵元构成的均匀直线阵；各个阵列在时间上同步，信号到达阵列时为平面波，根据位置坐标的对应观测站的接收信号，将该接收信号模型转化为观测向量；对各个观测站的观测向量进行联结，得到包含所有位置信息的联合阵列响应矩阵；根据观测向量及联合阵列响应矩阵，得到各观测站底层数据融合后的直接定位模型。

[0011] 优选的，所述的步骤2的具体实现过程如下：pq＝(xq,yq)表示第q个信号源位置，位置坐标为(xl,yl)的第l个观测站的接收信号模型表示如下：

[0012]

[0013]

[0014]

[0015] q＝1,…,Q；l＝1,…,L

[0016] ，式中，rl(t)是M×1维的接收信号矢量，al(pq)表示第q个信号源在第l个观测站上产生的阵列响应，sq(t)表示第q个信号波形，nl(t)表示第l个观测站上产生的均值为零且统计独立的复高斯白噪声矢量，T表示观测时间；转化的观测向量表示为：

[0017] rl(t)＝Al(p)s(t)+nl(t)

[0018]

[0019] s(t)＝[s1(t),...,sQ(t)]T

[0020] 令

[0021] r(t)＝[r1(t)T,…,rL(t)T]T

[0022]

[0023] n(t)＝[n1(t)T,…,nL(t)T]T

[0024] ，其中，A为联合阵列响应矩阵；经过各站位置信息融合后的直接定位模型变为：

[0025] r(t)＝As(t)+n(t)。

[0026] 优选的，所述的步骤3中包含：根据各观测站原始观测数据，计算协方差矩阵；对协方差矩阵进行特征值分解，得到噪声子空间；根据噪声子空间，构造代价函数。

[0027] 优选的，所述的步骤3中包含：根据Wishart随机矩阵特征值与特征向量渐进分布理论，构造联合噪声子空间的特征向量；根据该特征向量并结合高斯分布性质，得到关于特征向量的联合对数概率密度函数，将信号源直接位置估计转化为最大似然估计的求解问题。

[0028] 优选的，所述的步骤3具体实现过程如下：令

[0029] 根据协方差矩阵 依据Wishart随机矩阵特征值与特征向量渐进分布理论，构造联合噪声子空间的特征向量 服从如下概率分布：

[0030]

[0031] 其中，Ms为幂等、厄米特矩阵，用于将与它做内积的向量向联合信号子空间Us进行投影；N(0,C)表示服从均值为0，协方差为C的高斯分布；λmin表示最小特征值；结合高斯分布性质，得到： 根据概率分布特
性，得到关于 的联合对数概率密度函数为： 转化为求pk的最大
似然估计，即：

[0032]

[0033]

[0034] 优选的，所述的步骤3具体实现过程还包含：令 其中，ΣS为联合信号子空间的特征向量对应的特征值构成的对角矩阵；根据WIF-DPD算法谱峰搜索函数最终目标位置估计转化为

[0035] 一种移动通信信号源数据域直接位置估计装置，包含：数据采集模块、定位模型建立模块、代价函数构造模块及数据输出模块，

[0036] 数据采集模块，用于通过各观测站分别采集原始观测数据；

[0037] 模型建立模块，用于对数据采集模块采集到的原始观测数据进行底层数据融合，生成包含位置信息的直接定位模型；

[0038] 代价函数构造模块，用于根据定位模型建立模块生成的直接定位模型并基于随机矩阵渐进分布理论，构造包含噪声子空间和信号子空间的代价函数；

[0039] 数据输出模块，用于对代价函数构造模块构造的代价函数进行求解，并根据求解结果输出最终目标位置。

[0040] 上述的直接位置估计装置中，所述的模型建立模块包含：模型转化单元、数据联结单元及模型生成单元，

[0041] 模型转化单元，用于根据位置坐标对应观测站的接收信号，将接收信号模型转化为观测向量；

[0042] 数据联结单元，用于对模型转化单元得到的各个观测站的观测向量进行数据联结，得到包含所有位置信息的联合阵列响应矩阵；

[0043] 模型生成单元，用于根据模型转化单元得到的观测向量及数据联结单元得到的联合阵列响应矩阵，获取各观测站底层数据融合后的直接定位模型。

[0044] 上述的直接位置估计装置中，所述的代价函数构造模块，包含特征向量构造单元及求解问题转化单元，

[0045] 特征向量构造单元，用于根据模型建立模块生成的直接定位模型，并基于Wishart随机矩阵特征值与特征向量渐进分布理论，构造联合噪声子空间的特征向量；

[0046] 求解问题转化单元，用于根据特征向量构造单元得到的特征向量并结合高斯分布性质，得到关于特征向量的联合对数概率密度函数，将信号源直接位置估计转化为最大似然估计的求解问题。

[0047] 本发明的有益效果：

[0048] 本发明解决现有技术中虽能够实现低复杂度下对于多目标无线信号源的直接定位，但没有进行充分的底层数据融合，同时代价函数中只利用了噪声子空间而没有利用信号子空间，导致定位精度存在损失、信源分辨率下降等情形；通过对各观测站接收的原始观测数据进行充分融合，减少信号处理过程中位置信息的损失，提高了直接定位精度；然后基于Wishart随机矩阵渐进分布理论，构造同时包含噪声子空间和信号子空间的全新代价函数，能够在低信噪比、小快拍等恶劣无线通信环境下，使信源分辨能力较现有方法更强；并通过计算机仿真实验验证，本发明所提供的技术方案优于现有技术中的传统定位，且性能更加稳定。附图说明：

[0049] 图1为本发明的方法流程示意图；

[0050] 图2为本发明的装置示意图；

[0051] 图3为仿真实例一示意图；

[0052] 图4为仿真实例二示意图；

[0053] 图5为仿真实例三示意图。具体实施方式：

[0054] 为使本发明的目的、技术方案和优点更加清楚、明白，下面结合附图和技术方案对本发明作进一步详细的说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0055] 本发明实施例提供了一种移动通信信号源数据域直接位置估计方法，参见图1所示，该方法包含：

[0056] 步骤101、各观测站分别采集原始观测数据；

[0057] 步骤102、对采集到的原始观测数据进行底层数据融合，生成包含位置信息的直接定位模型；

[0058] 步骤103、基于随机矩阵渐进分布理论，构造包含噪声子空间和信号子空间的代价函数；

[0059] 步骤104、求解代价函数，输出最终目标位置。

[0060] 解决现有技术中虽能够实现低复杂度下对于多目标无线信号源的直接定位，但没有进行充分的底层数据融合，同时代价函数中只利用了噪声子空间而没有利用信号子空间，导致定位精度存在损失、信源分辨率下降等情形；通过对各观测站接收的原始观测数据进行充分融合，减少信号处理过程中位置信息的损失，提高了直接定位精度。

[0061] 在本发明的另一个实施例中，假设观测区域内有L个观测站和Q个窄带信号源，每个观测站均是由M个阵元构成的均匀直线阵；各个阵列在时间上同步，信号到达阵列时为平面波，根据位置坐标的对应观测站的接收信号，将该接收信号模型转化为观测向量；对各个观测站的观测向量进行联结，得到包含所有位置信息的联合阵列响应矩阵；根据观测向量及联合阵列响应矩阵，得到各观测站底层数据融合后的直接定位模型。

[0062] 进一步地，具体实现过程如下：pq＝(xq,yq)表示第q个信号源位置，位置坐标为(xl,yl)的第l个观测站的接收信号模型表示如下：

[0063]

[0064]

[0065]

[0066] q＝1,…,Q；l＝1,…,L

[0067] ，式中，rl(t)是M×1维的接收信号矢量，al(pq)表示第q个信号源在第l个观测站上产生的阵列响应，sq(t)表示第q个信号波形，nl(t)表示第l个观测站上产生的均值为零，统计独立的复高斯白噪声矢量，T表示观测时间；转化的观测向量表示为：

[0068] rl(t)＝Al(p)s(t)+nl(t)

[0069]

[0070] s(t)＝[s1(t),...,sQ(t)]T

[0071] 为了充分利用位置信息，对各观测站观测向量进行联结，得到包含所有位置信息的联合矩阵，令

[0072] r(t)＝[r1(t)T,…,rL(t)T]T

[0073]

[0074] n(t)＝[n1(t)T,…,nL(t)T]T

[0075] ，其中，A为联合阵列响应矩阵；经过各站位置信息融合后的直接定位模型变为：r(t)＝As(t)+n(t)。

[0076] 多阵地子空间数据融合方法能够在较低的负责度条件下实现对多目标信号源的直接定位，在本发明的再一实施例中，首先根据各观测站原始观测数据，计算协方差矩阵；然后对协方差矩阵进行特征值分解，得到噪声子空间；从而构造关于噪声子空间的代价函数。

[0077] 在实际应用中，需要对协方差矩阵Rr进行估计，即 进而得到估计出的联合噪声子空间 及特征向量 然后将位置估计问题转化为寻找在 中投影最小的Q个 即 当采样协方差矩阵 能够很好的描述协方差矩阵Rr的统计特性时，得到的位置估计较为准确。但在实际中当快拍数较少或者噪声功率过大时，得到的对于联合噪声子空间的估计并不准确，阵列响应矩阵与噪声子空间并不是严格正交关系，只能得到： 其中，εi表示随机变量，从而导致得
到对于目标位置估计的精度存在损失、信源分辨率下降。

[0078] 为了进一步保证目标位置定位的精度及信号源分别率，本发明的又一实施例中，根据Wishart随机矩阵特征值与特征向量渐进分布理论，构造联合噪声子空间的特征向量；根据该特征向量并结合高斯分布性质，得到关于特征向量的联合对数概率密度函数，将信号源直接位置估计转化为最大似然估计的求解问题。

[0079] 进一步地，具体实现过程如下：令

[0080] yi(pk)是随机变量，接收数据向量 是服从高斯分布的高斯随机向量，根据协方差矩阵 并依据Wishart随机矩阵特征值与特征向量渐进分布理论，构造联合噪声子空间的特征向量 服从如下概率分布：

[0081] 其中，Ms为幂等、厄米特矩阵，用于将与它做内积的向量向联合信号子空间Us进行投影；N(0,C)表示服从均值为
0，协方差为C的高斯分布；λmin表示最小特征值；由于Ms为幂等、厄米特矩阵，易得前面公式 转化为
根据 及
并结合高斯分布性质，得到：
由于任意一个构成联合噪声子空间的特征向量 均满足
且各特征向量的概率分布相互独立，故根据 得到关于 的
联合对数概率密度函数为： 省略常数项；至此，实现对目标信号
源的直接位置估计转化为求pk的最大似然估计，等价于求解如下公式的极大值点：

[0082]

[0083]

[0084] 在本发明的其他实施例中，为便于求解计算，还包含：令 其中，ΣS为联合信号子空间的特征向量对应的特征值构成的对角矩阵；根据WIF-DPD算法谱峰搜索函数最终目标位置估计转化为

[0085] 本发明实施例提供的移动通信信号源数据域直接位置估计方法，通过联合各观测站原始观测数据，对接收数据进行充分底层融合，减少位置信息损失，提高定位精度；基于Wishart随机矩阵渐进分布数学理论，构造同时包含有信号子空间和噪声子空间的全新代价函数；该代价函数可在低信噪比、采样数较少等恶劣无线通信环境下使直接定位技术的信源分辨能力更强。

[0086] 与上述方法对应，本发明实施例还提供了一种移动通信信号源数据域直接位置估计装置，如图2所示，包含：数据采集模块201、定位模型建立模块202、代价函数构造模块203及数据输出模块204，其中，

[0087] 数据采集模块201，用于通过各观测站分别采集原始观测数据；

[0088] 模型建立模块202，用于对数据采集模块采集到的原始观测数据进行底层数据融合，生成包含位置信息的直接定位模型；

[0089] 代价函数构造模块203，用于根据定位模型建立模块生成的直接定位模型并基于随机矩阵渐进分布理论，构造包含噪声子空间和信号子空间的代价函数；

[0090] 数据输出模块204，用于对代价函数构造模块构造的代价函数进行求解，并根据求解结果输出最终目标位置。

[0091] 在本发明的另一个实施例中，，所述的模型建立模块包含：模型转化单元、数据联结单元及模型生成单元，

[0092] 模型转化单元，用于根据位置坐标对应观测站的接收信号，将接收信号模型转化为观测向量；

[0093] 数据联结单元，用于对模型转化单元得到的各个观测站的观测向量进行数据联结，得到包含所有位置信息的联合阵列响应矩阵；

[0094] 模型生成单元，用于根据模型转化单元得到的观测向量及数据联结单元得到的联合阵列响应矩阵，获取各观测站底层数据融合后的直接定位模型。

[0095] 在本发明的又一实施例中，所述的代价函数构造模块，包含特征向量构造单元及求解问题转化单元，

[0096] 特征向量构造单元，用于根据模型建立模块生成的直接定位模型，并基于Wishart随机矩阵特征值与特征向量渐进分布理论，构造联合噪声子空间的特征向量；

[0097] 求解问题转化单元，用于根据特征向量构造单元得到的特征向量并结合高斯分布性质，得到关于特征向量的联合对数概率密度函数，将信号源直接位置估计转化为最大似然估计的求解问题。

[0098] 为进一步验证本发明的有效性，下面通过计算机仿真实验的具体实例做进一步解释说明：

[0099] 将现有技术中原始的多阵地子空间数据融合算法称为Original-DPD原文算法；将多阵地子空间数据融合中只对原始观测数据进行底层数据融合的算法称为NIF-DPD算法；本专利中同时进行底层数据融合并进行代价函数优化的算法称为WIF-DPD算法。

[0100] 为验证本案申请中WIF-DPD算法估计精度的提升情况，将WIF-DPD算法与Original-DPD原文算法和NIF-DPD算法进行对比，假设信源目标位置(400,200)km，分别在快拍数为200和30条件下进行蒙特卡洛仿真500次，得到RMSE误差曲线对比图，如图3所示，图中，3-1)为快拍数为200的RMSE误差曲线，3-2)为快拍数为30的RMSE误差曲线。从图3-1可以看出，在大快拍条件下，本案专利申请的估计精度明显高于原文算法，和NIF-DPD算法的估计精度变化趋势一致，均能较好的贴近克拉美-罗下限CRLB；从图3-2可以看出，在小快拍条件下，本案专利申请的估计精度除了明显高于原文算法外，低信噪比下的估计精度也优于NIF-DPD算法；随着信噪比提高WIF-DPD算法与NIF-DPD算法的误差曲线变化趋势逐渐一致，并贴近CRLB。

[0101] 为验证对比本案申请中WIF-DPD算法与现有技术中的Original-DPD原文算法信源分辨能力。假设目标信源位置(400,200)km、(400,250)km，在SNR＝10dB，快拍数为200条件下，得到本案申请中WIF-DPD算法与现有技术中的原文算法Original-DPD空间谱对比图，如图4所示，图中：a)为WIF-DPD信源分辨率3D空间谱；b)为Original-DPD信源分辨率3D空间谱；c)为WIF-DPD信源分辨率2D空间谱；d)为Original-DPD信源分辨率2D空间谱。从图a)和图b)对比可以看出，当两信号源相距较近时，WIF-DPD算法的空间谱谱峰尖锐、明显，而Original-DPD原文算法的谱峰相对平缓；从图c)和图d)对比可以看出，在信源相距较近时，WIF-DPD算法仍能够清晰准确分辨出两信号源位置，而Original-DPD原文算法信号源位置估计误差较大，几乎无法正确分辨两信号源位置。故本案专利申请中WIF-DPD算法的信源分辨率明显高于Original-DPD原文算法。

[0102] 为验证对比本案申请中WIF-DPD算法与NIF-DPD算法信源分辨能力。假设信源位置为(300,400)km、(300,250)km，在SNR＝-5dB、快拍数为30条件下，得到WIF-DPD算法与NIF-DPD算法空间谱对比图，如图5所示，图中：a)为WIF-DPD信源分辨率3D空间谱；b)为NIF-DPD信源分辨率3D空间谱；c)为WIF-DPD信源分辨率2D空间谱；d)为NIF-DPD信源分辨率2D空间谱。从图5对比可以看出，在低信噪比、小快拍下，当两信源距离较近时，WIF-DPD算法空间谱仍能够出现两较为尖锐的谱峰，而NIF-DPD算法已无法正确分辨出两个谱峰，WIF-DPD算法比NIF-DPD算法的信源分辨能力更高。这可能是由于WIF-DPD算法目标函数同时利用了信号子空间和噪声子空间，位置信息利用较NIF-DPD算法更加充分，因而WIF-DPD算法的信源分辨能力要优于NIF-DPD算法的信源分辨能力。

[0103] 本发明充分进行底层数据融合，同时构建包含噪声子空间和信号子空间的代价函数，减少信号处理过程中位置信息的损失，提高直接定位精度；通过利用噪声子空间和信号子空间，能够在低信噪比、小快拍等恶劣无线通信环境下，也能够使信号源分辨率较现有方法更强，有效解决现有技术中虽能够实现低复杂度下对于多目标无线信号源的直接定位，但没有进行充分的底层数据融合，同时代价函数中只利用了噪声子空间而没有利用信号子空间，导致定位精度存在损失、信源分辨率下降等的情形，有效保证目标定位精度，性能更为稳定。

[0104] 本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

[0105] 结合本文中所公开的实施例描述的各实例的单元及方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已按照功能一般性地描述了各示例的组成及步骤。这些功能是以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域普通技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不认为超出本发明的范围。

[0106] 本领域普通技术人员可以理解上述方法中的全部或部分步骤可通过程序来指令相关硬件完成，所述程序可以存储于计算机可读存储介质中，如：只读存储器、磁盘或光盘等。可选地，上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现，相应地，上述实施例中的各模块/单元可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。本发明不限制于任何特定形式的硬件和软件的结合。

[0107] 对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。