Abstract
利用陣列訊號的公變矩陣（Covariance Matrix ）之特徵結構來估測訊號源的方位是一種非常有效且具有高解析度的方法。然而上述的方位估計都是在訊號彼此互相獨立的假設下發展出來的。但是，當有多通路（Maultipath）的反射訊號源，將使得該方法不能正常運作，或完全失去功能。為了解決相關（Correlated）訊號的問題，空間均化（Spatial Smoothing ）的方法，可以用來降低訊號間的共性量（Coherency ）。其主要步驟，是將一個均勻線性陣列，分割成好幾個子陣列（Subarray），然後再作平均。大致有下面兩種方式來解決。一種方法是正向空間均化（Forward-only Spatial Smoothing）；另一種方法是正向－反向空間均化（Forward-Backward Spatial Smoothing）。本篇論文的第一個重點是從定量的觀點，來分析此兩種空間均化法的優劣，而其觀念是根據兩訊號間相關係數（Correlation Coefficient ）的大小，來衡量共性量的程度。由我們理論的推導及實驗結果，都顥顯示正向－反向空間均化的方法皆優於祇有正向均化的情形。同時，正向－反向空間均化提供更多的機會，以達到完全不相關。（Full Decorrelat-ion ）。本篇論文的第二個重點是探討訊號源是寬頻且相關時，如何利用共性訊號子空間（C-oherent Signal Subspace ）的架構來估測訊號源方位。它的基本精神是利用匯聚矩陣（Focussing Matrix）將不同頻率的訊號匯聚成單一頻率；然後再將各頻率作均化（Frequency Smoothing ）以克服相關的訊號源。而我們引用陣列資料（Array Data）在頻域的統計性質，同時利用一個限制性的最小平方尋找法則（Constrained lea-st-squares Search Procedure ），可以發展出一個新的適應估測器（Adaptive Es-timator ）。從一些實驗結果，不論從收斂速度或追綜能力，都伏於已往的方法。