MUSIC（算法）

MUSIC（MUltipleSIgnalClassification）是一种用于频率估计和无线电测向的算法。

在许多实际的信号处理问题中，目标是从测量结果中估计出一组接收信号所依赖的恒定参数。对这类问题有几种方法，包括Capon（1969）的所谓xxx似然（ML）方法和Burg的xxx熵（ME）方法。尽管这些方法通常是成功的并被广泛使用，但它们有某些基本的局限性（特别是参数估计的偏差和敏感性），主要是因为它们使用了不正确的测量模型（例如，AR而不是特殊的ARMA）。Pisarenko(1973)是最早利用数据模型结构的人之一，他是在使用协方差方法估计加性噪声中的复杂正弦波的参数的情况下这样做的。Schmidt（1977）在NorthropGrumman工作时，以及Bienvenu和Kopp（1979）独立工作时，是xxx个正确利用任意形式的传感器阵列的测量模型的人。特别是Schmidt，他通过首先推导出没有噪声时的完整几何解决方案，然后巧妙地扩展几何概念，以获得有噪声时的合理近似解决方案。由此产生的算法被称为MUSIC（MUltipleSIgnalClassification），并已被广泛研究。在基于数千次模拟的详细评估中，麻省理工学院林肯实验室于1998年得出结论：在目前公认的高分辨率算法中，MUSIC是最有前途的，是进一步研究和实际硬件实施的主要候选方案。

然而，尽管MUSIC的性能优势很大，但它们是以计算（搜索参数空间）和存储（阵列校准数据）为代价实现的。理论上，MUSIC方法假定一个信号矢量。{displaystylemathbf{n}}在高斯白噪声的存在下，其频率ω{displaystyleomega}是未知的。}的情况下，由线性模型给出{displaystyle`mathbf{R}_{x}}}，MUSIC估计了频率内容。MUSIC使用特征空间法估计信号的频率内容或自相关矩阵。{displaystyle{{mathbf{v}_{1},{mathbf{v}_{2},ldots,{mathbf{v}_{M}}}相互正交。是相互正交的。