针对最小信息准则(Akaike Information Criterion,AIC)存在的非渐进一致性估计的缺陷,以及盖尔圆准则(Gerschgorin Disk Estimator,GDE)可能出现无序特征值导致检测错误的问题,提出了一种基于盖尔圆准则和最小信息准则的GDE-AIC信源数目估计算法.该算法利用盖尔圆半径与噪声模型无关的特性构造似然函数,将其引入AIC准则模型中,克服了AIC准则非渐进一致性估计的缺点,且适用于空间色噪声的环境.在仿真实验中,将该算法与AIC算法及GDE算法等进行对比,结果表明,该方法稳定性好,适用于白噪声与色噪声,且在低信噪比时仍具有良好的估计性能.
为解决现有信源数目估计方法对不同特性信号的适应性普遍较差的问题,提出了一种均匀线性阵列下基于传感器输出信号相关函数构成的Hankel矩阵的奇异值分解的信源数目估计方法.该方法利用把传感器输出信号相关函数中未知噪声方差项排除的Hankel矩阵的一般形式在信号独立,混合和相干的情况下均能进行信源数目估计,且信源数目估计能力超过传感器数目的一半.仿真实验结果表明,该方法信源数目估计的正确概率(PCEs:Probabilities of Correct Enumeration)的分布特征具有不变性,且相较于基于空间平滑技术的信号源数目估计方法具有更稳定的估计性能和更宽的阈值范围.