首先，如果您能阅读德语：我是某事物的作者，早在当年。

有一个步骤是信号向量乘以它的厄米转置并计算乘积的相关矩阵。这两个步骤从高层次上完成了什么？

所以，首先，MUSIC 可以用于几件事。最初，它用于测向（如果我没记错的话，是水下麦克风），后来被用于频谱估计。这个想法是这样的：

你有两个输入。在测向使用中，它们是两个不同的麦克风，在频率估计的情况下，它只是一个信号。

然后你估计协方差矩阵——我现在将关注频率估计部分，所以你关注自协方差矩阵——它基本上说“如果我将信号向量移动 N 个样本，这就是它的相似性看起来”（“相似度”=矩阵每个元素中的点积）。那是你的二元生成（即与共轭转置相乘）——只不过是自协方差矩阵的估计量。

然后你走

“好吧，让我们抽象一下，从纯线性代数的角度来看：这些列向量$M\times M$矩阵描述了我的信号，并且知道它们必须是线性独立的（噪声不相关且存在），它们构成了接收信号空间的基础。

我们如何将该空间分解为一个仅包含噪声向量的子空间和一个仅包含信号向量的子空间？

如果我们这样做，信号子空间的基向量必须是我的信号中包含的周期性。

因此，您继续进行适当的特征值分解，按幅度对特征向量进行排序，在噪声和信号之间画一条任意线，然后说“好的，属于高于该阈值的特征向量的特征向量是信号，其他噪声代表”。

1. 音乐算法将空间空间分解为信号和噪声子空间。因此，给定数量的源可以执行一维角度搜索以获得 DOA。

2. 由于噪声，分母永远不会为零。因此，在 MUSIC 中使用了一个简单的峰值检测器。