सेंसर सरणी

एक सेंसर ऐरे सेंसर का एक समूह है, जिसे आमतौर पर एक निश्चित ज्यामिति पैटर्न में तैनात किया जाता है, जिसका उपयोग विद्युत चुम्बकीय या ध्वनिक संकेतों को इकट्ठा करने और संसाधित करने के लिए किया जाता है। एक सेंसर का उपयोग करने पर एक सेंसर सरणी का उपयोग करने का लाभ इस तथ्य में निहित है कि एक सरणी अवलोकन में नए आयाम जोड़ती है, जिससे अधिक पैरामीटर अनुमान लगाने और अनुमान प्रदर्शन में सुधार करने में मदद मिलती है। उदाहरण के लिए, बीमफॉर्मिंग के लिए उपयोग किए जाने वाले रेडियो एंटीना तत्वों की एक सरणी सिग्नल की दिशा में एंटीना लाभ को बढ़ा सकती है, जबकि अन्य दिशाओं में लाभ कम कर सकती है, यानी सिग्नल को सुसंगत रूप से बढ़ाकर सिग्नल-टू-शोर अनुपात (एसएनआर) बढ़ाना। संवेदक सरणी अनुप्रयोग का एक अन्य उदाहरण टकराने वाली विद्युत चुम्बकीय तरंगों के आगमन की दिशा का अनुमान लगाना है। संबंधित प्रसंस्करण विधि को सरणी सिग्नल प्रोसेसिंग कहा जाता है। तीसरे उदाहरण में रासायनिक सेंसर सरणी शामिल हैं, जो जटिल मिश्रण या सेंसिंग वातावरण में फिंगरप्रिंट डिटेक्शन के लिए कई केमिकल सेंसर का उपयोग करते हैं। ऐरे सिग्नल प्रोसेसिंग के अनुप्रयोग उदाहरणों में रडार/सोनार, वायरलेस संचार, भूकंप विज्ञान, मशीन की स्थिति की निगरानी, ​​​​खगोलीय अवलोकन दोष निदान आदि शामिल हैं।

सरणी सिग्नल प्रोसेसिंग का उपयोग करते हुए, शोर से दखल देने वाले संकेतों के अस्थायी और स्थानिक गुणों (या पैरामीटर) और सेंसर सरणी द्वारा एकत्र किए गए डेटा में छिपा हुआ अनुमान लगाया जा सकता है और प्रकट किया जा सकता है। इसे पैरामीटर अनुमान के रूप में जाना जाता है।



प्लेन वेव, टाइम डोमेन बीमफॉर्मिंग
चित्रा 1 छह-तत्व वर्दी रैखिक सरणी (यूएलए) दिखाता है। इस उदाहरण में, सेंसर ऐरे को सिग्नल स्रोत के निकट और दूर का मैदान |फार-फील्ड में माना जाता है ताकि इसे प्लानर वेव के रूप में माना जा सके।

पैरामीटर अनुमान इस तथ्य का लाभ उठाता है कि सरणी में स्रोत से प्रत्येक एंटीना की दूरी अलग है, जिसका अर्थ है कि प्रत्येक एंटीना पर इनपुट डेटा एक दूसरे के चरण-स्थानांतरित प्रतिकृतियां होंगी। सम। (1) उस अतिरिक्त समय के लिए गणना दिखाता है जो सरणी में प्रत्येक एंटीना तक पहुंचने में पहले के सापेक्ष लगता है, जहां सी चरण वेग है।

$$\Delta t_i = \frac{(i-1)d \cos \theta}{c}, i = 1, 2, ..., M \ \ (1) $$ प्रत्येक सेंसर एक अलग देरी से जुड़ा हुआ है। देरी छोटी है लेकिन तुच्छ नहीं है। फ़्रीक्वेंसी डोमेन में, उन्हें सेंसर द्वारा प्राप्त संकेतों के बीच फेज़ शिफ्ट के रूप में प्रदर्शित किया जाता है। देरी घटना कोण और सेंसर सरणी की ज्यामिति से निकटता से संबंधित हैं। सरणी की ज्यामिति को देखते हुए, घटना कोण का अनुमान लगाने के लिए देरी या चरण अंतर का उपयोग किया जा सकता है। सम। (1) ऐरे सिग्नल प्रोसेसिंग के पीछे गणितीय आधार है। बस सेंसर द्वारा प्राप्त संकेतों को जोड़ दें और औसत मान की गणना करके परिणाम दें

$$y = \frac{1}{M}\sum_{i=1}^{M} \boldsymbol x_i (t-\Delta t_i) \ \ (2) $$.

क्योंकि प्राप्त संकेत चरण से बाहर हैं, यह औसत मूल्य मूल स्रोत की तुलना में एक बढ़ा हुआ संकेत नहीं देता है। ह्यूरिस्टिक रूप से, यदि हम प्राप्त संकेतों में से प्रत्येक के विलंब का पता लगा सकते हैं और योग से पहले उन्हें हटा सकते हैं, तो माध्य मान

$$y = \frac{1}{M}\sum_{i=1}^{M} \boldsymbol x_i (t) \ \ (3) $$ एक बढ़ाया संकेत में परिणाम होगा। सेंसर सरणी के प्रत्येक चैनल के लिए देरी के एक अच्छी तरह से चयनित सेट का उपयोग करके समय-शिफ्टिंग सिग्नल की प्रक्रिया ताकि सिग्नल को रचनात्मक रूप से जोड़ा जा सके, beamforming  कहा जाता है। ऊपर वर्णित विलंब-और-योग दृष्टिकोण के अलावा, कई वर्णक्रमीय आधारित (गैर-पैरामीट्रिक) दृष्टिकोण और पैरामीट्रिक दृष्टिकोण मौजूद हैं जो विभिन्न प्रदर्शन मेट्रिक्स में सुधार करते हैं। इन बीमफॉर्मिंग एल्गोरिदम को संक्षेप में निम्नानुसार वर्णित किया गया है .

ऐरे डिजाइन
सेंसर सरणियों में अलग-अलग ज्यामितीय डिज़ाइन होते हैं, जिनमें रैखिक, गोलाकार, समतल, बेलनाकार और गोलाकार सरणियाँ शामिल हैं। मनमाना सरणी विन्यास के साथ सेंसर सरणियाँ हैं, जिन्हें पैरामीटर अनुमान के लिए अधिक जटिल सिग्नल प्रोसेसिंग तकनीकों की आवश्यकता होती है। यूनिफ़ॉर्म लीनियर एरे (ULA) में आने वाले सिग्नल का चरण $$\omega\tau$$ तक सीमित होना चाहिए $$\pm\pi$$ झंझरी लहरों से बचने के लिए। इसका मतलब है कि आगमन के कोण के लिए $$\theta$$ अंतराल में $$[-\frac{\pi}{2},\frac{\pi}{2}]$$ सेंसर रिक्ति आधे तरंग दैर्ध्य से छोटी होनी चाहिए $$d \leq \lambda/2$$. हालांकि, मुख्य बीम की चौड़ाई, यानी सरणी के संकल्प या डायरेक्टिविटी, तरंग दैर्ध्य की तुलना में सरणी की लंबाई से निर्धारित होती है। एक सभ्य दिशात्मक संकल्प प्राप्त करने के लिए सरणी की लंबाई रेडियो तरंगदैर्ध्य से कई गुना बड़ी होनी चाहिए।

एंटीना सरणी

 * एंटीना सरणी (विद्युत चुम्बकीय), ऐन्टेना तत्वों की एक ज्यामितीय व्यवस्था, उनके धाराओं के बीच एक जानबूझकर संबंध के साथ, एक वांछित विकिरण पैटर्न प्राप्त करने के लिए आमतौर पर एक ऐन्टेना बनाते हैं
 * दिशात्मक सरणी, दिशात्मकता के लिए अनुकूलित एक एंटीना सरणी
 * चरणबद्ध सरणी, एक एंटीना सरणी जहां तत्वों पर लागू चरण बदलाव (और आयाम) इलेक्ट्रॉनिक रूप से संशोधित होते हैं, आमतौर पर ऐन्टेना सिस्टम के दिशात्मक पैटर्न को चलाने के लिए, चलती भागों के उपयोग के बिना
 * स्मार्ट एंटीना, एक चरणबद्ध सरणी जिसमें एक सिग्नल प्रोसेसर रिसेप्शन और/या फ्लाई पर एक रिसीवर को ट्रांसमिशन अनुकूलित करने के लिए चरण बदलाव की गणना करता है, जैसे कि सेलुलर टेलीफोन टावरों द्वारा किया जाता है
 * डिजिटल एंटीना सरणी, यह मल्टी चैनल डिजिटल बीमफॉर्मिंग वाला स्मार्ट एंटीना है, आमतौर पर फास्ट फूरियर ट्रांसफॉर्म का उपयोग करके।
 * इंटरफेरोमेट्रिक सहसंबंध के माध्यम से उच्च रिज़ॉल्यूशन प्राप्त करने के लिए रेडियो टेलीस्कोप या ऑप्टिकल टेलीस्कोप की इंटरफेरोमेट्री का उपयोग किया जाता है
 * दिशा खोज#वाटसन-वाट .2F एडकॉक ऐन्टेना ऐरे।

ध्वनिक सरणी

 * माइक्रोफोन सरणी का उपयोग ध्वनिक माप और बीमफॉर्मिंग में किया जाता है
 * पंक्ति सरणी का उपयोग ध्वनिक माप और बीमफॉर्मिंग में किया जाता है

अन्य सरणियाँ

 * परावर्तन भूकंप विज्ञान में प्रयुक्त जियोफोन
 * खींचे गए सरणी सोनार पानी के नीचे इमेजिंग में उपयोग किए जाने वाले हाइड्रोफ़ोन की एक सरणी है

देरी और योग बीमफॉर्मिंग
यदि प्रत्येक माइक्रोफ़ोन से रिकॉर्ड किए गए सिग्नल में एक समय विलंब जोड़ा जाता है जो अतिरिक्त यात्रा समय के कारण होने वाले विलंब के बराबर और विपरीत होता है, तो इसका परिणाम उन संकेतों में होगा जो एक दूसरे के साथ पूरी तरह से इन-फेज हैं। इन-फेज संकेतों को समेटने से रचनात्मक हस्तक्षेप होगा जो एसएनआर को सरणी में एंटेना की संख्या से बढ़ा देगा। इसे विलंब-और-सम बीमफॉर्मिंग के रूप में जाना जाता है। आगमन की दिशा (डीओए) के अनुमान के लिए, कोई भी सभी संभावित दिशाओं के लिए समय की देरी का परीक्षण कर सकता है। यदि अनुमान गलत है, तो सिग्नल को विनाशकारी रूप से बाधित किया जाएगा, जिसके परिणामस्वरूप आउटपुट सिग्नल कम हो जाएगा, लेकिन सही अनुमान के परिणामस्वरूप ऊपर वर्णित सिग्नल प्रवर्धन होगा।

समस्या यह है कि घटना के कोण का अनुमान लगाने से पहले, यह कैसे पता चल सकता है कि अतिरिक्त यात्रा समय के कारण होने वाली देरी 'बराबर' है और देरी के विपरीत है? यह असंभव है। समाधान कोणों की एक श्रृंखला का प्रयास करना है $$\hat{\theta} \in [0, \pi]$$ पर्याप्त उच्च रिज़ॉल्यूशन पर, और Eq का उपयोग करके सरणी के परिणामी माध्य आउटपुट सिग्नल की गणना करें। (3)। औसत आउटपुट को अधिकतम करने वाला परीक्षण कोण विलंब-और-सम बीमफॉर्मर द्वारा दिए गए डीओए का अनुमान है। इनपुट सिग्नल में विपरीत देरी जोड़ना सेंसर सरणी को भौतिक रूप से घुमाने के बराबर है। इसलिए इसे बीम स्टीयरिंग के नाम से भी जाना जाता है।

स्पेक्ट्रम आधारित बीमफॉर्मिंग
विलंब और योग बीमफॉर्मिंग एक समय डोमेन दृष्टिकोण है। इसे लागू करना आसान है, लेकिन यह आगमन की दिशा (डीओए) का खराब अनुमान लगा सकता है। इसका समाधान एक आवृत्ति डोमेन दृष्टिकोण है। फूरियर रूपांतरण सिग्नल को टाइम डोमेन से फ्रीक्वेंसी डोमेन में बदल देता है। यह निकटवर्ती सेंसरों के बीच समय की देरी को फेज शिफ्ट में परिवर्तित करता है। इस प्रकार, किसी भी समय सरणी आउटपुट वेक्टर को टी के रूप में निरूपित किया जा सकता है $$ \boldsymbol x(t) = x_1(t)\begin{bmatrix} 1 & e^{-j\omega\Delta t} & \cdots & e^{-j\omega(M-1)\Delta t} \end{bmatrix}^T $$, कहाँ $$x_1(t)$$ पहले सेंसर द्वारा प्राप्त सिग्नल के लिए खड़ा है। फ़्रीक्वेंसी डोमेन बीमफ़ॉर्मिंग एल्गोरिदम द्वारा दर्शाए गए स्थानिक सहप्रसरण मैट्रिक्स का उपयोग करते हैं $$ \boldsymbol R=E\{ \boldsymbol x(t) \boldsymbol x^T(t)\}$$. यह एम बाय एम मैट्रिक्स आने वाले संकेतों की स्थानिक और वर्णक्रमीय जानकारी रखता है। शून्य-माध्य गाऊसी सफेद शोर मानकर, स्थानिक सहप्रसरण मैट्रिक्स का मूल मॉडल द्वारा दिया जाता है

$$ \boldsymbol R = \boldsymbol V \boldsymbol S \boldsymbol V^H + \sigma^2 \boldsymbol I \ \ (4) $$ कहाँ $$\sigma^2 $$ सफेद शोर का विचरण है, $$ \boldsymbol I  $$ पहचान मैट्रिक्स है और $$ \boldsymbol V  $$ सरणी कई गुना वेक्टर है $$ \boldsymbol V = \begin{bmatrix} \boldsymbol v_1 & \cdots & \boldsymbol v_k \end{bmatrix}^T  $$ साथ $$ \boldsymbol v_i = \begin{bmatrix} 1 & e^{-j\omega\Delta t_i} & \cdots & e^{-j\omega(M-1)\Delta t_i} \end{bmatrix}^T  $$. फ़्रीक्वेंसी डोमेन बीमफ़ॉर्मिंग एल्गोरिदम में यह मॉडल केंद्रीय महत्व का है।

कुछ स्पेक्ट्रम-आधारित बीमफॉर्मिंग दृष्टिकोण नीचे सूचीबद्ध हैं।

पारंपरिक (बार्टलेट) बीमफॉर्मर
बार्टलेट बीमफॉर्मर सेंसर ऐरे के लिए पारंपरिक वर्णक्रमीय विश्लेषण ( spectrogram ) का एक स्वाभाविक विस्तार है। इसकी वर्णक्रमीय शक्ति द्वारा दर्शाया गया है

$$ \hat{P}_{Bartlett}(\theta)=\boldsymbol v^H \boldsymbol R \boldsymbol v \ \ (5) $$.

इस शक्ति को अधिकतम करने वाला कोण आगमन के कोण का अनुमान है।

एमवीडीआर (कैपोन) बीमफॉर्मर
मिनिमम वेरिएंस डिस्टॉर्शनलेस रिस्पांस बीमफॉर्मर, जिसे कैपोन बीमफॉर्मिंग एल्गोरिथम के रूप में भी जाना जाता है, द्वारा दी गई शक्ति है

$$ \hat{P}_{Capon}(\theta)=\frac{1}{\boldsymbol v^H \boldsymbol R^{-1} \boldsymbol v} \ \ (6) $$.

हालांकि एमवीडीआर/कैपोन बीमफॉर्मर परंपरागत (बार्टलेट) दृष्टिकोण से बेहतर संकल्प प्राप्त कर सकता है, पूर्ण-रैंक मैट्रिक्स उलटा होने के कारण इस एल्गोरिदम में उच्च जटिलता है। ग्राफिक्स प्रसंस्करण इकाइयों पर सामान्य प्रयोजन कंप्यूटिंग में तकनीकी प्रगति ने इस अंतर को कम करना शुरू कर दिया है और रीयल-टाइम कैपॉन बीमफॉर्मिंग संभव बना दिया है।

संगीत बीमफॉर्मर
म्यूजिक ( एकाधिक संकेत वर्गीकरण ) बीमफॉर्मिंग एल्गोरिथम Eq द्वारा दिए गए सहप्रसरण मैट्रिक्स को विघटित करने के साथ शुरू होता है। (4) सिग्नल भाग और शोर भाग दोनों के लिए। ईजन-अपघटन द्वारा दर्शाया गया है

$$ \boldsymbol R = \boldsymbol U_s \boldsymbol \Lambda_s \boldsymbol U_s^H + \boldsymbol U_n \boldsymbol \Lambda_n \boldsymbol U_n^H \ \ (7) $$.

MUSIC Capon एल्गोरिथम के विभाजक में स्थानिक सहप्रसरण मैट्रिक्स के शोर उप-स्थान का उपयोग करता है

$$ \hat{P}_{MUSIC}(\theta)=\frac{1}{\boldsymbol v^H \boldsymbol U_n \boldsymbol U_n^H\boldsymbol v} \ \ (8) $$.

इसलिए म्यूजिक बीमफॉर्मर को सबस्पेस बीमफॉर्मर के नाम से भी जाना जाता है। कैपोन बीमफॉर्मर की तुलना में, यह डीओए का बेहतर अनुमान देता है।

SAMV बीमफॉर्मर
एसएएमवी (एल्गोरिदम) बीमफॉर्मिंग एल्गोरिदम एक विरल सिग्नल पुनर्निर्माण आधारित एल्गोरिदम है जो सहप्रसरण मैट्रिक्स के समय अपरिवर्तनीय सांख्यिकीय विशेषता का स्पष्ट रूप से शोषण करता है। यह सुपर-रिज़ॉल्यूशन इमेजिंग प्राप्त करता है और अत्यधिक सहसंबद्ध संकेतों के लिए मजबूत होता है।

पैरामीट्रिक बीमफॉर्मर्स
स्पेक्ट्रम आधारित बीमफॉर्मर्स के प्रमुख लाभों में से एक कम कम्प्यूटेशनल जटिलता है, लेकिन यदि सिग्नल सहसंबद्ध या सुसंगत हैं तो वे सटीक डीओए अनुमान नहीं दे सकते हैं। एक वैकल्पिक दृष्टिकोण पैरामीट्रिक बीमफॉर्मर्स हैं, जिन्हें अधिकतम संभावना | अधिकतम संभावना (एमएल) बीमफॉर्मर्स के रूप में भी जाना जाता है। इंजीनियरिंग में आमतौर पर उपयोग की जाने वाली अधिकतम संभावना पद्धति का एक उदाहरण सबसे कम वर्ग विधि है। कम से कम वर्ग दृष्टिकोण में, द्विघात पेनल्टी फ़ंक्शन का उपयोग किया जाता है। द्विघात दंड फलन (या वस्तुनिष्ठ फलन) का न्यूनतम मान (या कम से कम चुकता त्रुटि) प्राप्त करने के लिए, इसका व्युत्पन्न (जो रैखिक है) लें, इसे शून्य के बराबर होने दें और रैखिक समीकरणों की एक प्रणाली को हल करें।

एमएल बीमफॉर्मर्स में द्विघात पेनल्टी फ़ंक्शन का उपयोग स्थानिक सहप्रसरण मैट्रिक्स और सिग्नल मॉडल के लिए किया जाता है। एमएल बीमफॉर्मर पेनल्टी फंक्शन का एक उदाहरण है

$$L_{ML}(\theta)=\|\hat{\boldsymbol R}- \boldsymbol R\|_F^2 = \|\hat{\boldsymbol R}-( \boldsymbol V \boldsymbol S \boldsymbol V^H + \sigma^2 \boldsymbol I )\|_F^2 \ \ (9) $$ ,

कहाँ $$\| \cdot \|_F $$ फ्रोबेनियस मानदंड है। इसे Eq में देखा जा सकता है। (4) कि Eq का दंड कार्य। (9) नमूना सहप्रसरण मैट्रिक्स के सिग्नल मॉडल को यथासंभव सटीक रूप से अनुमानित करके कम किया जाता है। दूसरे शब्दों में, बीमफॉर्मर की अधिकतम संभावना डीओए खोजने की है $$\theta$$, मैट्रिक्स का स्वतंत्र चर $$ \boldsymbol V $$, ताकि Eq में दंड कार्य करे। (9) कम किया गया है। व्यवहार में, सिग्नल और शोर मॉडल के आधार पर पेनल्टी फ़ंक्शन अलग दिख सकता है। इस कारण से, अधिकतम संभावना वाले बीमफॉर्मर्स की दो प्रमुख श्रेणियां हैं: नियतात्मक एमएल बीमफॉर्मर्स और स्टोचैस्टिक एमएल बीमफॉर्मर्स, क्रमशः एक नियतात्मक और एक स्टोकेस्टिक मॉडल के अनुरूप।

पूर्व पेनल्टी समीकरण को बदलने का एक अन्य विचार पेनल्टी फ़ंक्शन के विभेदीकरण द्वारा न्यूनीकरण को सरल बनाने पर विचार है। अनुकूलन एल्गोरिदम को सरल बनाने के लिए, कुछ एमएल बीमफॉर्मर्स में लॉगरिदमिक ऑपरेशंस और संभावना घनत्व फ़ंक्शन | प्रेक्षणों की संभावना घनत्व फ़ंक्शन (पीडीएफ) का उपयोग किया जा सकता है।

पेनल्टी फ़ंक्शन के डेरिवेटिव की जड़ों को शून्य के बराबर करने के बाद ऑप्टिमाइज़िंग समस्या हल हो जाती है। क्योंकि समीकरण गैर-रैखिक है, न्यूटन-रैफसन विधि जैसे संख्यात्मक खोज दृष्टिकोण आमतौर पर नियोजित होते हैं। न्यूटन-रैफसन विधि पुनरावृति के साथ पुनरावृत्त मूल खोज विधि है

$$ x_{n+1} = x_n - \frac{f(x_n)}{f'(x_n)} \ \ (10)$$.

खोज एक प्रारंभिक अनुमान से शुरू होती है $$x_0$$. यदि बीमफॉर्मिंग पेनल्टी फंक्शन को कम करने के लिए न्यूटन-रैफसन सर्च मेथड को नियोजित किया जाता है, तो परिणामी बीमफॉर्मर को न्यूटन एमएल बीमफॉर्मर कहा जाता है। अभिव्यक्तियों की जटिलता के कारण अधिक विवरण प्रदान किए बिना कई प्रसिद्ध एमएल बीमफॉर्मर्स का वर्णन नीचे किया गया है।

नियतात्मक अधिकतम संभावना बीमफॉर्मर
 * नियतात्मक अधिकतम संभावना बीमफॉर्मर (डीएमएल) में, शोर को एक स्थिर गॉसियन सफेद यादृच्छिक प्रक्रियाओं के रूप में तैयार किया जाता है, जबकि सिग्नल वेवफॉर्म को नियतात्मक (लेकिन मनमाना) और अज्ञात के रूप में।

स्टोचैस्टिक अधिकतम संभावना बीमफॉर्मर
 * स्टोचैस्टिक अधिकतम संभावना बीमफॉर्मर (एसएमएल) में, शोर को स्थिर गॉसियन सफेद यादृच्छिक प्रक्रियाओं (डीएमएल के समान) के रूप में तैयार किया जाता है जबकि गॉसियन यादृच्छिक प्रक्रियाओं के रूप में सिग्नल तरंग।

दिशा अनुमान की विधि
 * मेथड ऑफ डायरेक्शन एस्टीमेशन (MODE) सबस्पेस अधिकतम संभावना बीमफॉर्मर है, ठीक उसी तरह जैसे म्यूजिक, सबस्पेस स्पेक्ट्रल आधारित बीमफॉर्मर है। सबस्पेस एमएल बीमफॉर्मिंग एक मैट्रिक्स के ईजेनडीकम्पोजीशन द्वारा प्राप्त किया जाता है। नमूना सहप्रसरण मैट्रिक्स के ईजन-अपघटन।

अग्रिम पठन

 * H. L. Van Trees, “Optimum array processing – Part IV of detection, estimation, and modulation theory”, John Wiley, 2002
 * H. Krim and M. Viberg, “Two decades of array signal processing research”, IEEE Transactions on Signal Processing Magazine, July 1996
 * S. Haykin, Ed., “Array Signal Processing”, Eaglewood Cliffs, NJ: Prentice-Hall, 1985
 * S. U. Pillai, “Array Signal Processing”, New York: Springer-Verlag, 1989
 * P. Stoica and R. Moses, “Introduction to Spectral Analysis", Prentice-Hall, Englewood Cliffs, USA, 1997. available for download.
 * J. Li and P. Stoica, “Robust Adaptive Beamforming", John Wiley, 2006.
 * J. Cadzow, “Multiple Source Location—The Signal Subspace Approach”, IEEE Transactions on Acoustics, Speech, and Signal Processing, Vol. 38, No. 7, July 1990
 * G. Bienvenu and L. Kopp, “Optimality of high resolution array processing using the eigensystem approach”, IEEE Transactions on Acoustics, Speech and Signal Process, Vol. ASSP-31, pp. 1234–1248, October 1983
 * I. Ziskind and M. Wax, “Maximum likelihood localization of multiple sources by alternating projection”, IEEE Transactions on Acoustics, Speech and Signal Process, Vol. ASSP-36, pp. 1553–1560, October 1988
 * B. Ottersten, M. Verberg, P. Stoica, and A. Nehorai, “Exact and large sample maximum likelihood techniques for parameter estimation and detection in array processing”, Radar Array Processing, Springer-Verlag, Berlin, pp. 99–151, 1993
 * M. Viberg, B. Ottersten, and T. Kailath, “Detection and estimation in sensor arrays using weighted subspace fitting”, IEEE Transactions on Signal Processing, vol. SP-39, pp 2346–2449, November 1991
 * M. Feder and E. Weinstein, “Parameter estimation of superimposed signals using the EM algorithm”, IEEE Transactions on Acoustic, Speech and Signal Proceeding, vol ASSP-36, pp. 447–489, April 1988
 * Y. Bresler and Macovski, “Exact maximum likelihood parameter estimation of superimposed exponential signals in noise”, IEEE Transactions on Acoustic, Speech and Signal Proceeding, vol ASSP-34, pp. 1081–1089, October 1986
 * R. O. Schmidt, “New mathematical tools in direction finding and spectral analysis”, Proceedings of SPIE 27th Annual Symposium, San Diego, California, August 1983