La maggior parte degli algoritmi di elaborazione di array si basano sul presupposto che i segnali siano generati da sorgenti puntiformi. Questo è un vincolo matematico che non è soddisfatto in molte applicazioni. In questo documento, consideriamo le situazioni in cui le sorgenti sono distribuite nello spazio con un kernel di cross-correlazione parametrica angolare. Proponiamo un algoritmo che stima i parametri di questo modello utilizzando una generalizzazione dell'algoritmo MUSIC. Il metodo prevede la massimizzazione di una funzione di costo che dipende da una varietà di array di matrici e dagli autovettori di rumore. Studiamo due casi particolari: il caso di una distribuzione di sorgente spaziale coerente e il caso di sorgente incoerente. Viene derivata la funzione di correlazione spaziale per un segnale distribuito in modo uniforme. Da questo, troviamo il guadagno dell'array e mostriamo che (contrariamente alle fonti puntuali) questo non aumenta linearmente con il numero delle sorgenti. Confrontiamo il nostro metodo con quello dell'algoritmo MUSIC convenzionale (caso di sorgente puntiforme). Gli studi di simulazione mostrano che il nuovo metodo ha prestazioni migliori rispetto all'algoritmo MUSIC, riducendo il bias di stima e la deviazione standard per scenari con sorgenti distribuite. Tale algoritmo ha anche mostrato che il rapporto segnale-rumore di soglia richiesto per la risoluzione di due sorgenti distribuite ravvicinate è considerevolmente più piccolo per il nuovo metodo.

Most array promising algorithms are based on the assumption that the signals are generated by point sources. This is a mathematical constraint that is not satisfied in many applications. In this paper, we consider situations where the sources are distributed in space with a parametric angular cross correlation kernel. We propose an algorithm that estimates the parameters of this model using a generalization of the MUSIC algorithm. The method involves maximizing a cost function that depends on a matrix array manifold and the noise eigenvectors. We study two particular cases: coherent and incoherent spatial source distributions. The spatial correlation function for a uniformly distributed signal is derived. From this, we send the array gain and show that (in contrast to point sources) it does not increase linearly with the number of sources. We compare our method to the conventional (point source) MUSIC algorithm. The simulation studies show that the new method outperforms the MUSIC algorithm by reducing the estimation bias and the standard deviation for scenarios with distributed sources. It is also shown that the threshold signal-to-noise ratio required for resolving two closely spaced distributed sources is considerably smaller for the new method.