基于稀疏贝叶斯学习的空间紧邻信号DOA估计算法

离格(off-grid)波达方向(DOA)估计解决的是实际DOA和假设网格点的失配问题.对于空间紧邻信号的DOA,稀疏的网格点会导致精度和分辨率的下降,密集的网格点虽然可以提高估计精度却显著增加计算负担.针对此问题,该文提出基于稀疏贝叶斯学习(SBL)的空间紧邻信号DOA估计算法,主要包括3个步骤.首先,通过最大化阵列输出的边缘似然函数,推导了信号在拉普拉斯先验下的新不动点迭代方法,进行超参数的预估计,相比其他经典SBL算法提高了收敛速度;其次,利用新网格插值方法优化网格点集,并二次估计噪声方差和信号功率以分辨空间紧邻信号的DOA;最后,推导了似然函数关于角度的最大化公式以改进离格DOA搜索.仿真表明该算法比其他经典SBL类算法对空间紧邻信号的DOA具有更高的精度和分辨率,同时有计算效率的提升.     

基于稀疏贝叶斯学习的空间紧邻信号DOA估计算法

离格(off-grid)波达方向(DOA)估计解决的是实际DOA和假设网格点的失配问题。对于空间紧邻信号的DOA,稀疏的网格点会导致精度和分辨率的下降,密集的网格点虽然可以提高估计精度却显著增加计算负担。针对此问题,该文提出基于稀疏贝叶斯学习(SBL)的空间紧邻信号DOA估计算法,主要包括3个步骤。首先,通过最大化阵列输出的边缘似然函数,推导了信号在拉普拉斯先验下的新不动点迭代方法,进行超参数的预估计,相比其他经典SBL算法提高了收敛速度;其次,利用新网格插值方法优化网格点集,并二次估计噪声方差和信号功率以分辨空间紧邻信号的DOA;最后,推导了似然函数关于角度的最大化公式以改进离格DOA搜索。仿真表明该算法比其他经典SBL类算法对空间紧邻信号的DOA具有更高的精度和分辨率,同时有计算效率的提升。     

宽带频谱稀疏信号的空时互质采样及参数估计

针对宽频段多窄带信号的联合参数估计问题,该文提出一种基于空时互质采样的频率和DOA联合估计方法。该方法基于互质采样理论,在空间上采用互质阵列模型,并对阵列中每个阵元进行时域互质采样,通过构造空时协方差矩阵产生出空时二维差分有限阵列来完成空频联合估计。此方法可以极大地提高空时域的可探测目标数。另外,该文推导了空时互质参数的最优选取准则。仿真结果验证了此方法的正确性和有效性。      

基于广义互质双平行阵列的二维DOA估计方法

对于给定阵元数目的 传统双平行均匀线阵,由于其阵列布局受到空间采样定理限制,阵列孔径不能有效扩展,二维波达方向(DOA)估计的精度和自由度难以得到有效提升.提出一种基于广义互质双平行阵列的二维DOA估计方法.采用两个互相平行的广义互质线阵进行虚拟扩展得到含有较多虚拟阵元的差分优化阵列,并利用该虚拟阵列的协方差信息和互协...     

互质MIMO雷达的非圆信号降维DOA估计方法北大核心CSCD

针对传统互质阵列波达方向估计方法存在的自由度低、阵列孔径小、相位模糊等问题,提出了一种基于互质MIMO雷达的非圆信号降维波达方向(Direction of Arrival, DOA)估计方法。该方法结合了互质阵列与MIMO雷达的优点,利用非圆信号特性对阵列进行扩展,重构接收信号矩阵,然后进行降维处理,并利用噪声特征值的幂级数对噪声子空间进行修正,进一步提高算法精度。最后推导了文中方法的无相位模糊问题。仿真实验表明,文中方法能够有效避免相位模糊,大大提高自由度并扩大阵列孔径,与传统MUSIC算法以及互质阵列MUSIC算法相比,在估计成功率、DOA估计精度等方面均具有更好的性能。     

互质阵列DOA估计性能综合分析北大核心CSCD

互质阵列是近年来兴起的新型阵列,能显著提高阵列自由度,处理信源数大于阵元数时的波达方向(DOA)估计,且能提高角度分辨率和测角精度。文中根据互质阵物理阵元和虚拟阵元特点,结合多重信号分类(MUSIC)算法提出适用于互质阵基于物理阵列和虚拟阵列的DOA估计方法。该方法以非相干信号源为研究对象,利用互质阵列建立信号接收模型,基于物理阵列的DOA估计方法根据互质阵物理阵元位置特点推导其导向矢量,然后根据导向矢量计算回波信号数据和信号协方差矩阵,最后利用MUSIC算法进行DOA估计。基于虚拟阵列的DOA估计方法根据其虚拟阵元数据特点在向量化协方差矩阵并去冗余后选取连续虚拟阵元接收数据,然后对新协方差矩阵进行一维Toeplitz平滑重构,最后利用MUSIC算法或求根MUSIC算法进行DOA估计。与等阵元数的均匀线阵进行对比,仿真实验验证了互质阵列DOA估计性能的优越性。     

基于平行互质虚拟阵列的低复杂度二维DOA联合估计算法

针对传统平行阵列2维测向自由度低、分辨能力差和小快拍情况下估计误差大等问题,该文提出基于平行互质虚拟阵列的低复杂度2维波达角(DOA)估计算法。该算法利用两个相互平行的互质线阵扩展生成虚拟阵列,并通过协方差矩阵和互协方差矩阵构造具有增强2维角度自由度的扩展矩阵,最后通过奇异值分解(SVD)和旋转不变技术(ESPRIT)获得自动匹配的2维角度估计。相比于传统的2维DOA估计方法,所提算法更好地利用了阵列接收数据信息,能识别更多的入射信号,分辨能力高,不需要进行2维线性搜索或者角度参数匹配,在低信噪比 (SNR)和小快拍情况下也有很好的估计效果。实验仿真结果验证了提出算法的有效性和可靠性。     

基于Toeplitz协方差矩阵重构的互质阵列DOA估计方法

针对基于互质阵列的欠定DOA估计方法对于虚拟阵元非连续部分利用率不高的问题,该文提出一种基于Toeplitz协方差矩阵重构的DOA估计方法。首先,从互质阵列差联合阵的角度分析虚拟阵元分布特性,结合其与协方差矩阵中各元素得到的波程差存在对应关系,将协方差矩阵进行扩展得到一个数据缺失的高维协方差矩阵;然后,根据矩阵填充理论,用迹范数代替秩范数进行松弛,对缺失元素进行填充;最后,利用现有root-MUSIC方法进行DOA估计。理论分析和仿真结果表明,该方法提升了虚拟阵元的利用率,从而增加了虚拟孔径和可估计信号数,同时无需对角度域进行离散化处理,有效消除了模型失配的影响,并且避免了正则化参数选取问题,提高了估计精度和分辨率。     

基于平行互质虚拟阵列的低复杂度二维DOA联合估计算法

针对传统平行阵列2维测向自由度低、分辨能力差和小快拍情况下估计误差大等问题,该文提出基于平行互质虚拟阵列的低复杂度2维波达角(DOA)估计算法.该算法利用两个相互平行的互质线阵扩展生成虚拟阵列,并通过协方差矩阵和互协方差矩阵构造具有增强2维角度自由度的扩展矩阵,最后通过奇异值分解(SVD)和旋转不变技术(ESPRIT)获得自动匹配的2维角度估计.相比于传统的2维DOA估计方法,所提算法更好地利用了阵列接收数据信息,能识别更多的入射信号,分辨能力高,不需要进行2维线性搜索或者角度参数匹配,在低信噪比(SNR)和小快拍情况下也有很好的估计效果.实验仿真结果验证了提出算法的有效性和可靠性.     

基于虚拟孔径扩展的非均匀稀疏阵无模糊测向算法

针对常规均匀线阵DOA估计中可估计信源数目不足的问题,提出了一种基于虚拟孔径扩展的非均匀稀疏阵无模糊测向算法。该算法在传统MUSIC算法模型基础上,首先对阵列接收信号协方差矩阵进行向量化处理,通过Khatri-Rao积运算实现孔径扩展,提高了阵列自由度。然后利用任意阵列下的空间平滑恢复新协方差矩阵的秩,最后通过MUSIC算法进行DOA估计。仿真实验结果表明,与传统MUSIC算法相比,该算法可以在阵元数目小于信源数目的条件下实现DOA估计,大大增加了可估计信源数目,同时在低信噪比、小快拍条件下仍能得到DOA估计结果。     

Direction-of-Arrival Method Based on Randomize-Then-Optimize Approach

The direction-of-arrival (DOA) estimation problem can be solved by the methods based on sparse Bayesian learning (SBL). To assure the accuracy, SBL needs massive amounts of snapshots which may lead to a huge computational workload. In order to reduce the snapshot number and computational complexity, a randomize-then-optimize (RTO) algorithm based DOA estimation method is proposed. The “learning” process for updating hyperparameters in SBL can be avoided by using the optimization and Metropolis-Hastings process in the RTO algorithm. To apply the RTO algorithm for a Laplace prior, a prior transformation technique is induced. To demonstrate the effectiveness of the proposed method, several simulations are proceeded, which verifies that the proposed method has better accuracy with 1 snapshot and shorter processing time than conventional compressive sensing (CS) based DOA methods.     

一种基于平行互质阵列时空扩展的二维波达方向估计

为了实现对平行互质阵列的孔径扩展,提升信号波达方向估计性能,基于平行互质阵列,首先给出一种改进阵列结构,然后采用共轭空时增广的思想,得到一种对称的平行互质虚拟阵列,由于共轭空时增广联合利用了信号在空间、时间的特征,使得扩展的虚拟阵列比现有方法具有更多的虚拟阵元数和自由度,最后利用稀疏重建方法,实现二维波达方向的估计。仿真实验均验证了所提出的方法在估计精度上的有效性。     

利用联合互质阵列的卫星导航抗干扰算法

随着电磁环境越来越复杂,全球卫星导航系统(GNSS)受到的干扰越来越多。基于均匀间距阵列的抗干扰算法已广泛运用于GNSS干扰抑制中,但是均匀线性阵列抑制干扰的性能受到天线阵元个数和阵列孔径的严格限制。本文提出了一种基于联合互质阵列的卫星导航抗干扰算法,能够在不增加阵元的情况下获得较大的阵列孔径,提高了干扰来向估计性能且不需要知道干扰个数。该方法首先利用互质阵列的空间谱估计方法估计出干扰来向,然后,利用估计出的干扰来向构造干扰子空间,并通过正交子空间投影算法抑制干扰。算法提高了卫星导航系统的抗干扰性能,仿真实验验证了该算法的有效性。      

基于张量四元数极化平滑的极化-DOA估计

为了解决相干信号的极化平滑算法在小快拍数和低信噪比条件下估计性能较差的问题,结合四元数的正交特性和协方差张量方法,提出了一种基于张量四元数的极化平滑多重信号分类（Multiple Signal Classification,MUSIC）解相干算法。首先,为了充分利用接收数据样本中的多维结构信息,建立了由张量四元数表示的柱面共形阵列极化平滑信号模型;其次,将平滑后的张量协方差矩阵通过高阶奇异值分解得到信号子空间;最后,通过极化秩亏MUSIC算法对入射相干信号分别进行二维波达方向（Direction of Arrival,DOA）估计和极化参数估计。仿真结果表明,该算法在小快拍数和低信噪比条件下具有更高的估计精度和分辨能力。     

一种基于稀疏贝叶斯学习的离网DOA估计算法

本文提出一种基于稀疏贝叶斯学习的改进离网DOA估计算法,以提升非理想测向环境下在低信噪比、低快拍数时的DOA估计性能,称之为MOGSBL算法。本算法将信号源方位区间进行离散化,得到方位离散网格。为阵列接收信号建立稀疏贝叶斯模型,将网格节点修正量设为模型超参数。采用期望最大化算法迭代更新网格节点修正量,使更新后的网格节点更接近真实源信号方位。为了检验MOGSBL算法的性能,本文进行了大量的数值实验,并将MOGSBL算法的DOA估计结果与RSBL算法、OGSBL算法和L1-SVD算法进行对比。在不同信噪比和不同快拍数时,MOGSBL算法均能清晰分辨方位很接近的两个信号源,角度分辨率明显高于RSBL算法、OGSBL算法和L1-SVD算法。随着信噪比和快拍数的增加,4种算法的RMSE均逐渐减小。但MOGSBL算法的RMSE明显低于RSBL算法、OGSBL算法和L1-SVD算法,且RSBL算法、OGSBL算法优于L1-SVD算法。实验还分析了方向测试范围的离散网格节点数对DOA估计的影响,发现细密的离散网格可以提高DOA估计精度,但DOA估计的计算量会增加。且在任意网格节点数时,相比于RSBL算...     

一种短数据阵列信号波达方向估计方法

针对传统子空间类算法在短数据测向的不足,提出一种基于稀疏信号描述的非参数最小均方迭代的幅度相位估计算法。该算法首先运用DAS波束形成对信号到达角进行初步估计,然后用最小均方误差准则及幅度相位估计算法( APES)对协方差矩阵进行迭代更新直至收敛。该方法能够在快拍数较少条件下进行DOA估计,且不需要估计信号源个数。理论分析和仿真实验表明其相对传统子空间类算法有较高的估计精度和分辨率。     

Genetic algorithm-based improved DOA estimation using fourth-order cumulants

Genetic algorithm (GA)-based direction of arrival (DOA) estimation is proposed using fourth-order cumulants (FOC) and ESPRIT principle which results in Multiple Invariance Cumulant ESPRIT algorithm. In the existing FOC ESPRIT formulations, only one invariance is utilised to estimate DOAs. The unused multiple invariances (MIs) must be exploited simultaneously in order to improve the estimation accuracy. In this paper, a fitness function based on a carefully designed cumulant matrix is developed which incorporates MIs present in the sensor array. Better DOA estimation can be achieved by minimising this fitness function. Moreover, the effectiveness of Newton’s method as well as GA for this optimisation problem has been illustrated. Simulation results show that the proposed algorithm provides improved estimation accuracy compared to existing algorithms, especially in the case of low SNR, less number of snapshots, closely spaced sources and high signal and noise correlation. Moreover, it is observed that the optimisation using Newton’s method is more likely to converge to false local optima resulting in erroneous results. However, GA-based optimisation has been found attractive due to its global optimisation capability.     

用于大规模深度卷积分类网络DOA估计的标签分解方法

为了有效地解决使用深度神经网络求解波达方向(DOA)估计涉及到的大规模分类器的训练和部署实现,本文提出将传统的one-hot分类器分解为多个类别互质的小分类器,然后联合使用多个互质分类器的分类结果重构原始one-hot标签。首先使用标签分解,将原始标签分解为多个互质的小标签,小标签对应的类别为原始类别对质数取余数的结果。其次,通过独立并行地训练每一个互质分类器,降低了大类别条件下分类器的训练难度。仿真结果表明,相比one-hot分类器,互质分类器网络的复杂度低,易于训练。另外,使用互质分类器进行DOA估计能够实现超分辨并且估计的精度比one-hot分类器以及稀疏贝叶斯学习等方法更高。