CN107436421B - 一种稀疏贝叶斯学习框架下混合信号doa估计方法 - Google Patents
一种稀疏贝叶斯学习框架下混合信号doa估计方法 Download PDFInfo
- Publication number
- CN107436421B CN107436421B CN201710606186.9A CN201710606186A CN107436421B CN 107436421 B CN107436421 B CN 107436421B CN 201710606186 A CN201710606186 A CN 201710606186A CN 107436421 B CN107436421 B CN 107436421B
- Authority
- CN
- China
- Prior art keywords
- prior
- sparse
- updating
- mean
- distribution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000009826 distribution Methods 0.000 claims abstract description 28
- 230000006870 function Effects 0.000 claims abstract description 17
- 238000001228 spectrum Methods 0.000 claims abstract description 10
- 230000005855 radiation Effects 0.000 claims abstract description 6
- 238000005070 sampling Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000009795 derivation Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 abstract description 4
- 230000001427 coherent effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 3
- 241000764238 Isis Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S3/00—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received
- G01S3/02—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received using radio waves
- G01S3/14—Systems for determining direction or deviation from predetermined direction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种稀疏贝叶斯学习框架下混合信号DOA估计方法,属于雷达信号处理技术领域。本发明的方法步骤为:首先提出一个新的稀疏促进先验(称为高斯‑指数‑卡方先验),其概率密度函数在零点处具有尖锐谱峰并且具有重拖尾,有利于促进稀疏解;然后利用该先验建立三阶分层稀疏贝叶斯模型;接下来,利用均值场变分贝叶斯理论近似后验分布,通过对各个近似的变分分布进行交替更新迭代最小化KL距离,进而求出模型参数的估计值;最后,根据各个参数的估计值构建信号功率谱函数,进而可以得到目标辐射源的信源数估计和DOA估计。
Description
技术领域
本发明涉及一种稀疏贝叶斯学习框架下混合信号DOA估计方法,属于雷达信号处理技术领域。
背景技术
波达方向(Direction of arrival,DOA)估计是阵列信号处理领域中的重要研究方向之一,该技术主要对空间中按照某种特定方式排布的传感器阵列接收到的数据进行处理,从而估计出目标入射信号的信源数目、来波方向以及信源频率等参数,在雷达、无线通信、导航等众多领域都有着广阔的应用前景。在实际应用环境中,信号的多径传播效应使得天线阵列接收到的信号往往不再是单一的不相关信号,而是由不相关信号和相干信号构成的混合信号,因此研究混合信号的DOA估计具有重要的研究价值。
目前,大多数方法都是采用子空间类算法实现混合信号的DOA估计。具体的实现思路如下:首先采用常用的子空间类算法(如,MUSIC算法、ESPRIT算法等)对不相关信号进行DOA估计,然后采用某种分离方法(如,空间差分法、斜投影矩阵法、特征值模特性法等)分离出相干信号和不相关信号,最后利用解相干算法(如,空间平滑算法、矩阵重构算法等)结合子空间类算法实现相干信号的DOA估计。这类方法能够有效地实现混合信号的DOA估计,然而这类算法需要假设不相关信号和相干信号的信源数是已知的,因此在实现过程中需要借助于额外的混合信号信源数估计方法。此外,这类算法本身无法处理相干信号,需要借助额外的解相干处理方法。不论是信源数估计方法还是解相干方法,它们的可靠性和有效性都将对算法的性能产生重要影响。
不同于子空间类算法,在利用稀疏贝叶斯学习理论进行DOA估计时不需要构建信号的协方差矩阵、信号子空间以及噪声子空间,这意味着即使入射信号为相干信号或者混合信号时也不会发生“秩亏损”现象。因此,如何利用稀疏贝叶斯学习理论,研究不需要借助额外的信源数估计和解相干操作的混合信号的DOA估计方法是亟待解决的技术问题。
发明内容
本发明的目的是提出一种稀疏贝叶斯学习框架下混合信号DOA估计方法,该方法可以解决现有子空间类混合信号DOA估计方法在实现过程中需要借助额外的信源数估计方法以及解相干操作这一问题。
本发明的目的是这样实现的:
一种稀疏贝叶斯学习框架下混合信号DOA估计方法,其特征在于,包含一下步骤:
步骤一 获取稀疏的信号采样数据;
设总共有K个远场窄带信号入射到阵元数为M的均匀线阵上,阵元间距d=λ/2将角度空间划分成J个采样网格其中网格数J通常满足J>>M>K,若为与目标真实入射方向θj相隔最近的采样网格,则hj(t)=0,否则对于jk=1,2,…,K和j=1,2,…,J成立,此时,天线阵列接收数据为:
其中,X=[X(1),X(2),…,X(L)],H=[H(1),H(2),…,H(L)],N=[N(1),N(2),…,N(L)];
步骤二构造三阶分层的稀疏先验;
第一层先验对矩阵H采用零均值Gaussian先验:
其中,Λ-1=diag(α)=diag(α1,α2,…αJ)在第二层先验中,对超参数α采用指数先验:
其中,Exp(·)表示指数分布第三层在先验中,对超参数η采用卡方(Chi2)先验:
p(η|v)=χ2(η|v) (5)
其中,Γ(·)表示Gamma函数,χ2(η|v)=[Γ(v/2)]-12-v2ηv/2-1exp(-η/2)结合式(1)~(5),可得三阶分层稀疏贝叶斯模型;
下面对超参数αj、η进行积分,得到边缘化的生成先验可以表示为:
步骤三利用均值场变分贝叶斯理论估计模型参数;
我们采用均值场变分贝叶斯理论近似后验分布p(H,α,η|X),其近似分布可以写成:
p(H,α,η|X)≈q(H,α,η)=q(H)q(α)q(η) (7)
下面对q(H)、q(α)和q(η)分别进行更新:
(1)更新q(H);
通过进一步的推导,整理可得:
(2)更新q(α);
与更新q(H)方式相类似,可得:
其中,κp(·)表示阶数为p的第三类贝塞尔函数;
(3)更新q(η);
类似地,
步骤四 建信号功率谱函数;
当参数μ、Σ、和<η>迭代更新完成以后,首先利用角度域内目标潜在方向的信号功率估计值来构造空间谱;然后设置门限Pthres并从中提取超过门限Pthres的谱峰,即可获得目标辐射源的信源数估计最后,找出这些谱峰对应的角度索引,则可以获得目标辐射源的DOA估计结果。
本发明的有益效果:采用本发明的混合信号DOA方法,可以在不借助额外的信源数估计方法和解相干方法的情况下,有效地实现混合信号的DOA估计和信源数估计。该方法中提出了一个新的三阶分层的高斯-指数-卡方先验,其概率密度函数具有更加尖锐的谱峰和更重的拖尾,有利于稀疏信号重构。该方法测向精度高,可靠性好,达到了预期的目的。
附图说明
图1为本发明三阶分层稀疏贝叶斯模型框图;
图2为本发明四种先验的概率密度函数(原点附近);
图3为本发明四种先验的概率密度函数(拖尾部分);
图4为本发明DOA估计结果功率谱图。
具体实施方式
下面结合附图和具体实施例对本文作进一步具体说明:
1.获取稀疏的信号采样数据;
假设总共有K个远场窄带信号入射到阵元数为M均匀线阵上,阵元间距d=λ/2。将角度空间划分成J个采样网格其中网格数J通常满足J>>M>K。若为与目标真实入射方向θj相隔最近的采样网格,则hj(t)=0,否则对于jk=1,2,…,K和j=1,2,…,J成立。此时,天线阵列接收数据为:
其中,X=[X(1),X(2),…,X(L)];H=[H(1),H(2),…,H(L)];N=[N(1),N(2),…,N(L)]。
2.构造三阶分层的稀疏先验;
第一层先验对矩阵H采用零均值Gaussian先验:
其中,Λ-1=diag(α)=diag(α1,α2,…αJ)。在第二层先验中,对超参数α采用指数先验:
其中,Exp(·)表示指数分布。第三层在先验中,对超参数η采用卡方(Chi2)先验:
p(η|v)=χ2(η|v) (5)
其中,Γ(·)表示Gamma函数,χ2(η|v)=[Γ(v/2)]-12-v/2ηv/2-1exp(-η/2)。结合式(1)~(5),可得三阶分层稀疏贝叶斯模型,具体框图如附图1所示。
下面对超参数αj、η进行积分,得到边缘化的生成先验可以表示为:
图2和图3给出了高斯(Gaussian)分布、拉普拉斯(Laplace)分布、学生t(Students-t)分布以及高斯-指数-卡方(Gauss-Exp-Chi2)分布的概率密度函数分布图,并且由图2和图3可以看出相比于其他三种先验的概率密度函数,高斯-指数-卡方分布的概率密度函数在零点处具有更加尖锐的谱峰并且具有更重拖尾,因此适合用于稀疏贝叶斯模型中来促进稀疏解。
3.利用均值场变分贝叶斯理论估计模型参数;
我们采用均值场变分贝叶斯理论近似后验分布p(H,α,η|X),其近似分布可以写成:
p(H,α,η|X)≈q(H,α,η)=q(H)q(α)q(η) (7)
下面对q(H)、q(α)和q(η)分别进行更新;
(1)更新q(H);
通过进一步的推导,整理可得:
(2)更新q(α);
与更新q(H)方式相类似,可得:
其中,κp(·)表示阶数为p的第三类贝塞尔函数。
(3)更新q(η);
类似地,
4.建信号功率谱函数;
Claims (1)
1.一种稀疏贝叶斯学习框架下混合信号DOA估计方法,其特征在于,包含以下步骤:
步骤一 获取稀疏的信号采样数据;
设总共有K个远场窄带信号入射到阵元数为M的均匀线阵上,阵元间距d=λ/2将角度空间划分成J个采样网格其中网格数J满足J>>M>K,若为与目标真实入射方向θj相隔最近的采样网格,则hj(t)=0,否则对于jk=1,2,…,K和j=1,2,…,J成立,此时,天线阵列接收数据为:
其中,X=[X(1),X(2),…,X(L)],H=[H(1),H(2),…,H(L)],N=[N(1),N(2),…,N(L)];
步骤二 构造三阶分层的稀疏先验;
第一层先验对矩阵H采用零均值Gaussian先验:
其中,Λ-1=diag(α)=diag(α1,α2,…αJ),在第二层先验中,对超参数α采用指数先验:
其中,Exp(·)表示指数分布第三层在先验中,对超参数η采用卡方先验:
p(η|v)=χ2(η|v) (5)
其中,Γ(·)表示Gamma函数,χ2(η|v)=[Γ(v/2)]-12-v/2ηv/2-1exp(-η/2),结合式(1)~(5),得到三阶分层稀疏贝叶斯模型;
下面对超参数αj、η进行积分,得到边缘化的生成先验表示为:
步骤三 利用均值场变分贝叶斯理论估计模型参数;
我们采用均值场变分贝叶斯理论近似后验分布p(H,α,η|X),其近似分布写成:
p(H,α,η|X)≈q(H,α,η)=q(H)q(α)q(η) (7)
下面对q(H)、q(α)和q(η)分别进行更新:
(1)更新q(H);
通过进一步的推导,整理得:
(2)更新q(α);
与更新q(H)方式相类似,得:
其中,κp(·)表示阶数为p的第三类贝塞尔函数;
(3)更新q(η);
类似地,
步骤四 建信号功率谱函数;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710606186.9A CN107436421B (zh) | 2017-07-24 | 2017-07-24 | 一种稀疏贝叶斯学习框架下混合信号doa估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710606186.9A CN107436421B (zh) | 2017-07-24 | 2017-07-24 | 一种稀疏贝叶斯学习框架下混合信号doa估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107436421A CN107436421A (zh) | 2017-12-05 |
CN107436421B true CN107436421B (zh) | 2020-11-20 |
Family
ID=60460983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710606186.9A Active CN107436421B (zh) | 2017-07-24 | 2017-07-24 | 一种稀疏贝叶斯学习框架下混合信号doa估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107436421B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108376259A (zh) * | 2018-01-23 | 2018-08-07 | 西安交通大学 | 结合贝叶斯分层学习和空谱联合先验的图像降噪方法 |
CN108445462B (zh) * | 2018-02-05 | 2019-10-01 | 江苏大学 | 一种基于稀疏贝叶斯学习的双基地mimo雷达的dod和doa估计方法 |
CN109298383B (zh) * | 2018-09-10 | 2022-10-14 | 西北工业大学 | 一种基于变分贝叶斯推断的互质阵波达方向角估计方法 |
CN109407046A (zh) * | 2018-09-10 | 2019-03-01 | 西北工业大学 | 一种基于变分贝叶斯推断的嵌套阵列波达方向角估计方法 |
CN109298384B (zh) * | 2018-09-10 | 2022-09-02 | 西北工业大学 | 一种基于变分贝叶斯推断的非均匀直线阵波达方向角估计方法 |
CN110954862B (zh) * | 2018-09-26 | 2021-09-07 | 哈尔滨工业大学 | 一种稀疏贝叶斯框架下基于全局窄带模型的辐射源直接定位方法 |
CN109375156B (zh) * | 2018-09-30 | 2023-05-23 | 南京航空航天大学 | 基于信息论的传感器***单目标克拉美罗界的研究方法 |
CN109188348B (zh) * | 2018-10-11 | 2023-02-24 | 北京遥感设备研究所 | 一种基于共形天线阵和贝叶斯网络的角度估计方法 |
CN109444810B (zh) * | 2018-12-24 | 2022-11-01 | 哈尔滨工程大学 | 一种非负稀疏贝叶斯学习框架下的互质阵列非网格doa估计方法 |
CN110954860B (zh) * | 2019-12-18 | 2021-06-29 | 金陵科技学院 | 一种doa和极化参数估计方法 |
CN112731273B (zh) * | 2020-12-09 | 2023-06-23 | 南京邮电大学 | 一种基于稀疏贝叶斯的低复杂度信号波达方向估计方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104777449B (zh) * | 2014-10-31 | 2017-06-06 | 哈尔滨工业大学深圳研究生院 | 基于贝叶斯信息准则的信源数估计方法 |
CN104537171A (zh) * | 2014-12-24 | 2015-04-22 | 南京信息工程大学 | 一种mimo信道空间衰落相关性计算方法及多天线*** |
CN104537249B (zh) * | 2015-01-04 | 2017-06-13 | 西安电子科技大学 | 基于稀疏贝叶斯学习的波达方向角估计方法 |
CN104749553B (zh) * | 2015-04-10 | 2017-03-08 | 西安电子科技大学 | 基于快速稀疏贝叶斯学习的波达方向角估计方法 |
CN104977558B (zh) * | 2015-06-16 | 2017-10-17 | 电子科技大学 | 一种基于贝叶斯压缩感知的分布源中心波达方向估计方法 |
CN106683122B (zh) * | 2016-12-16 | 2020-02-04 | 华南理工大学 | 一种基于高斯混合模型和变分贝叶斯的粒子滤波方法 |
CN106656202A (zh) * | 2016-12-27 | 2017-05-10 | 电子科技大学 | 基于贝叶斯的鲁棒性压缩感知方法 |
-
2017
- 2017-07-24 CN CN201710606186.9A patent/CN107436421B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107436421A (zh) | 2017-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107436421B (zh) | 一种稀疏贝叶斯学习框架下混合信号doa估计方法 | |
CN106772226B (zh) | 基于压缩感知时间调制阵列的doa估计方法 | |
CN104237883B (zh) | 一种采用稀疏表示的机载雷达空时自适应处理方法 | |
CN105676168B (zh) | 一种声矢量阵方位估计方法 | |
CN104698433B (zh) | 基于单快拍数据的相干信号doa估计方法 | |
CN104977558B (zh) | 一种基于贝叶斯压缩感知的分布源中心波达方向估计方法 | |
CN111337893B (zh) | 一种基于实值稀疏贝叶斯学习的离格doa估计方法 | |
WO2018094565A1 (zh) | 脉冲噪声下的波束成形方法及装置 | |
CN104991236B (zh) | 一种单基地mimo雷达非圆信号相干源波达方向估计方法 | |
CN111337873B (zh) | 一种基于稀疏阵的doa估计方法 | |
CN110244272B (zh) | 基于秩一去噪模型的波达方向估计方法 | |
CN103116162B (zh) | 基于目标空间稀疏性的高分辨声呐定位方法 | |
CN109116293A (zh) | 一种基于离格稀疏贝叶斯的波达方向估计方法 | |
CN104515969A (zh) | 一种基于六角形阵列的相干信号二维doa估计方法 | |
CN108802705A (zh) | 一种基于稀疏的空时自适应处理方法及*** | |
CN113030843B (zh) | 基于改进iaa波束形成的低空目标测向方法 | |
CN109239651B (zh) | 互质面阵下的二维doa跟踪方法 | |
CN107576931A (zh) | 一种基于协方差低维度迭代稀疏重构的相关/相干信号波达方向估计方法 | |
CN104155629B (zh) | 一种冲击噪声背景下小快拍数信号波达方向估计方法 | |
CN110954860B (zh) | 一种doa和极化参数估计方法 | |
CN112147571A (zh) | 基于正则正交匹配追踪和蝙蝠算法的声源方位角估计方法 | |
Qi et al. | Time-frequency DOA estimation of chirp signals based on multi-subarray | |
CN104459635B (zh) | 基于迭代收缩加权融合的自适应空滤滤波方法 | |
Xu et al. | The estimate for DOAs of signals using sparse recovery method | |
CN115236584A (zh) | 基于深度学习的米波雷达低仰角估计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |