CN111707985A - 基于协方差矩阵重构的off-grid DOA估计方法 - Google Patents
基于协方差矩阵重构的off-grid DOA估计方法 Download PDFInfo
- Publication number
- CN111707985A CN111707985A CN202010539779.XA CN202010539779A CN111707985A CN 111707985 A CN111707985 A CN 111707985A CN 202010539779 A CN202010539779 A CN 202010539779A CN 111707985 A CN111707985 A CN 111707985A
- Authority
- CN
- China
- Prior art keywords
- grid
- matrix
- doa
- covariance matrix
- estimation
- 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.)
- Pending
Links
- 239000011159 matrix material Substances 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 238000005070 sampling Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 82
- 239000013598 vector Substances 0.000 claims description 23
- 239000000126 substance Substances 0.000 claims description 20
- 230000000750 progressive effect Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 238000004088 simulation Methods 0.000 description 13
- 238000001228 spectrum Methods 0.000 description 10
- 238000011084 recovery Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 208000001992 Autosomal Dominant Optic Atrophy Diseases 0.000 description 1
- 206010011906 Death Diseases 0.000 description 1
- 102000002274 Matrix Metalloproteinases Human genes 0.000 description 1
- 108010000684 Matrix Metalloproteinases Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
一种基于协方差矩阵重构的off‑grid DOA估计方法,属于信号处理领域,要解决稀疏表示模型中网格失配导致波达方向角(DOA)估计存在较大估计误差的问题,要点是:首先,将DOA与网格点之间偏移量包含进所构建接收数据空域离散稀疏表示模型;而后基于重构信号协方差矩阵建立关于DOA估计的稀疏表示凸优化问题;再者构建采样协方差矩阵估计误差凸模型,并将此凸集显式包含进稀疏表示模型以改善稀疏信号重构性能;最后采用交替迭代方法求解所得联合优化问题以获得网格偏移参数及离网格DOA估计,效果是具有较好的角度分辨力以及较高的DOA估计精度。
Description
技术领域
本发明属于信号处理领域,具体涉及一种基于协方差矩阵重构的off-grid DOA估计方法。
背景技术
作为阵列信号处理领域研究热点之一,波达方向角(Direction Of Arrival,DOA)估计技术在无线通信、目标跟踪、语音处理、雷达和射电天文学等领域皆有广泛应用。随着DOA估计理论研究的不断深入,各种DOA估计方法相继被提出。经典的子空间类方法可实现超分辨测向,例如多重信号分类(MUltiple SIgnal Classification,MUSIC)、旋转不变子空间(Estimation of Signal Parameters via Rotational Invariance Technique,ESPRIT)等,然而在低信噪比或快拍数不足条件下,其估计性能将显著下降。针对此问题,Pesavento M等人提出一种最大似然(maximum likelihood,ML)DOA估计算法,其通过逐步迭代求解信号和噪声的对数似然函数以实现DOA估计,低信噪比条件下,其性能明显优于MUSIC算法,但其非常依赖初始值的选取且算法复杂度较高,从而限制了该算法的实际应用。因此,如何改善DOA估计算法性能同时降低计算复杂度是当前阵列信号处理领域的研究热点之一。
近年来,稀疏信号表示和压缩感知理论已逐步成为参数估计领域的有力工具。随着稀疏重构算法研究的不断深入,研究者相继提出众多基于信号空域稀疏特性的DOA估计方法,其中最具代表性的l1-SVD算法,其利用l1范数构建稀疏模型而后通过奇异值分解降低计算复杂度,然而在信源数未知条件下该算法无法有效分辨邻近信源角度。针对此问题,韦等人提出一种基于加权l1范数稀疏重构DOA估计算法,其利用信号稀疏性并基于改进Capon算法的倒谱函数设计权值并构造加权l1范数凸优化问题以实现信源数目未知场景下DOA估计。YANG Jie等人提出一种基于稀疏贝叶斯推理(Sparse Bayesian Inference,SBI)的互质阵列DOA估计算法,其利用线性变换从协方差向量中消除噪声方差,而后联合参数字典学习和稀疏恢复迭代更新以实现DOA估计。王等人提出一种基于低秩恢复的稳健DOA估计方法,其利用采样协方差矩阵稀疏及低秩特性构造关于信号和噪声协方差矩阵的凸问题,而后利用MVDR方法实现DOA估计。需要注意的是,上述DOA估计算法皆假设信源DOA精确位于预设离散网格点上,然而,信号实际到达角度可能与预设离散网格存在偏移,由此,所得估计存在一定误差。针对此问题,最直观的解决方法是减小网格间距离,即利用较小步长即更密集搜索网格覆盖探测空间以降低估计误差,然而,此方法会显著增加计算复杂度且增加超完备字典原子之间相干性从而违背有限等距性质(Restricted Isometry Property,RIP)进而导致估计误差增大。针对上述问题,WU Xiaohuan等人提出基于稀疏贝叶斯学习的离网格(Off-Grid Sparse Bayesian Learning,OGSBL)DOA估计算法,通过引入偏移量参数至DOA稀疏表示模型并基于SBL求解,从而解决网格划分问题。DAI Jisheng等人提出根稀疏离网格贝叶斯推理(Root Off-Grid SBI,ROGSBI)方法,采用粗分网格与迭代细分网格相结合优化网格以实现高精度DOA估计。需要注意的是,上述算法虽然基于SBI降低离网格效应并降低计算量,然而,其皆没有考虑有限次快拍所带来的参数估计影响。众所周知,有限快拍可使得采样信号协方差矩阵存在估计误差,因而导致上述算法所得DOA估计精度提升有限。
发明内容
针对稀疏表示模型中网格失配导致波达方向角(DOA)估计存在较大估计误差的问题,本发明提出一种基于协方差矩阵重构的离网格(off-grid)DOA估计方法。
本发明的技术方案是:一种基于协方差矩阵重构的off-grid DOA估计方法,包括
A1.将DOA与网格点之间偏移量包含进接收数据稀疏表示模型,基于重构信号协方差矩阵建立关于DOA估计的稀疏表示模型。
A2.构建采样协方差矩阵估计误差凸模型,并基于采样协方差矩阵估计误差服从渐进正态分布的统计特性推导估计误差上界,而后将此凸集显式包含进稀疏表示模型,采用交替迭代方法求解所得联合优化问题以获得稀疏DOA和网格偏移参数估计。
进一步的,A1的具体步骤包括:
步骤1:建立接收数据空域离散稀疏表示模型
其中,x(t)为接收数据,和sk(t)分别为第k个信号源的导向矢量和信号幅度,d和λ分别为阵元间距及载波波长,d≤λ/2,{θ1θ2…θK}为K个信源DOA,为阵列导向矢量矩阵,为波形矢量,n(t)=[n1(t) n2(t) … nM(t)]T为互不相关高斯白噪声。
对于L次快拍,(1)接收信号模型表示为X=A(θ)S+N (2)
其中,X=[x(1) x(2) … x(L)]为接收信号矩阵,S=[s(1) s(2) … s(L)]为信号幅度矩阵,N=[n(1) n(2) … n(L)]为噪声矩阵。
假设信号和噪声互不相关,且信源相互独立,接收信号协方差表示为
其中,Rs为无噪声信号协方差矩阵,I为单位矩阵,P=E{SSH}为信号功率协方差矩阵,σ2为噪声功率。
实际应用中,接收协方差矩阵R基于L次有限采样快拍估计得到,即
步骤2:off-grid DOA估计模型
步骤3:引入偏移量至Off-grid稀疏表示模型
引入一组偏移量参数ρ=[ρ1 ρ2 … ρN-1]T校正网格偏移量:
阵列导向矢量矩阵表示为
其中,A(u:v)表示取得矩阵A的第u列至第v列,I-=[IN-1,0(N-1)×1]T,I-=[0(N-1)×1,IN-1]T。令Δ=diag(ρ),阵列导向矢量矩阵重新表示为
由式(5)、(9)可知,离网格DOA估计模型表示为
协方差矩阵R稀疏表示为
进一步的,A2的具体步骤包括:
步骤1:引入采样协方差矩阵估计误差模型
构建关于R的误差模型:
其中,||·||F为矩阵Frobenius范数,ε为误差参数因子。
基于误差凸集,稀疏信号重构问题基于l1范数约束最优化算法求解:
其中,vec(·)为矢量化算子,AsN(μ,∑)表示均值为μ、方差为∑的渐进正态分布,
经过矩阵运算,矢量化协方差矩阵误差重新表示为
由正态分布特性得
其中,χ2(·)表示卡方分布,Asχ2(M2)表示自由度为M2的渐进卡方分布。
由于向量r为协方差矩阵R的矢量化形式,得
由式(11)
稀疏信号重构问题重新表示为
其中,η为误差参数因子,由下式求得
Pr{χ2(M2)≤η}=p,η=χp 2(M2) (21)
其中,Pr{·}表示概率分布,p为概率值,χp 2(M2)表示概率值为p且自由度为M2下的卡方分布。
步骤2:实现偏移量求解及稀疏信号重构
凸优化问题式(22)基于交替迭代方法求解,第l+1次迭代中,
利用奇异值分解方法降维处理
经过矩阵运算,并忽略与优化变量无关项:
令式(26)关于ρ的导数为零,得ρK的更新公式
步骤3:实现DOA估计
其中,δ为网格划分间隔。
有益效果:本发明所提算法在网格失配条件下具有较高的角度分辨力和DOA估计精度。且具有更优的DOA估计性能以及能以较小的时间为代价换取DOA估计性能的提升。此外所提算法具有较窄主瓣及较低旁瓣,这是因为所提OGCMR算法将DOA与网格点之间偏移量包含进接收数据稀疏表示模型,并构建采样协方差矩阵估计误差的凸模型,且将此凸集显式包含进凸稀疏表示模型以改善稀疏信号重构性能,进而实现有效DOA估计。
附图说明
图1为本发明实现的流程图。
图2为在不同信噪比和快拍条件下非相干信号空域谱对比图。
图3为非相干信号空域谱图。
图4为DOA估计RMSE随SNR变化曲线图。
图5为DOA估计RMSE随快拍数变化曲线图。
图6为算法运算时间随快拍数变化曲线图。
具体实施方式
下面结合附图1对本发明的实现步骤做进一步详细描述:
本发明提出一种网格失配条件下基于协方差矩阵重构的离散网格DOA估计方法(Off-Grid based on Covariance Matrix Reconstruction,OGCMR)。首先,将DOA与网格点之间偏移量包含进接收数据稀疏表示模型;而后基于重构信号协方差矩阵建立关于DOA估计的稀疏表示模型;接着,构建采样协方差矩阵估计误差凸模型,并基于采样协方差矩阵估计误差服从渐进正态分布的统计特性推导估计误差上界,而后将此凸集显式包含进稀疏表示模型以改善稀疏信号重构性能进而提升DOA估计精度;最后采用交替迭代方法求解所得联合优化问题以获得稀疏DOA和网格偏移参数估计。
数值仿真表明,与传统多重信号分类(MUSIC)、l1-SVD及基于稀疏和低秩恢复的稳健MVDR(SLRD-RMVDR)等估计算法相比,所提算法具有较好的角度分辨力以及较高的DOA估计精度。实现本发明的基本思路是,首先建立接收数据空域离散稀疏表示模型;其次构建Off-grid DOA估计模型;然后基于Off-grid重构稀疏信号引入偏移量至Off-grid稀疏表示模型和采样协方差矩阵估计误差模型进而实现偏移量求解及稀疏信号重构;最后实现DOA估计。
具体步骤包含如下:
1建立接收数据空域离散稀疏表示模型
其中,x(t)为接收数据,和sk(t)分别为第k个信号源的导向矢量和信号幅度,d和λ分别为阵元间距及载波波长,通常d≤λ/2,{θ1 θ2 … θK}为K个信源DOA(本发明只考虑方位角,所得结论亦可推广至二维DOA估计),为阵列导向矢量矩阵,为波形矢量,n(t)=[n1(t) n2(t) … nM(t)]T为互不相关高斯白噪声。该接收信号模型的输入信号是雷达***中接收机的基带信号。
对于L次快拍,式(1)接收信号模型可进一步表示为X=A(θ)S+N (30)
其中,X=[x(1) x(2) … x(L)]为接收信号矩阵,S=[s(1) s(2) … s(L)]为信号幅度矩阵,N=[n(1) n(2) … n(L)]为噪声矩阵。
假设信号和噪声互不相关,且信源相互独立,则接收信号协方差可表示为
其中,Rs为无噪声信号协方差矩阵,P=E{SSH}为信号功率协方差矩阵,σ2为噪声功率。
实际应用中,接收协方差矩阵R基于L次有限采样快拍估计得到,即
2off-grid DOA估计模型
3基于off-grid重构稀疏信号
(1)引入偏移量至Off-grid稀疏表示模型
实际应用中,无论网格划分得多密,各个真实信源方位角θi不太可能刚好位于所划分网格上,即此外,随着网格密度增大,计算量也随之增加,且增强了字典中原子之间相关性从而导致DOA估计性能变差。针对网格失配导致DOA估计性能下降的问题,引入一组偏移量参数ρ=[ρ1 ρ2 … ρN-1]T以校正网格偏移量从而降低DOA估计误差,由此可得
基于式(7),阵列导向矢量矩阵可表示为
其中,A(u:v)表示取得矩阵A的第u列至第v列,I-=[IN-1,0(N-1)×1]T,I-=[0(N-1)×1,IN-1]T。令Δ=diag(ρ),式(8)可重新表示为
由式(5)、(9)可知,离网格DOA估计模型可表示为
基于上述讨论,协方差矩阵R可稀疏表示为
(2)引入采样协方差矩阵估计误差模型
然而实际应用中由于采样次数有限,信号协方差矩阵存在估计误差,因而基于此稀疏表示DOA亦存在估计误差,进而导致DOA估计性能下降。针对此问题,构建关于R的误差模型如下:
其中,||·||F为矩阵Frobenius范数,ε为误差参数因子。
基于误差凸集,稀疏信号重构问题可基于l1范数约束最优化算法求解,即
需要注意的是,求解上述优化问题需要误差上界ε确知。然而,此值在实际中难以确知,通常基于经验确定。基于此,基于协方差估计误差服从渐进正态分布的统计特性,推导误差上界的确定方法。矢量化协方差矩阵误差服从渐进正态(AsymptoticallyNormal,AsN)分布,即
经过简单矩阵运算,式(15)可重新表示为
由正态分布特性可得
其中,χ2(·)表示卡方分布,Asχ2(M2)表示自由度为M2的渐进卡方分布。
由于向量r为协方差矩阵R的矢量化形式,从而可得
类似于式(17),可知
综上所述,稀疏信号重构问题可重新表示为
其中,η为误差参数因子,可由下式求得
Pr{χ2(M2)≤η}=p,η=χp 2(M2) (49)
其中,Pr{·}表示概率分布,p为概率值。
(3)实现偏移量求解及稀疏信号重构
上述凸优化问题式(22)可基于交替迭代方法求解,即,第l+1次迭代中,
考虑到计算量较大,利用奇异值分解方法对上式降维处理,即
经过简单矩阵运算,并忽略与优化变量无关项,式(25)可进一步表示为
令式(26)关于ρ的导数为零,进而可得ρK的更新公式
4实现DOA估计
其中,δ为网格划分间隔。
综上所述,本发明所提OGCMR算法可简要表述为
(1)输入阵列接收信号矩阵X;
(2)划分网格并引入偏移量ρ得到阵列流型矩阵A(ρ);
(3)求解式(21)以获得误差参数η的最优估计值;
(5)求解式(27)更新ρ;
(6)求解式(28)获得DOA估计;
本发明的效果可通过以下仿真进一步说明:
仿真条件:仿真软件为MATLAB R2014a,硬件环境为:处理器为Intel Core(TM)i7-7700,主频为4GHz,内存为8GB。仿真条件设置如下:阵元数M=8,快拍数L=200,阵元间距d=λ/2。其中,DOA估计精度的衡量标准可采用均方根误差(Root-Mean-Square Error,RMSE),定义为
仿真内容:
仿真1:不同信噪比和快拍条件下非相干信号空域谱对比图。考虑两个入射角度分别为[-10.6°,5.3°]的非相干信号,图2为四种条件下MUSIC,-SVD,SLRD-RMVDR和本发明所提OGCMR算法的空域功率谱对比。
从图2(a)可知,在信噪比SNR=0dB,快拍数L=40的条件下,MUSIC可近似分辨出目标信号角度但其在-10.6°处谱峰较低,l1-SVD和SLRD-RMVDR算法均无法有效分辨目标信号,而本发明所提OGCMR算法可有效辨别两个目标信号角度且具有较窄主瓣。由图2(b)可知,随着SNR增加,SLRD-RMVDR算法角度分辨力有所提高,而l1-SVD算法仅能近似分辨位于-10.6°的目标信号,且本发明所提OGCMR算法依然具有较好角度分辨力。图2(c)为SNR=0dB,L=200条件下四种算法空间谱估计对比图。由图2(c)可知,低SNR条件下,MUSIC算法在5.3°位置谱峰值较低,SLRD-RMVDR算法在-10.6°处谱峰值较低,l1-SVD算法无法有效分辨目标信号,本发明所提OGCMR算法具有较好估计性能。图2(d)为SNR=10dB,L=200条件下四种算法的空间谱估计对比图。由图2(d)可知,随着SNR和快拍数的增大,四种算法皆具有较为尖锐的谱峰,且所提算法具有更窄主瓣,更为接近真实的DOA,因而具有更优的DOA估计性能。
仿真2:非相干信号空域谱图。考虑四个入射角度分别为[-35.3°,-10.6°,5.3°,26.5°]的非相干信号,SNR=10dB,快拍数L=200。图3为四种算法空域谱估计对比图。
由图3可知,给定仿真条件下,MUSIC,l1-SVD和SLRD-RMVDR三种算法所估计的角度与实际目标信号角度均存在较大偏差,而本发明所提OGCMR算法可有效分辨四个目标角度,并且相较于三种对比算法具有较窄主瓣及较低旁瓣,这是因为所提OGCMR算法将DOA与网格点之间偏移量包含进接收数据稀疏表示模型,并构建采样协方差矩阵估计误差的凸模型,且将此凸集显式包含进凸稀疏表示模型以改善稀疏信号重构性能,进而实现有效DOA估计。
仿真3:DOA估计RMSE随SNR变化曲线图。考虑入射角分别为-10.6°和5.3°的非相干信号,进行200次蒙特卡洛独立重复实验。图4为四种算法DOA估计RMSE随SNR变化曲线,且SNR=[-6:2:14],快拍数L=200。
由图4可知,随着SNR增加,四种算法DOA估计RMSE均逐渐降低。需要注意的是,传统MUSIC和l1-SVD算法的DOA估计RMSE相对较高,SLRD-RMVDR和所提OGCMR算法的RMSE较低,且所提算法估计性能明显优于SLRD-RMVDR,这是因为所提算法考虑到DOA与网格点之间存在偏移量并将其包含进接收数据稀疏表示模型,尤其在低SNR条件下,所提算法的优势更加突出,由此表明所提OGCMR算法具有较好的DOA估计性能。
仿真4:DOA估计RMSE随快拍数变化曲线图。考虑入射角分别为-10.6°和5.3°的非相干信号,SNR=10dB,快拍数L=[50:50:500],进行200次蒙特卡洛独立重复实验,图5为四种算法DOA估计RMSE随快拍数变化曲线。
由图5可知,随着快拍数增加,MUSIC,l1-SVD,SLRD-RMVDR和本发明所提OGCMR算法的RMSE均逐渐降低。另外,需要注意的是,所提OGCMR算法因其考虑到DOA与网格点之间存在偏差以及采样协方差矩阵存在误差,并构建相关联合优化问题以改善稀疏信号重构性能,故而在相同快拍数条件下,所提算法具有优于其它三种算法的DOA估计性能。
仿真5:算法运算时间随快拍数变化曲线图。为评估所提算法复杂度,在此分析不同快拍数条件下算法运算时间对比。考虑两个入射角分别为-10.6°和5.3°的非相干信号,SNR=10dB,图6为四种算法运算时间随快拍数变化曲线,且L=[50:50:500]。
由图6可知,随着快拍数增加,四种算法运算时间皆呈上升趋势。所提OGCMR和l1-SVD算法利用过完备字典矩阵稀疏重构信号,而SLRD-RMVDR基于低秩恢复理论重构无噪声协方差矩阵,此三种算法运算时间略高于传统MUSIC算法,且l1-SVD算法由于在未降维的数据上采用凸优化方法来重构信号,因而耗时较长。然而,需要说明的是,虽然所提OGCMR算法的运行时间略高于MUSIC算法,但其DOA估计精度和角度分辨力明显优于MUSIC算法,即所提算法能以较小的时间为代价换取DOA估计性能的提升。
仿真6:为较全面地评估所提OGCMR算法性能,在此分析误差参数η对所提算法重构性能的影响。考虑入射角分别为-10.6°和5.3°的非相干信号,SNR=10dB,快拍数L=200。由表1可知,误差参数为0.1时,所提OGCMR算法重构信号峰值功率较大,随着误差参数的增大,所提算法重构信号的峰值功率逐渐降低,表明误差参数η取值对算法重构性能有较大影响。
表1误差参数对算法重构性能影响
综上所述,本发明提出一种基于重构协方差矩阵的离网格DOA估计(OGCMR)方法。所提算法首先将DOA与网格点之间偏移量包含进接收数据稀疏表示模型,而后构建采样协方差矩阵估计误差凸模型,并将此凸集显式包含进稀疏表示模型,最后采用交替迭代方法求解所得联合优化问题以获得稀疏DOA和网格偏移参数估计。与多重信号分类(MUSIC)、l1-SVD及基于稀疏和低秩恢复的稳健MVDR(SLRD-RMVDR)等DOA估计算法相比,仿真结果表明,所提算法在网格失配条件下具有较高的角度分辨力和DOA估计精度。由此,本发明所提算法可以为工程应用中阵列信号处理领域的DOA估计性能研究提供坚实的理论与实现依据。
以上所述,仅为本发明创造较佳的具体实施方式,但本发明创造的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明创造披露的技术范围内,根据本发明创造的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明创造的保护范围之内。
Claims (3)
1.一种基于协方差矩阵重构的off-grid DOA估计方法,其特征在于:
A1.将DOA与网格点之间偏移量包含进接收数据稀疏表示模型,基于重构信号协方差矩阵建立关于DOA估计的稀疏表示模型;
A2.构建采样协方差矩阵估计误差凸模型,并基于采样协方差矩阵估计误差服从渐进正态分布的统计特性推导估计误差上界,而后将此凸集显式包含进稀疏表示模型,采用交替迭代方法求解所得联合优化问题以获得稀疏DOA和网格偏移参数估计。
2.如权利要求1所述的基于协方差矩阵重构的off-grid DOA估计方法,其特征在于:A1的具体步骤包括:
步骤1:建立接收数据空域离散稀疏表示模型
其中,x(t)为接收数据,和sk(t)分别为第k个信号源的导向矢量和信号幅度,d和λ分别为阵元间距及载波波长,d≤λ/2,{θ1 θ2…θK}为K个信源DOA,为阵列导向矢量矩阵,为波形矢量,n(t)=[n1(t) n2(t)…nM(t)]T为互不相关高斯白噪声;
对于L次快拍,(1)接收信号模型表示为
X=A(θ)S+N (2)
其中,X=[x(1) x(2)…x(L)]为接收信号矩阵,S=[s(1) s(2)…s(L)]为信号幅度矩阵,N=[n(1) n(2)…n(L)]为噪声矩阵;
假设信号和噪声互不相关,且信源相互独立,接收信号协方差表示为
其中,Rs为无噪声信号协方差矩阵,I为单位矩阵,P=E{SSH}为信号功率协方差矩阵,σ2为噪声功率。
实际应用中,接收协方差矩阵R基于L次有限采样快拍估计得到,即
步骤2:off-grid DOA估计模型
步骤3:引入偏移量至Off-grid稀疏表示模型
引入一组偏移量参数ρ=[ρ1 ρ2…ρN-1]T校正网格偏移量:
阵列导向矢量矩阵表示为
其中,A(u:v)表示取得矩阵A的第u列至第v列,I-=[IN-1,0(N-1)×1]T,I-=[0(N-1)×1,IN-1]T。令Δ=diag(ρ),阵列导向矢量矩阵重新表示为
由式(5)、(9)可知,离网格DOA估计模型表示为
协方差矩阵R稀疏表示为
3.如权利要求2所述的基于协方差矩阵重构的off-grid DOA估计方法,其特征在于:A2的具体步骤包括:
步骤1:引入采样协方差矩阵估计误差模型
构建关于R的误差模型:
其中,||·||F为矩阵Frobenius范数,ε为误差参数因子;
基于误差凸集,稀疏信号重构问题基于l1范数约束最优化算法求解:
经过矩阵运算,矢量化协方差矩阵误差重新表示为
由正态分布特性得
其中,χ2(·)表示卡方分布,Asχ2(M2)表示自由度为M2的渐进卡方分布;
由于向量r为协方差矩阵R的矢量化形式,得
由式(11)
稀疏信号重构问题重新表示为
其中,η为误差参数因子,由下式求得
其中,Pr{·}表示概率分布,p为概率值,χp 2(M2)表示概率值为p且自由度为M2下的卡方分布;
步骤2:实现偏移量求解及稀疏信号重构
凸优化问题式(22)基于交替迭代方法求解,第l+1次迭代中,
利用奇异值分解方法降维处理
经过矩阵运算,并忽略与优化变量无关项:
令式(26)关于ρ的导数为零,得ρK的更新公式
步骤3:实现DOA估计
其中,δ为网格划分间隔;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010539779.XA CN111707985A (zh) | 2020-06-15 | 2020-06-15 | 基于协方差矩阵重构的off-grid DOA估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010539779.XA CN111707985A (zh) | 2020-06-15 | 2020-06-15 | 基于协方差矩阵重构的off-grid DOA估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111707985A true CN111707985A (zh) | 2020-09-25 |
Family
ID=72540517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010539779.XA Pending CN111707985A (zh) | 2020-06-15 | 2020-06-15 | 基于协方差矩阵重构的off-grid DOA估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111707985A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112285639A (zh) * | 2020-09-30 | 2021-01-29 | 中国船舶重工集团公司七五0试验场 | 一种基于十字形声压阵列的宽带信号方位估计方法 |
CN112285647A (zh) * | 2020-09-30 | 2021-01-29 | 中国船舶重工集团公司七五0试验场 | 一种基于稀疏表示与重构的信号方位高分辨估计方法 |
CN112444773A (zh) * | 2020-11-30 | 2021-03-05 | 北京工业大学 | 基于空域融合的压缩感知二维doa估计方法 |
CN112763972A (zh) * | 2020-12-30 | 2021-05-07 | 长沙航空职业技术学院 | 基于稀疏表示的双平行线阵二维doa估计方法及计算设备 |
CN112800599A (zh) * | 2021-01-15 | 2021-05-14 | 吉林大学 | 一种阵元失配情况下基于admm的无网格doa估计方法 |
CN112948606A (zh) * | 2020-12-14 | 2021-06-11 | 西南交通大学 | 一种基于自适应网格的信号估计方法及装置 |
CN113050027A (zh) * | 2021-03-08 | 2021-06-29 | 浙江大学 | 一种幅相误差情况下基于稀疏重构的波达方向估计方法 |
CN113281795A (zh) * | 2021-05-06 | 2021-08-20 | 国网福建省电力有限公司 | 基于北斗和超宽带***中联合稀疏恢复室内定位方法 |
WO2022110833A1 (zh) * | 2020-11-30 | 2022-06-02 | 海南大学 | 一种基于嵌套交叉偶极子阵列的无网格单比特doa估计方法 |
CN115267653A (zh) * | 2022-07-29 | 2022-11-01 | 青岛理工大学 | 一种基于互质阵列的近场源位置估计方法 |
CN115792792A (zh) * | 2022-11-22 | 2023-03-14 | 中国人民解放军空军预警学院 | 极低样本下基于协方差矩阵迭代估计的测向方法与*** |
-
2020
- 2020-06-15 CN CN202010539779.XA patent/CN111707985A/zh active Pending
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112285647A (zh) * | 2020-09-30 | 2021-01-29 | 中国船舶重工集团公司七五0试验场 | 一种基于稀疏表示与重构的信号方位高分辨估计方法 |
CN112285639B (zh) * | 2020-09-30 | 2023-10-27 | 中国船舶重工集团公司七五0试验场 | 一种基于十字形声压阵列的宽带信号方位估计方法 |
CN112285647B (zh) * | 2020-09-30 | 2023-10-27 | 中国船舶重工集团公司七五0试验场 | 一种基于稀疏表示与重构的信号方位高分辨估计方法 |
CN112285639A (zh) * | 2020-09-30 | 2021-01-29 | 中国船舶重工集团公司七五0试验场 | 一种基于十字形声压阵列的宽带信号方位估计方法 |
WO2022110833A1 (zh) * | 2020-11-30 | 2022-06-02 | 海南大学 | 一种基于嵌套交叉偶极子阵列的无网格单比特doa估计方法 |
CN112444773A (zh) * | 2020-11-30 | 2021-03-05 | 北京工业大学 | 基于空域融合的压缩感知二维doa估计方法 |
CN112948606A (zh) * | 2020-12-14 | 2021-06-11 | 西南交通大学 | 一种基于自适应网格的信号估计方法及装置 |
CN112948606B (zh) * | 2020-12-14 | 2022-10-21 | 西南交通大学 | 一种基于自适应网格的信号估计方法及装置 |
CN112763972A (zh) * | 2020-12-30 | 2021-05-07 | 长沙航空职业技术学院 | 基于稀疏表示的双平行线阵二维doa估计方法及计算设备 |
CN112800599B (zh) * | 2021-01-15 | 2022-04-15 | 吉林大学 | 一种阵元失配情况下基于admm的无网格doa估计方法 |
CN112800599A (zh) * | 2021-01-15 | 2021-05-14 | 吉林大学 | 一种阵元失配情况下基于admm的无网格doa估计方法 |
CN113050027B (zh) * | 2021-03-08 | 2023-09-19 | 浙江大学 | 一种幅相误差情况下基于稀疏重构的波达方向估计方法 |
CN113050027A (zh) * | 2021-03-08 | 2021-06-29 | 浙江大学 | 一种幅相误差情况下基于稀疏重构的波达方向估计方法 |
CN113281795A (zh) * | 2021-05-06 | 2021-08-20 | 国网福建省电力有限公司 | 基于北斗和超宽带***中联合稀疏恢复室内定位方法 |
CN113281795B (zh) * | 2021-05-06 | 2023-08-01 | 国网福建省电力有限公司 | 基于北斗和超宽带***中联合稀疏恢复室内定位方法 |
CN115267653A (zh) * | 2022-07-29 | 2022-11-01 | 青岛理工大学 | 一种基于互质阵列的近场源位置估计方法 |
CN115267653B (zh) * | 2022-07-29 | 2024-04-16 | 青岛理工大学 | 一种基于互质阵列的近场源位置估计方法 |
CN115792792A (zh) * | 2022-11-22 | 2023-03-14 | 中国人民解放军空军预警学院 | 极低样本下基于协方差矩阵迭代估计的测向方法与*** |
CN115792792B (zh) * | 2022-11-22 | 2023-10-27 | 中国人民解放军空军预警学院 | 极低样本下基于协方差矩阵迭代估计的测向方法与*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111707985A (zh) | 基于协方差矩阵重构的off-grid DOA估计方法 | |
Zhou et al. | Direction-of-arrival estimation for coprime array via virtual array interpolation | |
CN107544052B (zh) | 一种基于矩阵补全的二阶统计量重构doa估计方法 | |
CN110113085B (zh) | 一种基于协方差矩阵重构的波束形成方法及*** | |
Ren et al. | Sinusoidal parameter estimation from signed measurements via majorization–minimization based RELAX | |
CN110109050B (zh) | 嵌套阵列下基于稀疏贝叶斯的未知互耦的doa估计方法 | |
CN107037392B (zh) | 一种基于压缩感知的自由度增加型互质阵列波达方向估计方法 | |
CN110244272B (zh) | 基于秩一去噪模型的波达方向估计方法 | |
CN111337893A (zh) | 一种基于实值稀疏贝叶斯学习的离格doa估计方法 | |
CN107544051A (zh) | 嵌套阵列基于k‑r子空间的波达方向估计方法 | |
CN111239678A (zh) | 一种基于l型阵列的二维doa估计方法 | |
CN113673317B (zh) | 基于原子范数最小化可降维的二维离格doa估计方法 | |
CN113032721B (zh) | 一种低计算复杂度的远场和近场混合信号源参数估计方法 | |
Yang et al. | A variational Bayesian strategy for solving the DOA estimation problem in sparse array | |
Qi et al. | Time-frequency DOA estimation of chirp signals based on multi-subarray | |
CN113376569A (zh) | 基于最大似然的嵌套阵稀疏表示波达方向估计方法 | |
Zheng et al. | Sparse Bayesian learning for off-grid DOA estimation with Gaussian mixture priors when both circular and non-circular sources coexist | |
CN114884841A (zh) | 基于高阶统计和非均匀阵列的欠定参数联合估计方法 | |
CN108594165B (zh) | 一种基于期望最大化算法的窄带信号波达方向估计方法 | |
CN117092585A (zh) | 单比特量化DoA估计方法、***和智能终端 | |
Yang et al. | A correlation-aware sparse Bayesian perspective for DOA estimation with off-grid sources | |
CN116699511A (zh) | 一种多频点信号波达方向估计方法、***、设备及介质 | |
CN117420539A (zh) | 稀疏阵毫米波雷达频域波束降维快速联合超分辨估计方法 | |
Wu et al. | Grid-less DOA estimation of coherent sources based on the covariance matrix recovery | |
CN113093111B (zh) | 基于压缩感知和遗传算法的均匀圆阵解调二维相干信号方法及*** |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200925 |
|
WD01 | Invention patent application deemed withdrawn after publication |