论文部分内容阅读
信号到达角DOA(Direction of Arrival)估计是阵列信号处理ASP(Array Signal Processing)领域的重要研究内容之一,是基于空间谱估计理论实现的,目前已广泛应用于军事及民用各个领域。经典的DOA估计算法需要信号源数目的先验信息和大量多快拍数的采集数据,这些在实际工程中非常难以实现。贝叶斯压缩感知BCS(Bayesian Compressive Sensing)理论为DOA估计提供了一种全新的解决思路,该理论打破了Nyquist采样定理的限制,以数理统计理论来实现信号重构。论文主要研究基于BCS理论的DOA估计问题,以弥补传统经典DOA估计算法的不足。首先,选取窄带远场阵列信号DOA估计应用场景,建立两类DOA估计模型:一是源信号实际入射方向在采样网格点上,二是源信号实际入射方向不在采样网格点上。为了降低计算复杂度、提高算法性能,论文在两种现有DOA估计模型算法基础上分别做了迭代加速改进,可以将实际入射方向不在采样格点上的应用场景看作是在采样格点上的拓展,应用更广泛。论文对两种改进后的DOA估计算法分别进行仿真模拟,并在观测阵列大小、信源个数、信噪比、字典密度等方面同OMP(Orthogonal Matching Pursuit)算法、IRLS(Iterative Reweighed Least Squares)算法、SBL(Sparse Bayesian Learning)算法、SA_SBL(Support Knowlegde-aided Sparse Bayesian Learning)算法进行性能对比分析。最后,基于经典贝叶斯压缩感知DOA估计模型,结合实际工程应用,提出部分信源方向已知的DOA估计应用场景,针对该应用场景结合BCS理论引入标志位信息建立DOA估计模型。借鉴传统贝叶斯压缩感知思想和吉布斯采样理论设计G-SBL(Gibbs Sparse Bayesian Learning)算法,并详细讨论了G-SBL算法的原理及推导实现。论文对G-SBL算法进行了仿真实现,结果表明G-SBL算法对DOA估计问题求解性能更优。