论文部分内容阅读
波达方向(DOA:Direction of Arrival)估计是阵列信号处理重要问题之一,主要研究天线阵列对信号空间参数进行准确估计的能力,在雷达、声纳和无线通信等各类军事和民用领域有广泛应用。通常,DOA估计问题围绕一维到达角估计问题展开,众多优秀超分辨估计方法相继被提出,如MUSIC,ESPRIT等。实际应用中,电磁信号在三维空间内的传播方向由二维到达角(2-D AOA:Two Dimensional Angle of Arrival)刻画,因而开展针对2-D AOA估计的研究更符合现实应用场景。若直接将一维DOA子空间估计方法推广至二维到达角参数估计,通常会导致计算负担增大、解决方案效率低、参数匹配等一系列问题。近年来,稀疏表示理论的发展促进了超分辨稀疏到达角估计方法的产生,提供了不同于传统子空间方法的到达角估计新思路,具备扩展到二维到达角估计问题且同时有效克服上述一系列问题的潜力。本文基于稀疏贝叶斯学习(SBL:Sparse Bayesian Learning)这种典型稀疏表示框架,围绕2-D AOA估计问题展开如下研究:1.针对2-D AOA角度匹配的问题,结合双平行阵结构模型和SBL算法,研究了一种可实现方位角和俯仰角自动匹配的2-D AOA估计方法,并通过与2-D MUSIC算法进行仿真对比说明该方法的有效性。为了达到更好性能,利用阵列输出协防差矩阵具有更大自由度和更高阵列输出信噪比的特点,将协方差矩阵重构形成的稀疏矢量模型与SBL算法结合,进行角度自动匹配的2-D AOA估计,通过仿真实验与基于原始数据模型的方法在求解精度、运行时间、分辨率方面进行比较。实验结果证明,基于协方差矩阵重构的SBL 2-D AOA估计算法拥有更高的求解精度。2.为考察不同协方差矩阵重构方式对算法性能的影响,形成具有块稀疏特性的协方差矩阵信号模型,将该模型与块稀疏贝叶斯学习(BSBL:Block SBL)相结合,进行角度自动匹配2-D AOA估计,并与基于原始数据模型和稀疏矢量模型的SBL2-D AOA估计方法做仿真对比,实验结果证明,不同构造方式下协方差矩阵重构模型与SBL相结合形成的算法在运行时间上呈现较大差异,但求解精度非常接近。3.为考察SBL算法与范数优化方法的性能差异,将不需要调用优化工具包的固定点迭代算法与阵列输出协方差矩阵重构信号模型结合,仿真对比该算法与相应模型下SBL 2-D AOA估计算法的性能。4.围绕稀疏DOA估计的off-grid问题,利用统计极大似然估计器获取更高精度估计值,并与基于泰勒级数展开的off-grid方法进行仿真实验对比。