论文部分内容阅读
目标角度估计是信号处理领域的重要研究内容之一,其主要包括发射角(Direction of Departure,DOD)和接收角(Direction of Arrival,DOA)的估计。传统的目标角度估计算法大多基于子空间理论(如,MUSIC,ESPRIT),为了获得较好的估计精度,子空间算法需要精确估计接收数据的协方差矩阵、噪声子空间及信号子空间。在快拍数较少或信噪比较低的情况下,子空间算法的估计性能明显下降。稀疏贝叶斯学习方法由于不需要估计协方差矩阵,且对噪声和快拍数敏感度低,弥补了子空间类算法的不足。近年来,国内外学者提出了大量基于稀疏贝叶斯学习的目标角度估计算法,然而,现有方法在应用到嵌套(nested)阵列和二维角度估计时都存在较大缺陷:1)基于稀疏贝叶斯学习的nested阵列目标角度估计算法存在阵列孔径损失和离格误差的缺点;2)由于原始稀疏贝叶斯方法二维网格过密且计算繁琐无法直接应用到二维目标角度联合估计中。针对这些问题,本文的主要研究内容如下:针对现有的nested阵列稀疏贝叶斯算法存在阵列孔径损失和离格误差的问题,提出了一种新型的基于off-grid稀疏贝叶斯学习的nested阵列DOA估计算法。该算法利用全部虚拟信号向量进行DOA估计,有效避免了阵列孔径的损失并极大简化了对协方差矩阵误差的处理过程,降低了计算复杂度。该算法通过建立一个新的数据模型,将噪声看作未知信号的一部分,实现了对噪声方差的自动估计。另外,提出了一种新的网格更新方式,即将网格点看作可变参数,通过迭代逐渐减小离格误差。仿真结果表明该算法可以有效实现DOA的准确估计,特别是在网格间距较大时依然有良好的估计性能。针对传统稀疏贝叶斯学习方法对二维角度估计不适用的问题,提出了一种基于off-grid稀疏贝叶斯学习的二维目标角度联合估计算法。所提算法采用较少网格点的同时应用了off-grid技术,解决了二维网格过密无法应用的缺陷,极大降低了阵列流型字典矩阵的维数及其各列相关性,同时减小计算量。利用期望最大化(EM)算法分别估计DOD和DOA对应的离格误差,减小两者之间的相互影响。此外,该算法将所提新的网格更新方式扩展应用到二维角度估计中,提高了DOD和DOA估计的准确性,并且估计出的DOD和DOA能够自动匹配,从而实现稀疏贝叶斯学习算法在二维角度估计中的应用。仿真结果证明,该算法能够有效提高DOD和DOA的估计准确度并且其空间分辨率和估计精度都优于传统算法。