论文部分内容阅读
目前阵列测向系统面临低信噪比、相关信号、多径效应等复杂环境,传统测向方法,如子空间类方法,已经难以实现准确测向。现有基于信号空域稀疏性的稀疏重构方法表现出一些显著的优势,但是这些稀疏重构方法受到一些因素的限制,存在一定的缺陷。本文基于信号空域稀疏性,通过稀疏贝叶斯框架研究点源中相关信号和分布源中相干分布源的快速高精度DOA估计问题。主要研究内容和创新如下:1、研究相关信号的点源稀疏表示模型及传统的相干分布源模型。分析基于0?范数的稀疏重构和最大后验概率估计的内在联系;着重探讨了贝叶斯方法中的稀疏贝叶斯学习方法,给出其理论框架,并分析了贝叶斯方法在阵列测向方面的相关性质。2、基于稀疏贝叶斯框架,提出基于阵列二阶项的DOA估计方法。通过协方差差分技术抑制噪声影响,使用一种新的空域采样方式形成过完备字典,并将其转化为稀疏模型。在稀疏贝叶斯学习的基础上,通过有效的DOA搜索方法估计DOA。给出了所提方法的计算复杂度分析,并与L1-SVD等方法进行了性能对比分析,验证了所提方法的正确性和有效性。3、在波束空间,提出一种基于稀疏贝叶斯学习的快速高精度DOA估计方法。将阵列输出映射到波束空间,通过较大角度间隔的过完备字典稀疏表示协方差。联合稀疏贝叶斯学习和DOA精细化估计方法进行点源相关信号的高精度DOA估计。给出了协方差稀疏表示通过增加快拍数提高信噪比的可行性分析及所提方法的计算复杂度分析,并与L1-SRACV等方法进行了性能对比分析,验证了所提方法的正确性和有效性。4、提出一种基于稀疏贝叶斯学习的一维相干分布源参数估计方法。建立相干一维分布源的稀疏表示模型,通过对空域和角度扩展域进行采样形成广义阵列流行矩阵。在此基础上,提出基于稀疏贝叶斯学习的相干分布源参数估计方法,通过粗估计和精估计获得分布源的角度参数估计。给出了所提方法的计算复杂度分析,并与DSPE等方法进行了性能对比分析,验证了所提方法的正确性和有效性。