论文部分内容阅读
作为阵列信号处理理论的重要研究方向之一，信号波达角度（Direction ofArrival，DOA）估计广泛应用于军事及国民经济各个领域。经典DOA估计算法需要信号源数目的先验知识和多快拍数的采样数据，这在实际应用环境中较难实现，且当辐射信号源具有相关性时，经典算法的估计性能急剧下降甚至完全失效。贝叶斯压缩感知（Bayesian Compressive Sensing, BCS）为阵列信号DOA估计提供了一个新的解决思路，该理论突破了Nyquist采样定理的瓶颈，以基于统计模型的思想实现信号重构。本文主要研究基于BCS的DOA估计，以克服传统经典算法的不足。首先，结合窄带远场阵列信号DOA估计模型，分别构建了两类基于BCS的DOA估计：一是实现实时估计的单快拍模型；二是获取高分辨的多快拍模型，在此基础上为了降低计算复杂度研究讨论了对应的快速算法。由于噪声参数的辨识性作用显著影响算法性能，为了改善这一缺陷，提高算法的鲁棒性，进一步研究了修正的贝叶斯压缩感知理论。基于以上估计模型，分别从信噪比、信号源角度间隔、阵元数、快拍数、相干信号源场景和计算复杂度六个方面仿真分析比较了经典MUSIC算法、正交匹配追踪（Orthogonal Matching Pursuit，OMP）算法以及BCS算法的估计性能。最后，从信号源稀疏表示和超参数先验分布两个方面对BCS算法进行改进，分别得到两类改进算法：（1）基于等正弦网格划分的改进算法，理论证明了同传统等角度划分方式相比，基于等正弦网格划分对应的阵列流形矩阵具有更优的不一致性(Mutual Incoherence Property, MIP)。（2）基于Laplace先验的BCS-DOA估计，分别构建了基于Laplace先验的单快拍和多快拍条件下的DOA估计模型。在此基础上，从仿真分析的角度验证了两种改进算法的DOA估计性能优于原始BCS算法，表明了两类改进算法的可行性。