基于高阶统计量的DOA估计

基于高阶统计量的DOA估计1．引言高阶统计量是指大于二阶统计量的高阶矩、高阶累积量以及它们的谱——高阶矩谱额高阶累积量谱这四种主要统计量。

高阶矩或高阶累积量是指阶数大于二的矩或累积量，高阶矩谱和高阶累积量谱是指相应的高阶矩或高阶累积量的多维傅里叶变换。

非因果、非最小相位系统和非高斯信号的主要数学分析工具是高阶统计量。

虽然在上世纪六十年代数学、统计学、流体动力学、信号处理和其他领域的研究人员就开始了对高阶统计量的研究，但真正的研究高潮是在上世纪八十年代后才形成的。

经过短短几年的发展，高阶统计量方法已在雷达、声纳、通信、海洋学、天文学、电磁学、等离子体、结晶学、地球物理、生物医学、故障诊断、振动分析、流体力学等领域获得了大量的应用。

尤其值得指出的是，高阶统计量理论的进展还带动了高阶循环统计量理论的诞生与发展，使得循环平稳信号分析与处理这一新领域得以问世。

在信号处理和系统理论等领域使用高阶统计量的主要动机与出发点可以归结为：（1）抑制加性有色噪声的影响；（2）辨识非因果、非最小相位系统或重构非最小相位信号；（3）抽取由于高斯偏离引起的各种信息；（4）检测和表征信号中的非线性以及辨识非线性系统；（5）检测和表征信号中的循环平稳性以及分析和处理循环平稳信号。

高阶统计量不仅可以自动抑制高斯有色噪声的影响，而且也能够抑制对称分布噪声的影响；高阶循环统计量则能自动抑制任何平稳（高斯与非高斯）噪声的影响。

高阶统计量之所以能够大大超越功率谱和相关函数，道理很简单：高阶统计量包含了二阶统计量没有的大量信息。

可以毫不夸张的说，凡是使用功率谱或相关函数进行过分析与处理，而又未得到满意结果的任何问题都值得用高阶统计量方法重新一试。

2. 渐进最小方差算法DOA估计MUSIC类算法已知在多个高斯源的情况下是渐进无效的。

最大似然估计虽然需要相当多的计算，但能够改进估计性能。

在非高斯情况下，最大似然估计取决于源信号的概率分布，它可能非常难实现。

阵列信号处理中的DOA （窄带）/接收过程中的信号增强。

空域参数估计：从而对目标进行定位/给空域滤波提供空域参(DOA)θ的函数，P(θ)./经典波束形成器 注，延迟相加法和CBF 法本质相同，仅仅是CBF 法的最优权向量是归一化了的。

CBF / Bartlett 波束形成器 CBF ：Conventional Beam Former ） 最小方差法/Capon 波束形成器/ MVDR 波束形成器MVDR ：minimum variance distortionless response ） Root-MUSIC 算法 多重信号分类法 解相干的MUSIC 算法 （MUSIC ） 基于波束空间的MUSIC 算法 TAM 旋转不变子空间法 LS-ESPRIT TLS-ESPRIT 确定性最大似然法（DML ：deterministic ML ）随机性最大似然法（SML ：stochastic ML ）最大似然估计法是最优的方法，即便是在信噪比很低的环境下仍然具有良好的性能，但是通常计算量很大。

同子空间方法不同的是，最大似然法在原信号为相关信号的情况下也能保持良好的性能。

阵列流形矩阵（导向矢量矩阵）只要确定了阵列各阵元之间的延迟τ，就可以很容易地得出一个传统的波达方向估计方法是基于波束形成和零波导引概念的，并没有利用接收信号向量的模型（或信号和噪声的统计特性）。

知道阵列流形 A 以后，可以对阵列进行电子导引，利用电子导引可以把波束调整到任意方向上，从而寻找输出功率的峰值。

①常规波束形成(CBF)法CBF法，也称延迟—相加法/经典波束形成器法/傅里叶法/Bartlett波束形成法,是最简单的DOA 估计方法之一。

这种算法是使波束形成器的输出功率相对于某个信号为最大。

（参考自：阵列信号处理中DOA估计及DBF技术研究_赵娜）注意：上式中，导向矩阵A表示第K个天线阵元对N个不同的信号s(i)示第i个信号s(i)在M个不同的天线上的附加权值。

DOA估计算法综述导向到达角（Direction of Arrival, DOA）估计是信号处理中一项重要的任务，它用于确定信号源的方向，广泛应用于无线通信、雷达、声学等领域。

在DOA估计中，主要的挑战是通过接收阵列的测量数据推断信号源的到达方向。

本文将对DOA估计算法进行综述，包括基于子空间和非子空间的算法。

基于子空间的DOA估计算法是最早应用于DOA估计的方法之一，它基于信号子空间和噪声子空间的分解来估计DOA。

其中，最著名的算法为MUSIC算法（Multiple Signal Classification），它通过对数据进行奇异值分解（SVD）得到信号子空间和噪声子空间，然后通过计算信号子空间与噪声子空间的角度来估计DOA。

MUSIC算法在低信噪比条件下有较好的性能，但在高噪声情况下容易受到干扰，且计算复杂度较高。

为了解决计算复杂度高的问题，提出了快速MUSIC算法（F-MUSIC）和加权MUSIC算法（W-MUSIC）等改进算法。

非子空间的DOA估计算法主要是基于滑窗和特定统计模型进行DOA估计。

基于滑窗的算法包括波达法（Beamforming），它通过将接收阵列的信号合成一个波束，使得波束指向信号源的方向来估计DOA。

波达法在较高信噪比情况下具有较好的性能，但在多源信号和近场源情况下容易出现混淆。

特定统计模型的DOA估计算法包括最大似然法（Maximum Likelihood, ML）和最小二乘法（Least Squares, LS）等，它们通过建立合适的统计模型来估计DOA。

最大似然法和最小二乘法能够达到较高的精度，但计算复杂度较高。

除了子空间和非子空间的算法，还有一些其他的DOA估计算法。

例如，一些基于神经网络的算法可以通过训练神经网络来对DOA进行估计。

此外，基于压缩感知理论的DOA估计算法也具有较高的估计精度。

压缩感知理论可以通过融合多个传感器的测量数据来提高DOA估计的性能。

阵列信号处理中的DOA估计算法摘要：本文简要介绍了阵列信号处理的基本知识和其数学模型，并且对阵列信号处理中很重要的来波方向（DOA）估计方法进行了比较，主要包括古典谱估计方法、Capon最小方差法、多重信号分类（MUSIC）算法以及旋转不变因子空间（ESPRIT）算法。

通过这些算法的介绍和比较，我们可以很方便地在不同的情况下选择不同的算法去对信号的来波方向进行估计。

关键词：阵列信号处理；来波方向（DOA）；MUSIC；自相关矩阵；特征分解；ESPRIT DOA Estimation Algorithms in Array Signal Processing Abstract：In this paper, we have introduced the basic knowledge and data model of array signal processing and have compared many DOA estimation methods in array signal processing，which included classical spectrum estimation method、Capon minimum variance method、MUSIC method and ESPRIT method。

Through the introduction and comparison of these algorithms，we can choose different algorithm to estimate the DOA of signal in different situation，conveniently。

Key word s：array signal processing；DOA；MUSIC；self-correction matrix；eigendecomposition；ESPRIT1.引言近几十年来，阵列信号处理作为信号处理的一个重要分支，在声纳、雷达、通信以及医学诊断等领域得到了相当广泛的应用和发展。

DOA估计算法范文DOA估计算法，即方向到达（Direction of Arrival）估计算法，是指通过接收信号的时间差或相位差等特征来估计信号源的方向。

在无线通信、雷达、声源定位等领域有着广泛的应用。

下面将介绍几种常见的DOA估计算法。

1. 波束形成算法（Beamforming）：波束形成算法是通过对阵列天线的信号进行加权叠加，使得特定方向的信号增强，从而实现方向估计。

常见的波束形成算法有波束赋形、波束扫描和波束跟踪等。

波束赋形算法通过设置天线权重来使得特定方向的信号增强，从而实现方向估计。

波束扫描算法通过改变接收阵列的指向角度，对波束进行扫描，然后找到最大方向响应以估计信号源的方向。

波束跟踪算法通过估计信号源的入射方向，然后使用自适应算法对波束进行调整，从而实现跟踪信号源的方向。

2. 最小均方误差算法（Least Mean Square algorithm）：最小均方误差算法是一种经典的自适应算法，用于估计信号源的方向。

它通过最小化接收信号与期望信号的均方误差来估计信号源的方向。

该算法具有简单、实时性强的特点，但对信号源进行估计时可能存在错误。

3. 最大似然估计算法（Maximum Likelihood algorithm）：最大似然估计算法是一种通过最大化接收信号的概率密度函数来估计信号源的方向的算法。

它假设信号源满足高斯分布，并通过观测信号的统计特性来估计信号源的方向。

该算法能够提供较为准确的方向估计，但计算复杂度较高。

4. MUSIC算法（MUltiple SIgnal Classification）：MUSIC算法是一种基于特征分解的DOA估计算法。

它通过对接收信号的协方差矩阵进行特征分解，然后通过特征值与噪声空间相关性的计算来估计信号源的方向。

MUSIC算法具有高分辨率、无需对信号源进行拟合等优点，但对噪声的统计特性要求较高。

5. ESPRIT算法（Estimation of Signal Parameters viaRotational Invariance Techniques）：ESPRIT算法是一种通过对接收信号的子空间进行分解来估计信号源方向的算法。

波达方向（DOA）估计方法的研究第22卷第1期2002年2月杭州电子工业学院JOL3~NALOFK.Lr’IGEHOUll’,b~r1%q’EOFELELq’RONICESG~!EEPdl’IC-波达方向(DOA)估计方法的研究刘顺兰(杭州电子工业学院通信工程分院,浙江杭州31(1037)摘要:本文在介绍传统的DOA估计技术基础上,针对其不足之处,介绍了近年来DOA估计中出现的新的信号处理技术,主要包括高阶累积量,高阶谱技术,时频分析技术,循环平稳信号分析与处理技术等,并介绍了这几种方法的主要基本思想及应用背景.最后给出了MUSIC算法,ESPRIT算法及基于累积量的DOA估计算法的仿真结果.美键词:渡达方向(DOA)估计;多信号分类算法;高阶统计量;时频分析;循环平稳信号中国分类号:TN91123文献标识码:A文章编号:1001—9146{2oo2)o]一01301～050引言波达方向(DOA,DirectionOf.~riva1)估计在无线电通信,雷达,声纳超分辨,地震探测,导航和医学等领域有着广泛的应用,一直是通信,雷达,声纳等领域研究的重点内容之一.经过多年的深入研究,DOA估计理论和技术得到了迅猛的发展,从Capon的高精度极大似然法(MLM)开始,DOA估计经历了两个飞跃:Sctmfidt的MUSIClt3(多信号分类)算法和Roy等人的ESPRIT[(旋转不变技术估计信号参数)算法开创了本征结构法的新纪元,成为DOA估计中最经典,最常用的方法.之后围绕这两种方法,国内外学者提出了许多改进方法(如root—MUSIC,TLS—ESPRIT等),这些方法具有良好的分辨率和相对较小的计算量.但这些传统子空间方法都仅使用了二阶统计量(阵列协方差矩阵),并在信号模型中都假设噪声是白噪声,信号是平稳信号且信号之间是互不相关的,当这些假设其中之一不满足时,传统方法因没有充分利用信号本身蕴含的一些非空域特征,因而其估计性能迅速下降.近l0年来,由于现代信号处理理论的迅速发展,高阶累积量,时一频分析,小波分析,循环平稳信号分析与处理都成为人们研究的热点,在很多领域都得到了广泛的应用.同样,这些理论和方法在DOA估计中也得到了广泛的应用.1传统DOA方法简介考虑采用M元天线阵列.若有D个窄带信号Sk(t)分别以DOA.fk=1,2,…,D)A射,计及测量嗓声和所有信号源的来波,则第i个阵元的输出信号为:【)_(t)e-jw(i1)(I)(1)式中:i1i(t)为测量噪声,所有标号i表示该量属于第i个阵元,标号k 表示第k个信号源,a为阵元收稿日期:2001一l0—22作者简介:TJ顺兰(1965一)女,江苏丹徒人,副教授,硕士,信号与信息处理杭州电子工业学院2602叠对第k个信号源信号的影响,设a=1,m为信号的中心频率,为载波波长.假定各阵元的噪声是零均值白噪声,方差为a2,且与信号不相关.将式1写成向量形式,可得阵列输出信号矩阵:x(t)=As(t)+N(t)(2)式中:X(t)=[x1(t).(t),…,(t)一-T,A=[a(o【),a(.2),…,a(0n)]S(t)=(t),s2(t),…,sn(t)N(t)=:n1(t),n2(t),…,nM(t)ITa():【l’e-,…,e一_1),一,:sin0kA为M×D维的阵列,其各列向量代表天线阵在观察平面内的某种观察特性,是待估参数0k的函数,可称之为阵列向量.X(T)的方差矩阵可写成:R,=E[X(t)X”(t)::ARA”+I(3)若D个窄带信号Sk(t)互不相关,为对角矩阵MUSIC算法通过将X(t)的协方差矩阵进行特征值分解,找出最小特征值的个数n,求出信号源的个数D来,即有D=M—n,同时求得的最小特征值也就是噪声功率.再利用已进行的特征值分解求出信号源的方向0.即将已求得的nE个最小特征值)’mln所对应的n 个相互正交的最小特征向量V.,i=D+1,…,M为列构造一M×(M—D)维噪声矩阵EN:EN=lV+】,VD+2,…VM(4)利用噪声子空间和信号子空间正交的关系,既在信号所在的方向上,有Ea(0)=0.实际做法之一是构造如下函数:1(.)丽1()连续改变0值,其最大值所对应的0就是信号源方向的估计值.ESPRIT类方法仅利用矩阵对的广义特征值来估计DOA.2基于高阶累积量,高阶谱的DOA估计基于信号高阶t大于二阶)累积量能够抑制任意加性高斯噪声的性质,使原有DOA估计算法适应的观测噪声扩展到高斯空间有色噪声或对称分布的非高斯空间有色及白噪声.目前基于高阶累积量,高阶谱的DOA估计国内外都已有一些研究成果J.如国外学者ForsterP.,NikiasCL.13J,PomtB,FriedlanderB.14等都提出了高阶累积量,高阶谱的空间信号DOA估计的一系列方法.国内刘若伦,王树勋,姚敏立,金粱,殷勤业等也都在这方面进行了一定的研究.在式1中,假设信号Sk(t)为零均值非高斯信号,信号之间统计独立;sk(t)的四阶累积量不为零.噪声n.(t)是零均值的高斯白噪声.则其中基于四阶累积量的MUSIC类算法如下:(1)首先计算x(t)的四阶累积量矩阵‰,其中:C4x(Ill1,啦,m3)=cum(x(n),x(n+m1),x(n+Ill2),x(n+Ill3))(6)r1『vP1(2)对四阶累积量矩阵c4x进行奇异值分解c4x=JUtuz]【J【J(3)保留所有对应零奇异值的左奇异矢量U,.(4)基于d(0)=l:a(0)国a(0)]=0,实际做法是构造一个函数P(0)=1/d(0),通过改变0值,搜索P(0)的最大值所对应的0就是信号源方向的估计值.3基于时一频分析的DOA估计在实际应用巾许多典型信号是非平稳的或谱时变的,如雷达中的线性调频信号,通信中的跳频信第l期刘顺兰:波达方向(DOA)估计方法的研究3号,移动信号源等,利用传统的DOA估计方法对这类信号进行估计,往往得不到良好的效果.众所周知联合时频分析是对非平稳信号或谱时变信号进行处理的有效手段.因此可以将时频分析的方法与阵列信号处理相结合,通过时频分布将信号变换到时频域,利用时变滤波提高空间谱估计方法的性能,使得DoA估计方法具有信号选择性以及更好的分辨力,抗各种干扰和有色/无色噪声的能力,并且既适用于平稳信号又适用于时变,非平稳信号.根据这一思想,国内外学者也展开了一些理论研究【”.如 A.BelouchrmliandM..~ninl提出了时一频MUSIC算法.K.Sekham,S.Nagaraj.:.D.Poeppel,andY.Mivashita提出了时一频MEG—MUSIC算法.国内学者金梁,殷勤业于2000年在电子上提出了一种基于信号空时特征结构的时频子空间拟台方法.下面对基于Wigner—Ville分布的时一频blUSIC算法作简单介绍实际信号x(f)的Wigaler—Vine分布定义为:f(t,f】_lx(t+)x(『_{)e出(7)对于非平稳的随机信号X(t),其时频分布可表示为数学期望的形式: f雨(L,f1:E[W(t,f1::E[1x(t+{)x(L一{)e-J出:I(L,r)ed(8)在信号模型式1中不需要假设各源信号是平稳的,但要求已知有用信号时频分布的先验知识且有用信号与其它信号具有不同的时频分布,其它假设条件与传统MUSIC算法相同.这时,阵列信号X(t)的时一频分布矩阵W(t,f)或W(t,f)进行特征分解后其形式与MUSIC 算法中的自相关阵的分解形式类似,固此.基于Wigner—V{l/e分布的时一频MUSIC算法的主要思想就是用时一频分布矩阵W(t,f)或宙(t.f)代替传统的阵列相关矩阵R,通过对W(t,f)或w(t,f)的特征分解得到信号的DOA估计.虽然双线性时频分析有不少优点,但它们具有交叉项或不能保证谱估计的正性,因此在研究过程中可通过时域加窗,频域加窗或时一频域同时加窗等来改善估计效果. 小波分析作为一种新的线性时一频分析方法,也是一种重要的非平稳信号分析与处理方法,在很多领域都得到了应用,目前已有小波分析用于谱估计方面的报道,但很少见.而直接用于DOA估计研究方面的报道几乎没有.4基于循环平稳特性的DOA估计方法通信,雷达,遥测和声纳等系统中,一一些人工信号是一类特殊的非平稳信号,它们的非平稳性表现为周期平稳性,即具有循环平稳特性.这些信号的数字特征是时间的周期函数.它们通常来自于扫描,调制,周期采样和多路传输.自从GARDENER首次提出循环平稳的概念以来,循环平稳统计量对噪声和干扰的特殊抑制作用,使得它逐渐成为信号处理领域中的新热点.为了在提取空间特性的同时充分利用信号的循环平稳特性,近年来人们开始将时空处理技术引入到DOA估中,并与传统方法相结合.提出了CyclicMUSIC,CyclicESPRIT和谱相关子空间拟合等方法由于不同信号的特征循环频率不同,因此这些方法在进行估计时具有选择信号的能力,从而能够大大提高算法的抗干扰能力,分辨力以及其它性能.若随机信号x(t)的k阶矩mk,x”‘是时间t的周期函数,其中,则Ir.,r2,7-k}则{x(t);为k阶循环平稳过程,其k阶a循环矩为:,1T:Mk,..=l寺∑t’Jlk.(t,r)e~p(一Jcttj(9j当k=2时,上式即为循环相关函数.同样,基于空间相关矩阵的特征结构法均可以直接应用于循环相关函数矩阵4杭州电子工业学院2002正5实验结果对MUSIC算法,ESPRIT算法和基于高阶累积量的DOA估计算法,用MA TL~kB编程来仿真这两种方法估计的结果.本次实验都是在均匀线性天线阵,阵元间隔为1/2载波波长即d=1/2k,附加噪声为高斯白噪声,信号源互不相关且和噪声不相关的条件下进行的.图1和图2是MUSIC算法估计的波达方位(角度),阵元数为8,信噪比为0dB,采样点数为4096.其中,图1是两个信号源的真实方位为[一15.,一25.]时的估计结果,结果为:一15.1.,一25.o.].图2是两个信号源的真实方位为[一15.,一25.]时基于高阶累积量估计的结果当阵元数分别取4,和8,信噪比分别取0dB和10dB,采样点数分别取1O24和4096时,经过30次MonteCarlo实验,MLSIC和ESPRIT这两种算法对信号源方位估计的平均结果见表1.通过比较可发现:总起来说,在给定条件下,MUSIC算法的估计结果比较接近真实值,误差较小,即NUSIC的估计性能较好,但是当阵元数取8时,ESPRIT算法的估计性能又优于MUSIC算法;信噪比的变化对估计结果的影响不大;采样点多时估计结果误差比较小.图1MUSIC算法估计的波达方位(度)图2基于高阶累积量估计的波达方位(度)表1MUSIC算法和ESPRIT算法对波达方向估计的结果阵元数方位1方位2算法信噪比(dB)采样点数NM—15.—25.4096一15.1533一24.8733O1O24一l53833—25.16671O4096一l5.1455—25.130OMUSIC1O24一l5.O625一25.【丌0O4096—15.1615一25.1o0O1024—15.1200—25.040O810—15.1125一25.1Oo01O24—15.100O—251000O4O96—l1.5746—28849441O24一l1.1291—28.35761O4o96一l1.4518—28.8521ESPRrr1O24—15.4622—28-864904096—15.0178—24.971081024—15.0148—24.96334096—15.0258—24.97091O1024一l5.O672—24.972O6结论鉴于将现代信号处理技术应用到DOA估计中的研究还处于起步阶段,本文从窄带信源模型角度出发,介绍了目前DOA估计技术的几种常用方法,尤其是近年来研究的新的信号处理技术,如高阶累积量,高阶谱技术,时频分析技术,循环平稳信号分析与处理技术等与传统特征分船法相结合的方法,并介第1期刘顺兰:波达方向(DOA)估计方法的研究5绍了这几种方法的主要基本思想及应用背景.这些新方法或多或少地克服了传统DOA估计方法的缺点.除上面介绍的方珐以外,还有将这些新技术应用于宽带信号源,相关信源等场合的DOA估计方法,在此不一一细述.参考文献:一1]SclmdtR0.MultpleGqfilterLocationandSignalParameterEstimation[Jj./E EETmns,AntermasPropngat,1986,AP一34:276—280:2]RoyR,aihth.ESPRIT—Asuhspaeerotationapproachtoesti mationofpar~aetersofcisoidsinnoise[J]IEEETramASSP,1986,34:134O一1342[3]ForsterP,NikiasCLBeatingEstimationinTheBispecmmlDomain[J_.Pr ocIEEE,1991,39(9):1994—2OO6[4]PoratB.Ffie~mlderB.Directionfi~ngalgorithmshasedo12kigher—ord erStatistics[J_IEEETranSP,1991,39(6):2016—2024.5]姚敏立,金粱,殷勤业.基于累积量的空间特征估计算法及其在智能天线中的应用[JI信号处理,2000,16(1):58—62.[6]MViberg,BOttersten.Sensorarmypnmessingbasedonsubspacem~gCJ] .IEEETram.SP,1991,39(5):1110—1121.[7]ABeJouchr~u,MAⅡ】irL Time—hqlceML’SIC:army1alpmee~ngmethodbasedonsi1alrepresentat ion[J].IEEEsiProeesslngLett,1999,6:109—111[8]JosephKennedv,MarkC,Sullivan.Dimc~onfindingand’$nla~mltemurs ’using$oft~flxeradiom}Ijures[J].IEEECommtm.Mag,1995,62—68.[9]Y uanjlnZheng,DmqdBHTay,LerninLiSilgalextractionaridpowerspect rumestimationusingwavelet∞scalespacefilte~ingandBayess|la[JJsi1alPmce~ing,2000:1535—154910]WA(dl1er.ExploitationofSpectralredundancyineydostatinnarysignal[ JJIEEESP.Magazine,1991:14—36.11]GXu,TKailafllDirection—of—arrivalesfinmhonviaexplocafionofcyc lostationary—Acombinationoftemporalandspalpro-cessing[J].IEEETramonSP,1992,4o(7):1775—1785.12]张贤达,保锋非平稳信号分析与处理[M.北京:国防工业出版社,19989AStudyofDirection—of—Arrival(DOA)EstimationLIAShun-lan(SchoolofCommurgxat~n驴,HangzhouInstituteofElectronicsEngineering,呐Zhejiang310037,)Abstract:thispaper,weintroduceconventionalDOAestimationted~iques.T oovercoltl~theirdisadvantage, werecommendseveralnewsignalprocessingmethodsofDOAestimationan dapplicationbackgrom~d.Thismethodsincludehigher-orderemnulant,higher—orderspectrumtechnigue,Time-ffe queneeanalysis,Cyclostafionarysial analysisandhandletechniqueetc..Finally,Wegivethecomputersimulationr esults.Keywords:DOAestimation;MUSIC;Hig)mr—orderStatistics;Time—fre quenceana1)~is:Cyclostafionatysig,~。