基于压缩感知的高分辨DOA估计

基于压缩感知的无源雷达超分辨DOA估计王海涛;王俊【期刊名称】《电子与信息学报》【年(卷),期】2013(000)004【摘要】波达方向(DOA)信息是目标定位过程中一个非常重要的量。

但是在无源雷达中，目标回波通常掩盖在强直达波、多径干扰以及噪声的背景之下，因此很难对其进行DOA估计，特别是在多目标的情况下。

该文提出一种基于压缩感知的无源雷达超分辨DOA估计方法，为了消除直达波和多径干扰以及提高目标回波的信噪比，首先进行时域干扰相消和距离-多普勒2维相关处理，最后在目标对应的距离-多普勒单元处进行方位向压缩感知稀疏重构，以获得目标的DOA信息。

仿真分析表明，该文方法能够在无源雷达中进行有效的超分辨DOA估计。

%The informa tion of target’s Direction Of Arriving (DOA) is very important for target location. But in passive radar, the weak target echoes are usually embedded in the background of strong direct signal, multipath and noise. So it is very difficult to estimate the DOA of target in passive radar, especially when there are multiple targets. In this paper, a method based on compressed sensing is proposed to perform high resolution DOA estimation in passive radar. In order to remove the strong direct signal and multipath and improve the SNR of targets, first the temporal interference cancellation and range-Doppler 2D correlation are utilized. Finally, the signal of targets’ delay-Doppler bin is reconstructed according to DOA using reconstruction algorithm of compressed sensing. Simulation resultsshow that the proposed method can perform the super-resolution DOA estimation in passive radar.【总页数】5页(P877-881)【作者】王海涛;王俊【作者单位】西安电子科技大学雷达信号处理国家重点实验室西安 710071;西安电子科技大学雷达信号处理国家重点实验室西安 710071【正文语种】中文【中图分类】TN958.97【相关文献】1.基于压缩感知的无源雷达目标检测和方向估计 [J], 王海涛;王伟;符渭波2.基于压缩感知的无源雷达目标检测和方向估计 [J], 王海涛;王伟;符渭波;3.基于全变差和压缩感知的小带宽超分辨TOA估计 [J], 雷文华;胡海冰;周毅4.基于迭代超分辨的单快拍DOA估计方法 [J], 陈宝欣;黄勇;陈小龙;关键5.基于压缩感知的超分辨目标散射中心估计 [J], 晋本周;吴刚因版权原因，仅展示原文概要，查看原文内容请购买。

《大规模MIMO系统下基于压缩感知的DOA估计算法研究》篇一一、引言随着无线通信技术的飞速发展，大规模MIMO（Multiple Input Multiple Output）系统已成为5G及未来通信网络的关键技术之一。

在MIMO系统中，波达方向（Direction of Arrival，DOA）估计技术对于提高信号接收质量、增强系统性能至关重要。

然而，传统的DOA估计算法在面对大规模MIMO系统时面临着诸多挑战，如计算复杂度高、分辨率有限等问题。

因此，研究适用于大规模MIMO系统的DOA估计算法具有重要的理论意义和实际应用价值。

本文旨在研究大规模MIMO系统下基于压缩感知的DOA估计算法，以提高DOA估计的准确性和效率。

二、背景及现状分析大规模MIMO系统通过在基站和移动终端部署大量天线，显著提高了系统频谱效率和数据传输速率。

然而，这也使得传统DOA估计算法面临着更高的计算复杂度和更低的分辨率。

近年来，压缩感知理论为解决这一问题提供了新的思路。

压缩感知理论指出，在信号稀疏或可压缩的前提下，可以通过非线性优化算法从远低于传统采样定理要求的采样数据中恢复原始信号。

因此，将压缩感知理论应用于大规模MIMO系统的DOA估计中，有望降低计算复杂度并提高估计精度。

目前，基于压缩感知的DOA估计算法已成为研究热点。

然而，现有算法仍存在一定局限性，如对信号稀疏性的要求较高、对噪声敏感等。

因此，进一步研究适用于大规模MIMO系统的DOA估计算法具有重要意义。

三、算法原理及实现本文提出了一种基于压缩感知的大规模MIMO系统DOA估计算法。

该算法通过利用压缩感知理论，从少量采样数据中恢复出原始信号的波达方向信息。

具体实现步骤如下：1. 信号模型建立：根据大规模MIMO系统的特点，建立信号的稀疏表示模型。

该模型将信号表示为一系列基函数的线性组合，并利用稀疏性约束来描述信号的特性。

2. 采样数据获取：通过在基站部署大量天线接收信号，并采用压缩感知技术进行采样。

《大规模MIMO系统下基于压缩感知的DOA估计算法研究》篇一一、引言随着无线通信技术的快速发展，大规模MIMO（Multiple-Input Multiple-Output）系统因其能显著提高系统容量和频谱效率而备受关注。

在MIMO系统中，波达方向（Direction of Arrival，DOA）估计是一项关键技术，对于雷达、声源定位、无线通信等领域具有重要意义。

传统的DOA估计算法在处理大规模MIMO 系统时面临计算复杂度高、精度不足等问题。

近年来，压缩感知（Compressed Sensing，CS）理论为DOA估计提供了新的思路。

本文旨在研究大规模MIMO系统下基于压缩感知的DOA估计算法，以提高DOA估计的精度和效率。

二、压缩感知理论压缩感知理论是一种新型的信号处理技术，其核心思想是通过对稀疏信号的测量和重构实现信号的压缩与恢复。

在DOA估计中，压缩感知理论可以通过设计特定的测量矩阵，将高维的信号空间映射到低维的空间中，从而降低计算的复杂度。

同时，通过优化算法对低维信号进行重构，可以实现对信号源的精确估计。

三、基于压缩感知的DOA估计算法针对大规模MIMO系统的特点，本文提出了一种基于压缩感知的DOA估计算法。

该算法通过设计合适的测量矩阵，将接收到的信号进行压缩测量，然后利用优化算法对低维信号进行重构，实现DOA的精确估计。

首先，算法对接收到的信号进行预处理，提取出信号的特征信息。

然后，设计测量矩阵将高维信号映射到低维空间中，以降低计算的复杂度。

接着，利用优化算法对低维信号进行重构，实现对信号源的精确估计。

在优化算法中，本文采用了稀疏贝叶斯学习算法，通过迭代优化实现对信号的精确恢复。

四、算法性能分析本文对所提出的基于压缩感知的DOA估计算法进行了性能分析。

首先，通过仿真实验验证了算法在不同信噪比下的性能表现。

实验结果表明，在较低的信噪比下，该算法仍能实现较高的DOA估计精度。

其次，本文对算法的计算复杂度进行了分析。

一种基于压缩感知的目标DOA估计方法
郭艳芬;张红梅;冯素芬
【期刊名称】《北京工业职业技术学院学报》
【年(卷),期】2013(012)003
【摘要】对于水下目标的波达方向估计(DOA)问题,提出一种基于压缩感知的估计方法.压缩感知(CS)是近年来出现的一种新的数据获取方法,能以低于Nyquist的采样率对稀疏数据或可压缩数据进行采样并以高概率对采样数据恢复重构.以水下目标的方位信号为估计对象,采用CS的正交匹配跟踪(OMP)技术估计稀疏信号中能量较强的位置,从而实现对目标的定向.为了验证基于CS技术的DOA估计方法的性能,将其与传统的MUSIC算法进行了对比,仿真验证的结果表明,新方法在估计角分辨率和有效性方面均优于MU-SIC算法.
【总页数】5页(P58-62)
【作者】郭艳芬;张红梅;冯素芬
【作者单位】北京工业职业技术学院基础部,北京100042;哈尔滨工程大学自动化学院,黑龙江哈尔滨150001;北京工业职业技术学院基础部,北京100042
【正文语种】中文
【中图分类】U666.1
【相关文献】
1.基于压缩感知的非规则阵DOA估计方法 [J], 干练
2.一种鲁棒的压缩感知高分辨率DOA估计方法 [J], 王超宇;朱晓华;李洪涛;顾陈
3.基于贝叶斯压缩感知的子空间拟合DOA估计方法 [J], 孙磊;王华力;熊林林;蒋岩
4.基于时反-压缩感知的浅海目标DOA估计算法 [J], 国强; 赵莹
5.基于压缩感知的DOA估计方法研究 [J], 李新颖;彭静;蒋占军;宫玉芳
因版权原因，仅展示原文概要，查看原文内容请购买。

第十一届“挑战杯”大学生课外学术科技作品竞赛参赛作品基于压缩感知的DOA估计东北大学秦皇岛分校电子信息系CS战队摘要：阵列信号处理技术因其具有灵活的波束控制，较高的信号增益,较强的抗干扰能力和很好的空间分辨力等优点广泛应用于通信、雷达、声纳、定位等研究领域。

而传统的阵列信号处理技术是基于Shannon-Nyquist采样实现，所以在具体应用中阵列信号处理技术所面临的最主要问题是计算量大而难以实时实现。

而压缩感知（Compressive Sensing,CS）理论是在确知信号具有稀疏性或可压缩性的条件下对信号进行观测，只需少量的采样点（可远低于Shannon-Nyquist采样速率）就能精确或近似的重构出原始信号。

为此，本文将CS理论与空间谱估计的MUSIC算法相结合，给出MUSIC快速实现方法，即CS-MUSIC。

为复杂信号处理提供了有效的手段，为提高我国无线电测向技术以及侦察技术提供了强有力的理论依据以及确实可行的方案，对提高我国国防能力具有重要的军事意义。

关键词：压缩感知；稀疏表示；观测矩阵；MUSIC算法；DOA估计1.引言1.1 研究背景及意义阵列信号处理是信号分析与处理的一个重要分支，在通信、雷达、声纳、射电天文、地震、遥感、生物医学工程等领域有着广泛的应用，前期研究主要针对时域、频域的信号，近30年来随着研究范围的不断发展，人们对空域的信号越来越感兴趣，其主要问题即是空间谱估计，空间谱估计的主要任务是通过对多传感器所构成的阵列进行统计分析，估计信号空间分布的参数和信源的方向，而对波达方向的估计是其主要研究课题。

波达方向估计是波束方向图综合以及波束形成的基础。

信号波达方向的估计在当今的雷达和智能天线的设计等当中有着至关重要的作用。

自上世纪60年代以来，其经历了迅速的发展，从早期的基于子空间分析的多重信号分类算法（MUSIC）和旋转不变子空间算法（ESPRIT），到后来的基于高阶累积量、极大似然和波束域定向法，以及小波分析法等，发展到今天的以稀疏分解为思想的信号分析方法。

基于压缩感知DOA估计的稀疏阵列设计随着通信技术和信号处理技术的发展，阵列信号处理技术在雷达信号处理、无线通信、声学定位等领域得到了广泛应用。

阵列信号处理技术主要通过阵列中多个接收元件采集信号，并利用信号的时延、幅度和相位差异进行测量和分析，从而达到空间滤波、波束形成、方向估计等目的。

基于压缩感知的DOA估计是一种新兴的阵列信号处理技术，具有高精度、高可靠性、低计算复杂度等优点。

其主要思想是基于稀疏表示，通过对信号进行低维压缩，从而达到减少测量数据量的目的，并可在保持精度的前提下降低计算复杂度。

在基于压缩感知DOA估计中，稀疏阵列设计是关键。

稀疏阵列是指阵列中仅有少数接收元件采集信号，并通过稀疏表示方法恢复出完整的信号。

通过合理的稀疏阵列设计，可以大大减少采集的信号量，从而缩短信号处理时间和减少能量消耗。

稀疏阵列设计的关键在于选择合适的接收元件。

传统的阵列设计主要依赖于球面阵、柱面阵等几何结构，在性能上存在一定局限性。

而对于基于压缩感知DOA估计的稀疏阵列设计，更需要考虑元件之间的相关性和稀疏性。

因此，可以采用配对相消和最大MIMO等技术进行设计。

配对相消技术是指将对称、对称度较高的接收元件进行配对，使得元件之间的相互干扰尽可能减小，从而提高系统性能。

最大MIMO技术可以通过优化接收元件间距和方向，最大化阵列的稀疏度和接收机的信噪比，从而达到DOA估计的最优结果。

总之，基于压缩感知DOA估计的稀疏阵列设计是一项研究的热点和难点，其关键在于合理选择接收元件，并进行优化，达到尽可能减少信号采集数据量的目的。

在未来的研究工作中，还需要进一步探索稀疏阵列的设计和优化方法，不断提高其性能和应用范围。

程序可运行,有图有真相，MATLAB得事先装好cvx优化包。

clc;clear;close;lambda=1;d=lambda/2; %阵元间距离，取为入射波长的一半K=500; %采样快拍数theta=[-5 10]; %入射角度SignalNum=length(theta); %入射信号数量Nnum=5; %%阵列阵元数量SNR1=-10; %%信噪比Aratio=sqrt(10^(SNR1/10)); %信号幅度与噪声幅度比值，并假设信号幅度为1Fs=5*10^3; %信号频率Fc=[2*10^3,5*10^3,8*10^3]; %入射信号频率fs=20*10^3;thetatest=(-90*pi/180:1*pi/180:90*pi/180); %theta角度搜索范围thetanum=length(thetatest);%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%计算信号协方差矩阵%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%T_Vector=(1:K)/fs;A=zeros(Nnum,SignalNum);SignalVector=zeros(SignalNum,K);%NoiseVector=zeros(Nnum,K);Xt=zeros(Nnum,K);%%构造A矩阵for k2=1:SignalNumfor k1=1:Nnum %1:12At(k1)=exp(j*(k1-1)*2*pi*d*sin(theta(k2)*pi/180)/lambda);A(k1,k2)=At(k1);endend%%%构造信号矩阵和噪声矩阵for k1=1:SignalNumSignalVector(k1,:)=exp(j*2*pi*Fc(k1).*T_Vector); %信号endXtt=A*SignalVector;%NoiseVector=sqrt(0.5)*(randn(Nnum,K)+j*randn(Nnum,K));for kk=1:NnumXt(kk,:)=awgn(Xtt(kk,:),SNR1,'measured');endRx=(Xt*Xt')./K;Rs=(SignalVector*SignalVector')./K;sigm_s=Rs(:,1);% %%%%%%%%%%%%%%%%%%%%%%%%%%-----特征值分解----%M%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%[V, D] = eig(Rx); % X*V = V*DDD = diag(D); % 对角阵变矢量% [DD idx] = sort(DD, 'descend'); % 按从大往小排序特征值Un = V(:, 1:Nnum-SignalNum); % 噪声子空间Us = V(:, Nnum-SignalNum+1 : end); % 信号子空间e1=[1,zeros(1,Nnum-1)].';sigm_n=min(DD); %最小特征值^作为的估计I=eye(Nnum);for k1=1:thetanumAtemp0=exp(j*2*pi*d/lambda*sin(thetatest(k1))*[0:Nnum-1]).';S(k1)=1/(Atemp0'*Un*Un'*Atemp0);endfigure(1)plot(thetatest.*180./pi,10*log10(abs(S)/(max(abs(S)))));%输出功率（dB）grid on;grid on;title('Music')xlabel('方位角（度）')ylabel('输出功率（dB）') %%%%%%%%%%%%%%%%%%%%%%%%%%----构造--G--selection矩阵%%%%%%%%%%%%%%M=Nnum;G=zeros(M*M,2*M-1);J0=eye(M);G(:,M)=J0(:);%for k=1:M-1for i=1: M-1J=[zeros(M-i,i),eye(M-i);zeros(i,i),zeros(i,M-i)];G(:,M-i)=J(:);J1=J';G(:,M+i)=J1(:);end%%%%%%----Bthita------%%%%Bthita=zeros(2*M-1,thetanum);Bt=zeros(1,2*M-1);for k2=1:thetanum %相当于文章thita1---thitaQfor k1=1:MBt(1,k1+M-1)=exp(-j*(k1-1)*2*pi*d*sin(thetatest(k2))/lambda);Bt(1,k1)=exp(j*(M-k1)*2*pi*d*sin(thetatest(k2))/lambda);Bthita(:,k2)=Bt';endend%%%----u---K稀疏矢量----u=zeros(1,thetanum);for z=1:SignalNumu(1,theta(z)+ 90+1)=sigm_s(z); %应该是等于sigm^2,每个信号的噪声方差endu=u';%%%%%%%%%%%%%%%%%%%%%%%%%%----cvx运算-------%%%%%%%%%%%%%%%%%%%%%y=Rx(:);W12=sqrt(K)*(kron((Rx^(-0.5)).',Rx^(-0.5)));Q=W12*G*Bthita;S1=W12*(y-sigm_n*I(:))-Q*u;u2=2;beita=sqrt(chi2inv(0.999999,M*M)); %卡方分布M*Mcvx_beginvariable u2(181,1)minimize( norm(u2,1))subject toS=W12*(y-sigm_n*I(:))-Q*u2;% S=y-G*Bthita*u2-sigm_n*I(:);norm(S) <=beita ;cvx_endfigure()plot(-90:1:90,u2);%-----------------------------------------------------------------------。

第一章绪论第一章绪论１．１课题研究的意义用传感器对辐射源进行测量和定位，是信号处理领域研究的一个热点和难点，尤其是在军事领域有着重要应用。

２０世纪后期以来国际战争呈高技术局部性形态，电子战是其一大特点。

从海湾战争以来，美国在电子战领域的优势，让其在局部战争里得尽天时，可以想象电子战将成为未来战争的主战场之一，它将先于战争开始并贯穿于整个战争的始末，电子战的成败对整个战争的胜负起关键性作用。

可谓谁取得了电子战的优势，谁就在这场战争中有了优先权。

确定空间信号的波达方向对辐射源头进行定位是战场预警的一个重要环节，是取得战场控制权的一个重要前提。

所以信号的波达方向估计研究具有重要的研究价值，是国内外极为重视的课题。

早期的测向技术因为停留在模拟或机械转动上，无法得到理想的测量精度，整个应用发展缓慢。

直Ｎ－－战末期，阵列信号处理技术被应用到侧向中，使其在近三十年来得到迅猛发展。

阵列信号处理顾名思义，就是将多个设置在空间的传感器组成一个阵列，然后对空间的信号场进行接收，得到信号源的空间离散数据，通过对阵列接收的信号进行处理，增强感兴趣的目标信号，抑制干扰和噪声，从而提取阵列接收信号及其特征信息与参数【ｌ。

】。

与传统的单个定向传感器接收方式相比，传感器阵列具有灵活的波束控制、较高的信号增益、极强的干扰抑制能力和很好的空间分辨能力等多种优点。

阵列信号处理有两个主要的研究方向：白适应空域滤波和空间谱估计。

其中空间谱估计在近３０年内取得了飞速发展，空间谱估计的研究侧重于空间多传感器阵列所构成的处理系统对感兴趣的空间信号的多种参数进行准确估计的能力，其主要目的就是估计信号的空域参数和信源位置。

其中最为典型的算法就是多重信号分类算法（ＭＵＳＩＣ）和旋转不变子空间算法（ＥＳＰＲＩＴ），它们都是根据阵列接收信号数据的统计特性来进行波达方向估计，需要大量快拍数据来作为计算支撑。

而且这两种算法对噪声相当敏感，需要信号有较高的信噪比，这些缺陷使其的应用有了限制。

基于压缩感知的DOA估计稀疏化模型与性能分析林波;张增辉;朱炬波【摘要】利用压缩感知理论解决阵列信号到达角(DOA)估计问题，具有对快拍数据量要求低、可处理相关源等优点。

将压缩感知理论应用于信源DOA估计的一个关键问题是建立信源信号的稀疏化模型。

该文在均匀线阵模型下系统分析了角度划分对DOA估计稀疏重构性能的影响，从对相关性的分析出发给出了信号的最优稀疏化模型。

分析结果表明在实际应用中基于信源信号等正弦空间稀疏化的重构模型是最优的。

实验对比了新的稀疏化模型与传统的等角度划分方式得到的流形矩阵的可重构性能，并进行了关于信号重构和信源DOA估计的详细实验分析，验证了所提模型的优越性。

%The method of Direction-Of-Arrival (DOA) estimation of array signals based on Compressive Sensing (CS) theory has advantages such as fewer snapshots requirement and the capacity of dealing with the coherent sources. Exploiting the CS theory on DOA estimation, one of the key issues is to construct the sparsity model of source signals. This paper proposes the systemic analysis about how the way of space-partition affects the performance of DOA estimation, and presents a new optimal sparse reconstruction model based on space-partition with equal sine interval through the analysis about coherence. The theoretical result shows that the reconstruction model based on the manifold matrix with equal sine interval is the best model in the practical application. Finally the experiments compare the reconstruction performance of the manifold matrix with equal sine interval with that of the manifold matrix with equal angle interval. This paper provides the experiment results about theperformance of signal reconstruction and DOA estimation, respectively. The advantage of the presented sparsity model is verified.【期刊名称】《电子与信息学报》【年(卷),期】2014(000)003【总页数】6页(P589-594)【关键词】压缩感知(CS);稀疏化模型;到达方向(DOA)估计;相关性【作者】林波;张增辉;朱炬波【作者单位】国防科技大学理学院长沙 410073;国防科技大学理学院长沙410073;国防科技大学理学院长沙 410073【正文语种】中文【中图分类】TN911.7阵列信号到达角(Direction-Of-Arrival, DOA)估计是阵列信号处理领域的关键问题，在雷达、通讯、地震等众多领域有广泛应用。

基于压缩感知的高分辨DOA估计
贺亚鹏;李洪涛;王克让;朱晓华
【期刊名称】《宇航学报》
【年(卷),期】2011(032)006
【摘要】研究基于压缩感知的多目标DOA估计问题.利用空间目标空域的稀疏性,提出一种新的DOA压缩感知模型,其感知矩阵满足约束等容(RIP)条件.提出一种基于奇异值分解的多测量矢量欠定系统正则化聚焦求解(SVD-RMFOCUSS)算法.该算法在一定程度上克服了压缩感知重构算法无法用于低信噪比情况缺陷,且具有较低的运算复杂度.计算机仿真表明该算法性能优于传统DOA估计算法,能够对任意相关性的信号进行有效DOA估计,具有更高的角度分辨力及估计精度.
【总页数】6页(P1344-1349)
【作者】贺亚鹏;李洪涛;王克让;朱晓华
【作者单位】南京理工大学电子工程与光电技术学院,南京210094;南京理工大学电子工程与光电技术学院,南京210094;南京理工大学电子工程与光电技术学院,南京210094;南京理工大学电子工程与光电技术学院,南京210094
【正文语种】中文
【中图分类】TN911.7
【相关文献】
1.一种鲁棒的压缩感知高分辨率DOA估计方法 [J], 王超宇;朱晓华;李洪涛;顾陈
2.基于稀疏重建和压缩感知波束形成的高分辨DOA估计 [J], 陈玉凤;黄建国;苏建
军
3.基于压缩感知的无源雷达超分辨DOA估计 [J], 王海涛;王俊
4.基于压缩感知的单端口高分辨率DOA估计 [J], 李翔;李洪涛
5.基于压缩感知理论的二维DOA估计 [J], 窦慧晶;梁霄;张文倩
因版权原因，仅展示原文概要，查看原文内容请购买。

基于稀疏重建和压缩感知波束形成的高分辨DOA估计陈玉凤;黄建国;苏建军【期刊名称】《鱼雷技术》【年(卷),期】2013(000)002【摘要】利用空域目标的稀疏性，建立了基于正弦域的 DOA 压缩感知模型，并根据压缩感知理论设计了一种随机压缩采样方式，从而构造了一种新的测量矩阵。

同时将普适的高斯随机测量矩阵进行近似 QR 分解得到新的测量矩阵，使得该矩阵具有更好的约束等容(RIP)常数。

应用新构造的测量矩阵，采用奇异值分解(SVD)提取信号子空间，得到低维形式的接收数据矩阵，从而提出了2种不同类别的DOA 估计算法：基于 QR 分解和奇异值分解的多测量矢量欠定系统正则化聚焦求解算法(QR-SVD-MFOCUSS)和压缩感知波束形成算法(RSVD-CSB、QRSVD-CSB)。

与多测量矢量欠定系统聚焦求解(MFOCUSS)等算法相比，QR-SVD-MFOCUSS 算法在低信噪比条件下适用且运算量显著降低；与传统的最小方差无畸变响应(MVDR)算法和压缩感知(CS)波束形成算法相比，基于随机测量矩阵和奇异值分解的压缩感知波束形成算法(RSVD-CSB)和基于 QR 分解测量矩阵和奇异值分解的压缩感知波束形成算法(QRSVD-CSB)算法具有更高的角度分辨率、更低的均方根误差及更优的估计性能等。

【总页数】6页(P110-114,131)【作者】陈玉凤;黄建国;苏建军【作者单位】西北工业大学航海学院，陕西西安，710072;西北工业大学航海学院，陕西西安，710072;西北工业大学航海学院，陕西西安，710072【正文语种】中文【中图分类】TJ630.34;TN911.7【相关文献】1.一种基于波束域最大非冗余矩阵的四阶高分辨DOA估计算法 [J], 杜金香;冯西安;杜金燕2.基于压缩感知的波束域DOA估计 [J], 房云飞;王洪雁;裴炳南3.基于压缩感知的高分辨DOA估计 [J], 贺亚鹏;李洪涛;王克让;朱晓华4.基于压缩感知的无源雷达超分辨DOA估计 [J], 王海涛;王俊5.基于压缩感知的单端口高分辨率DOA估计 [J], 李翔;李洪涛因版权原因，仅展示原文概要，查看原文内容请购买。