一种基于稀疏表示的DOA估计新方法

基于稀疏重建的信号DOA估计任肖丽;王骥;万群【摘要】从稀疏信号重建角度提出了一种改进的波达方向（DOA）估计方法。

由于最小冗余线阵（MRLA）能以较少的阵元数获得较大的阵列孔径，将MRLA与ℓ1-SVD方法相结合估计信号的DOA。

仿真结果表明，经多次实验验证，所提方法是有效的，相比ℓ1-SVD方法可以估计出更多信源的DOA，并且可以用较少的阵元数估计更多的信源DOA，具有信源过载能力。

%This paper proposes a modified Direction of Arrival(DOA)estimation method based on Minimum Redundancy Linear Array(MRLA)from the sparse signal reconstruction perspective. According to the structure feature of MRLA that obtaining larger antenna aperture through a smaller number of array sensors, MRLA is combined with ℓ1-SVD method to estimate signal DOAs. Simulations demonstrate that the proposed method is effective, and compared with ℓ1-SVD meth-od it can estimate more DOAs of signal source, and it is capable of estimating more DOAs with fewer antenna elements.【期刊名称】《计算机工程与应用》【年(卷),期】2015(000)001【总页数】6页(P195-199,217)【关键词】波达方向(DOA);稀疏信号重建;最小冗余线阵(MRLA);ℓ1-SVD【作者】任肖丽;王骥;万群【作者单位】广东海洋大学信息学院，广东湛江 524088;广东海洋大学信息学院，广东湛江 524088;电子科技大学电子工程学院，成都 611731【正文语种】中文【中图分类】TN911.71 引言源定位是信号处理领域的主要目的之一，利用传感器阵列可以将其转换成DOA估计。

一种基于稀疏表示的DOA估计新方法张天恒;季华益;曾德国【摘要】提出了一种基于空间频率稀疏表示的宽带波达方向DOA估计方法.首先利用空间频率构建过完备字典,以代替传统的频率和角度的二维字典,大大缩小了字典长度.然后对接收到的数据进行傅里叶变换,建立稀疏模型进行DOA估计,提高了算法在低信噪比下的性能.经验证,该算法可对宽带范围内的多个窄带信号及宽带信号进行高精度DOA估计,且适用于非相干信号和相干信号.【期刊名称】《航天电子对抗》【年(卷),期】2014(030)001【总页数】4页(P51-54)【关键词】空间频率;窄带;宽带;DOA;稀疏表示【作者】张天恒;季华益;曾德国【作者单位】中国航天科工集团8511研究所,江苏南京210007;中国航天科工集团8511研究所,江苏南京210007;中国航天科工集团8511研究所,江苏南京210007【正文语种】中文【中图分类】TN970 引言对辐射源进行精确的测向定位是现代战争中的重要作战环节之一，因此，波达方向（DOA）估计理论和算法的研究具有极大的军事应用价值［1］。

实际的测向装备面临的是一个很宽的频段，同时空间中本身包含着诸如线性调频、扩频等宽带信号，如何对这些信号的DOA进行高精度的估计是一个巨大的挑战。

目前经典的DOA估计方法是基于阵列的空间谱估计法。

以MUSIC为代表的信号子空间算法使测向定位技术突破了分辨率的限制，但该算法有计算量大、在低信噪比条件下性能不佳等缺点，且该算法不能直接对相干信号进行处理，而利用空间平滑的方法解相干则会损失一定的阵列孔径［2］。

与经典的谱估计法相比，基于稀疏表示的DOA估计法具有很高的估计精度，无需任何预处理，并可直接应用于相干信号，因而得到了国内外学者的广泛关注。

Malioutov等［3］提出了利用频率和角度构建联合字典的方法。

但该方法随着频段的展宽，字典的长度随之增加。

这一方面增加了计算量和存储量；另一方面，在宽频段范围内很难保证字典内没有相同的元素，当存在相近的元素时，字典的相干性不能满足，稀疏分解的精度急剧下降。

采用信号子空间稀疏表示的DOA估计方法解虎;冯大政;魏倩茹【摘要】Using the spatial sparsity of the source signals,a direction of arrival (DOA)estimation method is proposed based on the sparse representation of multiple measurement vectors (MMV).First,the signalsub-space is estimated by taking the left singular eigenvectors of the samples matrix corresponding to the big singular eigenvalues.Then the new re-weighted iterative minimum variance (RIMV)method is adopted to the signal subspace to determine the DOA of the targets.In addition,sinceit does not utilize the statistic information like the conventional high-resolution methods do,the proposed method can effectively distinguishthe signal sources with any coherence without decorrelation processing.Experimental results show that the method can exactly es-timate the DOA of source signals and bring a great computation reduction.%利用目标辐射源空间分布的稀疏性，提出了一种基于稀疏表示的多快拍联合波达方向（direction of arrival，DOA）估计方法。

基于稀疏谱匹配的高分辨DOA估计方法
陈建;田野;孙晓颖
【期刊名称】《北京理工大学学报》
【年(卷),期】2016(36)10
【摘要】针对迭代加权最小二乘类稀疏重构算法性能易受过完备基条件数影响的缺陷,提出了一种基于稀疏谱匹配的高分辨DOA估计新方法.对过完备基进行奇异值分解,采用TSVD方法剔除较小奇异值对应的特征向量,获得一个良态矩阵,并用此矩阵替代的过完备基矩阵,采用lp范数约束正则化FOCUSS算法进行稀疏重构,解决了因网络划分过细造成的过完备基条件数过大带来的病态问题,并用粗、细两步网格划分来降低算法的复杂度.仿真结果表明,相对于MFOCUSS方法,本文方法不仅具有较低的计算复杂度,而且具有更高的分辨率和噪声鲁棒性.
【总页数】5页(P1043-1047)
【关键词】DOA;稀疏重构;过完备基;FOCUSS;奇异值分解
【作者】陈建;田野;孙晓颖
【作者单位】吉林大学通信工程学院;燕山大学信息科学与工程学院
【正文语种】中文
【中图分类】TN911.7
【相关文献】
1.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
2.基于稀疏谱拟合的超分辨方位估计 [J], 郭晓明;吴姚振;乔正明
3.基于稀疏和低秩恢复的稳健DOA估计方法 [J], 王洪雁; 于若男
4.基于改进稀疏度自适应匹配追踪算法的压缩感知DOA估计 [J], 窦慧晶;肖子恒;杨帆
5.基于频域聚焦和稀疏表示的宽带信号DOA估计方法 [J], 吴钊君;杨磊;胡东;颜振亚;史建涛
因版权原因，仅展示原文概要，查看原文内容请购买。

一种基于预估计的稀疏表示DOA估计快速算法
张兴良;王可人;刘俊彤
【期刊名称】《计算机应用研究》
【年(卷),期】2014(031)012
【摘要】稀疏表示DOA估计算法具有很高的分辨率,但是其计算量较大.为此,提出一种基于预估计的稀疏表示DOA估计快速算法.首先,利用阵列协方差矩阵特征向量的性质,通过DFT对入射信号进行DOA预估计;其次,利用预估计结果降低过完备字典的长度;最后,进行稀疏分解得到DOA估计的精确结果.由于采用的字典长度较短,该算法的计算量非常小.仿真实验结果表明,该算法具有较高的成功概率、较快的估计速度和较低的估计误差.因此,提出的算法在工程实际中应用前景广阔.
【总页数】3页(P3596-3598)
【作者】张兴良;王可人;刘俊彤
【作者单位】电子工程学院通信对抗系,合肥230037;电子工程学院通信对抗系,合肥230037;电子工程学院通信对抗系,合肥230037
【正文语种】中文
【中图分类】TN911.23;TP301.6
【相关文献】
1.基于投影预变换的快速DOA估计算法 [J], 齐崇英;陈志杰;张永顺;陈西宏
2.一种基于加权子空间的稀疏表示DOA估计算法 [J], 吴振;赵德安;戴继生
3.一种基于连续蚁群算法的快速最大似然DOA估计 [J], 王辉辉;陈玉凤
4.一种基于互模糊函数分段相干累加的TDOA／FDOA参数快速估计算法 [J], 张威;张更新;边东明
5.基于投影预变换的快速DOA估计算法 [J], 齐崇英;陈志杰;张永顺;陈西宏
因版权原因，仅展示原文概要，查看原文内容请购买。

基于稀疏信号重构的DOA和极化角度估计算法田野;练秋生;徐鹤【摘要】Existing direction-of-arrival and polarization estimation methods mostly rely on subspace technique.This paper proposes a novel DOA and polarization angle estimation algorithm from sparse signal reconstruction perspective.The algorithm first constructs a cumulant matrix model which is only related to DOA parameter,and then obtains DOA estima-tion using the weighted l1-norm minimization.Further,this paper constructs another three cumulant vector models by sum-average arithmetic,and enforces sparsity by Zhang penalty,which leads to almost unbiased polarization angle estimation. Meanwhile,this paper also demonstrates how to identify two sources with same DOA using their polarization characteristics. Computer simulation results validate the effectiveness of the proposed algorithm.%现有的波达方向（Direction Of Arrival，DOA）和极化参数估计方法大多基于子空间理论。

脉冲噪声下基于稀疏表示的韧性DOA估计方法王鹏;邱天爽;金芳晓;夏楠;李景春【摘要】受相关熵启发,本文提出了一种脉冲噪声下基于稀疏表示的韧性DOA估计新方法.为实现多测量向量下联合稀疏信号的重建,本文提出了一种基于归一化迭代硬阈值的优化算法,讨论了最优步长的选择问题,证明了优化算法的收敛性.仿真结果表明:本文算法能够实现脉冲噪声下多信源的DOA估计,具有比已有算法更高的可分辨概率和估计精度.【期刊名称】《电子学报》【年(卷),期】2018(046)007【总页数】8页(P1537-1544)【关键词】波达方向估计;脉冲噪声;稀疏表示;相关熵【作者】王鹏;邱天爽;金芳晓;夏楠;李景春【作者单位】大连理工大学电子信息与电气工程学部,辽宁大连116024;中国电子科技集团公司第五十四研究所,河北石家庄050081;大连理工大学电子信息与电气工程学部,辽宁大连116024;大连理工大学电子信息与电气工程学部,辽宁大连116024;国家无线电监测中心,北京100037;国家无线电监测中心,北京100037【正文语种】中文【中图分类】TN911.71 引言波达方向(Direction-Of-Arrival,DOA)估计广泛应用于雷达、声呐以及无线电通信等多个领域[1]．以MUSIC算法为代表的子空间技术实现了目标DOA的超分辨估计，但该类方法对接收数据的快拍数有较高的要求，而且实现相干信源的DOA估计时需要进行平滑处理，这会引起阵列孔径的损失，进而导致分辨性能的下降．近年来，基于稀疏表示的DOA估计技术[2～11]可以很好地克服以上问题．基于稀疏表示的DOA估计是多测量向量下的联合稀疏信号恢复问题，也称为MMV(Multiple Measurement Vectors)问题．文献[2]最早将稀疏表示理论引入DOA估计问题，通过空间角度的离散化建立稀疏信号模型，提出了l1-SVD方法．文献[3]将传统的FOCUSS(Focal Underdetermined System Solver)方法推广至MMV问题，提出了可用于DOA估计的M-FOCUSS方法．文献[4]则将匹配追踪方法进行推广提出了MSMPDOA(Multiple Snapshots Matching Pursuit Direction Of Arrival)方法．文献[5]利用高斯函数近似l2,0范数，提出了信源个数未知下的JLZA-DOA(Joint l0 Approximation DOA)方法．文献[6]通过建立阵列协方差向量的稀疏化模型提出了一种新的DOA估计方法，在低信噪比条件下取得了较好的估计结果．虽然以上算法在高斯噪声环境下取得了较好的效果，然而由于受到自然因素或人为因素的影响，噪声有可能呈现脉冲特性，受脉冲噪声中野点的影响，上述算法性能显著下降．为实现脉冲噪声的抑制，受相关熵启发，本文提出了一种基于稀疏表示的DOA估计新方法，给出了一种基于迭代硬阈值的优化算法，并从理论上证明了算法的收敛性．仿真结果表明本文算法能够实现脉冲噪声下多信源DOA的高精度估计．2 相关熵与稳定分布随机过程2.1 相关熵相关熵作为一种广义的相似性度量，可以有效抑制野点，广泛应用于非高斯噪声环境下的信号处理问题中[12～16]．对于随机变量X和Y，相关熵定义如下[17]Vσ(X,Y)=E[κσ(X-Y)](1)(2)其中，κσ(·)是核函数，σ是核长，E[·]表示数学期望．在实际应用中，由于概率密度函数未知，可利用时间平均对统计平均进行估计．假设一组观测值则相关熵的估计如下所示：(3)对于两个随机变量X和Y，令E=X-Y，则高斯信号处理中常用的均方误差(Mean Square Error,MSE)定义为(4)而相关熵定义为(5)对比两式可以发现，虽然MSE和相关熵都是关于相似度的测量，然而两者实现相似度测量的方式并不相同，具体表现为MSE的全局性和相关熵的局部性．MSE的全局性体现在空间内的所有样本都对相似性度量结果有明显的影响，而相关熵的局部性则体现在只有受核函数约束的样本对相似性度量结果有明显的影响．另一方面，MSE是关于误差的二次函数，这就意味着误差中的野点对MSE的结果具有放大的作用，而相关熵则得益于核函数的约束，能够抑制野点的影响．因此，相比于MSE，相关熵更加适用于非高斯信号处理．基于以上分析，文献[17]提出了最大相关熵准则，文献[12]则证明了Alpha稳定分布噪声下最大相关熵准则与最小分散稀疏准则的等价性．2.2 稳定分布随机过程研究表明，Alpha稳定分布[18]可以较好地描述脉冲噪声，其特征函数如下：φ(t)=exp{jμt-γ|t|α[1+jβsign(t)ω(t,α)]}(6)式中，(7)(8)其中，0<α≤2称为特征指数，用来度量概率密度函数的拖尾厚度，-1<β<1是对称参数，用于表示分布的斜度，γ>0为分散系数，用来度量样本的分散程度，-∞<μ<+∞为位置参数，当0<α<1时表征该随机变量的中值，当1<α≤2时表征该随机变量的均值．特别地，当β=0时，Alpha稳定分布为对称Alpha稳定(Symmetric Alpha Stable,SαS)分布，当α=2时，SαS分布退化为高斯分布．3 基于稀疏表示的韧性DOA估计新方法3.1 问题描述考虑P个窄带信源入射由M个阵元组成的均匀等距线阵，阵元间距为d，入射角度分别为θ1,…,θP，以第一个阵元为参考阵元，则第m个阵元t时刻的输出可以表示为：(9)式中，si(t)为第i个信源的复包络，λ表示信号波长，且满足d≤λ/2，nm(t)表示服从SαS分布的噪声．进一步将式(9)写成矢量形式，则有y(t)=As(t)+n(t)(10)其中，y(t)=[y1(t),…,yM(t)]T、s(t)=[s1(t),…,sP(t)]T和n(t)=[n1(t),…,nM(t)]T，[·]T表示转置，A=[a(θ1),…,a(θP)]为阵列流形，a(θi)为方向矢量，表达式如下：a(θi)=[1,…,ej2πsinθi(m-1)d/λ,…,ej2πsinθi(M-1)d/λ]T(11)采用文献[2]中的稀疏化模型，将空间等角度划分为且满足Q>>P，式(10)可进一步写成：y(t)=Φx(t)+n(t)(12)其中，对比式(10)和式(12)可以发现，只有满足时，xk(t)=si(t)≠0，又由于Q>>P，因此x(t)是稀疏的．这就意味着利用观测数据y(t)重建得到稀疏信号x(t)，就可以实现信源的DOA估计．单快拍下基于稀疏表示的DOA估计算法可分辨信源数目少且易受噪声影响，所以多快拍下基于稀疏表示的DOA估计方法受到关注，此时式可以写为：Y=ΦX+N(13)其中，Y=[y(1),…,y(N)]，X=[x(1),…,x(N)]，N=[n(1),…,n(N)]，N表示快拍数．可以发现，在DOA估计问题中，x(1),…,x(N)具有相同的稀疏结构．我们的目标就是利用接收数据矩阵Y实现信源角度θ1，…,θP的估计．3.2 脉冲噪声下单快拍信号的重建脉冲噪声下单快拍信号可以通过求解如下的优化问题进行重建s.t. ‖x‖0≤P(14)其中，为0范数，表示向量中非零元素的个数．为实现上述优化问题的求解，本文对归一化迭代硬阈值方法(NIHT)[19]进行了改进．假设第k次迭代结果为x(k)，则第k+1次迭代可以表示为x(k+1)=HP(x(k)+μg(k))(15)其中，HP(x)表示仅保留向量x中的P个最大峰值而其它位置置零的非线性操作，μ是迭代步长，g表示梯度，表达式如下：g=ΦHW(y-Φx)(16)其中，[·]H表示共轭转置，W是一个对角矩阵，采用高斯核函数时其对角元素如下所示：(17)其中，Φ(i)表示矩阵Φ的第i行，yi表示向量y的第i个元素．与NIHT相比，本文所提算法的梯度项含有加权矩阵W以实现脉冲噪声的抑制．图1给出了加权因子的曲线，可以看出，当数值较大时，加权因子迅速趋于0，可以有效抑制脉冲噪声中的野点．为了提高算法性能，通过如下次优化问题[20]实现最优迭代步长的选择,如式(18)所示：μ(k)(18)其中，S=supp(x(k))表示该向量中非零元素位置索引的集合，ΦS表示保留索引属于集合S中的列，x(S)表示保留索引属于集合S中的行．定理1 假设f(x)=g(x2)并且g(x)是个凸函数，则对于任意的实数a和b有下式成立(19)证明对函数g(x)在x0处进行泰勒展开可得g(x)=g(x0)+g′(x0)(x-x0)(20)因为g(x)为凸函数，所以g″(x0)≥0恒成立，则有g(x)≥g(x0)+g′(x0)(x-x0)(21)令x=a2，x0=b2，根据导数性质可得f′(x)=2xg′(x2)，式(21)可以进一步写为(22)得证．定理2 令迭代步长为μ(k)=/x(k+1)=HP(x(k)+μ(k)g(k))如果满足S=supp(x(k))=supp(x(k+1))，则有成立．证明定义f(x)和g(x)如下(23)(24)容易发现，f(x)和g(x)满足定理1中的条件．定义第k次迭代的残差向量r(k)=y-Φx(k)，根据定理1可以得到(25)其中，是残差向量的r(k)的第i个元素．由f(x)的定义可以得到其导数为(26)将式(26)代入式(25)，根据式(17)可以得到：(27)根据相关熵以及向量2范数的定义，式(27)可以简写为：(28)如果 S=supp(x(k))=supp(x(k+1))，x(k+1)=HP(x(k) +μ(k)g(k))，则有下式成立(29)即只有位置索引在集合S中的元素更新，其余为0，此时有由式(18)可知，≥，所以(30)得证．由定理1和定理2可以证明：当S=supp(x(k)) =supp(x(k+1))时，采用式(18)所示的步长能够保证下式成立(31)若supp(x(k))≠supp(x(k+1))时，式(18)所示的步长不一定是最优步长，此时若(32)则令μ(k)←μ(k)/2直到式(31)成立．3.3 基于稀疏表示的韧性DOA估计3.2节给出了脉冲噪声下单快拍信号的重建方法，本节将其推广至多快拍下的信号重建问题：s.t. ‖X‖2,0≤P(33)其中，即首先求X每个行向量的2范数，组成新的向量x(2)，再对该向量求取0范数为相关熵的估计，定义如下：(34)式中，M为阵元数目，N为快拍数，ymn和(ΦX)mn分别表示Y和ΦX第m行n 列的元素．将式(34)代入式(33)并整理可以得到：s.t. ‖X‖2,0≤P(35)式中，yn与xn分别表示Y和X的第n列向量．假设存在一个矩阵满足式(36)s.t. ‖xn‖0≤P, supp(xn)=supp(X)(36)其中，n=1,2,…,N，supp(xn)表示xn中非零元素位置索引的集合，supp(X)则表示x(2)中非零元素位置索引的集合．结合式(35)容易发现，X*能使得式(33)中的代价函数取得最大值，即X*是式(33)的一种最优解．因此，式(33)中的优化问题可以转化为N个式(36)所描述的子问题，这样就可以利用3.2节中的信号重构方法进行求解．下面给出本文所提DOA估计方法的实现过程：Step 1：初始化矩阵X为零矩阵，迭代次数k=0，最大迭代次数K，迭代停止误差ε0；Step 2：对于第k次迭代，按式(16)计算梯度得按式(18)计算迭代步长得更新X为X(k+1)=X(k)+μ(k)G(k)；Step 3：记录X(k+1)中P个最大行向量2范数的位置索引，记作S′，保留S′所在行的元素，其余行元素置0，即Step 4：若满足S′≠S且则μ(k)←0.5μ(k)， X(k)=X(k-1) +μ(k)G(k)，重复Step3直至Step 5：更新位置索引集合重复Step3～ Step5直至k>K或ε(k)<ε0；Step 6：根据位置索引集合S得到信源的DOA．定理3 采用上述方法求解式(33)中的优化问题是收敛的．证明假设第k次迭代结果为X(k)，第k+1次迭代结果为X(k+1)，根据以上所述存在(37)根据相关熵的有界性[17]可知(38)因此，该方法是收敛的．4 仿真实验为了验证算法的有效性，进行了仿真实验．阵列天线的阵元数目M=8，阵元间距为d=λ/2，稀疏化模型中设置空间角度范围为[-90°,90°]，离散化间隔为1°．多个入射信号功率相等且为1，噪声服从SαS分布，采用广义信噪比(Generalized Signal-to-Noise Ratio,GSNR)度量信号与噪声之间的强弱GSNR=10lg(E(|s(t)|2)/γ)(39)其中，s(t)表示信号，γ为SαS分布噪声的分散系数．本文采用两个统计量实现对算法性能的评价：DOA可分辨概率率和均方根误差(Root Mean Square Error,RMSE)．当所有信源的DOA估计误差不超过阈值T 时，则认为两个信源是可分辨的，本文设定阈值为3°．可分辨概率是可分辨次数与随机实验次数之比．RMSE定义如下(40)式(40)中，L是估计成功次数，P为信源个数，为参数xi估计值．为说明算法有效性，本文同时仿真了文献[2]中的L1-SVD，文献[4]中的MSMPDOA，文献[5]中的JLZA-DOA，文献[7]中的SNIHT、文献[21]中的FLOM-MUSIC以及本文所提算法(CM-NIHT)．仿真实验中，实验1～4中两个信源DOA为θ1=10°和θ2=30°，运行结果由300次Monte-Carlo实验统计得到．实验1 算法收敛性．图2给出了不同噪声情况下算法的收敛曲线．可以看出，本文所提算法经过少次迭代即可达到收敛，代价函数的幅值基本稳定，验证了之前算法收敛的理论证明．根据实验仿真结果，在后续仿真实验中设定最小迭代误差为εs=10-6，最大迭代次数K=100．实验2 核长参数选择．图3给出了不同噪声环境下核长参数对算法结果的影响．可以看出，当满足σ∈[2.0,4.0]时，本文算法取得较为理想的效果．因此，在后续仿真实验中，核长参数均设定为σ=3.0．实验3 噪声特征指数与GSNR的影响．图4给出了固定GSNR=4dB时不同噪声特征指数下的估计结果，图5则给出了固定α=1.5时不同GSNR下的估计结果．其中，快拍数N=50．可以看出，与L1-SVD、 MSMPDOA、JLZA-DOA以及SNIHT等4种基于稀疏表示的DOA估计算法相比，本文算法通过相关熵实现了脉冲噪声的抑制，具有更高的可分辨概率和估计精度；与FLOM-MUSIC算法相比，本文算法不受脉冲噪声特征指数必须满足α≥1的限制，能够较好地实现低信噪比高脉冲性噪声(α<1)下的DOA估计，具有更广的适用性．实验4 快拍数的影响．固定α=1.5，GSNR=4dB，图6给出了不同快拍下的估计结果．可以看出，受脉冲噪声影响，传统基于稀疏表示的DOA估计算法性能较差；另一方面，能够抑制脉冲噪声的FLOM-MUSIC算法则由于快拍数较少而效果较差，这是因为该算法需要计算接收数据的协方差，对快拍数有着较高的要求，而CM-NIHT算法则保留基于稀疏表示DOA估计算法对快拍数要求低的特点，并通过相关熵脉冲噪声，取得了比其它算法更好的估计效果．实验5 多信源的DOA估计．固定α=1.5，GSNR=10dB，快拍数为50．图7给出了相干信源的DOA估计结果，信源位置分别为θ1=10°，θ2=30°和θ3=50°，其中信源1和信源3为相干信源．可以发现，在信源个数已知的情况下，文献[15]中基于相关熵的MCC-MUSIC以及文献[21]中基于分数低阶统计量的FLOM-MUSIC无法实现相干信源的DOA估计，而本文算法则可以实现所有信源DOA的高精度估计．5 结论本文提出了一种脉冲噪声下基于稀疏表示的DOA估计新方法，为了实现优化问题的求解，本文提出了一种基于迭代硬阈值的优化算法，并从理论上证明了该算法的收敛性．与传统基于稀疏表示的DOA估计方法相比，本文算法具有更强的鲁棒性，既适用于高斯噪声环境也适用于脉冲噪声环境，且实现了相干信源的DOA估计．仿真实验证明了本文算法的有效性．参考文献【相关文献】[1]KRIM H,VIVERG M.Two decades of array signal processing research:the parametric approach[J].IEEE Signal Processing Magazine,1996,13(4):67-94.[2]MALIOUTOV D,CETIN M,WILLSKY A S.A sparse signal reconstruction perspective for source localization with sensor arrays[J].IEEE Transactions on SignalProcessing,2005,53(8):3010-3022.[3]COTTER S F,RAO B D,ENGAN K,et al.Sparse solutions to linear inverse problems with multiple measurement vectors[J].IEEE Transactions on Signal Processing,2005,53(7):2477-2488.[4]COTTER S F.Multiple snapshot matching pursuit for direction of arrival (DOA) estimation[A].Proceedings of the 15th European Signal ProcessingConference[C].USA:IEEE,2007.247-251.[5]HYDER M M,MAHATA K.Direction-of-arrival estimation using a mixed norm approximation[J].IEEE Transactions on Signal Processing,2010,58(9):4646-4655.[6]YIN J H,CHEN T Q.Direction-of-arrival estimation using a sparse representation of array covariance vectors[J].IEEE Transactions on Signal Processing,2011,59(9):4489-4493.[7]BLANCHARD J D,CERMAK M,HANLE D,et al.Greedy algorithms for joint sparse recovery[J].IEEE Transactions on Signal Processing,2014,62(7):1694-1704.[8]吴小川,邓维波,杨强.基于CS-MUSIC算法的DOA估计[J].系统工程与电子技术,2013,35(9):1821-1824.WU Xiao-chuan,DENG Wei-bo,YANG Qiang.DOA estimation method based on CS-MUSIC algorithm[J].Systems Engineering and Electronics,2013,35(9):1821-1824.(in Chinese) [9]林波,张增辉,朱炬波.基于压缩感知的DOA估计稀疏化模型与性能分析[J].电子与信息学报,2014,36(3):589-594.LIN Bo,ZHANG Zeng-hui,ZHU Ju-bo.Sparsity model and performance analysis of DOA estimation with compressive sensing[J].Journal of Electronics & Information Technology,2014,36(3):589-594.(in Chinese)[10]田野,练秋生,徐鹤.基于稀疏信号重构的DOA和极化角度估计算法[J].电子学报,2016,44(7):1548-1554.TIAN Ye,LIAN Qiu-sheng,XU He.DOA and polarization angle estimation algorithm based on sparse signal reconstructio n[J].Acta Electronica Sinica,2016,44(7):1548-1554.(in Chinese)[11]王彪,朱志慧,戴跃伟.基于具有时序结构的稀疏贝叶斯学习的水声目标DOA估计研究[J].电子学报,2016,44(3),693-698.WANG Biao,ZHU Zhi-hui,DAI Yue-wei.Direction of arrival estimation research for underwater acoustic target based on sparse Bayesian learning with temporally correlated source vectors[J].Acta Electronica Sinica,2016,44(3):693-698.(in Chinese)[12]SONG A M,QIU T S.The equivalency of minimum error entropy criterion and minimum dispersion criterion for symmetric stable signal processing[J].IEEE Signal Processing Letters,2010,17(1):32-35.[13]张金凤,邱天爽,李森.冲激噪声环境下基于最大相关熵准则的韧性子空间跟踪新算法[J].电子学报,2015,43(3):483-488.ZHANG Jin-feng,Qiu Tian-shuang,LI Sen.A robust PAST algorithm based on maximum correntropy criterion for impulsive noise environments[J].Acta ElectronicaSinica,2015,43(3):483-488.(in Chinese)[14]YU L,QIU T S,LUAN S Y.Fractional time delay estimation algorithm based on the maximum correntropy criterion and the Lagrange FDF[J].Signal Processing,2015,111:222-229.[15]Zhang J F,QIU T S,SONG A M,et al.A novel correntropy based DOA estimation algorithm in impulsive noise environments[J].Signal Processing,2014,104:346-357. [16]CHEN B D,LEI X,LIANG J L,et al.Steady-state mean-square error analysis for adaptive filtering under the maximum correntropy criterion[J].IEEE Signal ProcessingLetters,2014,21(7):880-884.[17]LIU W F,POKHAREL P P,PRINCIPE J C.Correntropy:properties and applications in non-Gaussian signal processing[J].IEEE Transactions on Signal Processing,2007,55(11):5286-5298.[18]SHAO M,NIKIAS C L.Signal processing with fractional lower order moments:stable processes and their applications[J].Proceedings of the IEEE,1993,81(7):986-1010.[19]BLUMENSATH T,DAVIES M E.Normalized iterative hard thresholding:guaranteed stability and performance[J].IEEE Journal of Selected Topics in SignalProcessing,2010,4(2):298-309.[20]CARRILLO R E,BARNER K E.Lorentzian iterative hard thresholding:robust compressed sensing with prior information[J].IEEE Transactions on Signal Processing,2013,61(19):4822-4833.[21]LIU T H,MENDEL J M.A subspace-based direction finding algorithm using fractional lower order statistics[J].IEEE Transactions on Signal Processing,2001,49(8):1605-1613.。

一种基于稀疏贝叶斯学习的离网DOA估计算法张宇;景鑫磊;蒋忠进【期刊名称】《雷达科学与技术》【年(卷),期】2024(22)1【摘要】本文提出一种基于稀疏贝叶斯学习的改进离网DOA估计算法,以提升非理想测向环境下在低信噪比、低快拍数时的DOA估计性能,称之为MOGSBL算法。

本算法将信号源方位区间进行离散化,得到方位离散网格。

为阵列接收信号建立稀疏贝叶斯模型,将网格节点修正量设为模型超参数。

采用期望最大化算法迭代更新网格节点修正量,使更新后的网格节点更接近真实源信号方位。

为了检验MOGSBL 算法的性能,本文进行了大量的数值实验,并将MOGSBL算法的DOA估计结果与RSBL算法、OGSBL算法和L1-SVD算法进行对比。

在不同信噪比和不同快拍数时,MOGSBL算法均能清晰分辨方位很接近的两个信号源,角度分辨率明显高于RSBL算法、OGSBL算法和L1-SVD算法。

随着信噪比和快拍数的增加,4种算法的RMSE均逐渐减小。

但MOGSBL算法的RMSE明显低于RSBL算法、OGSBL算法和L1-SVD算法,且RSBL算法、OGSBL算法优于L1-SVD算法。

实验还分析了方向测试范围的离散网格节点数对DOA估计的影响,发现细密的离散网格可以提高DOA估计精度,但DOA估计的计算量会增加。

且在任意网格节点数时,相比于RSBL算法、OGSBL算法和L1-SVD算法,本文的MOGSBL算法均具有最低的RMSE和最短的计算时间。

【总页数】8页(P35-42)【作者】张宇;景鑫磊;蒋忠进【作者单位】东南大学毫米波全国重点实验室【正文语种】中文【中图分类】TN911.7【相关文献】1.基于稀疏贝叶斯的二维DOA估计算法研究2.基于稀疏贝叶斯学习的低信噪比DOA估计算法3.基于稀疏贝叶斯学习的空间紧邻信号DOA估计算法4.阵列互耦情况下基于稀疏贝叶斯学习的离网格DOA估计5.亚甲蓝分光光度法测定水中硫化物的方法验证研究因版权原因，仅展示原文概要，查看原文内容请购买。

一种新的基于稀疏表示的宽带信号DOA估计方法赵永红;张林让;刘楠;解虎【期刊名称】《电子与信息学报》【年(卷),期】2015(037)012【摘要】该文提出一种基于稀疏表示的宽带信号波达方向(DOA)估计方法,解决稀疏表示方法在宽带信号DOA估计中由于基矩阵维数过大而使算法存储量和重构计算量大的问题.用单一频点的基矩阵代替频率和角度联合构建的基矩阵,使基矩阵的列数仅相当于一个频点处冗余基矩阵的列数,大大降低了稀疏重构方法的存储量和计算量.该方法首先对各频点的频域数据进行聚焦处理,将不同频率的数据堆叠到参考频率上并建立参考频率处的基矩阵,然后建立聚焦后的稀疏表示模型进行DOA 估计,并采用奇异值分解进一步降低算法的运算量,最后给出残差门限的选择方法.该算法不仅适用于非相关信号,也可直接处理相关信号而不需要任何的去相关运算,且具有高的检测概率和估计精度,仿真实验和分析验证了该方法的有效性.%A novel wideband signals Direction-Of-Arrival (DOA) estimation method based on sparse representation is proposed. This algorithm can reduce the storage and calculation of the traditional sparse representation methods in wideband signals process, which is caused by the large dimension of base matrix. The over-complete dictionary is constructed by using one-frequency to replace the 2D combination of frequency and angle. The column number of constructed dictionary only equals to that of single-frequency redundant dictionary. The proposed method first adopts focused thought to stack the different frequency data to the referencefrequency and founds the redundant dictionary with a single frequency. Then, a sparse recovery model is established to obtain the DOA estimations, which are coming from following the focus process. At the same time, the Singular Value Decomposition (SVD) is used to summarize each frequency to reduce computation burden further. Finally, an automatic selection criterion for the regularization parameter involved in the proposed approach is introduced. The proposed algorithm can effectively distinguish the correlative signals without any decorrelation processing, and it has higher accuracy and detection possibility. The experiment results indicate that the proposed method is effective to estimate the DOA of wideband signals.【总页数】6页(P2935-2940)【作者】赵永红;张林让;刘楠;解虎【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;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】TN957.51【相关文献】1.一种新的宽带信号DOA估计算法 [J], 张进2.一种基于混合RJMCMC方法的宽带信号DOA估计方法 [J], 金美娜;赵拥军;盖江伟3.一种新的宽带相关信号DOA快速估计方法 [J], 黄可生;张国柱;黄知涛;周一宇4.一种新的未知相关噪声下的宽带相干信号DOA估计算法 [J], 张进;叶中付;王伟5.基于频域聚焦和稀疏表示的宽带信号DOA估计方法 [J], 吴钊君;杨磊;胡东;颜振亚;史建涛因版权原因，仅展示原文概要，查看原文内容请购买。