基于贝叶斯压缩感知的子空间拟合离格DOA估计

针对传统的基于稀疏贝叶斯学习（Sparse Bayesian Learning,SBL）的波达方向估计算法对噪声鲁棒性不高的问题,提出了一种基于SBL的子空间拟合离格波达方向(Direction of Arrival,DOA)估计方法。首先对接收数据的协方差矩阵进行特征分解,获得信号的加权子空间,构造等价信号的稀疏表示模型并利用贝叶斯学习算法进行参数求解。同时对于网格划分带来的建模误差问题,采用了离格贝叶斯推导（Sparse Bayesian Inference,SBI）算法进行求解,利用期望最大化算法迭代更新相应的参数。仿真结果表明,相对于传统的DOA方法,该方法具有更好的估计精度。     

相干信源条件下的稀疏贝叶斯DOA估计

为了解决相干信源条件下的离格波达方向(Direction of Arrival,DOA)估计问题,在现阶段研究成果的基础上,将子空间平滑技术(Subspace Smoothing,SS)与离格稀疏贝叶斯算法(Off-grid Sparse Bayesian Interference,OGSBI)相结合,提出了SS-OGSBI算法.为了提高算法在小快拍低信噪比下的性能,与子空间拟合(Weighted Subspace Fitting,WSF)技术相结合,提出了SS-WSF-OGSBI算法.与稀疏贝叶斯算法对比,所提算法在均方根误差及估计成功率上均具有明显优势.     

一种宽带相干信源的无网格超分辨DOA估计方法

由于无网格（grid-less）稀疏重构方法的波达方向（direction of arrival,DOA）估计数学模型为单快拍形式,因此该方法只有在噪声电平趋近于零时才具有优越的性能.为了提高grid-less方法在信噪比（signal-to-noise ratio,SNR）较低时宽带相干信源的估计性能,提出了一种多快拍grid-less DOA估计方法.首先,对多快拍阵列观测矢量实施奇异值分解（singular value decomposition,SVD）获得观测矩阵的时域信号子空间,通过观测矩阵到时域信号子空间的投影实现观测矩阵的降噪;然后,为了不增加多快拍计算复杂度,将降噪后观测矩阵的列向量加权累加处理得到单快拍形式;最后,从理论上证明了本文提出的GL-SVD方法求解的模型是凸的,能够实现宽带信号DOA的精确重构.仿真结果表明,该方法在低SNR以及宽带相干信源情况下的估计精度都高于L₁范数最小化奇异值分解（L₁-norm minimum singular value decomposition,L₁-SVD）和离格稀疏贝叶斯推断奇异值分解（off-grid sparse Bayesian inference singular value decomposition,OGSBI-SVD）,且在较小角度间隔的情况下具有更高的估计概率和分辨率.     

Khatri-Rao积变换下的离格信号DOA估计

当存在离格信号时,基于稀疏表示的波达角(DOA)估计算法性能损失严重.为解决这个问题,在对接收数据协方差矩阵进行Khatri-Rao积变换的基础上,推导了离格信号网格偏离量与紧邻信号原子系数之间的关系,提出了一种单一离格信号DOA估计方法.为提高对邻近离格信号DOA的估计性能,利用矩阵的广义逆性质提出了基于多原子系数的联合估计方法.仿真实验表明,单一离格信号DOA估计方法在低信噪比下有较好的性能,联合估计方法在高信噪比条件下对邻近离格信号DOA有较高的估计精度,同时所提算法估计性能几乎不受网格划分间距的影响,可以通过增大网格间距降低算法运算量.相关研究对阵列天线DOA估计具有一定的参考价值.     

基于稀疏贝叶斯学习的空间紧邻信号DOA估计算法

离格(off-grid)波达方向(DOA)估计解决的是实际DOA和假设网格点的失配问题。对于空间紧邻信号的DOA,稀疏的网格点会导致精度和分辨率的下降,密集的网格点虽然可以提高估计精度却显著增加计算负担。针对此问题,该文提出基于稀疏贝叶斯学习(SBL)的空间紧邻信号DOA估计算法,主要包括3个步骤。首先,通过最大化阵列输出的边缘似然函数,推导了信号在拉普拉斯先验下的新不动点迭代方法,进行超参数的预估计,相比其他经典SBL算法提高了收敛速度;其次,利用新网格插值方法优化网格点集,并二次估计噪声方差和信号功率以分辨空间紧邻信号的DOA;最后,推导了似然函数关于角度的最大化公式以改进离格DOA搜索。仿真表明该算法比其他经典SBL类算法对空间紧邻信号的DOA具有更高的精度和分辨率,同时有计算效率的提升。     

浅海非高斯噪声下基于变分贝叶斯推断的波达角估计

传统基于高斯统计特性的波达角(DOA)估计方法在高斯背景噪声中可以获得较好的估计性能,然而受脉冲噪声影响的浅海环境噪声不再服从高斯分布,若直接利用传统波达角估计方法会引入较大误差。为提升非高斯噪声环境下的波达角估计性能,该文提出一种浅海非高斯噪声下的基于变分贝叶斯推断的波达角估计方法。首先利用信号与脉冲噪声的稀疏性构建多测量向量稀疏信号恢复(SSR)模型;其次,考虑信号的共稀疏特性与脉冲噪声的独立稀疏性,构建层次化贝叶斯估计框架;然后利用变分贝叶斯推断估计信号与噪声的后验概率估计。稀疏信号模型中考虑离网格误差,利用根稀疏贝叶斯估计实现离网格误差修正,解决离网格误差引起的基失配问题;最后通过迭代更新获得较为精确的波达角估计,同时消除脉冲噪声的影响。仿真结果表明:所提方法在非高斯噪声环境下具有较好的波达角估计性能,同时对于脉冲噪声具有较强的抗干扰特性。     

Off-Grid DOA Estimation Via Real-Valued Sparse Bayesian Method in Compressed Sensing

A novel real-valued sparse Bayesian method for the off-grid direction-of-arrival (DOA) estimation is proposed in compressed sensing (CS). The off-grid model is reformulated by the second-order Taylor expansion to reduce modeling error caused by mismatch. To apply the Bayesian perspective in CS conveniently, complex data are addressed to yield a real-valued problem by utilizing a unitary transformation. By assuming that sources among snapshots are independent and share the same sparse prior, joint sparsity is exploited for DOA estimation. Specifically, a full posterior density function can be provided in the Bayesian framework. The convergence rate and convergence stability of the proposed method can be guaranteed in the iterative procedure. Simulation results show superior performance of the proposed method as compared with existing methods.     

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

现有的基于CS-MMV（Compressed Sensing-Multiple Measurement Vectors）模型的DOA估计一般都假定信号源为独立同分布（ i．i．d）,算法建立在信号的空间结构上进行分析,而当处理具有时序结构的源信号时表现出性能和鲁棒性差的问题,为此该文提出一种具有时序结构的稀疏贝叶斯学习的DOA算法,该方法通过建立一阶自回归过程（ AR）来描述具有时序结构的水声信号,将信号源的时间结构特性充分应用到DOA估计模型中,然后采用针对多测量矢量的稀疏贝叶斯学习（ Muti-vectors Sparse Bayesian Learning ）算法重构信号空间谱,建立多重测量向量中恢复未知稀疏源的信号的CS（ Compressed Sensing ）模型,最终完成DOA估计．仿真结果表明该方法相对于传统的算法具有更高的空间分辨率和估计精度的特点,且抗干扰能力强．     

Direction-of-Arrival Method Based on Randomize-Then-Optimize Approach

The direction-of-arrival(DOA) estimation problem can be solved by the methods based on sparse Bayesian learning(SBL). To assure the accuracy, SBL needs massive amounts of snapshots which may lead to a huge computational workload. In order to reduce the snapshot number and computational complexity, a randomizethen-optimize(RTO) algorithm based DOA estimation method is proposed. The “learning” process for updating hyperparameters in SBL can be avoided by using the optimization and Metropolis-Hasti...     

四阶累积量稀疏表示的DOA估计方法

针对现有稀疏重构DOA估计算法不能抑制噪声项以及在高斯色噪声背景下不再适用的问题,本文提出了基于四阶累积量稀疏重构的DOA估计方法。首先,利用接收数据的四阶累积量构建了稀疏表示模型,该模型抑制了噪声项;其次对四阶累计量矩阵进行奇异值分解,化简了稀疏表示模型,通过奇异值分解,不仅减小了数据规模,而且进一步抑制了噪声。对于稀疏表示模型的求解,先利用信号子空间与噪声子空间的正交特性选取权值矢量,然后利用加权l1范数法对模型求解实现DOA估计。理论分析和仿真实验表明本文算法在高斯白噪声和色噪声背景下均适用;能够处理非相干和相干信号,且在低信噪比条件下,对相干信号有更高的估计精度;较之同类的稀疏重构算法,本文算法具有较低的算法复杂度和更高的角度分辨力。      

基于方差成分扩张压缩的稀疏贝叶斯ISAR成像方法

基于贝叶斯框架下的稀疏重构方法,由于考虑了稀疏信号的先验信息以及测量过程中的加性噪声,因而能够更好地重建目标系数,然而传统的稀疏贝叶斯学习(SBL)算法参数多,时效性差。该文考虑一种新的稀疏贝叶斯学习方法方差成分扩张压缩(ExCoV),其不同于SBL中赋予所有的信号元素各自的方差分量参数,ExCoV方法仅仅赋予有重要意义的信号元素不同的方差分量,并拥有比SBL方法更少的参数。基于计算机层析成像技术框架下的ISAR成像模型,该文将ExCoV方法结合压缩感知(CS)理论将其进行ISAR成像,并从适用性和成像效果等方面与常用的极坐标格式算法(PFA),卷积逆投影算法(CBPA)和传统的稀疏重构算法进行比较,点目标仿真结果表明基于ExCoV的方法得到的ISAR像具有低旁瓣,高分辨率的特点,真实数据的成像结果表明该方法是一种比SBL更有效的ISAR成像算法。     

DOA Estimation Using Block Variational Sparse Bayesian Learning

In Direction-of-arrival (DOA) estimation, the real-valued sparse Bayesian algorithm degrades the es-timation performance by decomposing the complex value into real and imaginary components and combining them independently. We directly use complex probability density functions to model the noise and complex-valued sparse direction weights. Based on the Multiple measurement vectors (MMV), block sparse structure for the direction weights is integrated into the variational Bayesian learning to provide accurate source direction estimates. The pro-posed algorithm can be used for arbitrary array geome-tries and does not need the prior information of the in-cident signal number. Simulation results demonstrate the better performance of the proposed method compared with the real-valued sparse Bayesian algorithm, the Orthogo-nal matching pursuit (OMP) and l1 norm based complex-valued methods.     

基于稀疏贝叶斯方法的脉间捷变频ISAR成像技术研究

传统捷变频成像方法具有高旁瓣、低分辨率的缺点。鉴于捷变频ISAR回波信号的稀疏性,该文基于原始数据的2维压缩感知方案,在贝叶斯原理框架下,用稀疏贝叶斯算法方差成分扩张压缩方法(ExCoV)实现捷变频ISAR像的重建。贝叶斯框架下的稀疏重构算法考虑了稀疏信号的先验信息以及测量过程中的加性噪声,因而能够更好地重建目标系数。作为一种新的稀疏贝叶斯算法,ExCoV不同于稀疏贝叶斯学习(SBL)算法中赋予所有的信号元素各自的方差分量参数,ExCoV方法仅仅赋予有重要意义的信号元素不同的方差分量,并拥有比SBL方法更少的参数,克服了SBL算法参数多时效性差的缺点。仿真结果表明,该方法能克服传统捷变频成像缺点,并能够实现低信噪比条件下的2维高精度成像。     

结合SBL的双脉冲频控阵雷达离网目标定位方法

目标定位是雷达信号处理中一个具有重要理论意义与实际意义问题。为解决频控阵雷达传统的目标定位算法存在计算量大、目标真实位置偏离空间离散采样网格等问题。本文将频控阵雷达特性与离网稀疏贝叶斯模型结合提出了基于稀疏贝叶斯学习的双脉冲频控阵雷达离网目标定位算法。频控阵雷达发送两个脉冲,其频率偏移量分别为零和非零,然后基于离网稀疏贝叶斯模型估计目标的方位角与斜距。这种方法可以理解为当频控阵雷达以零频偏发射脉冲时,在角度域中检测目标,然后通过适当选择非零频率偏移量在距离域中对目标定位。仿真结果表明,即使在较粗糙的采样网格下,该算法也能保持较高的估计精度,显示了其优于传统算法的优势,证明了该方法的有效性与可靠性。      

基于协方差矩阵重构的离网格DOA估计方法

针对稀疏表示模型中网格失配导致波达方向角(DOA)估计存在较大估计误差的问题,该文提出一种基于协方差矩阵重构的离网格(Off-Grid)DOA估计方法(OGCMR)。首先,将DOA与网格点之间偏移量包含进所构建接收数据空域离散稀疏表示模型;而后基于重构信号协方差矩阵建立关于DOA估计的稀疏表示凸优化问题;再构建采样协方差矩阵估计误差凸模型,并将此凸集显式包含进稀疏表示模型以改善稀疏信号重构性能;最后采用交替迭代方法求解所得联合优化问题以获得网格偏移参数及离网格DOA估计。数值仿真表明,与传统多重信号分类(MUSIC)、L1-SVD及基于稀疏和低秩恢复的稳健MVDR (SLRD-RMVDR)等估计算法相比,所提算法具有较好的角度分辨力以及较高的DOA估计精度。     

基于稀疏贝叶斯学习的多跳频信号DOA估计方法

针对多跳频信号空域参数估计问题,该文在稀疏贝叶斯学习(SBL)的基础上,利用跳频信号的空域稀疏性实现了波达方向(DOA)的估计。首先构造空域离散网格,将实际DOA与网格点之间的偏移量建模进离散网格中,建立多跳频信号均匀线阵接收数据模型;然后通过SBL理论得到行稀疏信号矩阵的后验概率分布,用超参数控制偏移量和信号矩阵的行稀疏程度;最后利用期望最大化(EM)算法对超参数进行迭代,得到信号矩阵的最大后验估计以完成DOA的估计。理论分析与仿真实验表明该方法具有良好的估计性能并能适应较少快拍数的情况。     

协方差矩阵稀疏表示在网格失配波达方向估计中的应用

该文利用了入射信号在空域的稀疏性,将波达方向（DOA）估计问题描述为在网格划分的空间协方差矩阵稀疏表示模型,并将其松弛为一个凸问题,从而提出了一种网格匹配下的交替迭代方法（AIEGM）。传统的基于稀疏重构的波达方向估计算法由于其模型的局限性,一旦入射角不在预先设定的离散化网格上,就会造成估计性能的急剧恶化。针对这个问题,该算法可以在离散化网格比较粗糙的前提下,通过交替迭代的方法求解一系列基追踪去噪（BPDN）问题,对于不在网格上的真实角度估计值进行修正,从而达到更精确的波达方向估计。仿真结果证明了AIEGM算法的有效性。      

基于贪婪算法的高分辨信号源DOA估计

确定辐射源的来波方向(DOA)是阵列信号处理的重要研究内容,已经广泛应用于雷达、声纳和无线通信等领域。本文研究了远场窄带信号源的DOA高分辨估计问题。利用信号来波方向在空域具有稀疏性的特点,建立了远场窄带信号源的稀疏表示模型。根据协方差矩阵的特征值分解和贪婪匹配追踪算法原理提出了一种基于特征值分解的多重正交匹配追踪算法（EIG MOMP）。首先,利用特征值分解对阵列接收数据进行降维处理。这一降维操作使得问题转化为了一个具有多重观测向量（MMV）的欠定方程求解问题。接着利用MOMP算法对降维后的数据进行处理,最终得到信号的DOA估计值。该算法实现了在低信噪比下远场窄带信号源的高分辨DOA估计,并具有较低的运算复杂度。将本文提出的算法与传统的Capon算法、多重信号分类算法（MUSIC）以及正交匹配追踪算法（OMP）进行了对比。结果证明,该算法在低信噪比下能取得较好的DOA估计效果,可以针对任意的相干信号源,并且具有高分辨率的优点。      

基于分布式压缩感知的宽带欠定信号DOA估计

为解决基于稀疏阵列的宽带欠定信号到达角(DOA)估计问题,该文提出基于分布式压缩感知(DCS)的宽带DOA估计算法。首先,对稀疏阵列宽带信号处理模型进行理论推导与分析,将宽带信号DOA估计建模成DCS问题;其次,利用经典DCS算法实现稀疏阵列上的宽带欠定信号DOA估计;最后,引入网格失配误差,建立包含网格失配参数的DCS模型,并进行迭代求解,实现对DOA和网格失配参数的联合估计。仿真结果表明,该算法能够实现宽带欠定信号DOA估计,较现有成果而言,在保证测向精度的同时,具备分辨率高、运算速度快的优点。     

基于噪声子空间解析形式的快速DOA估计算法

该文针对特殊的信号环境各辐射源信号均值相等且不为零,利用均匀线阵导向矢量的Vandermonde结构,推导出了噪声子空间的解析形式,并以此为基础提出了利用均匀线阵和稀疏平面阵的1维和2维DOA估计快速算法。该算法不需要计算接收数据的协方差矩阵,也不需要任何矩阵分解,因此计算量远小于传统的超分辨DOA估计,而且无论信号之间是否具有相干性,该方法有相同的估计性能。仿真实验表明,在噪声均值为零且快拍数足够的条件下,该方法的估计性能整体上与Root-MUSIC算法相当,而在信噪比较低时性能优于后者。