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。     

改进嵌套稀疏圆阵下基于OGSBL的DOA估计方法

针对现有基于嵌套稀疏圆阵DOA估计方法计算复杂度高、超参数无法快速选取问题,提出了一种基于改进嵌套稀疏圆阵的离格稀疏贝叶斯学习(OGSBL)方法.该方法首先将改进嵌套稀疏圆阵接收信号的协方差矩阵进行向量化处理,然后构造扩展的观测矩阵,进而结合离格模型与稀疏贝叶斯学习算法实现欠定的DOA估计.仿真实验结果表明,所提算法降...     

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.     

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.     

有源欺骗干扰环境下的DOA估计

针对有源欺骗干扰环境下基于小样本的DOA估计问题,该文提出自适应极化滤波(APF)联合块稀疏贝叶斯学习(BSBL)算法的DOA估计方法。首先,通过APF抑制干扰能量,提高信干比。然后,建立有源欺骗干扰环境下的稀疏贝叶斯模型,基于相邻快拍相关性,利用BSBL算法进行DOA估计。仿真和实测数据处理结果表明,所提方法降低了干扰对BSBL算法的影响,且与APF联合子空间类算法或最大似然算法(ML)相比,具有更高的空间分辨率和DOA估计精度。     

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。     

基于离格稀疏表示的近场信源定位方法

近场信源定位是下一代无线通信中的一个重要研究方向,现有的方法大多集中在传统子空间或在格稀疏方法.针对子空间类方法损失阵列孔径和稀疏表示类方法精度受网格划分效应制约的问题,该文提出了一种基于离格稀疏表示的定位方法.首先通过获得一个高阶累积量矩阵建立基于角度参数的离格信号模型,利用交替迭代优化方法实现角度的估计.然后根据角度估计值建立基于距离参数的离格信号模型,并采用交替迭代方法进行求解.仿真结果表明,所提方法不仅具有较高的估计精度,而且可以实现角度和距离参数的正确配对.     

基于离格稀疏表示的近场信源定位方法

近场信源定位是下一代无线通信中的一个重要研究方向,现有的方法大多集中在传统子空间或在格稀疏方法。针对子空间类方法损失阵列孔径和稀疏表示类方法精度受网格划分效应制约的问题,该文提出了一种基于离格稀疏表示的定位方法。首先通过获得一个高阶累积量矩阵建立基于角度参数的离格信号模型,利用交替迭代优化方法实现角度的估计。然后根据角度估计值建立基于距离参数的离格信号模型,并采用交替迭代方法进行求解。仿真结果表明,所提方法不仅具有较高的估计精度,而且可以实现角度和距离参数的正确配对。     

针对块稀疏信道的估计算法

无线多径信道中存在着块稀疏结构。针对块稀疏信道中分块信息是否已知的不同场景,分别提出了两种基于块稀疏贝叶斯学习(BSBL)框架的OFDM系统信道估计算法。这两种算法根据边界最优(BO)方法估计信道分块的稀疏度参数,提升算法运算速率。为进一步提升信道估计性能,在基于BSBL框架算法仅利用导频信号估计信道的基础上,又提出了基于联合块稀疏贝叶斯学习(JBSBL)的信道估计新算法,该算法利用导频与数据子载波实现信道的联合估计。仿真结果表明,与传统的最小二乘算法比较,本文提出的算法均可获得很好的信道估计性能,且基于JBSBL的信道估计算法性能更佳。      

基于连续蚁群优化算法的小快拍加权子空间拟合快速算法

该文针对加权子空间拟合(WSF)算法多维非线性优化计算量大,难以工程应用的问题,将连续空间蚁群算法与加权子空间拟合算法相结合,提出了基于蚁群算法的加权子空间拟合(Ant Colony Optimization based Weighted Subspace Fitting,ACO-WSF) 方位估计新方法。该方法利用连续蚁群算法中的信息量高斯核概率分布函数,经过有限次迭代得到加权子空间拟合算法的非线性全局最优解。仿真结果表明,低信噪比、小快拍条件下该方法估计性能与WSF方法基本相同,优于MUSIC方法,而且显著减少了计算量。     

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.     

Off-grid DOA estimation algorithm based on unitary transform and sparse Bayesian learning

A rapid off-grid DOA estimating method of RV-OGSBL was raised based on unitary transformation,against the problem of traditional sparse Bayesian learning (SBL) algorithm in solving effectiveness of signal’s DOA estimation under condition of lower signal noise ratio (SNR).Actual received signal of uniform linear array was generated through constructing augment matrix as the processing signal used by DOA estimation.Then,estimation model was transformed from complex value to real value by using unitary transformation.In the next step,off-grid model and sparse Bayesian learning algorithm were combined together to process the realization of DOA estimation iteratively.The accuracy of estimation could made relatively high.The simulation result demonstrates that the RV-OGSBL method not only maintains the performance of traditional SBL algorithm,but also reduces the computational complexity significantly.Under the situation of lower signal noise ratio (SNR) and low number of snapshots,the running time of algorithm is reduced about 50%.This shows the RV-OGSBL method is a rapid DOA estimation algorithm.     

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。     

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。      

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.     

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。      

利用深度学习方法的相干源DOA估计

基于子空间分解的相干信源DOA ( Direction of arrival) 估计算法对阵列有特殊的要求，且估计性能较差，在低信噪比时甚至失效；另外，基于压缩感知的DOA估计算法在高信噪比下可以实现相干源的DOA估计，但计算复杂度较高。针对这些不足，本文基于稀疏表示的阵列接收信号模型，提出一种基于深度学习的相干源DOA估计方法，该方法利用卷积网络和全连接网络构造了深度学习网络，并通过选择合适的训练策略，对网络进行了有效训练，利用训练好的深度学习网络能够对相干源进行有效的DOA估计。仿真实验表明，与现有的相干源DOA估计算法相比，本文提出的方法适合于任意阵列结构，在时间复杂度上有着明显的优势，在估计性能上优于平滑解相干和L1-SVD（Sigular Value Decomposition）算法，略差于OGSBI（Off-Grid Sparse Bayesian Inference）算法。      

一种基于Toeplitz矩阵重构的相干信源DOA估计算法

提出一种基于Toeplitz矩阵重构的相干信号源DOA估计算法。首先对各个阵元的接收数据与参考阵元（第一个阵元）的接收数据的相关函数进行排列,形成Hermitian Toeplitz矩阵,然后通过奇异值分解可以得到信号子空间和噪声子空间,从而实现相干信源的DOA估计。该算法在不减少阵列有效孔径的情况下,增加了可估计相干信号源数目,并在低信噪比条件下能够得到较好的估计性能,计算机仿真结果证实了算法的有效性。