论文部分内容阅读
波达方向(Direction of Arrival,DOA)估计是阵列信号处理所研究的重要内容之一,在通信、定位以及雷达等领域都有着很广泛的应用。由于传统的DOA估计方法在低信噪比和小样本环境下难以实现很好的估计精度,且处理相干信号性能较弱,因此限制了DOA估计的进一步发展。随着压缩感知和稀疏重构理论的发展,DOA估计问题也出现了新的解决思路,在一定条件下,稀疏信号可以以远低于Nyquist采样率得到的采样数据精确恢复出原始信号,使得基于稀疏重构的DOA估计问题的研究得到新的发展。基于稀疏重构理论的DOA估计方法目前主要有贪婪算法,凸优化算法和稀疏贝叶斯学习算法,其中前面两者都可以从贝叶斯统计优化的角度进行解释,利用样本数据和先验信息对稀疏参数进行推断进而实现稀疏重构,表现出相对明显的优势。本文在基于稀疏贝叶斯学习理论的基础上,主要研究工作如下:(1)介绍了阵列信号处理中的信号模型以及常用的DOA估计方法,引入稀疏重构理论中的稀疏信号模型,并介绍基于稀疏重构的DOA估计常用的几种估计方法,分析了其各自的优势与局限性,主要介绍了基于稀疏贝叶斯学习算法的窄带DOA估计算法。(2)针对信号波达方向离格(off-grid)问题,引入了 off-grid参数导向矢量模型,应用泰勒级数展开方法引入附加参数来表示量化误差,并将该误差作为被估计参数,提出了一种基于变分贝叶斯推断期望最大化的稀疏重构方法对建立的参数误差进行稀疏估计。所提出的方法能很好的改善off-grid误差并提高空域分辨率,可以达到高精度的角度估计。(3)为了研究超宽带信号的稀疏重构,对传统的宽带DOA估计方法做了介绍,在分析了其局限性后,提出了基于多频带联合块稀疏贝叶斯的超宽带DOA估计方法。建立了超宽带信号稀疏模型,考虑到超宽带信号的频率特性,构造了信号联合概率密度函数,利用联合稀疏特性和不同窄带之间的相关信息,求解最大后验概率密度;为了减少算法的运算量,采用了块稀疏的联合概率密度来降低采样率和处理要求,简化了估计过程。