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...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L 1范数最小化奇异值分解(L 1-norm minimum singular value decomposition,L 1-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.展开更多
文摘由于无网格(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L 1范数最小化奇异值分解(L 1-norm minimum singular value decomposition,L 1-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.
