CN107436421A - 一种稀疏贝叶斯学习框架下混合信号doa估计方法 - Google Patents
一种稀疏贝叶斯学习框架下混合信号doa估计方法 Download PDFInfo
- Publication number
- CN107436421A CN107436421A CN201710606186.9A CN201710606186A CN107436421A CN 107436421 A CN107436421 A CN 107436421A CN 201710606186 A CN201710606186 A CN 201710606186A CN 107436421 A CN107436421 A CN 107436421A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- munderover
- msubsup
- eta
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S3/00—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received
- G01S3/02—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received using radio waves
- G01S3/14—Systems for determining direction or deviation from predetermined direction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Abstract
本发明公开了一种稀疏贝叶斯学习框架下混合信号DOA估计方法,属于雷达信号处理技术领域。本发明的方法步骤为:首先提出一个新的稀疏促进先验(称为高斯‑指数‑卡方先验),其概率密度函数在零点处具有尖锐谱峰并且具有重拖尾,有利于促进稀疏解;然后利用该先验建立三阶分层稀疏贝叶斯模型;接下来,利用均值场变分贝叶斯理论近似后验分布,通过对各个近似的变分分布进行交替更新迭代最小化KL距离,进而求出模型参数的估计值;最后,根据各个参数的估计值构建信号功率谱函数,进而可以得到目标辐射源的信源数估计和DOA估计。
Description
技术领域
本发明涉及一种稀疏贝叶斯学习框架下混合信号DOA估计方法,属于雷达信号处理技术领域。
背景技术
波达方向(Direction of arrival,DOA)估计是阵列信号处理领域中的重要研究方向之一,该技术主要对空间中按照某种特定方式排布的传感器阵列接收到的数据进行处理,从而估计出目标入射信号的信源数目、来波方向以及信源频率等参数,在雷达、无线通信、导航等众多领域都有着广阔的应用前景。在实际应用环境中,信号的多径传播效应使得天线阵列接收到的信号往往不再是单一的不相关信号,而是由不相关信号和相干信号构成的混合信号,因此研究混合信号的DOA估计具有重要的研究价值。
目前,大多数方法都是采用子空间类算法实现混合信号的DOA估计。具体的实现思路如下:首先采用常用的子空间类算法(如,MUSIC算法、ESPRIT算法等)对不相关信号进行DOA估计,然后采用某种分离方法(如,空间差分法、斜投影矩阵法、特征值模特性法等)分离出相干信号和不相关信号,最后利用解相干算法(如,空间平滑算法、矩阵重构算法等)结合子空间类算法实现相干信号的DOA估计。这类方法能够有效地实现混合信号的DOA估计,然而这类算法需要假设不相关信号和相干信号的信源数是已知的,因此在实现过程中需要借助于额外的混合信号信源数估计方法。此外,这类算法本身无法处理相干信号,需要借助额外的解相干处理方法。不论是信源数估计方法还是解相干方法,它们的可靠性和有效性都将对算法的性能产生重要影响。
不同于子空间类算法,在利用稀疏贝叶斯学习理论进行DOA估计时不需要构建信号的协方差矩阵、信号子空间以及噪声子空间,这意味着即使入射信号为相干信号或者混合信号时也不会发生“秩亏损”现象。因此,如何利用稀疏贝叶斯学习理论,研究不需要借助额外的信源数估计和解相干操作的混合信号的DOA估计方法是亟待解决的技术问题。
发明内容
本发明的目的是提出一种稀疏贝叶斯学习框架下混合信号DOA估计方法,该方法可以解决现有子空间类混合信号DOA估计方法在实现过程中需要借助额外的信源数估计方法以及解相干操作这一问题。
本发明的目的是这样实现的:
一种稀疏贝叶斯学习框架下混合信号DOA估计方法,其特征在于,包含一下步骤:
步骤一获取稀疏的信号采样数据;
设总共有K个远场窄带信号入射到阵元数为M的均匀线阵上,阵元间距d=λ2将角度空间划分成J个采样网格其中网格数J通常满足J>>M>K,若为与目标真实入射方向θj相隔最近的采样网格,则hj(t)=0,否则对于jk=1,2,…,K和j=1,2,…,J成立,此时,天线阵列接收数据为:
其中,表示导向矢量H(t)=[h1(t),h2(t),…,hJ(t)]TN(t)表示噪声矢量由于H(t)中只含有K个非0元素,H(t)为稀疏向量对于L个快拍情况,阵列输出为:
其中,X=[X(1),X(2),…,X(L)]H=[H(1),H(2),…,H(L)]N=[N(1),N(2),…,N(L)];
步骤二构造三阶分层的稀疏先验;
第一层先验对矩阵H采用零均值Gaussian先验:
其中,Λ-1=diag(α)=diag(α1,α2,…αJ)在第二层先验中,对超参数α采用指数先验:
其中,Exp(·)表示指数分布第三层在先验中,对超参数η采用卡方(Chi2)先验:
p(η|v)=χ2(η|v) (5)
其中,Γ(·)表示Gamma函数,χ2(η|v)=[Γ(v/2)]-12-v2ηv/2-1exp(-η/2)结合式(1)~(5),可得三阶分层稀疏贝叶斯模型;
下面对超参数αj、η进行积分,得到边缘化的生成先验可以表示为:
步骤三利用均值场变分贝叶斯理论估计模型参数;
我们采用均值场变分贝叶斯理论近似后验分布p(H,α,η|X),其近似分布可以写成:
p(H,α,η|X)≈q(H,α,η)=q(H)q(α)q(η) (7)
下面对q(H)、q(α)和q(η)分别进行更新:
(1)更新q(H);
lnq(X|H)∝<lnp(X|H)p(H|α)>q(α)
通过进一步的推导,整理可得:
其中,q(H)是多个高斯分布的乘积,并且每个高斯分布的均值μ(t)和方差Σ分别表示成:
(2)更新q(α);
与更新q(H)方式相类似,可得:
其中,q(α)的后验分布可近似等价于一系列生成的逆高斯分布的乘积,即其中αj的n阶矩为:
其中,κp(·)表示阶数为p的第三类贝塞尔函数;
(3)更新q(η);
类似地,
由式(14)可知,q(η)服从Gamma分布,即其均值为:
根据式(8)~(15),交替更新均值μ、方差Σ和超参数<η>来最小化KL距离,进而得到这些参数的估计值;
步骤四建信号功率谱函数;
当参数μ、Σ、和<η>迭代更新完成以后,首先利用角度域内目标潜在方向的信号功率估计值来构造空间谱;然后设置门限Pthres并从中提取超过门限Pthres的谱峰,即可获得目标辐射源的信源数估计最后,找出这些谱峰对应的角度索引,则可以获得目标辐射源的DOA估计结果。
本发明的有益效果:采用本发明的混合信号DOA方法,可以在不借助额外的信源数估计方法和解相干方法的情况下,有效地实现混合信号的DOA估计和信源数估计。该方法中提出了一个新的三阶分层的高斯-指数-卡方先验,其概率密度函数具有更加尖锐的谱峰和更重的拖尾,有利于稀疏信号重构。该方法测向精度高,可靠性好,达到了预期的目的。
附图说明
图1为本发明三阶分层稀疏贝叶斯模型框图;
图2为本发明四种先验的概率密度函数(原点附近);
图3为本发明四种先验的概率密度函数(拖尾部分);
图4为本发明DOA估计结果功率谱图。
具体实施方式
下面结合附图和具体实施例对本文作进一步具体说明:
1.获取稀疏的信号采样数据;
假设总共有K个远场窄带信号入射到阵元数为M均匀线阵上,阵元间距d=λ2。将角度空间划分成J个采样网格其中网格数J通常满足J>>M>K。若为与目标真实入射方向θj相隔最近的采样网格,则hj(t)=0,否则hj(t)≈sjk(t)对于jk=1,2,…,K和j=1,2,…,J成立。此时,天线阵列接收数据为:
其中,表示导向矢量;H(t)=[h1(t),h2(t),…,hJ(t)]T;N(t)表示噪声矢量。由于H(t)中只含有K个非0元素,H(t)为稀疏向量。对于L个快拍情况,阵列输出为:
其中,X=[X(1),X(2),…,X(L)];H=[H(1),H(2),…,H(L)];N=[N(1),N(2),…,N(L)]。
2.构造三阶分层的稀疏先验;
第一层先验对矩阵H采用零均值Gaussian先验:
其中,Λ-1=diag(α)=diag(α1,α2,…αJ)。在第二层先验中,对超参数α采用指数先验:
其中,Exp(·)表示指数分布。第三层在先验中,对超参数η采用卡方(Chi2)先验:
p(η|v)=χ2(η|v) (5)
其中,Γ(·)表示Gamma函数,χ2(η|v)=[Γ(v/2)]-12-v2ηv/2-1exp(-η/2)。结合式(1)~(5),可得三阶分层稀疏贝叶斯模型,具体框图如附图1所示。
下面对超参数αj、η进行积分,得到边缘化的生成先验可以表示为:
图2和图3给出了高斯(Gaussian)分布、拉普拉斯(Laplace)分布、学生t(Students-t)分布以及高斯-指数-卡方(Gauss-Exp-Chi2)分布的概率密度函数分布图,并且由图2和图3可以看出相比于其他三种先验的概率密度函数,高斯-指数-卡方分布的概率密度函数在零点处具有更加尖锐的谱峰并且具有更重拖尾,因此适合用于稀疏贝叶斯模型中来促进稀疏解。
3.利用均值场变分贝叶斯理论估计模型参数;
我们采用均值场变分贝叶斯理论近似后验分布p(H,α,η|X),其近似分布可以写成:
p(H,α,η|X)≈q(H,α,η)=q(H)q(α)q(η) (7)
下面对q(H)、q(α)和q(η)分别进行更新;
(1)更新q(H);
lnq(X|H)∝<lnp(X|H)p(H|α)>q(α)
通过进一步的推导,整理可得:
其中,q(H)是多个高斯分布的乘积,并且每个高斯分布的均值μ(t)和方差Σ分别表示成:
(2)更新q(α);
与更新q(H)方式相类似,可得:
其中,q(α)的后验分布可近似等价于一系列生成的逆高斯分布的乘积,即其中αj的n阶矩为:
其中,κp(·)表示阶数为p的第三类贝塞尔函数。
(3)更新q(η);
类似地,
由式(14)可知,q(η)服从Gamma分布,即其均值为:
根据式(8)~(15),交替更新均值μ、方差Σ和超参数<η>来最小化KL距离,进而得到这些参数的估计值。
4.建信号功率谱函数;
当参数μ、Σ、和<η>迭代更新完成以后,首先利用角度域内目标潜在方向的信号功率估计值来构造空间谱;然后设置门限Pthres并从中提取超过门限Pthres的谱峰,即可获得目标辐射源的信源数估计;最后,找出这些谱峰对应的角度索引,则可以获得目标辐射源的DOA估计结果。图4给出了一组4个信号(2个相干信号和2个不相关信号)入射到一个9阵元均匀线阵,在信噪比为0dB,快拍数为200时的信号功率谱图,从图4中可以看出本发明能够有效地对混合信号的信源数和DOA进行估计,并且估计误偏差较小。
Claims (1)
1.一种稀疏贝叶斯学习框架下混合信号DOA估计方法,其特征在于,包含以下步骤:
步骤一获取稀疏的信号采样数据;
设总共有K个远场窄带信号入射到阵元数为M的均匀线阵上,阵元间距d=λ/2将角度空间划分成J个采样网格其中网格数J通常满足J>>M>K,若为与目标真实入射方向θj相隔最近的采样网格,则hj(t)=0,否则对于jk=1,2,…,K和j=1,2,…,J成立,此时,天线阵列接收数据为:
其中,表示导向矢量H(t)=[h1(t),h2(t),…,hJ(t)]T N(t)表示噪声矢量由于H(t)中只含有K个非0元素,H(t)为稀疏向量对于L个快拍情况,阵列输出为:
其中,X=[X(1),X(2),…,X(L)]H=[H(1),H(2),…,H(L)]N=[N(1),N(2),…,N(L)];
步骤二构造三阶分层的稀疏先验;
第一层先验对矩阵H采用零均值Gaussian先验:
其中,Λ-1=diag(α)=diag(α1,α2,…αJ)在第二层先验中,对超参数α采用指数先验:
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>&alpha;</mi>
<mo>|</mo>
<mi>&tau;</mi>
<mo>,</mo>
<mi>&eta;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>J</mi>
</munderover>
<mi>E</mi>
<mi>x</mi>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&alpha;</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
<mi>&tau;</mi>
<mi>&eta;</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,Exp(·)表示指数分布第三层在先验中,对超参数η采用卡方(Chi2)先验:
p(η|v)=χ2(η|v) (5)
其中,Γ(·)表示Gamma函数,χ2(η|v)=[Γ(v/2)]-12-v/2ηv/2-1exp(-η/2)结合式(1)~(5),可得三阶分层稀疏贝叶斯模型;
下面对超参数αj、η进行积分,得到边缘化的生成先验可以表示为:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>H</mi>
<mo>;</mo>
<mi>&tau;</mi>
<mo>,</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>L</mi>
</munderover>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>J</mi>
</munderover>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>h</mi>
<mi>j</mi>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>;</mo>
<mi>&tau;</mi>
<mo>,</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>L</mi>
</munderover>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>J</mi>
</munderover>
<mrow>
<mo>(</mo>
<mrow>
<mo>-</mo>
<msqrt>
<mfrac>
<mi>&tau;</mi>
<mi>&pi;</mi>
</mfrac>
</msqrt>
<mfrac>
<mrow>
<mi>&Gamma;</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>/</mo>
<mn>2</mn>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mi>&Gamma;</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>/</mo>
<mn>2</mn>
<mo>+</mo>
<mn>1</mn>
<mo>/</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>&Gamma;</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>/</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mi>U</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>v</mi>
<mo>/</mo>
<mn>2</mn>
<mo>+</mo>
<mn>1</mn>
<mo>/</mo>
<mn>2</mn>
<mo>,</mo>
<mn>1</mn>
<mo>/</mo>
<mn>2</mn>
<mo>,</mo>
<msubsup>
<mi>h</mi>
<mi>j</mi>
<mn>2</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mi>&tau;</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
步骤三利用均值场变分贝叶斯理论估计模型参数;
我们采用均值场变分贝叶斯理论近似后验分布p(H,α,η|X),其近似分布可以写成:
p(H,α,η|X)≈q(H,α,η)=q(H)q(α)q(η) (7)
下面对q(H)、q(α)和q(η)分别进行更新:
(1)更新q(H);
通过进一步的推导,整理可得:
<mrow>
<mi>q</mi>
<mrow>
<mo>(</mo>
<mi>H</mi>
<mo>)</mo>
</mrow>
<mo>&Proportional;</mo>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>L</mi>
</munderover>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msup>
<mi>H</mi>
<mi>H</mi>
</msup>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<msup>
<mi>&Sigma;</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mi>H</mi>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>+</mo>
<msup>
<mi>H</mi>
<mi>H</mi>
</msup>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<msup>
<mi>&Sigma;</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mi>&mu;</mi>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,q(H)是多个高斯分布的乘积,并且每个高斯分布的均值μ(t)和方差Σ分别表示成:
(2)更新q(α);
与更新q(H)方式相类似,可得:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>ln</mi>
<mi> </mi>
<mi>q</mi>
<mrow>
<mo>(</mo>
<mi>&alpha;</mi>
<mo>)</mo>
</mrow>
<mo>&Proportional;</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>J</mi>
</munderover>
<mo><</mo>
<mi>ln</mi>
<mo>&lsqb;</mo>
<mrow>
<msubsup>
<mi>&alpha;</mi>
<mi>j</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
<mo>/</mo>
<mn>2</mn>
</mrow>
</msubsup>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mrow>
<mo>-</mo>
<mfrac>
<msubsup>
<mi>h</mi>
<mi>j</mi>
<mn>2</mn>
</msubsup>
<mrow>
<mn>2</mn>
<msub>
<mi>&alpha;</mi>
<mi>j</mi>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<msub>
<mi>&tau;&eta;&alpha;</mi>
<mi>j</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>&rsqb;</mo>
<msub>
<mo>></mo>
<mrow>
<mi>q</mi>
<mrow>
<mo>(</mo>
<mi>H</mi>
<mo>)</mo>
</mrow>
<mi>q</mi>
<mrow>
<mo>(</mo>
<mi>&eta;</mi>
<mo>)</mo>
</mrow>
</mrow>
</msub>
<mo>&DoubleRightArrow;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>q</mi>
<mrow>
<mo>(</mo>
<mi>&alpha;</mi>
<mo>)</mo>
</mrow>
<mo>&Proportional;</mo>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>J</mi>
</munderover>
<msubsup>
<mi>&alpha;</mi>
<mi>j</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
<mo>/</mo>
<mn>2</mn>
</mrow>
</msubsup>
<mi>exp</mi>
<mo>(</mo>
<mrow>
<mo>-</mo>
<mfrac>
<mrow>
<mo><</mo>
<msubsup>
<mi>h</mi>
<mi>j</mi>
<mn>2</mn>
</msubsup>
<mo>></mo>
</mrow>
<mrow>
<mn>2</mn>
<msub>
<mi>&alpha;</mi>
<mi>j</mi>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mi>&tau;</mi>
<mo><</mo>
<mi>&eta;</mi>
<mo>></mo>
<msub>
<mi>&alpha;</mi>
<mi>j</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>12</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,的后验分布可近似等价于一系列生成的逆高斯分布的乘积,即其中αj的n阶矩为:
<mrow>
<mo><</mo>
<msubsup>
<mi>&alpha;</mi>
<mi>j</mi>
<mi>n</mi>
</msubsup>
<mo>></mo>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mo><</mo>
<msubsup>
<mi>h</mi>
<mi>j</mi>
<mn>2</mn>
</msubsup>
<mo>></mo>
</mrow>
<mrow>
<mn>2</mn>
<mi>&tau;</mi>
<mo><</mo>
<mi>&eta;</mi>
<mo>></mo>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mrow>
<mi>n</mi>
<mo>/</mo>
<mn>2</mn>
</mrow>
</msup>
<mfrac>
<mrow>
<msub>
<mi>&kappa;</mi>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
<mo>/</mo>
<mn>2</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msqrt>
<mrow>
<mn>2</mn>
<mi>&tau;</mi>
<mo><</mo>
<mi>&eta;</mi>
<mo>></mo>
<mo><</mo>
<msubsup>
<mi>h</mi>
<mi>j</mi>
<mn>2</mn>
</msubsup>
<mo>></mo>
</mrow>
</msqrt>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&kappa;</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
<mo>/</mo>
<mn>2</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msqrt>
<mrow>
<mn>2</mn>
<mi>&tau;</mi>
<mo><</mo>
<mi>&eta;</mi>
<mo>></mo>
<mo><</mo>
<msubsup>
<mi>h</mi>
<mi>j</mi>
<mn>2</mn>
</msubsup>
<mo>></mo>
</mrow>
</msqrt>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>13</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,κp(·)表示阶数为p的第三类贝塞尔函数;
(3)更新q(η);
类似地,
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>ln</mi>
<mi> </mi>
<mi>q</mi>
<mrow>
<mo>(</mo>
<mi>&eta;</mi>
<mo>)</mo>
</mrow>
<mo>&Proportional;</mo>
<mi>ln</mi>
<mo>&lsqb;</mo>
<mrow>
<msup>
<mi>&eta;</mi>
<mrow>
<mi>J</mi>
<mo>+</mo>
<mi>v</mi>
<mo>/</mo>
<mn>2</mn>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mrow>
<mo>-</mo>
<mi>&tau;</mi>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>J</mi>
</munderover>
<mo><</mo>
<msub>
<mi>&alpha;</mi>
<mi>j</mi>
</msub>
<mo>></mo>
<mi>&eta;</mi>
<mo>-</mo>
<mi>&eta;</mi>
<mo>/</mo>
<mn>2</mn>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>&rsqb;</mo>
<mo>&DoubleRightArrow;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>q</mi>
<mrow>
<mo>(</mo>
<mi>&eta;</mi>
<mo>)</mo>
</mrow>
<mo>&Proportional;</mo>
<msup>
<mi>&eta;</mi>
<mrow>
<mi>J</mi>
<mo>+</mo>
<mi>v</mi>
<mo>/</mo>
<mn>2</mn>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mi>exp</mi>
<mo>(</mo>
<mrow>
<mo>-</mo>
<mi>&tau;</mi>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>J</mi>
</munderover>
<mo><</mo>
<msub>
<mi>&alpha;</mi>
<mi>j</mi>
</msub>
<mo>></mo>
<mi>&eta;</mi>
<mo>-</mo>
<mi>&eta;</mi>
<mo>/</mo>
<mn>2</mn>
</mrow>
<mo>)</mo>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>14</mn>
<mo>)</mo>
</mrow>
</mrow>
由式(14)可知,q(η)服从Gamma分布,即其均值为
<mrow>
<mo><</mo>
<mi>&eta;</mi>
<mo>></mo>
<mo>=</mo>
<mfrac>
<mrow>
<mi>J</mi>
<mo>+</mo>
<mi>v</mi>
<mo>/</mo>
<mn>2</mn>
</mrow>
<mrow>
<mi>&tau;</mi>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>J</mi>
</munderover>
<mo><</mo>
<msub>
<mi>&alpha;</mi>
<mi>j</mi>
</msub>
<mo>></mo>
<mo>+</mo>
<mn>1</mn>
<mo>/</mo>
<mn>2</mn>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>15</mn>
<mo>)</mo>
</mrow>
</mrow>
根据式(8)~(15),交替更新均值μ、方差Σ和超参数<η>来最小化KL距离,进而得到这些参数的估计值;
步骤四建信号功率谱函数;
当参数μ、Σ、和<η>迭代更新完成以后,首先利用角度域内目标潜在方向的信号功率估计值来构造空间谱;然后设置门限Pthres并从中提取超过门限Pthres的谱峰,即可获得目标辐射源的信源数估计最后,找出这些谱峰对应的角度索引,则可以获得目标辐射源的DOA估计结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710606186.9A CN107436421B (zh) | 2017-07-24 | 2017-07-24 | 一种稀疏贝叶斯学习框架下混合信号doa估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710606186.9A CN107436421B (zh) | 2017-07-24 | 2017-07-24 | 一种稀疏贝叶斯学习框架下混合信号doa估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107436421A true CN107436421A (zh) | 2017-12-05 |
CN107436421B CN107436421B (zh) | 2020-11-20 |
Family
ID=60460983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710606186.9A Active CN107436421B (zh) | 2017-07-24 | 2017-07-24 | 一种稀疏贝叶斯学习框架下混合信号doa估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107436421B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108376259A (zh) * | 2018-01-23 | 2018-08-07 | 西安交通大学 | 结合贝叶斯分层学习和空谱联合先验的图像降噪方法 |
CN108445462A (zh) * | 2018-02-05 | 2018-08-24 | 江苏大学 | 一种基于稀疏贝叶斯学习的双基地mimo雷达的dod和doa估计方法 |
CN109188348A (zh) * | 2018-10-11 | 2019-01-11 | 北京遥感设备研究所 | 一种基于共形天线阵和贝叶斯网络的角度估计方法 |
CN109298384A (zh) * | 2018-09-10 | 2019-02-01 | 西北工业大学 | 一种基于变分贝叶斯推断的非均匀直线阵波达方向角估计方法 |
CN109375156A (zh) * | 2018-09-30 | 2019-02-22 | 南京航空航天大学 | 基于信息论的传感器系统单目标克拉美罗界的研究方法 |
CN109407046A (zh) * | 2018-09-10 | 2019-03-01 | 西北工业大学 | 一种基于变分贝叶斯推断的嵌套阵列波达方向角估计方法 |
CN109444810A (zh) * | 2018-12-24 | 2019-03-08 | 哈尔滨工程大学 | 一种非负稀疏贝叶斯学习框架下的互质阵列非网格doa估计方法 |
CN110954860A (zh) * | 2019-12-18 | 2020-04-03 | 金陵科技学院 | 一种doa和极化参数估计方法 |
CN110954862A (zh) * | 2018-09-26 | 2020-04-03 | 哈尔滨工业大学 | 一种稀疏贝叶斯框架下基于全局窄带模型的辐射源直接定位方法 |
CN112731273A (zh) * | 2020-12-09 | 2021-04-30 | 南京邮电大学 | 一种基于稀疏贝叶斯的低复杂度信号波达方向估计方法 |
CN109298383B (zh) * | 2018-09-10 | 2022-10-14 | 西北工业大学 | 一种基于变分贝叶斯推断的互质阵波达方向角估计方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537171A (zh) * | 2014-12-24 | 2015-04-22 | 南京信息工程大学 | 一种mimo信道空间衰落相关性计算方法及多天线系统 |
CN104537249A (zh) * | 2015-01-04 | 2015-04-22 | 西安电子科技大学 | 基于稀疏贝叶斯学习的波达方向角估计方法 |
CN104749553A (zh) * | 2015-04-10 | 2015-07-01 | 西安电子科技大学 | 基于快速稀疏贝叶斯学习的波达方向角估计方法 |
CN104777449A (zh) * | 2014-10-31 | 2015-07-15 | 哈尔滨工业大学深圳研究生院 | 基于贝叶斯信息准则的信源数估计方法 |
CN104977558A (zh) * | 2015-06-16 | 2015-10-14 | 电子科技大学 | 一种基于贝叶斯压缩感知的分布源中心波达方向估计方法 |
CN106656202A (zh) * | 2016-12-27 | 2017-05-10 | 电子科技大学 | 基于贝叶斯的鲁棒性压缩感知方法 |
CN106683122A (zh) * | 2016-12-16 | 2017-05-17 | 华南理工大学 | 一种基于高斯混合模型和变分贝叶斯的粒子滤波方法 |
-
2017
- 2017-07-24 CN CN201710606186.9A patent/CN107436421B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104777449A (zh) * | 2014-10-31 | 2015-07-15 | 哈尔滨工业大学深圳研究生院 | 基于贝叶斯信息准则的信源数估计方法 |
CN104537171A (zh) * | 2014-12-24 | 2015-04-22 | 南京信息工程大学 | 一种mimo信道空间衰落相关性计算方法及多天线系统 |
CN104537249A (zh) * | 2015-01-04 | 2015-04-22 | 西安电子科技大学 | 基于稀疏贝叶斯学习的波达方向角估计方法 |
CN104749553A (zh) * | 2015-04-10 | 2015-07-01 | 西安电子科技大学 | 基于快速稀疏贝叶斯学习的波达方向角估计方法 |
CN104977558A (zh) * | 2015-06-16 | 2015-10-14 | 电子科技大学 | 一种基于贝叶斯压缩感知的分布源中心波达方向估计方法 |
CN106683122A (zh) * | 2016-12-16 | 2017-05-17 | 华南理工大学 | 一种基于高斯混合模型和变分贝叶斯的粒子滤波方法 |
CN106656202A (zh) * | 2016-12-27 | 2017-05-10 | 电子科技大学 | 基于贝叶斯的鲁棒性压缩感知方法 |
Non-Patent Citations (2)
Title |
---|
WEIJIAN SI ETAL: "Computationally Efficient Angle and Polarization Estimation in the Presence of Multipath Propagation Using Dual-Polarization Vector Sensor Array", 《INTERNATIONAL JOURNAL OF ANTENNAS AND PROPAGATION》 * |
WEIJIAN SI ETAL: "Real-valued DOA estimation for a mixture of uncorrelated and coherent sources via unitary transformation", 《DIGITAL SIGNAL PROCESSING》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108376259A (zh) * | 2018-01-23 | 2018-08-07 | 西安交通大学 | 结合贝叶斯分层学习和空谱联合先验的图像降噪方法 |
CN108445462A (zh) * | 2018-02-05 | 2018-08-24 | 江苏大学 | 一种基于稀疏贝叶斯学习的双基地mimo雷达的dod和doa估计方法 |
CN108445462B (zh) * | 2018-02-05 | 2019-10-01 | 江苏大学 | 一种基于稀疏贝叶斯学习的双基地mimo雷达的dod和doa估计方法 |
CN109298383B (zh) * | 2018-09-10 | 2022-10-14 | 西北工业大学 | 一种基于变分贝叶斯推断的互质阵波达方向角估计方法 |
CN109298384A (zh) * | 2018-09-10 | 2019-02-01 | 西北工业大学 | 一种基于变分贝叶斯推断的非均匀直线阵波达方向角估计方法 |
CN109407046A (zh) * | 2018-09-10 | 2019-03-01 | 西北工业大学 | 一种基于变分贝叶斯推断的嵌套阵列波达方向角估计方法 |
CN109298384B (zh) * | 2018-09-10 | 2022-09-02 | 西北工业大学 | 一种基于变分贝叶斯推断的非均匀直线阵波达方向角估计方法 |
CN110954862A (zh) * | 2018-09-26 | 2020-04-03 | 哈尔滨工业大学 | 一种稀疏贝叶斯框架下基于全局窄带模型的辐射源直接定位方法 |
CN110954862B (zh) * | 2018-09-26 | 2021-09-07 | 哈尔滨工业大学 | 一种稀疏贝叶斯框架下基于全局窄带模型的辐射源直接定位方法 |
CN109375156A (zh) * | 2018-09-30 | 2019-02-22 | 南京航空航天大学 | 基于信息论的传感器系统单目标克拉美罗界的研究方法 |
CN109188348A (zh) * | 2018-10-11 | 2019-01-11 | 北京遥感设备研究所 | 一种基于共形天线阵和贝叶斯网络的角度估计方法 |
CN109444810A (zh) * | 2018-12-24 | 2019-03-08 | 哈尔滨工程大学 | 一种非负稀疏贝叶斯学习框架下的互质阵列非网格doa估计方法 |
CN110954860B (zh) * | 2019-12-18 | 2021-06-29 | 金陵科技学院 | 一种doa和极化参数估计方法 |
CN110954860A (zh) * | 2019-12-18 | 2020-04-03 | 金陵科技学院 | 一种doa和极化参数估计方法 |
CN112731273A (zh) * | 2020-12-09 | 2021-04-30 | 南京邮电大学 | 一种基于稀疏贝叶斯的低复杂度信号波达方向估计方法 |
CN112731273B (zh) * | 2020-12-09 | 2023-06-23 | 南京邮电大学 | 一种基于稀疏贝叶斯的低复杂度信号波达方向估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107436421B (zh) | 2020-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107436421A (zh) | 一种稀疏贝叶斯学习框架下混合信号doa估计方法 | |
CN106646344B (zh) | 一种利用互质阵的波达方向估计方法 | |
CN104977558B (zh) | 一种基于贝叶斯压缩感知的分布源中心波达方向估计方法 | |
Ender | A brief review of compressive sensing applied to radar | |
CN104237883A (zh) | 一种采用稀疏表示的机载雷达空时自适应处理方法 | |
Shutin et al. | Incremental sparse Bayesian learning for parameter estimation of superimposed signals | |
Liu et al. | Fast OMP algorithm for 2D angle estimation in MIMO radar | |
Liu | Multi-feature fusion for specific emitter identification via deep ensemble learning | |
CN106021637A (zh) | 互质阵列中基于迭代稀疏重构的doa估计方法 | |
CN109471063B (zh) | 基于延迟快拍的均匀线列阵高分辨波达方向估计方法 | |
CN104931923A (zh) | Grid Iterative ESPRIT,一种可扩展的用于均匀圆阵二维到达角的快速估计算法 | |
CN103235282A (zh) | 一种l型二维天线阵列去耦自校正及波达方向估计方法 | |
CN104392146A (zh) | 基于scmp算法的欠定盲分离源信号恢复方法 | |
CN104535987A (zh) | 适用于均匀圆阵列声纳系统的幅相误差自校正方法 | |
CN105158751A (zh) | 一种声矢量阵快速方位估计方法 | |
CN106156451A (zh) | 一种基于改进量子粒子群的波达方向估计技术 | |
Chen et al. | Improved two-step weighted least squares algorithm for TDOA-based source localization | |
CN110954860B (zh) | 一种doa和极化参数估计方法 | |
CN103338024A (zh) | 天线组阵中时延的互补卡尔曼滤波装置与方法 | |
Qi et al. | Time-frequency DOA estimation of chirp signals based on multi-subarray | |
Bond et al. | Cosmic microwave background snapshots: pre-WMAP and post-WMAP | |
CN104731762B (zh) | 基于循环移位的立方相位信号参数估计方法 | |
Farr et al. | A more efficient approach to parallel-tempered Markov-chain Monte Carlo for the highly structured posteriors of gravitational-wave signals | |
Behmardi et al. | Entropy estimation using the principle of maximum entropy | |
CN106778001A (zh) | 基于改进时频单源区的欠定混合矩阵盲估计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |