CN109061554B - 一种基于空间离散网格动态更新的目标到达角度估计方法 - Google Patents

一种基于空间离散网格动态更新的目标到达角度估计方法 Download PDF

Info

Publication number
CN109061554B
CN109061554B CN201810668565.5A CN201810668565A CN109061554B CN 109061554 B CN109061554 B CN 109061554B CN 201810668565 A CN201810668565 A CN 201810668565A CN 109061554 B CN109061554 B CN 109061554B
Authority
CN
China
Prior art keywords
discrete grid
target
array
noise
discrete
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.)
Active
Application number
CN201810668565.5A
Other languages
English (en)
Other versions
CN109061554A (zh
Inventor
王伟
魏震宇
王犇
董福王
龚琳舒
李欣
黄平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN201810668565.5A priority Critical patent/CN109061554B/zh
Publication of CN109061554A publication Critical patent/CN109061554A/zh
Application granted granted Critical
Publication of CN109061554B publication Critical patent/CN109061554B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明提供的是一种基于空间离散网格动态更新的目标到达角度估计方法，主要是为了解决阵列信号处理问题上DOA估计过程中所面临的空间离散网格失配的问题，属于阵列信号处理技术领域。对信号采样协方差矩阵进行特征值分解，通过基追踪的方法，找到距离真实角度最近的离散点，之后通过迭代对离散网格点进行动态更新，使离散网格点不断逼近目标的真实DOA值，从而进行多个目标到达角度的精确估计。本发明利用空间离散网格动态学习的方法有效的解决了空间离散网格适配问题，使得本算法即使在空间离散网格步长很大的情况下，依旧能够迅速的估计出DOA并保持很高的目标估计精度。

Description

一种基于空间离散网格动态更新的目标到达角度估计方法
技术领域
本发明涉及一种均匀线阵上的基于空间离散网格动态更新的目标到达角度估计方法，属于阵列信号处理技术领域。
背景技术
阵列信号处理技术利用多传感器进行信号测量，从而利用信号的空域特性获得额外的空域自由度，相对于传统的一维信号处理技术具有较高的信号增益、强抗干扰性、高分辨率的优点。阵列信号处理技术经过多年的发展，已成功应用于天文观测、雷达、声呐、通信系统以及生物医学等领域。阵列信号处理技术主要包括自适应波束形成技术，高分辨率空间谱估计技术。目标到达角度方向估计即是高分辨率空间谱估计的重要内容。经过几十年的发展，目标到达角度估计算法已经发展出了最大似然估计(Maximum likehood,ML)算法，Capon算法等，此外，受近十年来蓬勃发展的稀疏重构技术的影响，利用目标信号在空域的特性，诞生了一批基于稀疏重构的目标到达角度估计算法。
离散网格失配问题是阵列信号处理中一个重要研究内容，主要出现在谱峰搜索、基于压缩感知的稀疏重构算法等需要将连续变量分解为离散变量的问题中。对于需要谱峰搜索的目标到达角度估计算法，主要有Capon算法、MUSIC算法两种，这两种算法将空间角度离散化分之后，需要以各个离散点构造阵列导向矢量来构成谱函数。通常为了尽可能避免或者降低离散网格误差的影响，需要尽可能使用密集的空间网格划分，然而密集的网格划分也不能完全保证真实的目标到达角度落在离散划分的网格点上，而且随着离散网格划分越密集，离散网格点数大大增加会使得计算复杂度增加。在谱搜索类算法中，通常在初始网格上得到的谱峰附近进行更精细的搜索，这在一定程度上会改善搜索类算法的离散网格失配问题，但是并没有能够从根本上消除离散网格误差。稀疏重构类算法主要是在有限的离散空间网格上构造稀疏字典，同样的，无论网络划分多么密集，都不能保证目标包含在离散网格中，此外，过密的空间网格会导致稀疏字典的相关性增加。根据约束等距条件可知，稀疏重构算法恢复效果在稀疏字典相关性低的时候最好，随着稀疏字典列向量的相关性增加，稀疏重构算法的恢复效果反而会变差。
发明内容
本发明提供了一种基于空间离散网格动态更新的目标到达角度估计方法，目的在于针对稀疏重构下的离散网格失配问题，提出一种基于空间离散网格动态更新的目标到达角度估计方法。
为实现本发明的目的，本发明提供的方法首先利用基追踪方法找到距离真实角度最近的离散网格点，通过在该点进行泰勒展开估计出空间离散网格误差，结合离散网格误差通过迭代的方法不断更新空间离散网格，使得离散网格点不断靠近目标的真实到达角度，之后再利用更新后的离散网格构造稀疏字典结合稀疏重构的方法获得稳健的目标到达角度估计值。
本发明提供的一种基于空间离散网格动态更新的目标到达角度估计方法，包括以下步骤：
步骤一、计算阵列天线的协方差矩阵；
步骤二、计算噪声子空间；
步骤三、构造广义阵列流型矩阵稀疏字典；
步骤四、求解距离真是目标到达角度最近的离散网格点；
步骤五、计算离散网格误差；
步骤六、迭代更新离散网格点；
步骤七、获得稳健目标到达角度估计值。
本发明目标参数估计主要包括以下几个方面：
1.将采样协方差矩阵矢量化，构造广义阵列流型矩阵，并基于广义阵列流型矩阵划分稀疏完备字典
如图2所示，本发明所用模型是由M个天线阵元组成的均匀线阵，阵元间距均为半波长。图中Θ＝[φ1,...,φL]即是按照角度空间离散划分的网格点。
第一个需要根据采样协方差矩阵来构造广义阵列流型矩阵
Figure BDA0001708466910000021
将采样协方差矩阵中的噪声项去除，
Figure BDA0001708466910000022
式中
Figure BDA0001708466910000023
为采样数据协方差矩阵，
Figure BDA0001708466910000024
为高斯白噪声项。将无噪声项的采样协方差矩阵矢量化处理，得到测量向量
Figure BDA0001708466910000025
如下的等式，
Figure BDA0001708466910000026
第二个广义协方差矩阵为
Figure BDA0001708466910000027
式中
Figure BDA0001708466910000028
a(θk)为阵列的导向矢量。
利用空间离散网格点Θ代入(3)构造广义阵列流型矩阵的稀疏字典
Figure BDA0001708466910000029
可记为如下
Figure BDA00017084669100000210
2.根据正交匹配追踪(orthogonal matchingpursuit,OMP)算法，在广义阵列流型矩阵稀疏字典
Figure BDA0001708466910000031
中求解出距离真实目标到达角度最近的离散网格点
由正交匹配追踪算法可知，广义阵列流型矩阵稀疏字典中的稀疏基与测量向量
Figure BDA0001708466910000032
具有相关性，于是根据下述优化函数可以确定出K个与测量向量
Figure BDA0001708466910000033
相关性最大的稀疏基：
Figure BDA0001708466910000034
式中，ζ为门限参数用来选取K个与测量向量
Figure BDA0001708466910000035
相关性最大的稀疏基。根据集合Ω统计下的广义阵列流型矩阵字典中的稀疏基，即可求出与之对应的离散网格点的子集合，记为
Figure BDA0001708466910000036
其中
Figure BDA0001708466910000037
对应的离散网格点。
3.利用泰勒展开，得到离散网格误差
利用(7)中计算的得到的离散网格点，分别在第k个信源的真实导向矢量a(θk)进行一阶泰勒级数展开，得到下式
Figure BDA0001708466910000038
式中
Figure BDA0001708466910000039
为第k个信源对应的离散网格误差，
Figure BDA00017084669100000310
为导向矢量在
Figure BDA00017084669100000311
处的一阶导数。
(8)中离散网格误差
Figure BDA00017084669100000312
是未知量，由于信号子空间与噪声子空间相互正交，则可以构造如下的函数，记作。
Figure BDA00017084669100000313
其中函数
Figure BDA00017084669100000314
可以简化为如下的一元二次函数的形式：
Figure BDA00017084669100000315
其中，
Figure BDA00017084669100000316
可以很明显的看出，函数
Figure BDA00017084669100000317
是一个开口向上的一元二次函数，于是式(9)有最优解
Figure BDA00017084669100000318
可以表示为
Figure BDA0001708466910000041
4.利用迭代方法，结合估计出的离散网格点以及对应的离散网格误差动态更新空间离散网格点
空间离散网格随着迭代计算，不断更新，逼近真实目标到达角度，当迭代次数达到上限或者满足如下条件时，退出迭代过程，并输出稳健优化的空间离散网格点。
Figure BDA0001708466910000042
式中ε为判断阈值，是一个极小量，·(i)表示第i迭代的结果。
5.利用迭代更新输出的稳健优化的空间离散网格点构造广义阵列流型矩阵稀疏字典，通过稀疏重构的算法恢复出稳健高精度的目标到达角度。
与现有技术相比，本发明提供的方法具有以下优势：
1、本发明利用泰勒展开估计出离散网格误差，使得本算法在面临离散网格失配问题时仍能有较高的估计精度。
2、与传统的阵列信号处理算法相比，本发明基于离散网格动态更新的算法能够将求解失配误差的问题转化成一个求解一元二次函数最小值的问题，从而能够在降低计算复杂度的前提下，通过迭代的方法实现离散网格的动态更新。
3、本发明基于稀疏重构算法，利用动态更新的稀疏字典，能够高效准确地估计出目标到达角度方向，有效解决离散网格失配问题，使估计精度能够逼近克拉美罗下界。
附图说明
图1是本发明的整体结构框架图；
图2是本发明的简化模型示意图；
图3是本发明的角度估计性能图；
图4是本发明、空间离散网格动态更新算法对目标到达角度估计的均方根误差随着信噪比的变化曲线；
图5是本发明、空间离散网格动态更新算法对目标到达角度估计的均方根误差随着快拍数的变化曲线；
图6是本发明、空间离散网格动态更新算法对目标到达角度估计的均方根误差随着离散网格初始划分步长的变化曲线；
图7是本发明、空间离散网格动态更新算法对目标到达角度估计的均方根误差随着迭代次数的变化曲线。
具体实施方式
下面结合附图对本发明提供的方法作更详细的描述：
步骤一、计算阵列天线的协方差矩阵
假设均匀线阵的天线阵元位置为d＝[d0,d1,...,dM-1]T，不失一般性的假设第一个天线为 d0＝0，则dm＝(m-1)d。如果有K个远场且互不相关的目标照射到线阵上，假设目标来波方向为θ＝[θ1,θ2,...,θK]T，其中θk为第k个目标的来波方向，则在第t个快拍下的目标基带接收信号可以表示为：
Figure BDA0001708466910000051
其中
Figure BDA0001708466910000052
为第k个目标所对应的导向矢量， A＝[a(θ1),...,a(θK)]为阵列流型矩阵。n(t)为加性高斯白噪声，均值为0、方差为
Figure BDA0001708466910000053
根据(14)给出的接收信号数学模型，理想阵列接收信号的协方差矩阵可以表示为：
Figure BDA0001708466910000054
式中
Figure BDA0001708466910000055
为信号协方差矩阵，Rn＝E[n(t)nH(t)]为噪声协方差矩阵，对于加性高斯白噪声，Rn可以表示为
Figure BDA0001708466910000056
其中IM为M×M的单位阵。由于在实际应用中，仅有有限个接收快拍可供使用，因此理想阵列接收信号协方差矩阵通常需要采用采样数据协方差矩阵替代：
Figure BDA0001708466910000057
式中T表示快拍数。
步骤二、计算噪声子空间
对采样协方差矩阵
Figure BDA0001708466910000058
进行特征值分解用于计算噪声子空间，即：
Figure BDA0001708466910000059
式中Σs为
Figure BDA00017084669100000510
中K个大的特征值，Σn为
Figure BDA00017084669100000511
中M-K个小特征值。其中Es张成信号子空间， En张成噪声子空间。
步骤三、构造广义阵列流型矩阵稀疏字典
考虑到Σn中M-K个小特征值在理想情况下与噪声功率相同，因此可以利用这一特性将采样协方差
Figure BDA0001708466910000061
中的噪声项去除，得到无噪声项的采样协方差矩阵
Figure BDA0001708466910000062
表示如下：
Figure BDA0001708466910000063
将
Figure BDA0001708466910000064
进行矢量化处理，记为
Figure BDA0001708466910000065
测量向量
Figure BDA0001708466910000066
可以表示如下：
Figure BDA0001708466910000067
式中
Figure BDA0001708466910000068
为广义阵列流型矩阵，
Figure BDA0001708466910000069
为信号功率。
Figure BDA00017084669100000610
中
Figure BDA00017084669100000611
为导向矢量的克罗尼克积形式，表示如下：
Figure BDA00017084669100000612
将广义流型矩阵
Figure BDA00017084669100000613
按照空间离散网格Θ构造稀疏字典，记为
Figure BDA00017084669100000614
φl为空间离散网格集Θ中的离散网格点，L为空间离散网格集Θ的长度。
步骤四、求解距离真是目标到达角度最近的离散网格点
根据正交匹配追踪算法可知，在广义阵列流型矩阵稀疏字典
Figure BDA00017084669100000615
中的稀疏基
Figure BDA00017084669100000616
与测量向量
Figure BDA00017084669100000617
具有相关性：
Figure BDA00017084669100000618
与
Figure BDA00017084669100000619
的相关性越强，则表示该稀疏基所对应的空间离散网格点φl越靠近真实的目标来波方向。根据此原理，可以构造如下的优化函数，找出K个与测量向量
Figure BDA00017084669100000620
相关性最大的稀疏基。
Figure BDA00017084669100000621
式中，ζ为门限参数用以选取K个与测量向量
Figure BDA00017084669100000622
相关性最大的稀疏基。
记集合Ω下广义阵列流型矩阵稀疏字典
Figure BDA00017084669100000623
的子阵为
Figure BDA00017084669100000624
则K个稀疏基所对应的离散网格点构成的向量可表示如下：
Figure BDA00017084669100000625
步骤五、计算离散网格误差
将真实导向矢量a(θk)在离散网格点
Figure BDA00017084669100000626
处进行一阶泰勒展开，则有如下的等式：
Figure BDA00017084669100000627
式中，
Figure BDA00017084669100000628
为真实导向矢量a(θk)在
Figure BDA00017084669100000629
处的一阶导数，即
Figure BDA00017084669100000630
由于信号子空间与噪声子空间具有正交特性，则可以构造如下的优化函数，
Figure BDA0001708466910000071
Figure BDA0001708466910000072
即是使得上述函数
Figure BDA0001708466910000073
成立的最小
Figure BDA0001708466910000074
现将函数
Figure BDA0001708466910000075
展开计算并简化成如下二次函数的形式：
Figure BDA0001708466910000076
式中，
Figure BDA0001708466910000077
显然
Figure BDA0001708466910000078
是一个一元二次函数，且二次项系数为正，则最优解
Figure BDA0001708466910000079
可表示为
Figure BDA00017084669100000710
于是记对应K个稀疏基的空间离散网格误差集合为βΩ。而考虑到离散网格误差的取值范围，于是离散网格误差估计值
Figure BDA00017084669100000711
的最终表达式可以写为
Figure BDA00017084669100000712
步骤六、迭代更新离散网格点
重复步骤三至步骤五，不断迭代更新离散网格点集ΘΩ和对应的离散网格误差集βΩ，直到满足如下条件或达到迭代次数上限，
Figure BDA0001708466910000081
式中ε为一个极小量，·(i)表示第i迭代的结果。
步骤七、获得稳健目标到达角度估计值
利用上述迭代更新出的最优空间离散网格构造稀疏字典，采用稀疏重构算法给出如下优化方程，从而确定出精确稳健的目标到达角度值。
Figure BDA0001708466910000082
下面用实例对本发明的有效性可通过以下方针说明：
(一)仿真条件与内容
1.存在离散网格误差情况下均匀线阵的目标到达角度估计性能
考虑一个有10个阵元组成的均匀线阵(M＝10)，阵元间距均为半波长。假设存在三个远场非相干的信号，其来波方向分别是-13.8597°，4.3692°，30.2096°。此外，假设接收信号的噪声项为零均值的高斯白噪声，方差为
Figure BDA0001708466910000083
且有源信号与噪声项互不相关。在信噪比SNR＝20dB，快拍数T＝320的设置下，将空间角度-90°～90°按照步长为4°均匀划分，构成初始的空间网格。
2.本发明对目标到达角度估计的均方根误差随信噪比的变化
考虑一个有10个阵元组成的均匀线阵(M＝10)，阵元间距均为半波长。快拍数为T＝500。假设存在三个远场非相干的信号，其来波方向分别是-13.8597°，4.3692°，30.2096°。此外，假设接收信号的噪声项为零均值的高斯白噪声，方差为
Figure BDA0001708466910000084
且有源信号与噪声项互不相关。在仿真中，空间离散网格的初始划分步长为2°。这里将角度估计的均方根误差(RMSE)定义为
Figure BDA0001708466910000085
式中
Figure BDA0001708466910000086
是第q次Monte-Carlo仿真实验的第k个目标的估计值；Q是Monte-Carlo仿真实验次数；K为估计目标数。这里独立进行1000次Monte-Carlo 试验，信噪比从-10dB变化到20dB，间隔为2dB。
3.本发明对目标到达角度估计的均方根误差随快拍数的变化关系
考虑一个有10个阵元组成的均匀线阵(M＝10)，阵元间距均为半波长。信噪比为SNR＝10dB。假设存在三个远场非相干的信号，其来波方向分别是-13.8597°，4.3692°，30.2096°。此外，假设接收信号的噪声项为零均值的高斯白噪声，方差为
Figure BDA0001708466910000091
且有源信号与噪声项互不相关。在仿真中，空间离散网格的初始划分步长为2°。这里将角度估计的均方根误差(RMSE)定义为
Figure BDA0001708466910000092
式中
Figure BDA0001708466910000093
是第q次Monte-Carlo仿真实验的第k个目标的估计值；Q是Monte-Carlo仿真实验次数；K为估计目标数。这里独立进行1000次Monte-Carlo试验，快拍数从32变化到1000，步长间隔为32。
4.本发明对目标到达角度估计在不同初始空间化分步长中的均方根误差随信噪比的变化关系
考虑一个有10个阵元组成的均匀线阵(M＝10)，阵元间距均为半波长。快拍数为T＝500。假设存在三个远场非相干的信号，其来波方向分别是-13.8597°，4.3692°，30.2096°。此外，假设接收信号的噪声项为零均值的高斯白噪声，方差为
Figure BDA0001708466910000094
且有源信号与噪声项互不相关。这里将角度估计的均方根误差(RMSE)定义为
Figure BDA0001708466910000095
式中
Figure BDA0001708466910000096
是第q次Monte-Carlo仿真实验的第k个目标的估计值；Q是Monte-Carlo仿真实验次数；K为估计目标数。这里独立进行1000次Monte-Carlo试验，信噪比从-10dB变化到20dB，步长间隔为2dB。初始划分步长分别是2°，4°，6°，8°。
5.本发明对目标到达角度估计在不同初始空间化分步长中的均方根误差随迭代次数的变化关系
考虑一个有10个阵元组成的均匀线阵(M＝10)，阵元间距均为半波长。快拍数为T＝500，信噪比为SNR＝10dB。假设存在三个远场非相干的信号，其来波方向分别是-13.8597°， 4.3692°，30.2096°。此外，假设接收信号的噪声项为零均值的高斯白噪声，方差为
Figure BDA0001708466910000097
且有源信号与噪声项互不相关。这里将角度估计的均方根误差(RMSE)定义为
Figure BDA0001708466910000098
式中
Figure BDA0001708466910000099
是第q次Monte-Carlo仿真实验的第k个目标的估计值；Q是Monte-Carlo仿真实验次数；K为估计目标数。这里独立进行1000次Monte-Carlo试验，初始划分步长分别是2°，4°，6°，8°，迭代次数上限为8。
(二)仿真结果
1.存在离散网格误差情况下均匀线阵的目标到达角度估计性能
图3中分别给出了MUSIC算法、常规OMP算法以及本发明所提出的目标到达角度估计算法的归一化空间谱。从图中可以直观地看到本发明提出的基于离散网格动态更新的目标到达角度估计算法的谱峰能够精确地对准目标的真实角度，而由于离散网格误差的存在，MUSIC算法和常规OMP算法都无法获得精确的空间谱。图3可以直观地证明本发明在目标到达角度上的优异性。
2.单基地本发明对目标到达角度估计的均方根误差随信噪比的变化
图4是本发明与ESPRIT算法、MUSIC算法、常规OMP算法以及离网稀疏贝叶斯推论(off-grid sparse Bayesian inference,OGSBI)算法对目标到达角度估计的均方根误差随信噪比变化的关系图，同时图中也画出了该系统模型的克拉美罗下界(CRLB)。图中可以看出本发明在较低信噪比的情况下的估计性能明显优于MUSIC、ESPRIT等算法，在高信噪比条件下也展现出优异的性能，同时可以看出本发明的RMSE曲线逐渐逼近克拉美罗下界(CRLB)。说明本发明所提的基于离散网格动态更新算法具有优异的目标到达角度估计性能。
3.单本发明对目标到达角度估计的均方根误差随快拍数的变化关系
图5为本发明与ESPRIT算法、MUSIC算法、常规OMP算法以及离网稀疏贝叶斯推论(off-grid sparse Bayesian inference,OGSBI)算法对目标到达角度估计的均方根误差随信噪比变化的关系图，同时图中也画出了该系统模型的克拉美罗下界(CRLB)。从图中可以看出，MUSIC 算法和常规OMP算法的估计性能比价差。对于ESPRIT算法和OGSBI算法而言，虽然其估计性能相对MUSIC算法和常规OMP算法有了显著提高，但从图中可以看出，本发明提出的基于离散网格动态更新的算法的估计性能逐渐逼近CRLB，显示出稳健的估计性能。
4.本发明对目标到达角度估计在不同初始空间化分步长中的均方根误差随信噪比的变化关系
图6为本发明与离网稀疏贝叶斯推论(off-grid sparse Bayesian inference,OGSBI)算法在不同初始划分网格步长的情况下的目标到达角度估计性能。从图6可以看到OGSBI算法的估计性能受初始划分网格步长的影响比较大，相对地，本发明提出的基于离散网格动态更新的算法不会受初始划分网格步长的影响，依旧可以逼近CRLB，且随着信噪比(SNR)增大仍旧展示出较高的估计精度。
5.本发明对目标到达角度估计在不同初始空间划分步长中的均方根误差随迭代次数的变化关系
图7给出了本发明在不同初始划分网格步长下的均方根误差随着迭代次数的变化的曲线。可以看到，在初始划分网格步长较小的情况下，本发明提出的基于离散网格动态更新的算法仅需要两次迭代即可收敛到真实目标角度附近；而当初始网格划分步长较大时，经过三次迭代也能逐渐收敛，体现了较强的鲁棒性。

Claims (5)

1.一种基于空间离散网格动态更新的目标到达角度估计方法，其特征在于：包括以下步骤：
步骤一、计算阵列天线的协方差矩阵；
步骤二、计算噪声子空间；
步骤三、构造广义阵列流型矩阵稀疏字典；
步骤四、求解距离真实目标到达角度最近的离散网格点；
步骤五、计算离散网格误差；
步骤六、迭代更新离散网格点；
步骤七、获得稳健目标到达角度估计值；
所述的求解距离真实目标到达角度最近的离散网格点过程如下：根据正交匹配追踪算法可知，在广义阵列流型矩阵稀疏字典
Figure FDA0003627351250000011
中的稀疏基
Figure FDA0003627351250000012
与测量向量
Figure FDA0003627351250000013
具有相关性：
Figure FDA0003627351250000014
与
Figure FDA0003627351250000015
的相关性越强，则表示该稀疏基所对应的空间离散网格点φl越靠近真实的目标来波方向，构造如下的优化函数，找出K个与测量向量
Figure FDA0003627351250000016
相关性最大的稀疏基，
Figure FDA0003627351250000017
式中，ζ为门限参数用以选取K个与测量向量
Figure FDA0003627351250000018
相关性最大的稀疏基，记集合Ω下广义阵列流型矩阵稀疏字典
Figure FDA0003627351250000019
的子阵为
Figure FDA00036273512500000110
则K个稀疏基所对应的离散网格点构成的向量可表示如下：
Figure FDA00036273512500000111
所述的计算离散网格误差过程如下：将真实导向矢量a(θk)在离散网格点
Figure FDA00036273512500000112
处进行一阶泰勒展开，得到如下等式：
Figure FDA00036273512500000113
式中，
Figure FDA00036273512500000114
为真实导向矢量a(θk)在
Figure FDA00036273512500000115
处的一阶导数，即
Figure FDA00036273512500000116
由于信号子空间与噪声子空间具有正交特性，则可以构造如下的优化函数，
Figure FDA00036273512500000117
Figure FDA00036273512500000118
即是使得上述函数
Figure FDA00036273512500000119
成立的最小
Figure FDA00036273512500000120
将函数
Figure FDA00036273512500000121
展开计算并简化成如下二次函数的形式：
Figure FDA0003627351250000021
式中，
Figure FDA0003627351250000022
Figure FDA0003627351250000023
Figure FDA0003627351250000024
En是张成噪声子空间，
Figure FDA0003627351250000025
是一个一元二次函数，且二次项系数为正，则最优解
Figure FDA0003627351250000026
可表示为
Figure FDA0003627351250000027
所以记对应K个稀疏基的空间离散网格误差集合为βΩ，而考虑到离散网格误差的取值范围，于是离散网格误差估计值
Figure FDA0003627351250000028
的最终表达式可以写为
Figure FDA0003627351250000029
2.根据权利要求1所述的一种基于空间离散网格动态更新的目标到达角度估计方法，其特征在于：所述的协方差矩阵计算过程具体如下：假设均匀线阵的天线阵元位置为d＝[d0,d1,...,dM-1]T，不失一般性的假设第一个天线为d0＝0，则dm＝(m-1)d，如果有K个远场且互不相关的目标照射到线阵上，假设目标来波方向为θ＝[θ1,θ2,...,θK]T，其中θk为第k 个目标的来波方向，则在第t个快拍下的目标基带接收信号可以表示为：
Figure FDA0003627351250000031
其中
Figure FDA0003627351250000032
为第k个目标所对应的导向矢量，A＝[a(θ1),...,a(θK)]为阵列流型矩阵，n(t)为加性高斯白噪声，均值为0、方差为
Figure FDA0003627351250000033
根据(1)给出的接收信号数学模型，理想阵列接收信号的协方差矩阵可以表示为：
R＝E[y(t)yH(t)]
＝AE[s(t)sH(t)]AH+E[n(t)nH(t)]
＝ARsAH+Rn
式中
Figure FDA0003627351250000034
为信号协方差矩阵，Rn＝E[n(t)nH(t)]为噪声协方差矩阵，对于加性高斯白噪声，Rn可以表示为
Figure FDA0003627351250000035
其中IM为M×M的单位阵，理想阵列接收信号协方差矩阵通常需要采用采样数据协方差矩阵替代：
Figure FDA0003627351250000036
式中T表示快拍数。
3.根据权利要求1或2所述的一种基于空间离散网格动态更新的目标到达角度估计方法，其特征在于：所述的计算噪声子空间的过程如下：对采样协方差矩阵
Figure FDA0003627351250000037
进行特征值分解用于计算噪声子空间，即：
Figure FDA0003627351250000038
式中Σs为
Figure FDA0003627351250000039
中K个大的特征值，Σn为
Figure FDA00036273512500000310
中M-K个小特征值，其中Es张成信号子空间，En张成噪声子空间。
4.根据权利要求3所述的一种基于空间离散网格动态更新的目标到达角度估计方法，其特征在于：所述的构造广义阵列流型矩阵稀疏字典过程如下：Σn中M-K个小特征值在理想情况下与噪声功率相同，利用这一特性将采样协方差
Figure FDA00036273512500000311
中的噪声项去除，得到无噪声项的采样协方差矩阵
Figure FDA00036273512500000312
表示如下：
Figure FDA00036273512500000313
将
Figure FDA00036273512500000314
进行矢量化处理，记为
Figure FDA00036273512500000315
测量向量
Figure FDA00036273512500000316
可以表示如下：
Figure FDA00036273512500000317
式中
Figure FDA0003627351250000041
为广义阵列流型矩阵，
Figure FDA0003627351250000042
为信号功率，
Figure FDA0003627351250000043
中
Figure FDA0003627351250000044
为导向矢量的克罗尼克积形式，表示如下：
Figure FDA0003627351250000045
将广义流型矩阵
Figure FDA0003627351250000046
按照空间离散网格Θ构造稀疏字典，记为
Figure FDA0003627351250000047
φl为空间离散网格集Θ中的离散网格点，L为空间离散网格集Θ的长度。
5.根据权利要求1所述的一种基于空间离散网格动态更新的目标到达角度估计方法，其特征在于：所述的迭代更新离散网格点过程如下：重复步骤三至步骤五，不断迭代更新离散网格点集ΘΩ和对应的离散网格误差集βΩ，直到满足如下条件或达到迭代次数上限，
Figure FDA0003627351250000048
式中ε为一个极小量，·(i)表示第i迭代的结果。
CN201810668565.5A 2018-06-26 2018-06-26 一种基于空间离散网格动态更新的目标到达角度估计方法 Active CN109061554B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810668565.5A CN109061554B (zh) 2018-06-26 2018-06-26 一种基于空间离散网格动态更新的目标到达角度估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810668565.5A CN109061554B (zh) 2018-06-26 2018-06-26 一种基于空间离散网格动态更新的目标到达角度估计方法

Publications (2)

Publication Number Publication Date
CN109061554A CN109061554A (zh) 2018-12-21
CN109061554B true CN109061554B (zh) 2022-07-15

Family

ID=64821621

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810668565.5A Active CN109061554B (zh) 2018-06-26 2018-06-26 一种基于空间离散网格动态更新的目标到达角度估计方法

Country Status (1)

Country Link
CN (1) CN109061554B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110247189B (zh) * 2019-05-07 2021-02-23 中国联合网络通信集团有限公司 一种天线调整方法和装置
CN110579737B (zh) * 2019-07-17 2022-10-11 电子科技大学 一种杂波环境中基于稀疏阵列的mimo雷达宽带doa计算方法
CN110636018B (zh) * 2019-09-29 2021-12-24 哈尔滨工程大学 一种网格补偿大规模mimo信道估计方法
CN110764047B (zh) * 2019-10-25 2022-08-02 哈尔滨工程大学 一种稀疏表示模型下优化正则参数的目标角度估计方法
CN111046591B (zh) * 2019-12-31 2022-07-15 哈尔滨工程大学 传感器幅相误差与目标到达角度的联合估计方法
CN111273299B (zh) * 2020-02-21 2023-01-03 西北工业大学 一种针对组网声纳的水下分布式压制性干扰布置方法
WO2021243529A1 (zh) * 2020-06-01 2021-12-09 华为技术有限公司 一种波达角aoa估计方法和装置
CN113281795B (zh) * 2021-05-06 2023-08-01 国网福建省电力有限公司 基于北斗和超宽带系统中联合稀疏恢复室内定位方法
CN113740797B (zh) * 2021-09-09 2023-10-03 哈尔滨工程大学 一种透镜阵列下的高精度单快拍目标到达角度估计方法
CN115792792B (zh) * 2022-11-22 2023-10-27 中国人民解放军空军预警学院 极低样本下基于协方差矩阵迭代估计的测向方法与系统
CN115656998B (zh) * 2022-11-22 2023-06-13 中国人民解放军空军预警学院 一种低样本数下阵列信号自适应检测方法与系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103247058A (zh) * 2013-05-13 2013-08-14 北京工业大学 一种基于误差分布式多层网格的快速光流场计算方法
CN103513250A (zh) * 2012-06-20 2014-01-15 中国科学院声学研究所 一种基于鲁棒自适应波束形成原理的模基定位方法及系统
CN104539340A (zh) * 2014-12-26 2015-04-22 南京邮电大学 一种基于稀疏表示和协方差拟合的稳健波达角估计方法
CN105405125A (zh) * 2015-10-27 2016-03-16 哈尔滨工程大学 一种自适应阶梯初始化的窄带Chan-Vese模型水下多目标分割方法
WO2018035097A1 (en) * 2016-08-16 2018-02-22 Lockheed Martin Corporation Determination system for the direction of arrival of a signal and for electronic attack

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2998976B1 (fr) * 2012-11-30 2015-01-16 Thales Sa Procede et systeme de determination d'une erreur de l'estimation du temps de la traversee de la ionosphere

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103513250A (zh) * 2012-06-20 2014-01-15 中国科学院声学研究所 一种基于鲁棒自适应波束形成原理的模基定位方法及系统
CN103247058A (zh) * 2013-05-13 2013-08-14 北京工业大学 一种基于误差分布式多层网格的快速光流场计算方法
CN104539340A (zh) * 2014-12-26 2015-04-22 南京邮电大学 一种基于稀疏表示和协方差拟合的稳健波达角估计方法
CN105405125A (zh) * 2015-10-27 2016-03-16 哈尔滨工程大学 一种自适应阶梯初始化的窄带Chan-Vese模型水下多目标分割方法
WO2018035097A1 (en) * 2016-08-16 2018-02-22 Lockheed Martin Corporation Determination system for the direction of arrival of a signal and for electronic attack

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"基于压缩感知的阵列DOA估计";黄祖镇;《中国优秀博硕士学位论文全文数据库（硕士）信息科技辑》;20140315;第I136-80页 *

Also Published As

Publication number Publication date
CN109061554A (zh) 2018-12-21

Similar Documents

Publication Publication Date Title
CN109061554B (zh) 一种基于空间离散网格动态更新的目标到达角度估计方法
WO2021139208A1 (zh) 一种基于特定频率组合信号的一维doa估计方法
CN108896954B (zh) 互质阵中一种基于联合实值子空间的波达角估计方法
CN109633522B (zh) 基于改进的music算法的波达方向估计方法
CN110109050B (zh) 嵌套阵列下基于稀疏贝叶斯的未知互耦的doa估计方法
CN109239649B (zh) 一种阵列误差条件下的互质阵列doa估计新方法
CN110197112B (zh) 一种基于协方差修正的波束域Root-MUSIC方法
CN111337893A (zh) 一种基于实值稀疏贝叶斯学习的离格doa估计方法
CN109239646B (zh) 一种冲击噪声环境下连续量子水蒸发的二维动态测向方法
Miron et al. Multilinear direction finding for sensor-array with multiple scales of invariance
CN111965591B (zh) 一种基于四阶累积量矢量化dft的测向估计方法
CN113567913B (zh) 基于迭代重加权可降维的二维平面doa估计方法
CN109696651B (zh) 一种基于m估计的低快拍数下波达方向估计方法
CN113466782B (zh) 一种基于深度学习(dl)的互耦校正doa估计方法
CN111368256B (zh) 一种基于均匀圆阵的单快拍测向方法
CN113671439A (zh) 基于非均匀智能超表面阵列的无人机集群测向系统及方法
CN109507634B (zh) 一种任意传感器阵列下的基于传播算子的盲远场信号波达方向估计方法
CN116699511A (zh) 一种多频点信号波达方向估计方法、系统、设备及介质
CN108594165B (zh) 一种基于期望最大化算法的窄带信号波达方向估计方法
CN113791379B (zh) 嵌套阵列非高斯环境下的正交匹配追踪doa估计方法
Ning et al. A velocity independent MUSIC algorithm for DOA estimation
CN115248413A (zh) 一种适用于非均匀线阵的离格信号波达方向估计方法
CN111366891B (zh) 一种基于伪协方差矩阵的均匀圆阵单快拍测向方法
CN114460531A (zh) 一种均匀线阵music空间谱估计方法
Ollila Sparse signal recovery and source localization via covariance learning

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