论文部分内容阅读
随着稀疏重构理论的发展,基于稀疏重构的DOA估计方法逐渐地兴起,并取得了一系列成果。稀疏重构类DOA估计方法对小快拍、低信噪比及相关性信号具有极强的适应能力,同时具有超高的角度分辨率,得到了广泛的关注与应用。然而,由于稀疏约束函数凸松弛引起的模型误差、由于网划分引起的网格失配以及由于阵元互耦效应的影响,使稀疏重构模型构建困难等,严重地制约了稀疏重构类DOA估计的发展并限制了其应用范围。本文旨在研究并解决目前稀疏重构类DOA估计方法中的模型误差、网格失配及阵元互耦条件下稀疏重构模型构建困难等问题,提高角度估计性能和扩展应用范围。本文的主要工作概括如下:针对稀疏约束函数凸松弛引起的模型误差问题,研究了基于近端分裂和连续非凸近似的Off-gird DOA估计方法。首先,采用一阶泰勒插值技术构建阵列输出Off-grid信号模型,并在模型中引入网格间距约束条件;其次,在模型中采用一族复高斯函数作为稀疏诱导函数,并采用连续非凸近似的方法逐渐地使其逼近?0范数,有效地缓解了由于稀疏约束函数凸松弛引起的模型误差问题,同时避免了算法陷入局部最优的风险;最后,利用稀疏诱导函数的可微特性,设计了一种近端分裂交替更新策略,保证了迭代算法的收敛性,并且通过解决一系列的近端迭代问题实现参数的更新,极大地提高了所提方法的计算效率。针对空域网格划分引起的网格失配问题,研究了基于参数化字典学习的Off-gird DOA估计方法。首先,从字典学习的角度出发,将DOA估计问题视为字典化参数学习问题,其中阵列流型字典由信号入射角度参数θ唯一确定,并通过观测数据不断地学习该参数;其次,在参数化字典的学习中,采用稀疏贝叶斯重构框架,并对其中未知变量的更新采用快速贝叶斯推断框架,提高了算法的运行速率;再次,在对分层贝叶斯模型分析的基础上,采用了一种三层贝叶斯概率模型,更好地诱导解的稀疏性;最后,在多快拍采样数据中,考虑了不同快拍采样数据之间的相关性,在贝叶斯推断中引入相关矩阵,有效地利用了多快拍采样数据的结构信息。针对阵元互耦条件下稀疏重构类DOA估计模型构建困难问题,研究了未知阵元互耦条件下的稀疏On-grid DOA估计方法。首先,研究了可以适用于任何几何结构且构造方法简单的转换矩阵构造方法;其次,研究改进了阵列流型矩阵和互耦条件下阵列输出信号模型,并利用阵列入射信号的空域稀疏性,研究了不存在任何互耦参数补偿且可以利用所有阵元输出数据的基于块稀疏重构的阵元互耦条件下On-grid DOA估计模型;最后,利用参数分裂技术对块稀疏重构问题进行求解,交替地更新块稀疏信号和辅助参数,并采用了预测-校准加速技术加快了迭代的收敛速度。针对未知互耦条件下稀疏On-grid方法中的网格失配问题,研究构建了未知互耦条件下DOA与互耦参数估计框架和基于稀疏正则化最小二乘（SRLS）的未知互耦条件下Off-grid DOA估计方法。首先,利用混合Frobenious/?1范数描述联合块稀疏信号的稀疏度,将互耦条件下的DOA估计问题转换为一个联合块稀疏信号恢复问题;其次,采用一阶泰勒插值技术构建了两种未知互耦条件下的Off-grid稀疏信号模型,两种模型均可克服网格划分带来的网格失配问题并具有相同的最优解;最后,对该优化模型构建了交替迭代更新框架,交替地更新联合块稀疏信号、互耦系数向量及网格偏移量向量。