资源描述：
《基于稀疏贝叶斯宽频带二维DOA估计算法》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。
1、基于稀疏贝叶斯的宽频二维DOA估计算法研究XXX1,XXX2XXX】,XXX21.2.1.2.Abstract：・Keywords：摘要：关键词：文献标志码：A中图分类号：****1引言…波达方向估计(DOA)是空间谱估计的一个研究方向，在无线通信，地震学，声源定位等领域都发挥着重要的作用，是信号源定位技术的基础。无论是在军事还是在民用领域，DOA估计在识别和定位方面都有重要的作用。随着4G无线通信发展，无线通信频带由3G的5MHz,变为现在的20MHz倒5G的100MHz,使得在一个较宽的频段范围内可能会同时包含多个不同中心频
2、率的信号，使得基于窄频段的DOA估计算法已经不能满足现在及未来的的需求，因此有必要研究宽频段的DOA估计算法。一般DOA估计只对方位角进行估计，不能够很好地描述空间辐射源的特性，对二维DOA进行估计包括方位角和仰俯角更能体现出空间辐射源的特性，因此有必要对二维DOA进行估计研究。传统的二维DOA估计是2-DMUSIC,其是由1-DMUSIC推广得到的，但是2-DMUSIC需要进行两维谱峰搜索，运算量大，计算复杂，在实际工程中很难实现。稀疏算法的出现为DOA估计实现提供了一种新的思路，稀疏算法利用信号的空域相关先验信息，将DOA估
3、计由多测量矢量转化为重构稀疏信号问题。很多关于稀疏DOA估计算法被提出。仃・SVD是根据信号奇异矢量构建的稀疏模型，可以采用二阶规划进行求解，计算复杂度高，实现难度大。随后有学者利用均匀协方差矩阵的Toeplitz特性，可以将DOA由多测量矢量转化为单测量矢量，降低计算复杂度。对于均匀矩阵，可以通过非负心范数优化快速重构协方差矩阵，提高计算速度。上述的算法都是在仃算法的基础上进行改进的，但是2］算法存在四个问题，(1)最优正则化参数选择，⑵提高b范数到2。范数的近似度,(3)降低算法复杂度，(4)如何利用“算法进行二维建模。针对
4、这四个问题，本文针对均匀矩阵提出了一种稀疏贝叶斯估计算法，本算法利用均匀矩阵中心对称性，对酉矩阵进行变换并进行稀疏建模，然后对多矢量的稀疏贝叶斯学习算法重构信号空间谱，最后完成DOA估计。对提出的算法进行仿真，仿真结果表明，本文所提的算法在估计精度和计算速度上均优于心范数的DOA估计算法。2基于稀疏重构的DOA估计算法2.1一维DOA估计信号模型实际信号传输环境非常复杂，因此建立严格的DOA估计信号模型是是否困难的，因此在基于噪声为加性高斯白噪声，噪声之间互不相关，针对均匀线性阵而建立的DOA估计信号模型。首先假设有K个窄带信号
5、，它们的入射角定义为0=[0Of01，…,纵-訂，M个信号接收机，且信号接收机以d等间距排列，信号射入到天线阵列的示意图如图1所示，其中信号在传输的过程中受到了噪声的影响。图1天线阵列示意图由图1可以看到，第m个传感器上的接收信号可以表示为多个接收信号的叠加和，具体的算术表达式为：7m(0=Hk=0Q檢)*Sk(t)+,m=0,1,…,M—l(2.1)其中f为第m个接收元受到的高斯白噪声卫(匪)为第k个发射信号到达接收元的导向角。Q(0/c)的计算表达式为：/-y27r(m-l)dsin0^a(0Q=云丿m=0,1,・・・,M
6、-1,G(一90。，90。)(2.2)设某一时刻接收到的数据向量表示用向量表示为：Y(t)=[yo(Uyi(<),•••,yMj(t)]T,到达接收元的信号矩阵表示为:X(O=[x0(t),Xi(t),噪声矩阵表示为：N(t)=[No(t),Ni(r),...,NK_i(r)]T。用矩阵得到频域上的输出信号为：Y(t)=+N(t)(2.3)其中，4(0)=a(0o),q(0i),・・・,q(&k-i)是MxK维的阵列流矩阵。n=[%,%,•••%・・,％]定义为空域角度范围，建立一个过完备的导向矩阵。=[a0>alf..taQ]
7、,有少数信号到达接收元的能量较大，其余信号为零或者是接近为零，因此X是一个/c维的稀疏向量。因此空间稀疏性的单测量数学矢量模型我：7(0=0X(t)+N(£)(2.4)其中丫和0都是已知的，/V可以进行估计得到，因此DOA估计就变成了求解下面目标函数：X=min
8、Y-0X
9、2(2.5)下面章节介绍常用的DOA估计算法。2.2二维D0A估计信号模型二维DOA信号模型是在一维DOA信号模型的基础上将波达方向的仰角考虑进去了，设仰角为卩。波达方向的三维坐标图如图2所示。图2DOA的三维坐标示意图在考虑了波动角的俯仰角之后•第上个发射信
10、号到达接收元的导向角由原来的a(/)变为a&kWk)，接收元的信号表达式变为：(0=SS(Pk)*5k(t)4-nm(t),m=(2.6)用向量表示之后的表达式为：r(t)=A(et甲)x(t)+N(t)(2.7)其中：TY(r)=Lyo("yi("…,yz(r
