DOA算法1：MUSIC算法（二）

注：本博文为本人阅读论文、文章后的原创笔记，未经授权不允许任何转载或商用行为，否则一经发现本人保留追责权利。有问题可留言联系，欢迎指摘批评，共同进步！！！

一、Root-MUSIC算法

1.1 经典MUSIC算法的困难

1. 精度受到$P_{MUSIC}(\varphi )$函数离散化的限制；
2. 需要人为确定$M$个最大峰值，或需要理解性搜索算法来确定峰值，这会有很高的计算复杂度

1.2经典MUSIC到Root-MUSIC的转变

经典MUSIC算法是估计输入数据流频谱的技术（频谱估计技术），它的最终产物是$P_{MUSIC}(\varphi )$函数。
Root-MUSIC算法是一种基于模型的参数估计技术，我们使用一个接收信号的模型作为DOA的函数。此处的模型就是旋转矢量，DOA则是模型中的一个参数。基于模型和接收的数据，我们就能估计这个参数。

1.3Root-MUSIC算法的原理介绍

定义：
$$z=e^{jkdcos\varphi }$$
则：
$$\begin{array}{rl}\mathbf{s}(\mathbf{\varphi })& =[1,z,z^2,\cdots ,z^{N-1}{]}^T,\\ \Rightarrow {\mathbf{q}}_{\mathbf{m}}^{\mathbf{H}}\mathbf{s}& =\sum _{n=0}^{N-1}{q}_{mn}^{\ast }{z}^n=q_m(z),\end{array}$$
由经典MUSIC算法可知，寻找的方向$\varphi$的条件是使得${\mathbf{q}}_{\mathbf{m}}\perp \mathbf{s}(\varphi )$,$m=(M+1),\cdots ,N,$即，我们要寻找的就是多项式$q_m(z)=0$的根。
首先，我们要找到这个多项式：
$$\begin{array}{rl}{P}_{MUSIC}^{-1}(\varphi )& ={\mathbf{s}}^H(\varphi ){{\mathbf{Q}}_{\mathbf{n}}\mathbf{Q}}_{\mathbf{n}}^H\mathbf{s}(\varphi )\\ & ={\mathbf{s}}^H(\varphi )\mathbf{C}\mathbf{s}(\varphi )\\ 其中，\mathbf{C}& ={\mathbf{Q}}_{\mathbf{n}}{{\mathbf{Q}}^{\mathbf{H}}}_n\\ \Rightarrow P_{MUSIC}^{-1}(\varphi )& =\sum _{m=0}^{N-1}\sum _{n=0}^{N-1}{z}^n{C}_{mn}{z}^{-m}=\sum _{m=0}^{N-1}\sum _{n=0}^{N-1}{z}^{n-m}{C}_{mn}\end{array}$$

为什么能写成上述的下标形式呢？看下面具体的例子：
假设N=3，M=2
那么：
$$\begin{array}{rl}\mathbf{s}(\varphi )& =[z^0,z^1,z^2{]}^T,\\ {\mathbf{s}}^{\mathbf{H}}(\varphi )& =[z^{-0},z^{-1},z^{-2}],\\ {\mathbf{Q}}_{\mathbf{n}}& =[q_{m_{11}},q_{m_{12}},q_{m_{13}}{]}^T,\\ {\mathbf{Q}}_{\mathbf{n}}^{\mathbf{H}}& =[q_{m_{11}},q_{m_{12}},q_{m_{13}}]\end{array}$$
$$\begin{array}{rl}\mathbf{C}& ={\mathbf{Q}}_{\mathbf{n}}{\mathbf{Q}}_{\mathbf{n}}^{\mathbf{H}}\\ & =\left[\begin{array}{ccc}{q}_{m_{11}}^2& q_{m_{11}}{q}_{m_{12}}& q_{m_{11}}{q}_{m_{13}}\\ q_{m_{12}}{q}_{m_{11}}& q_{m_{12}}^2& q_{m_{12}}{q}_{m_{13}}\\ q_{m_{13}}{q}_{m_{11}}& q_{m_{13}}{q}_{m_{12}}& q_{m_{13}}^2\end{array}\right]\end{array}$$
$$\begin{array}{rl}{P}_{MUSIC}^{-1}& ={\mathbf{s}}^{\mathbf{H}}(\varphi )\mathbf{C}\mathbf{s}(\varphi )\\ & =\left[\begin{array}{ccc}{z}^0& z^1& z^2\end{array}\right]\left[\begin{array}{ccc}{q}_{m_{11}}^2& q_{m_{11}}{q}_{m_{12}}& q_{m_{11}}{q}_{m_{13}}\\ q_{m_{12}}{q}_{m_{11}}& q_{m_{12}}^2& q_{m_{12}}{q}_{m_{13}}\\ q_{m_{13}}{q}_{m_{11}}& q_{m_{13}}{q}_{m_{12}}& q_{m_{13}}^2\end{array}\right]\left[\begin{array}{c}{z}^0\\ z^{-1}\\ z^{-2}\end{array}\right]\end{array}$$

设$l=n-m$，则可以把上述两个累加运算减少到一个，其中$-(N-1)\le l\le (N-1)$:
$$\begin{array}{rl}\Rightarrow P_{MUSIC}^{-1}(\varphi )& =\sum _{l=-(N-1)}^{(N-1)}{C}_l{z}^l,\\ 其中C_l& =\sum _{n-m=l}{C}_{mn}\end{array}$$

注意，$C_{mn}$的下标中，$m$是列数，$n$是行数.同样假设$N=3,M=2$
$$\begin{gathered} C_{mn}=\left[\begin{array}{ccc}{C}_{00}& C_{10}& C_{20}\\ C_{01}& C_{11}& C_{21}\\ C_{02}& C_{12}& C_{22}\end{array}\right] \\ {C}_{-2}=C_{20},C_{-1}=C_{10}+C_{21}, \\ {C}_0=C_{00}+C_{11}+C_{22}, \\ {C}_1=C_{01}+C_{12},C_2=C_{02} \end{gathered}$$
显然，$C_l$就是矩阵$\mathbf{C}$中第$n$个对角线的所有元素相加的结果。

1.3.1 关于$P_{MUSIC}^{-1}(\varphi )$多项式的零点问题

• 首先明确，$P_{MUSIC}^{-1}(\varphi )$是个复杂度为$(2N-2)$、有$(2N-2)$个零点的多项式，但是并不是所有的零点都是独立的。
• 如果$z$是多项式$P_{MUSIC}^{-1}(\varphi )$的零点之一，那么它的共轭倒数$\frac{1}{z^{\ast }}$也一定是零点。
• 因此，多项式$P_{MUSIC}^{-1}(\varphi )$的零点是成对出现的。

重要的注意点：

• 我们的目的是要得到信号角度$\varphi$，从$z$的定义可以得知，只有相位包含了我们想要的角度信息。且$z$和$\frac{1}{z^{\ast }}$关于单位圆对称的，有相同的相位，因此最终寻找时只需要找单位圆内的$(N-1)$个零点就行。
• 在没有噪声影响时，$z$和$\frac{1}{z^{\ast }}$相等，且都位于单位圆上；
• 在有噪声影响时，所要寻找的M个零点就是单位圆内离单位圆最近的M个零点$z_m(m=1,\cdots ,M)$

1.4 Root MUSIC算法的步骤

1. 使用式$\mathbf{R}=\frac{1}{K}{\sum }_{k=1}^K{{\mathbf{x}}_{\mathbf{k}}{\mathbf{x}}_{\mathbf{k}}}^H$来估计相关矩阵$\mathbf{R}$，再对其进行特征分解：$\mathbf{R}={\mathbf{Q}\mathbf{\Lambda }\mathbf{Q}}^H$;

2. 分解矩阵$\mathbf{Q}$得到矩阵${\mathbf{Q}}_{\mathbf{n}}$，它对应于矩阵$\mathbf{Q}$中的$(N-M)$个最小的特征向量。再得到矩阵$\mathbf{C}={\mathbf{Q}}_{\mathbf{n}}{\mathbf{Q}}_{\mathbf{n}}^{\mathbf{H}}$;

3. 通过将矩阵$\mathbf{C}$中的第$l$个对角线元素相加，得到$C_l$;

4. 找到多项式的$(N-1)$对零点

5. 处于单位圆内的$(N-1)$个根中，找出$M$个最靠近单位圆的零点$z_m(m=1,\cdots ,M)$

6. 得到DOA:
   

注：Root-MUSIC算法只关心根的相位，而在幅度上的误差是没有关系的。

二、Smooth-MUSIC

从经典的MUSIC算法中，有一个矩阵$\mathbf{A}$是对角阵，这是因为我们假设了入射信号都是不相关的。但现实中信号往往相互联系，因此在去除相关性的限制后，就要使用Smooth-MUSIC算法来解决问题。

信号间一旦有相关性，就会减小信号相关矩阵${\mathbf{R}}_{\mathbf{s}}$的秩，导致噪声特征值的数量比$(N-M)$更大。

2.1 算法描述

1. 将阵列的$N$个元素分解到$L$个重叠的子阵列中，每个子阵列有$P$个元素。例如，0号子阵列包括0到(P-1)个阵列元素，1号子阵列包括1到P个阵列元素。因此$L=N-P+1$；
2. 使用每个子阵列上的数据，产生$L$个相关矩阵$R_l(l=0,\cdots ,L-1)$，每个相关矩阵的维度都是$P\times P$；
3. MUSIC算法就使用的相关矩阵如下：
   $${\mathbf{R}}_{\mathbf{L}}=\frac{1}{L}\sum _{l=0}^{L-1}{\mathbf{R}}_l$$

这个方法能够检测最多高达$(L-1)$个数量信号的DOA，这是因为信号相关矩阵${\mathbf{R}}_{\mathbf{L}}$的分量又变成满秩的了。

参考文献（仅写文章的标题，以做记录）

[1]. Direction of Arrival Estimation