阅读论文：基于稀疏阵列的波达方向估计研究

Coder~Sheep

已于 2024-04-08 19:55:57 修改

阅读量1.2k

点赞数 26

文章标签：算法信号处理 matlab 信息可视化信息与通信人工智能机器学习

于 2024-04-08 19:53:50 首次发布

本文链接：https://blog.csdn.net/huangdaxian0/article/details/137510076

版权

3.1.1 基于互质阵列的传统DOA估计算法

3.1.2 基于嵌套阵列的传统DOA估计算法

未完待续

摘要

稀疏阵列、高自由度、少阵元数

对稀疏阵列的特点，将协方差矩阵进行向量化，以此形成新的入射信号模型，再进行 DOA 估计，来提高估计的精度

1 绪论

1.1 课题背景及研究意义

稀疏阵列的优点有以下几点：1）当阵列数量相同，稀疏阵列的孔径更大，可以提高测向精度，同时拥有更加多的自由度，使最大可测信源数增多；2）当阵列孔径相同时，稀疏阵列包含的阵元数更少，以此来降低天线的建造成本； 3）由于阵元间距的多变，稀疏阵列可以减少阵元间的互耦等影响，提高测向性能。

1.2 课题研究现状及分析

1.2.1 空间谱估计的研究现状

多重信号分类法：信号为互不相干的窄带信号，满足此前提，便可实现对入射信号的无偏估计，但若不满足此条件，特别是当信号相干或者角度相隔较近时，MUSIC 算法将完全失效。

1.2.2 稀疏阵列的研究现状

稀疏阵列主要分为两种，第一种是阵元数一定，排列方式类似于从均匀线阵中按比例抽取，所以间距都为最小阵元间距得整数倍；第二种稀疏阵列是将阵元随机分布在孔径当中，间距不存在规律性。与均匀阵列相比，稀疏阵列的好处是旁瓣低、阵列的数量较少，故障率较低，天线系统成本较低。

解空间的自由度：解空间的自由度，通常指的是在一个线性方程组中，解向量可以变化的维数。在齐次线性方程组中，如果系数矩阵的秩为 ( r )，而未知数的总数为 ( n )，那么解空间的维数（即自由度）就是 ( n-r )。这意味着有 ( n-r ) 个独立的方向，解向量可以在这些方向上任意变化而不影响方程组的解的性质

与均匀阵列相比，稀疏阵列的好处是旁瓣低、阵列的数量较少，故障率较低，天线系统成本较低

稀疏阵列的间距包含多种尺度，还可能大于半波长，所以方向图可能出现畸变，需要对方向图的优化算法进行探索

互质阵列和嵌套阵列是稀疏阵列的两种特殊情况，都是由间距不同的均匀阵列穿插组合而成。其中互质阵列要求两子阵阵元间距为互质数，嵌套阵列则要求两子阵相互嵌套。

2 稀疏阵列及传统波达方向估计原理及仿真

2.1 稀疏阵列信号模型

稀疏阵列有两种特殊形式——互质阵列及嵌套阵列，它们在稀疏分布的基础上，对阵元位置的排列有特殊的要求。

2.1.1 互质阵列信号模型

互质阵列是由两个间隔不等的均匀线性阵列穿插组合而成，一个含有M个阵元，间距为Nd，另一个含有N个阵元间距为Md ，M 和 N 是互质的两个数。其中d为最小阵元间距。

假设 K 个不相关的窄带远场信号以入射角 $\theta_{k}\left(k=1,2\cdots K\right)$ ，入射到阵列上，且满足 $\theta_k\in\left(-90^\circ,90^\circ\right),\quad d\leq\lambda_{\min}/2,\lambda_{\min}$ 为最小信号波长。第 k 个信号源的导向矢量可以表示为： $a(\theta_k)=[1,e^{-j2\pi Md/\lambda\sin\theta_k},e^{-j2\pi Nd/\lambda\sin\theta_k}......,e^{-j2\pi(M-1)Nd/\lambda\sin\theta_k}]^T$

阵列流型为： $A=[a(\theta_1),a(\theta_2),......,a(\theta_K)]$
阵列接收数据： $x(t)=\sum_{k=1}^Ka(\theta_k)s_k(t)+n(t)=As(t)+n(t)$

$\mathbf{s}(t)=[\mathbf{s}_1(t),\mathbf{s}_2(t),\mathbf{s}_3(t),......,\mathbf{s}_K(t)]$ 为 K×1 维向量；A 为 N×K 维的矩阵；n(t)为 N×1 维高斯白噪声。
为了比较阵列的性能，一般通过方向图增益来体现阵列的性能。令 w 表示天线的加权解，则信号的阵列天线的方向图可表示为： $F(\theta)=w^Ha(\theta)$ 其中： $w=[1,1,...,1]^{\mathrm{T}}$ 取模做归一化处理，对处理后的结果取对数，即可求得方向图增益： $G(\theta)=20\lg\frac{|F(\theta)|}{\max|F(\theta)|}$

2.1.2 嵌套阵列信号模型

与互质阵列类似，二级嵌套阵列也由两个间距不等的均匀阵列穿插组合而成，其中，二级子阵与
一级子阵共用第一个阵元。总阵元数为 N，一级子阵阵元数为 N1，阵元间距为d1；二级指针阵元数为 N2，阵元间距为d2=(N1+1)d1，则一级子阵阵元位置为 $\{n_1d_1,n_1=0,1,...,N_1-1\}$ 二级子阵阵元位置为 $\begin{Bmatrix}n_2d_2-d_1,n_2=1,2,...,N_2\end{Bmatrix}$ 所以看上去像第一级嵌套在第二层内部

第 k 个信号源的导向矢量可以表示为：

$\boldsymbol{a}(\theta_{k})=[1,e^{-j2\pi d_{1}/\lambda\sin\theta_{k}},...,e^{-j2\pi(N_{1}-1)d_{1}/\lambda\sin\theta_{k}},......,e^{-j2\pi(N_{2}d_{2}-d_{1})/\lambda\sin\theta_{k}}]^{T}$

阵列流型为： $A{=}[a(\theta_1),a(\theta_2),......,a(\theta_K)]$

阵列接收数据想X（t）为： $x(t)=\sum_{k=1}^Ka(\theta_k)s_k(t)+n(t)=As(t)+n(t)$

2.2 传统DOA估计算法

2.2.1 MUSIC算法原理及仿真

波达方向的估计值是否精确，有很多的因素，如信号处理方法的先进程度、信号与算法的匹配程度、外部系统环境，信道和频率的不一致及阵列本身误差等。通常对于波达方向处理的模型，需要作出一些假设，比如：
（1）接收到的信号为平面波信号；
（2）入射信号的带宽比载波频率小很多，也要保证信号源的中心频率是一样的，而且各信号源之间非相关，即为窄带信号；
（3）入射信号个数已知，且要求入射信号个数小于接收阵元数；
（4）天线接收阵元不考虑互耦误差等因素；
（5）各阵元接收噪声为高斯白噪声，且噪声之间以及噪声与信号之间也互相独立

假设有P个远场窄带不相干的信号入射到M个接收阵列上，信号入射角为 $\theta_p(p=1,2,\cdots,P)$ ，那么每个信号从第m个阵元到第一个阵元的相位差可以表示为： $\Delta_{mp}=md\sin(\theta_p)$

则第m个阵元接收到的第p个信号的时延可以写为： $\tau_{mp}=\frac{md\sin\left(\theta_p\right)}c$

阵元个数、快拍数、信噪比以及信号入射角度差值，都与测角分辨率成正比，即使谱峰变得更尖锐。但是，增加阵元数和快拍数会使计算量增大，所以在实际的工程应用中，要综合考虑天线阵列布局及信号处理的各方面因素，合理选择阵元个数和快拍数。还可对数据进行预处理，来提高接收数据的信噪比。

阵元间距的改变对 MUSIC 算法估计精度有着很大的影响，当阵元间距为半波长的时候估计效果最好，而当阵元间距小于半波长，谱峰的尖锐程度下降，但也能估计出波达角度，但当谱峰大于半波长，波达角度估计出现了模糊，已不能准确估计波达角度。

使经典 MUSIC 算法对稀疏阵列的波达角度估计完全失效，同时，克服稀疏阵列角度估计的模糊性也是一大难题。

2.3 本章小结

MUSIC 算法精度最高，但由于其需要进行谱峰搜索的特点，导致用时较长；而旋转不变子空间算法由于没有谱峰搜索的步骤，仅是利用分析计算来得到波达角度，所以运行时间较短，但估计精度不如 MUSIC 算法。

3 基于稀疏阵列的波达方向估计

3.1 基于稀疏阵列的传统DOA估计算法

3.1.1 基于互质阵列的传统DOA估计算法

前向平滑MUSIC算法，将阵元数为N的阵列分成多个子阵列，每个子阵列长度为m，且子阵间相互重叠，设入射信号为p个。对于互质线阵，子阵个数为L=N-m+1,那么每个子阵列的输出矢量分别为： $X_{i}^{f}=\left[x_{i,}x_{i+1,}....x_{m+i-1}\right]\\x_{i}(t)=\sum_{i=1}^{L}a_{i}(\theta_{i})s_{i}(t)+n_{i}(t)$

前向平滑修正的协方差矩阵为： $\begin{aligned} \text{R}& =\frac{1}{L}\sum_{i=1}^{L}R_{i}=A(\frac{1}{L}\sum_{i=1}^{L}D^{(i-1)}R_{s}(D^{(i-1)})^{H})A^{H}+\sigma^{2}I \\ &=AR_{s}^{f}A^{H}+\sigma^{2}I \end{aligned}$

$R_s^f=(\frac1L\sum_{i=1}^LD^{(i-1)}R_s(D^{(i-1)})^H$

$\boldsymbol{D}=\begin{bmatrix}e^{j\frac{2\pi d}{\lambda}\sin(\theta_1)}&\cdots&0\\0&\ddots&0\\\\0&0&e^{j\frac{2\pi d}{\lambda}\sin(\theta_N)}\end{bmatrix}$

后向平滑MUSIC算法与前向平滑MUSIC算法类似，但输出矢量不同，第i个子阵的数据矢量表示为： $X_i^b=\begin{bmatrix}x_{M-i+1,}x_{M-i,}......x_{M-m-i+2}\end{bmatrix}$

第 L-i+1 子阵的协方差矩阵与前向平滑算法的协方差矩阵阵关系为： $X_{l-i+1}^b(t)=J(X_i^f(t)^*)$

J 为交换矩阵： $\boldsymbol{J}=\begin{bmatrix}0&0&\cdots&1\\0&0&1&0\\\vdots&\ddots&0&\vdots\\1&0&\cdots&0\end{bmatrix}_{m\boldsymbol{\infty}\boldsymbol{n}}$