阵列信号DOA估计系列(二).导向矢量与空间FFT

阵列信号DOA估计系列(二).导向矢量

在DOA估计里面，经常会看到导向矢量这个名词，也有的地方叫方向矢量，方向矩阵，基本上都是array steering vector 的翻译。

本文首先对均匀线阵（ULA，uniform linear array）的导向矢量做一个推导说明，然后介绍一个最基本的DOA估计方法——空间FFT。

1.导向矢量

在上一篇文章中（ 阵列信号DOA估计系列(一).概述.），已经对空间相位差做出了详细说明，下面在空间相位差的基础上，引出均匀线阵的导向矢量。

依然来看这样一个阵列：在一条直线上，均匀排布着 $M$ 个阵元
假设远场信号为 $s(t)$,阵列以第一个阵元（上图编号为0）为参考，则整个阵列接收到的信号为$$\mathbf{x}(n)=[s(t),s(t)e^{-j2\pi f_0\frac{dsin(\theta )}{c}},s(t)e^{-j2\pi f_0\frac{2dsin(\theta )}{c}},s(t)e^{-j2\pi f_0\frac{3dsin(\theta )}{c}},\cdots ,s(t)e^{-j2\pi f_0\frac{(M-1)dsin(\theta )}{c}}]$$稍作变形，即可得到$$\mathbf{x}(n)=[1,e^{-j2\pi f_0\frac{dsin(\theta )}{c}},e^{-j2\pi f_0\frac{2dsin(\theta )}{c}},e^{-j2\pi f_0\frac{3dsin(\theta )}{c}},\cdots ,e^{-j2\pi f_0\frac{(M-1)dsin(\theta )}{c}}]s(n)$$
可以看到，接收到的信号向量$\mathbf{x}(n)$是一个向量 $[1,e^{-j2\pi f_0\frac{dsin(\theta )}{c}},e^{-j2\pi f_0\frac{2dsin(\theta )}{c}},\cdots ,e^{-j2\pi f_0\frac{(M-1)dsin(\theta )}{c}}]$ 乘以一个标量 $s(n)$，且此向量是信号来波方向 $\theta$ 的函数。

做如下定义：$$\mathbf{a}(\theta )\triangleq [1,e^{-j2\pi f_0\frac{dsin(\theta )}{c}},e^{-j2\pi f_0\frac{2dsin(\theta )}{c}},\cdots ,e^{-j2\pi f_0\frac{(M-1)dsin(\theta )}{c}}]$$
于是，接收到的信号可以表示为$$\mathbf{x}(n)=\mathbf{a}(\theta )s(n)$$可见，向量 $\mathbf{a}(\theta )$ 将 阵列信号DOA估计系列(一).概述 所述空间相位查全部包含在内，即包含了信号 $s(n)$ 的角度信息。这就是我们常说的导向矢量。

这里，可以看到以下几点信息：

1. 导向矢量的本质是描述空间相位差的；
2. 导向矢量的结构，和阵元之间的相对位置有关系。上面所写的导向矢量是Vandermonde结构，这是ULA的特点。对于其他几何形状的阵列，导向矢量的结构将会有所不同；
3. 导向矢量的值，是来波方向的函数，若方向 $\theta$ 不同，则导向矢量的值会有所不同;
4. 对于同一方向（如$30°$），若选取的参考点不同，那么导向矢量的值也会不同。但是阵元之间的相对相位查不会变化。
   图中,当信号方向如图所示时，若选取第一个阵元为参考点，导向矢量为$$\mathbf{a}(\theta )=[1,e^{-j2\pi f_0\frac{dsin(\theta )}{c}},e^{-j2\pi f_0\frac{2dsin(\theta )}{c}},\cdots ,e^{-j2\pi f_0\frac{(M-1)dsin(\theta )}{c}}]$$若选取最后一个阵元为参考点时，导向矢量为$$\mathbf{a}(\theta )=[e^{j2\pi f_0\frac{(M-1)dsin(\theta )}{c}},e^{j2\pi f_0\frac{(M-2)dsin(\theta )}{c}},\cdots ,e^{j2\pi f_0\frac{2dsin(\theta )}{c}},e^{j\pi f_0\frac{2dsin(\theta )}{c}},1]$$要理解其中的差别，首先要抓住导向矢量的本质：描述空间相位差。

2.接收信号的矩阵表示

为方便描述，后面的文章中，均以第一个阵元为参考，并把导向矢量和接收信号写为列向量。
同时，为帮助读者理解，本节的向量和矩阵均标注了维数

当有一个信号 $s(n)$ 从 $\theta$ 方向入射到阵列时，接收信号可以表述为
$$\mathbf{x}(n{)}_{{}_{M\times 1}}=\mathbf{a}(\theta {)}_{{}_{\mathbf{M}\times 1}}s(n)$$

当有 $N$ 个信号 $s_{{}_1}(n),s_{{}_2}(n),\cdots ,s_{{}_N}(n)$ 分别从 ${\theta }_1,{\theta }_2,\cdots ,{\theta }_N$ 入射到阵列时，按照叠加的思维，收信号可以表述为
$$\mathbf{x}(n{)}_{{}_{M\times 1}}=\mathbf{a}({\theta }_1)s_{{}_1}(n)+\mathbf{a}({\theta }_2)s_{{}_2}(n)+\cdots +\mathbf{a}({\theta }_{\mathbf{N}})s_{{}_N}(n)$$利用小学二年级学过的矩阵知识:)，可以整理为$$\mathbf{x}(n{)}_{{}_{M\times 1}}=[\mathbf{a}({\theta }_1),\mathbf{a}({\theta }_2),\cdots ,\mathbf{a}({\theta }_{\mathbf{N}}){]}_{{}_{M\times N}}\times [s_{{}_1}(n),s_{{}_2}(n),\cdots ,s_{{}_N}(n){]}_{{}_{1\times N}}^T\triangleq {\mathbf{A}}_{{}_{\mathbf{M}\times \mathbf{N}}}{\mathbf{s}}_{{}_{\mathbf{N}\times 1}}$$${\mathbf{A}}_{M\times N}$也称为方向矩阵、导向矩阵等等。和导向矢量是一个意思，以后统称为导向矢量。

这里 ${\mathbf{A}}_{M\times N}$的维度值得关注：

1. 行数 $M$ 是阵列中阵元的个数；
2. 列数 $N$ 是信号的个数。若只有一个信号，则退化成一个信号 $\mathbf{x}(n)=\mathbf{a}(\theta )s(n)$ 的形式。

3 .最简单的DOA估计：空间傅里叶变换

3.1 算法推导

注意到接收信号的形式$$\mathbf{x}(n)=[1,e^{-j2\pi f_0\frac{dsin(\theta )}{c}},e^{-j2\pi f_0\frac{2dsin(\theta )}{c}},e^{-j2\pi f_0\frac{3dsin(\theta )}{c}},\cdots ,e^{-j2\pi f_0\frac{(M-1)dsin(\theta )}{c}}]s(n)$$虽然信号的角度我们不知道，但还是对于给定的阵列，其导向矢量的数学形式是知道的。比如对于ULA，肯定是Vandermonde结构的。就凭这一点，我们就有了一种DOA估计的方法。

具体而言，我们可以构造出一个导向矢量来，其中的角度任意给定（盲猜，不妨设为$\alpha$）,那么就可以构造出一个来波方向为$\alpha$的导向矢量为$$\begin{gathered} \mathbf{a}(\alpha )=[1,e^{-j2\pi f_0\frac{dsin(\alpha )}{c}},e^{-j2\pi f_0\frac{2dsin(\alpha )}{c}},e^{-j2\pi f_0\frac{3dsin(\alpha )}{c}},\cdots ,e^{-j2\pi f_0\frac{(M-1)dsin( \\ alpha)}{c}}] \end{gathered}$$用我们盲猜的这个导向矢量$\mathbf{a}(\alpha )$和接收信号做向量内积，即$$y={\mathbf{a}}^{\mathbf{H}}(\alpha )\cdot \mathbf{x}(n)={\mathbf{a}}^{\mathbf{H}}(\alpha )\mathbf{a}(\theta )s(n)$$结果应该是一个标量。简单计算一下可以得到$$y=[1+e^{j2\pi f_{0}d\frac{sin(\alpha )-sin(\theta )}{c}}+e^{j2\pi f_{0}d\frac{2[sin(\alpha )-sin(\theta )]}{c}}+\cdots +e^{j2\pi f_{0}d\frac{(M-1)[sin(\alpha )-sin(\theta )]}{c}}]s(n)\le Ms(n)$$等号在 $\alpha =\theta$ 处取得。

通过这个不等式可知，如果我们盲猜对了，即$\alpha =\theta$，那么得到的结果是一个最大值。
因此，我们可以把所有的角度都猜一遍，找出那么结果结果最大的，其对应的角度就是我们DOA估计的结果。

这里就可以引出一个DOA估计的方法：

for: $\theta$ from $-90°$ to $-90°$
caculate $y_{{}_{\alpha }}={\mathbf{a}}^{\mathbf{H}}(\alpha )\cdot \mathbf{x}(n)$;
end for
$\theta =\underset{\alpha }{\max }{y}_{{}_{\alpha }}$

3.2 算法仿真实例

实例1：假设只有一个目标位于 ${\theta }_1=5°$的地方，得到的结果为
实例2：假设两个目标分别位于 ${\theta }_1=5°,{\theta }_2=10°$,采用上述方法得到的结果为实例3：假设两个目标分别位于 ${\theta }_1=5°,{\theta }_2=30°$,采用上述方法得到的结果为

4 .思考

从三个仿真实例可以看出，单目标没有问题，但是当两目标过于靠近时，此DOA算法不能分辨两个目标。这就带来了几个思考：

1. 本算法的分辨力到底如何？目标靠的多近时就不能分辨了？
2. 有没有什么算法分辨率高一些？代价是什么？

这些问题以后会慢慢说明。

PS：原创，纯手敲。如有错误、建议等，请留言或私信，大家共同进步。