matlab稀疏贝叶斯,基于变分稀疏贝叶斯学习的DOA估计

作为阵列信号处理技术的重要研究方向之一，信号到达角(DOA)估计被广泛应用到雷达、声呐等领域。以MUSIC[和ESPRIT[为代表的传统空间谱估计算法，实现简单，且空间分辨率高，但要求高信噪比以及多快拍数。随着压缩感知理论的提出与发展，将压缩感知理论应用到阵列信号处理中成为DOA估计算法新的研究方向，学者们提出了大量性能优越的DOA估计算法。其中最为经典的是由D.Malioutov等人提出的

${l_1}{\rm{ - SVD}}$算法，其首先通过空间网格划分的方式，构造了基于阵列流型的过完备基矩阵，然后利用奇异值(singular value decomposition, SVD)分解对阵列接收信号矩阵降维，最后利用二阶锥规划求解

${l_1}$范数优化问题，并估计出信号的DOA。随后，在

${l_1}{\rm{ - SVD}}$算法的基础上，学者们又先后提出了许多基于稀疏表示的DOA估计算法，用以解决宽带[、二维角度[、相干信号源[等DOA估计问题。基于稀疏表示的DOA估计算法多是通过求解

${l_1}$范数优化问题估计出信号的DOA，但是在求解

${l_1}$范数优化问题的过程中，正则化参数多是通过人工设置的方式选取。鉴于稀疏问题的求解完全可以放在贝叶斯估计框架中分析和表示，而且这种统计优化方法更容易被理解和接受。因此近几年一些学者也在不断开展基于稀疏贝叶斯学习的DOA估计研究工作，主要研究二维DOA估计[、空间网格划分失配[以及算法收敛速度

针对此问题，首先假设空间中存在一个均匀线阵用于接收空间窄带目标信号，对空间进行网格划分使得空间信号稀疏化，从而完成信号稀疏表示，并得出可通过求解

${l_1}$范数优化问题估计信号DOA的结论，为应用稀疏贝叶斯理论估计信号的DOA，将阵列接收信号由复数数据转为实数数据。然后根据稀疏贝叶斯理论可知，阵列接收信号服从高斯分布。为估计出未知参数，对稀疏信号指定高斯分布，并为其方差以及噪声方差的倒数指定Gamma分布，得出可通过求解待估计参数的最大后验概率分布估计出未知参数。最后为了避免后验概率分布的直接求解，降低算法复杂度，通过变分贝叶斯学习算法寻找后验概率分布的近似分布，并通过监控下界值判断算法是否收敛，估计出未知参数，从而获得信号的DOA。

1 基于稀疏表示的DOA估计模型

假设

$K$个远场窄带信号入射到

$M$个各向同性的均匀线阵上，阵元间距为

$d$，各信号来波方向为

${\theta _{\rm{i}}}(i = 1,2, \cdots ,K)$，则阵列接收信号为

${ {y}}(t) = { {As}}(t) + { {n}}(t)$

式中：${ {y}}\left( t \right) = {\left[ { {y_1}(t),{y_2}(t), \cdots {y_M}(t)} \right]^{\rm{T}}}$为

$M \times 1$维的阵列接收信号矢量；${ {s}}(t) = {\left[ { {s_1}(t),{s_2}(t), \cdots ,{s_N}(t)} \right]^{\rm{T}}}$为

$K \times 1$维的空间信号矢量；${ {A}} =\left[ { { {a}}\left( { {\theta _1}} \right),{ {a}}\left( { {\theta _2}} \right), \cdots ,{ {a}}\left( { {\theta _K}} \right)} \right]$为

$M \times K$维阵列流形矩阵，${ a}\left( { {\theta _k}} \right) = {\rm{[}}1,\exp ( - {\rm{j}}2{\text π} f{\tau _k}), \cdots ,\exp $

$( - {\rm{j}}2{\text π} f(M - 1){\tau _k})]$T为

$M \times 1$维的方向矢量，${\tau _k} = d\sin {\theta _k}/c$，${\theta _k}$为第

$k$个信号的来波方向；${ n}(t) = [{n_1}(t),{n_2}(t), \cdots ,$

${n_M}(t){ {\rm{]}}^{\rm{T}}}$为

$M \times 1$维的噪声矢量。

空间信号是可稀疏的，通过特定的网格划分可将空间信号稀疏化。将空间均匀划分为

$N$份，$\left\{ { {\theta _1},{\theta _2}, \cdots ,{\theta _N}} \right\}$，$N \gg K$。假设每一个

${\theta _n}(n = 1,2, \cdots ,N)$都对应一个空间信号

${x_n}(n = 1,2, \cdots ,N)$，这样便构造出了稀疏度为

$K$的

$N \times 1$维稀疏空间信号矢量：

${ {x}}(t) = {[{x_1}(t),{x_2}(t), \cdots ,{x_N}(t)]^{\rm{T}}}$

${ {x}}(t)$中只有

$K$个位置的元素是非零的，对应着空间中实际存在的信号

$s(t)$，其余

$N - K$个位置的元素为零。则稀疏化后的空间信号矢量对应的

$M \times N$维阵列流型矩阵

${ {\varPhi}} $为

${ {\varPhi}} {\rm{ = }}[{ {a}}({\theta _1}),{ {a}}({\theta _2}), \cdots ,{ {a}}({\theta _N})]$

则稀疏表示模型下的DOA估计数学模型为

${ {y}}(t) = { {\varPhi}} { {x}}(t) + { {n}}(t)$

(1)

通过求解如下

${l_1}$范数优化问题得出重构信号：

$\left\{ {\begin{array}{*{20}{l}}{\hat { x} = \arg \min { {\left\| { x} \right\|}_1}}\\{ {\rm s.t.}{ {\left\| { {