Sparse Methods for Direction-of-Arrival Estimation：引言

本系列是Sparse Methods for Direction-of-Arrival Estimation的阅读与整理。

1 引言

到达方向（DOA）估计是指从形成传感器阵列的多个接收天线的输出中检索若干电磁波/源的方向信息的过程。DOA估计是阵列信号处理中的一个重要问题，在雷达、声纳、无线通信等领域有着广泛的应用。

DOA估计方法的研究有着悠久的历史。例如，传统的(Bartlett)波束形成器，可以追溯到第二次世界大战，只是使用基于傅里叶的光谱分析的空间采样数据。为了提高近距离源[1]的估计性能，提出了Capon波束形成器。自20世纪70年代Pisarenko发现可以从数据的二阶统计量[2]中检索出方位角以来，一种被称为基于子空间的方法的杰出方法被开发出来，例如:多信号分类(MUSIC)和旋转不变技术(ESPRIT)参数估计及其变异[3-7]。另一种常见的方法是非线性最小二乘(NLS)方法，也称为(确定性)最大似然估计。对于这些方法的完整回顾，请参考文献[8-10]。请注意，这些方法有一些众所周知的局限性。例如，基于子空间的方法和NLS需要关于源数的先验知识，这可能很难获得。此外，Capon的波束形成器、MUSIC和ESPRIT是基于协方差的，需要足够数量的数据快照来准确估计数据协方差矩阵。此外，它们可能对源相关性很敏感，而源相关性往往会导致样本数据协方差矩阵中的秩不足。此外，由于NLS的目标函数具有复杂的多模态形状和尖锐的全局最小值，因此需要非常精确的初始化。

本文的目的是提供一个稀疏DOA估计方法的最新工作概述。 这些新的方法是由稀疏表示和压缩感知方法[11-15]中的技术推动的，大多数是在过去十年中提出的。 稀疏估计（或优化）方法可以应用于一些要求较高的场景，包括不知道源数目、快照数目有限（甚至是单个快照）以及高度相关或完全相关源的情况。 由于这些吸引人的特性，它们得到了广泛的研究，大量关于它们的出版物反映了它们的受欢迎程度。

需要注意的是，在常见的稀疏表示框架和DOA估计之间有一个关键的区别。具体来说，稀疏表示的研究主要集中在离散线性系统上。与此相反，DOA参数是连续的，观测数据在DOA中是非线性的。根据所采用的模型，我们可以将DOA估计的稀疏方法分为在线、离线和无网格三大类，这也与它们发展的时间顺序相对应。对于网格上的稀疏表示方法，为了直接应用现有的稀疏表示技术，假设真实的DOAs位于一组固定的网格点上，从而获得数据模型。虽然离网格稀疏方法仍然需要网格，但doa并不局限于网格上。最后，最近的无网格稀疏方法不需要网格，顾名思义，它们直接在连续域中运行。

本文的组织结构如下。 第2节介绍了用于远场窄带源的DOA估计的数据模型，这是本文的重点。 讨论了它与阵列几何形状的关系以及参数的可辨识性问题。 第三节介绍了稀疏表示和压缩感知的概念，并讨论了几种稀疏估计技术。 此外，我们还讨论了稀疏表示技术用于DOA估计的可行性，并指出稀疏表示与DOA估计的主要区别。 第四节介绍了用于DOA估计的网格稀疏方法。 由于在单个数据快照的情况下，它们是直接获得的，我们重点展示了如何利用多个快照的时间冗余来提高DOA估计性能。 然后，在第5节中介绍了离网格稀疏方法。 第六部分是本文的重点，介绍了最近发展起来的无网格稀疏方法。 这些方法直接作用于连续域，并且有很强的理论保证，因此引起了人们的极大兴趣。 第七节将讨论一些未来的研究方向，第八节将得出结论。