Sparse Methods for Direction-of-Arrival Estimation 数据模型

2 数据模型

2.1 数据模型

在这一节中，陈述了DOA估计问题。 考虑K个窄带远场源信号sk，k=1，. ... ,K,从θk,k=1 ... ,K方向撞击到一个全向传感器阵列上。 根据[8,9,16]，不同传感器处的时间延迟可以用简单的相移表示，从而产生以下数据模型：

其中，t索引快照，L是快照的数量。

a(θk)是由传感器阵列的几何形状决定的第k个源的所谓转向矢量，稍后将给出。这些转向矢量组成阵列流形矩阵A(θ)=[a(θ1),..,a(θK)]。 更简洁地说，(1)可以写成：

其中Y=[y(1)，..，y(L)]，S和E的定义类似。 给定数据矩阵Y和映射θ→A(θ)，目标是估计参数θk,k=1, ... K称为DOA。 值得注意的是，实际中通常未知源数K；通常，假设K小于M，否则不能从数据中唯一识别DOA（详见2.3小节）。

2.2 阵列几何的作用

我们现在讨论映射θ→a(θ)是如何由阵列几何决定的。 我们首先考虑一个一般的二维阵列，其中M个传感器位于以极坐标表示的点

处。 为了方便起见，距离的单位被取为波的波长的一半。 则a(θ)将由下式给出：

在线阵的特别有趣的情况下，假设传感器位于非负x轴上，我们有θm=0，m=1，. ... ,M. 因此，a(θ)将由：

我们可以用f=1/2cosθ代替变量θ，定义a(f)=a(arccos(2f))=a(θ)。 然后，映射A(f)由下式给出:

在单次快照的情况下，显然，空间DOA估计问题变成给定样本ym，m = 1，...，M在时刻rm，m = 1，...、M的时间频率估计问题（a.k.a.线谱估计）。

如果我们进一步假设线阵的传感器是等间距的，那么该阵列被称为均匀线阵(ULA)。 我们考虑了阵列的两个相邻天线间隔一个单位距离（波长的一半）的情况。 然后，我们得到rm=m-1，并且

如果从ULA中只保留一部分传感器得到一个线阵，那么它就被称为稀疏线阵(SLA)。

值得注意的是，对于二维阵列，可以估计整个360°范围内的DOA，而对于线阵，我们只能解析180°范围内的DOA:θk∈[0°，180°)。对于后一种情况，对应的“频率”为:fk = 1/2cos θk∈(−1/ 2,1/ 2)。在这篇文章中，我们让Dθ表示doa的域，可以是[0◦，360◦)或[0◦，180◦)，这取决于上下文。同时，设T =(−1/2,1/2)为线性数组的频率间隔。最后，我们通过指出基于网格(网格上和网格外)的稀疏方法可以应用于任意传感器阵列，而现有的无网格稀疏方法通常局限于ULAs或SLAs。

2.3 参数可识别性

如果不存在{θk}不等于{θ’k}和S’，使得Y=A(θ)S=A(θ’)S’,则可以唯一地从Y=A(θ)S中识别出DOAs{θk}。在无噪声情况下，保证参数的唯一识别是准确估计参数的先决条件。在[18,19]中，对ULAs的[17]和一般阵列的DOA估计的参数可辨识问题进行了研究。[20-22]的结果也与此问题密切相关。对于一般数组，定义集合

并定义Aθ的spark，用spark(Aθ)表示，是Aθ中线性相关的元素的最小数目[23]。 对于任何M元素数组，它认为:

注意，通常很难计算spark(Aθ)，除非在ULA情况下，spark(Aθ)=m+1，因为Aθ中的任何m个转向向量都是线性无关的。

【注】spark

定义：

其中A是m x n维矩阵，d为n维向量。这个定义的意思是在A中找到一组列向量，该组列向量是线性相关的，且在所有线性相关组中列向量的个数最小。举例：

--------------------------------------------------------------------------------------

文献[18]证明了任何K个源都可以从Y = A（θ）S唯一地识别，只要

注意，上述条件在实践中不容易使用，因为它需要关于S的知识。为了解决这个问题，在[21]中示出了（9）中的条件等价于

此外，（9）或（10）中的条件也是必要的[21]。结合这些结果，我们得到了以下定理。

定理2.1 当且仅当(10)中的条件成立时，任何K个源都可以从Y = A(θ) S中唯一地识别出来。

定理2.1给出了参数唯一可辨识的充分必要条件。在单次快照的情况下，（10）中的条件简化为：

因此，定理2.1表明，除了在尺度因子下源信号完全相同的小情况外，采集的快照越多，源就越多。（快拍数越多，rank（Y）自然越大）在ULA情况下，(10)的条件可简化为：

利用不等式rank(S)≤K和(8)，(9)或（10）中的条件意味着：

定理2.1给出了保证任意K个源信号唯一可辨识的条件。由[18]可知，如果{θk}是固定的，且S是随机从某个绝对连续分布中抽取的，则K个源可以以概率1唯一识别，条件是：

此外，还需要满足与(14)稍有不同的条件:

(14)的条件弱于(9)或(10)。例如，在单快照情况下，K在(10)和(14)的上界分别约为1/2spark (Aθ)和2/3spark (Aθ)。然而，[19]文章指出，(14)中的条件在有限信噪比应用中的实际意义相对有限，因为在(14)下，在严格正的概率下，可能会出现远离真实DOA的假DOA估计。

小结：观察（13），K<M，可知，ULA下能够观测的最多目标数为M-1。