众所周知,贝叶斯方法是基于统计理论的一种经典方法,适合于有关参数估计问题。最大似然 (Maximum Likelihood,ML) 估计方法就是贝叶斯估计方法的一种特例,是在已知高斯噪声情况下的贝叶斯最优估计。在 ML 算法中,观测所得信号的似然函数被定义为含有未知参数的条件概率密度函数,目的是选定未知的参数以使得该似然函数尽可能大。通过最大化似然函数求出的解都被认为是未知参 数的一个估计。
我们可以看一下高斯噪声的概率密度函数:
由于测量是独立的,所以L次快拍的似然函数为:
其中,M为阵元个数,det{}为行列式求值,I为M维单位阵,为噪声功率。
具体推导过程不在阐述。
相当于就是最大化这个似然函数来推导该算法。
根据TI的关于DML算法的说明:
假设s(t)为混频之后的基带回波信号,则传感器阵列信号可以表示为:
仿真验证:
八个接收阵列,目标位置设置为0度,快拍数设置为10,信噪比从-15到20,看一下测量角度随信噪比的变化:
可以发现,当信噪比-9左右,角度就测量很准确了。
接下来我们将信噪比固定0,快拍数从1到20变换:
可以发现,DML算法在单快拍的情况下,也有着不错的估计性能,可能这就是同为超分辨算法,DML比MUSIC算法更加实用的原因之一,比如加特兰在芯片中固化的就是DML算法。