The present invention relates to a DOA estimation method based on off-grid sparse Bayesian, which includes: initializing sparse base matrix: _(beta)=A+Bdiag(beta); updating the mean and variance of the estimated signal based on the sparse base matrix, and judging the iteration update based on the mean and variance of the estimated signal and the variance of the new iteration noise variance, the variance of the signal and the off-grid parameter; Whether the maximum absolute value of the out-of-lattice parameter is greater than the set threshold C, if yes, then execute E 4, otherwise, execute E 5; 4: migrate the grid according to the out-of-lattice parameter and threshold C, and update A and B, then update the sparse base matrix; 5: judge whether convergence or reach the upper limit of iteration times, and return E 2, otherwise end the overlap. Generation 6: Updated sparse basis matrix is used to update the estimation model of off-grid direction of arrival to obtain the estimation results. Compared with the prior art, the invention has the advantages of high accuracy.
【技术实现步骤摘要】
一种基于离格稀疏贝叶斯的波达方向估计方法
本专利技术涉及一种估计方法,尤其是涉及一种基于离格稀疏贝叶斯的波达方向估计方法。
技术介绍
DOA估计是目标定位、检测和识别等工程实际应用的关键技术,其广泛应用在雷达、通信、射电天文、地球物理、语音识别、声呐、医学影像等军事和国民经济应用领域。传统的DOA估计(如:MUSIC算法、l1-SVD方法等)是基于子空间类算法的,往往需要在信噪比较高、采样快拍数较多、信源之间的相关性不强的环境下进行估计,而且也需要知道信源的个数,这就限制了DOA估计的应用场合。而且当信号在空域密集分布时,DOA估计的精度会受到密集信号之间高相关性的影响而大大降低,这对目标定位的应用效果有非常大的破坏性。自从2006年Candès、Donoho、Tao等提出压缩感知理论后,压缩感知理论为解决DOA估计中信号之间高相关性导致的矩阵病态性问题提供了一种有效的求解途径。不过,过完备字典的设计仍然是压缩感知方法应用的一个关键技术难点,也是当前研究压缩感知理论的一个前沿方向。为了确保压缩感知得到精确的估计值,设计的过完备字典需要包含和真实的DOA匹配的网格,但是真实的DOA值可能是无限不循环小数,实现网格匹配的难度很高,通常会造成未知的DOA参数具有离网格特性。传统的压缩感知方法对求解这种具有离格特性的未知参数误差较大。为了提高对这种未知的离格参数的求解精度,从2012年开始,大量的研究正在努力探索解决压缩感知理论中离格参数的求解方法。其中,当前最为关注和热点的研究课题之一是采用稀疏贝叶斯学习(SBL:SparseBayesianLearning)来 ...
【技术保护点】
1.一种基于离格稀疏贝叶斯的波达方向估计方法,其特征在于,包括:步骤S1:初始化稀疏基矩阵:Φ(β)=A+Bdiag(β),其中:Φ(β)为稀疏基矩阵,A为流型阵列信号,B为流型阵列信号的导数,β为离格参数,diag(·)为对角矩阵;步骤S2:基于稀疏基矩阵更新估计信号的均值和方差,并基于估计信号的均值和方差更新迭代噪声方差、信号的方差和离格参数;步骤S3:判断迭代更新的离格参数的绝对值的最大值是否大于设定的阈值C,若为是,则执行步骤S4,反之,执行步骤S5;步骤S4:基于在0~180度之间,以预设的值r为网格间距均匀划分的网格,根据离格参数和阈值C偏移网格,并更新矩阵A和B,进而更新稀疏基矩阵;步骤S5:判断是否收敛,或达到迭代次数上限,若均为否,则返回步骤S2,反之结束迭代;步骤S6:利用更新后的稀疏基矩阵更新离格波达方向的估计模型以得到估计结果。
【技术特征摘要】
1.一种基于离格稀疏贝叶斯的波达方向估计方法,其特征在于,包括:步骤S1:初始化稀疏基矩阵:Φ(β)=A+Bdiag(β),其中:Φ(β)为稀疏基矩阵,A为流型阵列信号,B为流型阵列信号的导数,β为离格参数,diag(·)为对角矩阵;步骤S2:基于稀疏基矩阵更新估计信号的均值和方差,并基于估计信号的均值和方差更新迭代噪声方差、信号的方差和离格参数;步骤S3:判断迭代更新的离格参数的绝对值的最大值是否大于设定的阈值C,若为是,则执行步骤S4,反之,执行步骤S5;步骤S4:基于在0~180度之间,以预设的值r为网格间距均匀划分的网格,根据离格参数和阈值C偏移网格,并更新矩阵A和B,进而更新稀疏基矩阵;步骤S5:判断是否收敛,或达到迭代次数上限,若均为否,则返回步骤S2,反之结束迭代;步骤S6:利用更新后的稀疏基矩阵更新离格波达方向的估计模型以得到估计结果。2.根据权利要求1所述的一种基于离格稀疏贝叶斯的波达方向估计方法,其特征在于,所述步骤S4具体包括:步骤S41:判断β是否大于阈值C,若为是,则执行步骤S42,若为否,则执行步骤S43;步骤S42:将网格偏移C*180/π个单位,并更新矩阵A和B,进而更新稀疏基矩阵;步骤S43:将网格偏移-C*180/π个单位,并更新矩阵A和B,进而更新稀疏基矩阵。3.根据权利要求2所述的一种基于离格稀疏贝叶斯的波达方向估计方法,其特征在于,所述步骤S4中,更新后的稀疏基矩阵为:Φ(βnew)=Anew+Bnewdiag(βnew)其中:Φ(β)为稀疏基矩阵,Anew为更新后的流型阵列信号,Bnew为更新后的流型阵列信号的导数。4.根据权利要求2所述的一种基于离格稀疏贝叶斯的波达方向估计方法,其特征在于,所述步骤S6具体包括:步骤S61:利用更新后的稀疏基矩阵更新离格波达方向的估计模型;步骤S62:计算未知的稀疏矢量,确定稀疏矢量中的非零项或是前K个最大值,步骤S63:将得到...
【专利技术属性】
技术研发人员:魏爽,顾旭,陈俊飞,彭张节,张静,李莉,
申请(专利权)人:上海师范大学,
类型:发明
国别省市:上海,31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。