一种基于离格稀疏贝叶斯的波达方向估计方法技术

本发明专利技术涉及一种基于离格稀疏贝叶斯的波达方向估计方法，包括：步骤S1：初始化稀疏基矩阵：Φ(β)＝A+Bdiag(β)；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跟新迭代噪声方差、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：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。与现有技术相比，本发明专利技术具有精度高等优点。

A DOA Estimation Method Based on Outlier Sparse Bayesian

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)来求解具有离格参数的压缩感知模型。例如：Yang等研究了求解DOA估计的稀疏贝叶斯学习算法，主要目的是解决过完备字典中离散数据点不在匹配位置上的情况，研究结果展示了当真实DOA角度值为带小数的实数时，该方法可以有效提高DOA估计的求解精度；Tang等提出无网格压缩感知，在原有的压缩感知模型上改进，加入原子范数最小化约束，提高了重构连续频率值的精度；Carlin等也提出了采用贝叶斯压缩感知框架(BCS：BayesianCompressedSensing)求解DOA估计，主要目的是突破已有DOA方法对接收信号先验信息的限定，包括过完备字典设计规则的限定。但是，现有的研究中对具有高相关性的密集信号中存在的离格DOA估计问题讨论较少，采用稀疏贝叶斯求解离格DOA估计的方法研究是非常有必要的。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于离格稀疏贝叶斯的波达方向估计方法。本专利技术的目的可以通过以下技术方案来实现：一种基于离格稀疏贝叶斯的波达方向估计方法，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，即偏移后的非均匀网格中的每个网格点距离原来的均匀网格的每个网格点的偏移距离，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跟新迭代噪声方差、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。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。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。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：将得到的非零项或前K个最大值所对应的网格值作为波达方向的估计结果。所述步骤S6中，离格波达方向的估计模型为：Y＝Φ(βnew)X+E其中：Y为带噪声的测量信号，X为信号稀疏系数，E为测量噪声。在信号重构过程中，对信号DOA的测量值Y进行奇异值分解，得到Y＝USVH，其中：U为测量值Y的左奇异向量，S为测量值Y的奇异值，V为测量值Y的右奇异向量，H为复共轭转置。奇异值分解过程中后，让V＝[V1V2]，V1为包含信号信息的分量，V2为除去信号信息的剩余分量，有YV＝[YSVYV2]。其中：YV为把测量信号分为有用测量信号和除去有用测量信号的剩余测量信号这两部分，YSV为测量信号中的有用分量，YV2为除去测量信号中有用分量的剩余分量。所述步骤S2中噪声方差更新后为：其中：为更新后的噪声方差，M为所观测的阵列中的阵元数，c为关于噪声方差α0的Γ分布参数，T为快拍数，E{·}为求均值，Y为归一化的测量信号，X为归一化的信号稀疏系数，d为关于噪声方差α0的Γ分布参数，||·||F为Frobenius范数。所述步骤S2中信号的方差更新后为：其中：为更新后第n个信号的方差，ρ为关于信号方差α的概率分布归一化后参数，n为划分的第n个网格，N为划分的网格数。所述步骤S2中离格参数更新后为：其中：βnew为更新后的离格参数，P为半正定矩阵，υ为矢量参数，r为两个划分网格之间的间距。与现有技术相比，本专利技术具有以下有益效果：1)本专利技术在网格划分较大的情况下，可以提高密集DOA估计的精度，减少运算时间。2)对测量值Y进行奇异值分解，可以在信号重构的过程中减少计算量，并且减少对测量噪声的敏感度。附图说明图1为本专利技术方法的主要步骤流程示意图；图2为本专利技术的结构示意图。图3为本专利技术OGSBI-BTG算法与现有的OGSBI-SVD算法对两个信号进行的DOA估计的对比图；图4为本专利技术OGSBI-BTG算法与现有的OGSBI-SVD算法在RMSE上的对比图。具体实施方式下面结合附图和具体实施例对本专利技术进行详细说明。本实施例以本专利技术技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。一种基于离格稀疏贝叶斯的波达方向估计方法，如图1和图2所示，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；具体的，该步骤中把网格在范围[0，π]上分成N份。如果存在一些k∈{1,…,K}使得并且定义是距离θk最近的网格点。那么导向矢量a(θk)可以根据一阶泰勒展开式化成如下的线性模型：其中：令在矩阵中，本专利技术中我们认为信号源的个数K是已知的。步骤S2：更新迭代α0，α，βnew，其中本文档来自技高网...

【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