The invention belongs to the field of signal processing, the traditional direction of arrival (DOA) estimation algorithm of large sampling data lead to large computational complexity, based on compressed sensing theory, the invention uses the spatial sparsity of the target signal, this paper proposes a multi beam measurement vector domain regularization solving underdetermined systems based on BS (focusing RMFOCUSS) algorithm. The algorithm maps the target compression signal from the element domain to the beam domain, and to a certain extent, it overcomes the defect that the sparse reconstruction algorithm can not be used in the case of low signal-to-noise ratio (SNR), and has low computational complexity. Numerical simulations show that the proposed algorithm performs better than the traditional DOA estimation algorithm, and has higher angular resolution and estimation accuracy, and can effectively estimate the coherent signals by DOA.
【技术实现步骤摘要】
基于压缩感知的波束域DOA估计
本专利技术涉及基于压缩感知的波束域DOA估计,属于计算机应用
技术介绍
波达方向估计(directionofarrival,DOA)是阵列信号处理中的重要研究内容之一,在雷达、声纳、移动通信、无线传感器网络等领域均得到了广泛应用。自20世纪60年代以来,研究者们提出了大量有效的DOA估计算法,主要有Capon提出的最小方差谱估计法(minimumvariancedistortionlessresponse,MVDR)和以Schimidt提出的多重信号分类法(multiplesignalclassification,MUSIC)为代表的子空间算法。然而,上述DOA估计算法都是基于如下假设:信源信号需要统计固定和不相关,快拍数量足够多,信噪比(signalnoiseratio,SNR)足够大。若在快拍数量少和低信噪比条件下,这些算法的性能将会明显下降,尤其在信源信号相关情况下,由于接收信号协方差矩阵会出现秩亏现象,导致这些算法的估计精确度更低。近年来,信号处理领域中提出的压缩感知(CompressingSensing,CS)理论吸引了研究者们的极大关注,已广泛应用于图像处理和无线通信等诸多领域。针对阵列信号处理领域DOA运算量较大的问题,基于CS理论,LiangG等充分利用目标信号空域稀疏特性,提出了一种稀疏恢复l1-SVD算法对信号DOA进行估计。该算法是在已知信源数量条件下,即使信源信号相关或阵元间距非常小的情况下,该算法都将得到信号波达方向角的高精度估计。然而,在没有给出信源数量先验信息的情况下,该算法估计性能会 ...
【技术保护点】
基于压缩感知的波束域DOA估计,其特征在于:包括如下步骤:第一步:压缩感知模型(1)稀疏字典描述假设
【技术特征摘要】
1.基于压缩感知的波束域DOA估计,其特征在于:包括如下步骤:第一步:压缩感知模型(1)稀疏字典描述假设为N×1的信号矢量,则x可表示为稀疏字典Ψ中列向量的线性组合,设对应的系数为zi,i=1,2,…,N,即其中Ψ=[ψ1,ψ2,…,ψN]为N×N的正交稀疏字典,z=[z1,z2,…,zN]为包含K<<N个非零值的N×1维信息矢量,即若||z||0=K<<N,则称信号x为正交稀疏字典Ψ上的K稀疏信号,||z||0表示信息矢量z的l0范数;(2)测量矩阵描述压缩感知理论表明,x可以通过在M×N的投影测量矩阵Φ上得到的M=KO(logN)个线性投影测量值近似重构,其中投影测量矩阵和稀疏字典Ψ互不相关,测量矩阵Φ中的元素可以从L×M(L<M)维高斯随机矩阵随机抽取,且满足约束等距性质(RIP)准则,即满足下列不等式:其中δK为K-约束等距常数,是使对任何K稀疏信号上述不等式成立的最小数;所以,投影观测矢量y可表示为:y=Φx=ΦΨz=Θz(3)其中,Θ=ΦΨ为感知矩阵,满足RIP条件;(3)阵列信号稀疏表述基于上述分析,信息矢量z可以由投影观测矢量y通过求解l0范数优化问题近似重构:min||z||0s.t.y=Θz(4)优化问题(4)实际上是一个NP-hard问题,求解l0范数优化问题可以通过松弛化转化为求解l1范数凸优化问题,即求解l1范数与求解l1范数将会产生等价解;所以优化问题(4)可以进一步表示为:min||z||1s.t.y=Θz(5)在噪声存在的情况下,式(3)重写为:y=Θz+w(6)其中w为加性高斯白噪声,即w~CN(0,σ2I);所以,z估计的优化模型可表示为:min||z||1s.t.||y-Θz||2<ε(7)其中ε为与噪声有关的一个常量;最优化问题(7)可以通过正交匹配追踪和多矢量欠定系统聚焦求解等算法近似求解;第二步:信号波达方向角估计的稀疏表示假设有K个远场窄带信号入射到一个具有M个全方向阵列、阵元间距为d的理想均匀线性阵列上,其中阵元间距d的大小为半波长,所以每个阵元接收的复合信号表示为:其中a(θk)=[1,exp(-jα),…,exp(-j(M-1)α)]T表示来波方向θk的M×1维阵列导向矢量,α=2π/λsin(θk)表示均匀线性阵列平面内各阵元之间的第k条信号到达此阵元时的相移,w(t)表示叠加在阵列上的M×1维噪声矢量;为了便于推导,(8)式可重新表示为:x(t)=As(t)+w(t)(9)其中A=[a(θ1),a(θ2),…,a(θk)]是阵列流型矩阵,s(t)=[s1(t),s2(t),…,sk(t)]T是K×1维信号矢量;基于压缩感知的阵列DOA估计模型中,角...
【专利技术属性】
技术研发人员:王洪雁,裴炳南,房云飞,郑佳,季科,乔恵娇,
申请(专利权)人:大连大学,
类型:发明
国别省市:辽宁,21
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。