一种基于实值离格变分贝叶斯推理的nested阵列波达方向估计方法技术

本发明专利技术公开了一种基于实值离格变分贝叶斯推理的nested阵列波达方向估计方法，1：nested阵列接收到远场窄带高斯信号经匹配滤波，得到t时刻包含DOA的数据向量x(t)。2：利用x(t)求得在T快拍数下的接收数据协方差

A method of DOA estimation of nested array based on real value off lattice variable Bayesian inference

【技术实现步骤摘要】
一种基于实值离格变分贝叶斯推理的nested阵列波达方向估计方法
本专利技术属于阵列信号处理领域，涉及阵列信号的波达方向估计，具体的说是一种基于实值离格变分贝叶斯推理的非均匀nested阵列信号的波达方向估计的方法
技术介绍
近年来，与信号的波达方向(DirectionofArrival，DOA)估计相关的阵列信号处理的各种理论和技术得到了极大发展。与传统的均匀线阵相比，在物理天线数相同时，nested阵列能够获得更大的阵列孔径和较多的自由度，因而具有较大的信源处理能力、较强的分辨能力和较高的估计精度，这些优点使得基于nested阵列的DOA估计算法成为了目前的研究热点。例如在文献F.Chen,J.Dai,N.HuandZ.Ye,SparseBayesianlearningforoff-gridDOAestimationwithnestedarrays,DigitalSignalProcessing,vol.82,pp.187-193,2018中提出了一种基于离格稀疏贝叶斯学习的nested阵列DOA估计方法，然而该方法涉及在复数域中对一个高维矩阵求逆的过程，所以存在计算复杂度较高的问题。
技术实现思路
针对现有方法的不足，本专利技术将提出一种基于实值离格变分贝叶斯推理的nested阵列DOA估计方法，该方法将复数域的求逆运算转化为实数域的求逆运算，从而显著降低计算复杂度。用于实现本专利技术的技术解决方案包括如下步骤：步骤1：nested阵列接收到的远场窄带高斯信号经过匹配滤波后，得到在t时刻包含DOA信息的数据向量x(t)。步骤2：利用步骤1中接收到的数据向量x(t)，求得在T快拍数下的接收数据协方差对向量化，得到一个一维的数据向量步骤3：定义矩阵将步骤2中的一维数据向量左乘分别取实值和虚值并将其相加，从而得到一个一维数据向量步骤4：在的范围内均匀划分出个网格点构造测量矩阵步骤5：设置迭代次数计数变量l＝1，初始化信号精度向量γ和角度偏移向量β。步骤6：固定γ、β，更新μ、Σ。步骤7：固定μ、Σ、β，更新γ。步骤8：固定μ、Σ、γ，更新β。步骤9：利用步骤8中的β值更新网格如果在的范围中，则更新网格点否则不更新。步骤10：判断迭代计数变量l是否达到上限L或γ是否收敛，如果都不满足，则迭代计数变量l＝l+1，并令β为零，利用更新的网格更新并返回步骤6。步骤11：对信号精度向量γ进行谱峰搜索，得到K个极大值点对应的角度，即为DOA的最终估计值。本专利技术的有益效果：本专利技术提出了一种基于实值离格变分贝叶斯推理的nested阵列系统的DOA估计方法，有效的避免了在复数域中进行矩阵求逆的计算，显著降低了计算复杂度。附图说明图1是本专利技术实施流程图。图2是200次蒙特卡洛实验条件下，信噪比为0dB时，快拍数由100到800变化，检测2个目标时本专利技术和离格稀疏贝叶斯学习方法估计DOA的均方根误差(RootMeanSquaredError,RMSE)比较。具体实施方式下面结合附图对本专利技术作进一步说明。如图1所示，本专利技术的具体实施步骤和方法包括如下：(1)nested阵列接收到的远场窄带高斯信号经过匹配滤波后，得到在t时刻包含DOA信息的数据向量x(t)＝As(t)+n(t),t＝1,2,…,T，式中：T表示快拍数，s(t)＝[s1(t),s2(t),…,sK(t)]T表示在t时刻发射的K个不相关窄带信号，其中sk(t)满足均值为0，方差为的复高斯分布，(·)T表示转置，A＝[a(θ1),a(θ2),...,a(θK)]表示M×K维的阵列流型矩阵，其中M＝M1+M2为nested阵列阵元个数，M1和M2分别表示nested阵列内外层阵元个数，内外层阵元间距分别为d和(M1+1)d，令[r1,r2,…,rM]＝[0,1,…(M1-1),M1,2(M1+1)-1,M2(M1+1)-1]，则第m个阵元的位置可以表示为d·rm,m＝1,2,…,M。阵列流型向量θk表示第k个真实的DOA，λ表示电磁波的工作波长，n(t)表示t时刻的一个M维的均值为0，方差为的高斯白噪声。(2)在T快拍数下，求数据向量x(t)协方差矩阵(·)H表示共轭转置，将向量化得到vec(·)表示向量化操作。(3)定义矩阵求D逆矩阵的厄米特平方根分别取实值和虚值并将其相加，从而得到Re(·)表示取实值运算，Im(·)表示取虚值运算。(4)在的范围内均匀划分出个网格点构造测量矩阵式中：(·)*表示共轭运算，表示Kronecker积，(·)′表示一阶导数运算，diag(·)表示取对角运算，βi表示网格点上的角度偏移值，向量em表示除第m个元素为1，其余均为零。进一步，将步骤(3)中的数据模型表示为：式中：维向量的非零元素对应于发射信号方差ε是满足均值为零，方差为的复高斯分布。(5)设置迭代次数计数变量l＝1，初始化信号精度向量中各元素为1，同时初始化β为全零向量。(6)固定γ、β，更新μ，Σ：式中：Λ＝diag(γ)。(7)固定μ、Σ、β，更新γ：式中：a＝b＝0.00001，wi表示w的第i个元素，<·>表示求期望运算。(8)固定μ、Σ、γ，更新β：β＝P-1v式中：。表示Khatri-Rao积，μ-表示μ的前个元素，Σ(11:12,c1:c2)表示Σ的第11到12行和c1到c2列组成的子矩阵，，μ0表示μ的最后一个元素，(9)将网格看作可变参数，利用步骤(8)中求出的β值更新网格如果在的范围中，则更新网格点否则不更新。(10)判断迭代计数变量l是否达到上限L＝300或γ是否收敛(即当次更新结果与上次更新结果是否相等)，如都不满足，则迭代计数变量l＝l+1，并令β等于零，利用更新的网格更新并返回步骤(6)。(11)对信号精度向量γ进行谱峰搜索，得到K个极大值点对应的角度，即为DOA的最终估计值。下面结合仿真实验对本专利技术的效果做进一步说明。为了评估本方法的性能，考虑一nested阵列，阵元个数M＝6，其中内外层阵元数M1＝M2＝3，假设远场有两个相互独立的目标，分别取自范围[-30°,-20°]和[0°,10°]。实验为检测两个目标时，本专利技术与离格稀疏贝叶斯学习方法估计DOA的RMSE比较。在所有实验中，背景噪声假设为高斯白噪声，蒙特卡洛实验200次。实验条件实验本文档来自技高网...

【技术保护点】
1.一种基于实值离格变分贝叶斯推理的nested阵列波达方向估计方法，其特征在于，包括如下步骤：/n步骤1：nested阵列接收到的远场窄带高斯信号经过匹配滤波后，得到在t时刻包含DOA信息的数据向量x(t)；/n步骤2：利用步骤1中接收到的数据向量x(t)，求得在T快拍数下的接收数据协方差

【技术特征摘要】
1.一种基于实值离格变分贝叶斯推理的nested阵列波达方向估计方法，其特征在于，包括如下步骤：
步骤1：nested阵列接收到的远场窄带高斯信号经过匹配滤波后，得到在t时刻包含DOA信息的数据向量x(t)；
步骤2：利用步骤1中接收到的数据向量x(t)，求得在T快拍数下的接收数据协方差对向量化，得到一个一维的数据向量
步骤3：定义矩阵将步骤2中的一维数据向量左乘分别取实值和虚值并将其相加，得到一个一维数据向量
步骤4：在的范围内均匀划分出个网格点构造测量矩阵
步骤5：设置迭代次数计数变量l＝1，初始化信号精度向量γ和角度偏移向量β；
步骤6：固定γ、β，更新μ、Σ；
步骤7：固定μ、Σ、β，更新γ；
步骤8：固定μ、Σ、γ，更新β；
步骤9：利用步骤8中的β值更新网格如果在的范围中，则更新网格点否则不更新；
步骤10：判断迭代计数变量l是否达到上限L或γ是否收敛，如果都不满足，则迭代计数变量l＝l+1，并令β为零，利用更新的网格更新并返回步骤6；
步骤11：对信号精度向量γ进行谱峰搜索，得到K个极大值点对应的角度，即为DOA的最终估计值。


2.根据权利要求1所述的一种基于实值离格变分贝叶斯推理的nested阵列波达方向估计方法，其特征在于，所述步骤1中数据向量x(t)的表达式为：
x(t)＝As(t)+n(t),t＝1,2,…,T，式中：

T表示快拍数，

s(t)＝[s1(t),s2(t),…,sK(t)]T表示在t时刻发射的K个不相关窄带信号，其中sk(t)满足均值为0，方差为的复高斯分布，(·)T表示转置，

A＝[a(θ1),a(θ2),...,a(θK)]表示M×K维的阵列流型矩阵，其中M＝M1+M2为nested阵列阵元个数，M1和M2分别表示nested阵列内外层阵元个数，内外层阵元间距分别为d和(M1+1)d，令[r1,r2,…,rM]＝[0,1,…(M1-1),M1,2(M1+1)-1,M2(M1+1)-1]，则第m个阵元的位置可以表示为d·rm,m＝1,2,…,M；阵列流型向量θk表示第k个真实的DOA，λ表示电磁波的工作波长，

n(t)表示t时刻的一个M维的均值为0，方差为的高斯白噪声。


3.根据权利要求2所述的一种基于实值离格变分贝叶斯推理的nested阵列波达方向估计方法，其特征在于，所述步骤2中的表达式为：(·)H表示共轭转置；所述的表达式为：vec(·)表示向量化操作。

【专利技术属性】
技术研发人员：郭梦雅，戴继生，
申请(专利权)人：江苏大学，
类型：发明
国别省市：江苏;32