一种离网格DOA估计方法技术

本发明专利技术公开了一种离网格DOA估计方法，首先构建信号模型；其次，建立基于狄利克雷过程先验的概率模型，并根据概率模型，求解联合概率密度函数，并设计因子图；然后，使用联合置信传播和平均场规则的消息传递方法得到概率模型中各参数的更新公式，对概率模型中未知参数赋予初值，处理接收数据，迭代更新得到概率模型参数的估计值；最后，根据所得到的参数估计值，计算DOA的估计值。计算DOA的估计值。计算DOA的估计值。

【技术实现步骤摘要】
一种离网格DOA估计方法


[0001]本专利技术涉及DOA估计方法
，具体为一种离网格DOA估计方法。

技术介绍

[0002]DOA估计是阵列信号处理的一个重要分支，在无线通信、定位、雷达、声呐等领域发挥着关键作用。在过去的几十年中，研究者们从不同的角度对这一主题进行了研究，并取得了丰硕的成果。基于子空间的MUSIC(多重信号分类法)、ESPRIT(旋转不变子空间法)、ML(最大似然法)及他们的改进算法是早期比较成功的方法，但是在噪声环境下，性能会骤然下降，在快拍数较大时会导致复杂度较高。压缩感知的出现降低了计算复杂度，例如OMP(正交匹配追踪)和基于范数的算法，受SNR(信噪比)影响较大。而SBL(稀疏贝叶斯学习)类算法不易受SNR影响，且在低复杂度的条件下具有良好的性能。SBL类算法可以分为在网格和离网格两类，在网格算法的性能受网格分辨率的限制，而离网格的算法往往具有更高的准确性。OGSBI算法(Z.Yang,L.Xie,and C.Zhang,“Off
‑
Grid Direction of Arrival Estimation Using Sparse Bayesian Inference,”IEEE Trans.Signal Process.,vol.61,no.1,pp.38
–
43,Jan.2013.)是第一个基于SBL框架提出离网格DOA估计的算法，但是该算法假设所有的信号源占用同一类频带，这会影响估计的精度。

技术实现思路

[0003]本专利技术为了解决上述问题，提供了一种离网格DOA估计方法。
[0004]本专利技术要解决的技术问题通过以下技术方案实现：
[0005]一种离网格DOA估计方法，包括：
[0006]步骤1：构建信号模型，构建接收天线阵列数据的稀疏信号模型，具体如下：
[0007]使用均匀线性阵列接收远场信号，阵元个数为M，阵元间距为Δd，将信号分为F个子带，阵列输出数据Y＝[y1,
…
,y
f
]为M
×
F维矩阵；然后均匀划分角度网格，将范围[0
°
,180
°
]均匀划分为N个网格，得到角度网格点集Θ＝[θ1,
…
,θ
N
]；定义X＝[x1,
…
,x
f
]为N
×
F的稀疏信号矩阵；定义噪声信号W＝[w1,
…
,w
f
]为M
×
F维矩阵；定义过完备近似字典为M
×
N维矩阵；建立接收天线阵列输出矩阵Y的信号模型为：
[0008][0009]其中，
[0010][0011]其中，
[0012][0013]式中，α
f
(θ
i
),i＝1,
…
,N表示入射角度为θ
i
时的导向矢量，λ为波长。B
f
＝[b
f
(θ1),
b
f
(θ2),
…
,b
f
(θ
N
)]，b
f
(θ
i
)为a
f
(θ
i
)关于θ
i
的导数。Δ
f
＝diag(β
f
)为离网格角度偏差对角矩阵，β
f
为入射角度与最近的网格角度之间的差值，diag(
·
)表示向量矩阵化。
[0014]步骤2：构建基于DP先验的概率模型，具体内容如下：
[0015]假设加性噪声服从均值为0、精度为α0～Gam(a,b)的复高斯分布，Gam(
·
)表示Gamma分布，则接收天线阵列数据Y中第f列向量满足Gamma分布，则接收天线阵列数据Y中第f列向量满足表示复高斯分布，I
M
表示M维单位矩阵；
[0016]假设稀疏信号矩阵X中的第f列向量x
f
服从均值为0、精度为的复高斯分布，其中K表示分类的数目，则x
f
的概率密度函数为：
[0017][0018]其中，1[z
f
＝k]表示当z
f
＝k时的值为1，其他情况值为0；z
f
为分配向量，服从参数为{ω
k
}
k＝1,
…
,K
的多项式分布，为“截棍”定理的权值；π
k
～Beta(1,γ)为“截棍”定理的长度；γ～Gam(e,h)为狄利克雷过程的标度参数。
[0019]步骤3：根据概率模型，求解联合概率密度函数，并设计因子图，具体内容如下：
[0020]联合概率密度函数为：
[0021][0022]其中，表示隐藏变量集合。
[0023]步骤4：使用联合BP
‑
MF(置信传播
‑
平均场规则)的消息传递方法得到概率模型中各参数的更新公式，具体如下：
[0024]稀疏信号矩阵X的第f列向量x
f
,f＝1,
…
,F的均值μ
f
和精度矩阵Γ
f
的更新公式为：
[0025][0026][0027]式中，<
·
>表示期望；(
·
)
H
表示共轭转置，表示共轭转置，将在后面更新。。
[0028]参数的更新公式为：
[0029][0030]式中，为的第n个值；μ
f,n
为μ
f
的第n个值；为第n个对角线值；
[0031]分配变量z
f
的更新公式为：
[0032][0033]其中，
[0034][0035]截棍定理变量π
k
的更新公式为：
[0036][0037]式中，
[0038]标度参数γ的更新公式为：
[0039][0040]其中，Ψ(
·
)为Digamma函数；
[0041]噪声精度α0的更新公式为：
[0042]其中，
[0043][0044]式中，tr(
·
)表示矩阵的迹；
[0045]离网格角度偏差β
k
的更新公式为：
[0046][0047]其中，
[0048][0049][0050]其中，表示取复数的实部。
[0051]步骤5：根据所得到的参数更新公式对数据Y进行处理，得到概率模型参数的估计值，具体内容如下：
[0052]对概率模型中的参数z
f
，γ赋予初值，将接收天线阵列的数据Y代入到步骤4的更新公式中，不断迭代更新，直到达到预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种离网格DOA估计方法，其特征在于，包括：步骤1：构建信号模型，构建接收天线阵列数据的稀疏信号模型；步骤2：构建基于狄利克雷过程先验的概率模型；步骤3：根据概率模型，求解联合概率密度函数，并设计因子图；步骤4：使用联合BP
‑
MF(置信传播
‑
平均场规则)的消息传递方法得到概率模型中各参数的更新公式；步骤5：根据所得到的参数更新公式对数据Y进行处理，得到概率模型参数的估计值；步骤6：根据所得到的参数估计值，计算DOA的估计值。2.根据权利要求1所述的一种离网格DOA估计方法，其特征在于，所述步骤1包括：使用均匀线性阵列接收远场信号，阵元个数为M，阵元间距为Δd，将信号分为F个子带，阵列输出数据Y＝[y1，
…
，y
f
]为M
×
F维矩阵；然后均匀划分角度网格，将范围[0
°
，180
°
]均匀划分为N个网格，得到角度网格点集Θ＝[θ1，
…
，θ
N
]；定义X＝[x1，
…
，x
f
]为N
×
F的稀疏信号矩阵；定义噪声信号W＝[w1，
…
，w
f
]为M
×
F维矩阵；定义过完备近似字典为M
×
N维矩阵；建立接收天线阵列输出矩阵Y的信号模型为：其中，其中，式中，a
f
(θ
i
)，i＝1，
…
，N表示入射角度为θ
i
时的导向矢量，λ为波长。B
f
＝[b
f
(θ1)，b
f
(θ2)，
…
，b
f
(θ
N
)]，b
f
(θ
i
)为a
f
(θ
i
)关于θ
i
的导数。Δ
f
＝diag(β
f
)为离网格角度偏差对角矩阵，β
f
为入射角度与最近的网格角度之间的差值，diag(
·
)表示向量矩阵化。3.根据权利要求1所述的一种离网格DOA估计方法，其特征在于，所述步骤2包括：假设加性噪声服从均值为0、精度为α0～Gam(a，b)的复高斯分布，Gam(
·
)表示Gamma分布，则接收天线阵列数据Y...

【专利技术属性】
技术研发人员：李芳，李梦鸽，李冀，罗笑南，
申请(专利权)人：桂林慧谷人工智能产业技术研究院桂林智慧产业园有限公司，
类型：发明
国别省市：