[发明专利]一种基于L型阵列的信源仰角和方位角估计方法

说明书

本发明提出一种基于L型阵列的信源仰角和方位角估计方法，涉及阵列信号处理领域。利用L型阵列的特殊性，选取不同位置的阵元组成子阵一和子阵二，子阵一中仅仅包含仰角信息，与方位角无关，首先对子阵一进行稀疏表示，运用非凸惩罚函数的方式，重构出仰角值，将仰角估计值代入到子阵二的方向矩阵中并稀疏表示，得到了只包含方位角的接受模型，再对其利用奇异值分解，通过凸优化工具包求解出方位角，并且完成了参数的自动配对。优点是解决了稀疏重构在面对基于稀疏重构的多参数联合估计时的高维网格划分难的问题，利用两个子阵列的先后求解的过程，完成了参数的自动配对，能更好地抑制噪声对信号的干扰，提高了估计的精度。

技术领域

本发明涉及阵列信号处理领域，尤其是指一种信源仰角和方位角的估计方法。

背景技术

信源参数估计是阵列信号处理领域的主要研究内容，在无线通信、雷达、声呐诸多领域都有重要的应用价值。信源参数估计主要是对信源的仰角、方位角和距离估计。

目前存在的较高分辨率的算法都是基于子空间方法，子空间方法存在固有框架下的一些缺点。它们都需要较高的信噪比、较多的快拍数或者准确的信源先验信息。所以，这些劣势使得算法的实用性受到了很大的束缚。

近几年，稀疏重构的思想快速地卷入到阵列信号处理中，为上述出现的问题提供了很好的解决方法，稀疏重构算法具有高分辨率。较强的噪声鲁棒性和无需信源准确的先验信息，这为阵列信号处理领域信源参数估计又提供了新的估计方法。但是目前的稀疏重构方法都仅是局限于一维DOA(仰角或方位角)估计，在实际的应用中，当多个信源由同一个仰角(或者方位角)入射的时，仅仅估计信源的一个参数，有时候是很难将其区分开。所以对信源的仰角和方位角同时估计是理论的必然趋势，也具体实际应用的重要价值。

发明内容

本发明提供一种基于L型阵列的信源仰角和方位角估计方法，以解决目前的稀疏重构方法都仅是局限于一维DOA(仰角或方位角)估计的问题。

本发明采取的技术方案是包括下列步骤：

步骤一：有K个远场窄带入射信号，入射到2M个各向同性的传感器阵元组成的L型阵列，该阵列位于y轴与z轴的平面上，为了减少稀疏重构算法的计算复杂度，我们选取不同位置阵元组成的阵列，对其接收的数据进行处理；

步骤二：将位于z轴的阵元组成子阵一Z(t)，该子阵列仅仅包含仰角信息，这样分布式求解信源参数，降低了算法的求解维度，然后对其进行稀疏表示，利用非凸惩罚函数，通过非凸惩罚函数的加权约束方式可以更加有效地抑制噪声，提高参数的估计精度，通过优化工具包求解出仰角值

步骤三：将位于y轴的阵元组成子阵二Y(t)，接收的数据中是既包含仰角信息又包含方位角，将上一步求解出的仰角信息代入到数据模型中，对其得到数据模型稀疏表示，利用奇异值分解，降低算法的计算复杂度，奇异值分解后，利用优化工具包求解凸优化问题，求解出信源的方位角由谱峰位置可以完成仰角和方位角估计值的自动配对。

本发明一种实施方式是在步骤一中包括如下步骤：

(1)该接收数据中第k个信号的仰角为α_k，方位角为β_k，(1≤k≤K)，d为传感器之间的距离且等长，设位于坐标(0,md,nd)处的阵元为第(m,n)个阵元，(m,n)∈{(M-1,0),Λ(1,0),(0,0),(0,1),Λ,(0,M)}，m是位于y轴上第m个传感器，n是位于z轴上第n个传感器，则在某t个采样时刻，第(m,n)个阵元的接收信号为j是虚数单位，式中，s_k(t)代表第k个入射信号，n_m,n(t)为第(m,n)个传感器的噪声，γ_k和φ_k是仰角和方位角的函数，关系如下：γ_k＝-2πd sinα_k cosβ_k/λ，φ_k＝-2πd cosα_k/λ，其中，λ代表信号波长；