[发明专利]一种基于离格稀疏贝叶斯学习的nested阵列波达方向估计方法

说明书

本发明公开了一种基于离格稀疏贝叶斯学习的nested阵列波达方向估计方法，包括以下步骤：1：nested阵列接收到的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)。2：利用x(t)求得在T快拍数下的接收数据协方差矩阵对向量化得到一维的数据向量3：在的范围均匀划分出个网格点设置迭代次数计数变量l＝1，初始化方差向量δ和角度偏移向量β，构造测量矩阵4：利用EM准则更新维的方差向量δ和角度偏离值β。5：利用β值更新网格6：判断迭代计数变量l是否达到上限或δ是否收敛，如果都不满足，则迭代计数变量l＝l+1，并令β＝0，利用更新的网格更新并返回步骤4。7：对方差向量δ进行谱峰搜索，得到K个极大值点对应的角度，即为目标角度的最终估计值。

技术领域

本发明属于阵列信号处理领域，涉及阵列信号的波达方向估计，具体地说是一种适用于非均匀的nested阵列信号的波达方向估计的方法。

背景技术

采用天线阵列进行多窄带信号的波达方向(Direction of Arrival,DOA)估计的方法已经被广泛应用于雷达、声纳和通信等领域。在过去的几十年里，人们提出了大量行之有效的DOA估计方法。由于非均匀阵列自身在增加信号处理自由度方面具有很大优势，目前，基于nested阵列的目标角度估计算法也成为研究热点。例如在文献：P.Pal,P.Vaidyanathan,Nested arrays:A novel approach to array processing withenhanced degrees of freedom,IEEE Transactions on Signal Processing,58(8)(2010)4167-4181中，提出了一种基于空间平滑的多重信号分类(Spatial Smoothingbased Multiple Signal Classification，SS-MUSIC)方法；在文献：J.Yang,G.Liao,J.Li,An efficient off-grid doa estimation approach for nested array signalprocessing by using sparse bayesian learning strategies,Signal Processing,128(2016)110-122中，提出了一种基于二阶泰勒展开的稀疏贝叶斯学习(Sparse BayesianLearning,SBL)方法。然而，传统的基于子空间处理的算法易受信噪比和快拍数的影响，现有的基于稀疏贝叶斯学习的DOA估计方法主要缺点在于：有效阵列孔径损失较严重，计算复杂度较高。

发明内容

针对现有方法的不足，本发明提出了一种新型的基于离格(off-grid)稀疏贝叶斯学习的nested阵列DOA估计方法，该方法可以有效避免阵列孔径的损失，简化稀疏贝叶斯学习估计的步骤，并采用一种新的网格更新方法来减小由off-grid模型引起的误差，可明显改善DOA的估计性能。

用于实现本发明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矩阵对向量化，得到一个一维的数据向量

步骤3：在的范围均匀划分出个网格点设置迭代次数计数变量l＝1，初始化方差向量δ和角度偏移向量β，构造测量矩阵

步骤4：利用期望最大化(Expectation Maximization，EM)准则，更新维的方差向量δ和角度偏离值β。

步骤5：利用步骤4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。

步骤6：判断迭代计数变量l是否达到上限L或δ是否收敛，如果都不满足，则迭代计数变量l＝l+1，并令β＝0，利用更新的网格更新并返回步骤4。