[发明专利]一种应用于L型阵列的信号二维DOA与频率联合估计方法

说明书

本发明公开了一种应用于L型阵列的信号二维DOA与频率联合估计方法，包括如下步骤：(1)将L型阵列接收信号构建为平行因子三线性模型；(2)对模型进行初等行变换，并根据压缩感知理论进行分块压缩；(3)利用三线性交替最小二乘算法，对压缩后的模型进行循环迭代分解，直到收敛，以得到参数矩阵的估计；(4)构造频率与角度估计的完备字典，并依次利用稀疏恢复方法获得信号的频率和二维DOA估计。本发明的有益效果为：(1)本发明适用于均匀L阵和非均匀L阵，阵列在实际应用中易于实现；(2)本发明算法计算量较小，同时对数据存储的容量要求较低；(3)本发明算法借助于平行因子模型，能够得到配对的角度和频率估计，无需再进行额外配对。

技术领域

本发明涉及阵列信号处理多参数联合估计技术领域，尤其是一种应用于L型阵列的信号二维DOA与频率联合估计方法。

背景技术

近年来，阵列信号处理在雷达、声呐、无线通信等多个领域得到了迅速的发展，而接收信号多参数联合估计作为阵列信号处理中的一个重要的研究方向，也受到了相关学者们的广泛关注。阵列接收信号通常包含有波达方向DOA、多普勒频率等信息，如何准确的从接收信号中得到这些参数的联合估计，已成为阵列信号处理算法研究的热点。

近年来，国内外学者已经提出了许多关于接收信号DOA与频率联合估计的算法。其中包括传统的多重信号分类(Multiple signal classification，MUSIC)方法、借助旋转不变性估计信号参数(Estimation of signal parameters via rotational invariancetechniques，ESPRIT)的算法和传播算子(Propagator method，PM)算法。

平行因子(Parallel factor，PARAFAC)方法，最早于生理学中提出，用于对多维矩阵的分解，近几年，该方法被逐渐的运用于阵列信号参数估计中。平行因子方法通常需要对接收信号模型进行循环迭代分解，以获得参数矩阵的估计。该过程一般复杂度较高，特别是在信号接收阵列较大或信号采样数较多的情况下。压缩感知(Compressedsensing，CS)是一项用于对高维数据分析的技术，借助于压缩感知思想，可以对高维数据进行压缩，以达到减少采样数据和降低数据存储空间的目的。因此，将压缩感知理论和平行因子模型相结合，可以有效地降低平行因子方法的计算复杂度和对数据存储空间的要求。

发明内容

本发明所要解决的技术问题在于，提供一种应用于L型阵列的信号二维DOA与频率联合估计方法，能够得到性能与传统平行因子方法性能接近的角度和频率估计，同时其计算复杂度比传统的平行因子方法低。

为解决上述技术问题，本发明提供一种应用于L型阵列的信号二维DOA与频率联合估计方法，包括如下步骤：

(1)将L型阵列接收信号构建为平行因子三线性模型；

(2)对模型进行初等行变换，并根据压缩感知理论进行分块压缩；

(3)利用三线性交替最小二乘算法，对压缩后的模型进行循环迭代分解，直到收敛，以得到参数矩阵的估计；

(4)构造频率与角度估计的完备字典，并依次利用稀疏恢复方法获得信号的频率和二维DOA估计。

优选的，步骤(1)具体为：

L型阵列接收端的信号模型可以构建为z₀(t)＝As(t)+n(t)，其中A为整个阵列方向矩阵，n(t)为接收信号噪声，s(t)为信源矢量；为了对接收信号的频率进行估计，对阵列引入多级时延接收，考虑P-1级时延，整个阵列J个快拍时延接收数据可以表示为

其中，F为时延矩阵，表示矩阵的Khatri-Rao积，为接收噪声。

优选的，步骤(2)具体为：