[发明专利]一种基于实值稀疏贝叶斯学习的离格DOA估计方法

说明书

本发明公开了一种基于实值稀疏贝叶斯学习的离格DOA估计方法，属于雷达信号处理领域，通过构造一个粗糙的离格网格，利用酉矩阵将复数流型矩阵转换为实数矩阵，将DOA估计问题转化到实数域，极大地降低了计算复杂度，同时采用固定的步长来更新网格点的位置，有效的提高了DOA估计的精度，并结合奇异值分解(Singular Value Decomposition，SVD)来降低矩阵维数以减少计算量，同时将采样网格视为可调参数，使用固定的步长来更新网格位置，并利用期望最大化(Expectation Maximization，EM)算法迭代地更新采样网格，从而有效地提高估计精度。

技术领域

本发明属于雷达信号处理领域，涉及雷达信号的角度估计，具体地说是一种基于实值稀疏贝叶斯学习的适用于雷达信号波达方向估计的方法。

背景技术

近几十年来，波达方向(Direction of Arrival，DOA)估计一直是雷达信号处理的一个重要研究内容，针对雷达信号波达方向估计的问题，人们提出了大量行之有效的方法。稀疏贝叶斯学习(Sparse Bayesian Learning，SBL)是近些年来稀疏信号恢复领域内比较流行的一种方法，例如在文献：J.Dai,X.Bao,W.Xu,and C.Chang,“Root sparse Bayesianlearning for off-grid DOA estimation,”IEEE Signal Processing Letters,vol.24,no.1, pp.46-50,2017.中，提出了一种求根SBL的方法，将网格作为可调参数，并通过求解多项式的根来更新网格点。然而大多数现有的基于SBL的DOA估计方法都是在复数域进行求解，运算量比较大，计算复杂度也比较高，如何在降低计算复杂度的同时保持较高的估计精度是一个亟待解决的问题。

发明内容

针对现有方法的不足，本发明提出了一种基于实值稀疏贝叶斯学习的离格(off-grid) DOA估计方法，通过构造一个粗糙的离格网格，利用酉矩阵将复数流型矩阵转换为实数矩阵，并结合奇异值分解(Singular Value Decomposition，SVD)来降低矩阵维数以减少计算量，同时将采样网格视为可调参数，使用固定的步长来更新网格位置，并利用期望最大化(Expectation Maximization，EM)算法迭代地更新采样网格，从而有效地提高估计精度。

用于实现本发明的技术解决方案包括如下步骤：

步骤1：接收系统接收到的雷达信号经过匹配滤波后，在接收机处得到在t时刻包含K组DOA信息的数据向量y(t)。

步骤2：将角度区间均匀划分为L个网格点，得到步骤1中获得的数据向量 y(t)一阶泰勒展开的近似表达式，然后将数据向量y(t)扩展到T快拍上，得到新的数据矩阵Y。

步骤3：定义一个酉矩阵Q_M，用Q_M左乘数据矩阵Y，然后分别取矩阵Q_MY的实部和虚部形成新的数据矩阵

步骤4：对数据矩阵进行奇异值分解，获得降维的数据模型

步骤5：设置迭代次数计数变量i＝1，初始化背景噪声的精度α、信号方差向量δ以及角度偏移值ε。

步骤6：利用期望最大化准则，更新背景噪声精度α和信号方差向量δ。

步骤7：更新角度偏移值ε。

步骤8：利用步骤(7)中求出的角度偏移值ε更新网格点。

步骤9：判断迭代计数变量i是否达到上限或方差向量δ是否收敛，如果都不满足，则迭代计数变量i＝i+1，并令ε＝0，然后利用更新的网格点更新阵列流型矩阵并返回步骤6。

步骤10：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。

本发明的有益效果：