[发明专利]基于MIMO接收机结构的分块子阵列相干合并的DOA估计方法

说明书

本发明公开了一种基于MIMO接收机结构的分块子阵列相干合并的DOA估计方法，步骤如下：初始化接收机结构的基本参数，将大规模数字天线阵列分为K个子阵列，每个子阵列包含M根天线；每个子阵列单独产生样本协方差矩阵；每个子阵列单独进行协方差矩阵特征值分解，并采用测向算法估计到达角；采用组合器将每个子阵列估计出的到达角组合并求平均，得到最终的到达角，完成DOA估计。本发明实现了低复杂度、快速的测向算法，能达到相应的克拉美罗界CRLB，实现良好的测向性能。

技术领域

本发明涉及无线测向技术领域，特别是一种基于MIMO接收机结构的分块子阵列相干合并的DOA估计方法。

背景技术

无线测向问题可以追溯到无线通信的起始阶段，由于其在无线通信、雷达、声呐、导航等方面的应用而引起了学术界与工业界的普遍研究。在不久的将来，测向问题将在物联网、方向调制系统、无人机、智能交通、无线传感网络与基于毫米波的大规模MIMO系统得到更广泛的应用。

众所周知，方向估计问题可以分成两类：基于空间谱估计问题与基于参数估计问题。最早的一些参考文献称DOA估计为谱估计，因为它能够从众多信号中选择各种频谱成分。较早的DOA估计算法都是基于线性谱技术的，这类算法都不能突破阵列孔径决定的瑞利极限，若要提高精度就需要更多阵元数来弥补这一缺陷。

为了突破瑞利极限，上世纪六十年代Capon将非线性谱估计方法首次应用到频谱分析中，提出了关于功率的最大似然估计算法，旨在最大化SINR，实现了超分辨率的DOA估计。Schmidt推导出一种更为流行的基于特征值分解的方法，即，多重信号分类(Multiplesignal classification,MUSIC)算法。MUSIC算法的提出将DOA估计领入了一个新时代，摆脱了阵列孔径决定的瑞利极限。之后Roy和Kailath于1986年提出通过旋转矢量不变技术估计信号参数算法，它与MUSIC算法都属于基于子空间分解的估计算法。基于子空间分解的算法可以突破瑞利极限，因此得到广泛关注。

为了降低基于子空间分解的算法的高复杂度问题，通过简化MUSIC算法，求解多项式的根，提出了低复杂度版本的快速算法，即根值多重信号分类(Root multiple signalclassification,Root-MUSIC)算法。Root-MUSIC算法是一种求解多项式根值的DOA估计方法。它基于求解多项式根值而不是峰值搜索进行估计，与MUSIC算法相比，降低了计算复杂度。在文献中，Wang等人利用优化Root-MUSIC算法中目标函数的一阶导数，提高了DOA估计的测量精度。但是，基于空间谱的方法大多都需要将特征空间进行分解，这需要N³的浮点数，若天线规模趋于大规模，复杂度将会很可观，造成很大的计算复杂度以及测向延迟，对硬件成本也会提出更高的要求。但大规模多输入多输出(MIMO)系统，能够极大的提高测向的分辨率，如何在保证高分辨和高性能的同时降低计算复杂度，亟待深入研究。

发明内容

本发明的目的在于提供一种基于MIMO接收机结构的分块子阵列相干合并的DOA估计方法，以极低的计算复杂度测向并能保证好的性能，且能够根据实际性能需求选择合适的结构。

实现本发明目的的技术解决方案为：一种基于MIMO接收机结构的分块子阵列相干合并的DOA估计方法，其特征在于，包括以下步骤：

步骤1、初始化接收机结构的基本参数，将大规模数字天线阵列分为K个子阵列，每个子阵列包含M根天线；

步骤2、每个子阵列单独产生样本协方差矩阵；

步骤3、每个子阵列单独进行协方差矩阵特征值分解，并采用测向算法估计到达角；

步骤4、采用组合器将每个子阵列估计出的到达角组合并求平均，得到最终的到达角，完成DOA估计。