[发明专利]一种基于稀疏贝叶斯学习的稳健DOA估计方法

说明书

本发明公开了一种基于稀疏贝叶斯学习的稳健DOA估计方法，属于阵列信号处理领域，该发明方法首先引入位置误差参数，并确定网格误差和阵元位置误差的先验分布，其次借助稀疏贝叶斯学习模型，建立联合概率密度分布函数，最后借助最大期望算法对各个未知参数进行迭代，得到空间谱图，估计出入射信号方位。本发明方法能够较好的方位估计精度和方位分辨力，在快拍数较少、信噪比较低的情况下依然具有良好的性能，且本发明方法对存在阵元位置误差的阵列系统具有较好的稳健性，具有较大的工程应用价值。

本发明方法涉及阵列信号处理领域，特别是涉及一种基于稀疏贝叶斯学习的稳健DOA估计方法，具体的说，是一种存在阵元位置误差情况下的基于稀疏贝叶斯学习的稳健DOA估计方法。

背景技术

波达方向(Direction of Arrival,DOA)估计问题一直是阵列信号处理的热点之一，其原理是利用各种方法将传感器阵列接收的数据分析信号的特征信息，在雷达、声呐，麦克风和医学领域有广阔的应用。典型的子空间类的DOA估计方法，如MUSIC方法，ESPRIT方法等，最多可分辨目标总数受限于接收阵元的数目，互质阵列能突破物理阵元数目对最大可分辨信号数目的限制，同时互质阵列与具有相同数目的均匀线性阵列相比有更大的阵列孔径，因此具有更优的DOA估计性能。

针对互质阵模型，研究者提出了互质阵列的空间平滑MUSIC(Spatial SmoothingMUSIC,SS-MUSIC)方法、联合ESPRIT方法等，其中，SS-MUSIC方法可以检测到比传感器更多的信号源，同时还能保留SS-MUSIC方法高分辨的性能优势，但空间平滑技术方法的应用，会导致一半的连续DOF丢失，致使阵列检测性能的显著下降，且利用互质阵列差分运算形成增广虚拟阵列，非连续部分的虚拟阵元在平滑过程中会被忽略，虚拟阵列的信息没有得到充分利用；联合ESPRIT方法将互质阵分解为两个均匀线性子阵，利用ESPRIT方法分别进行波达方向估计，从两个子阵列估计结果找到重合的估计值来确定入射信号方位，该方法复杂度远低于SS-MUSIC方法，但该方法将互质阵列分解成两个子阵单独进行计算，可估计的目标数与传统均匀阵列相比将减少至少百分之五十。

近年来，随着的压缩感知和稀疏重构方法研究的不断深入，研究者发现该方法对互质阵列扩展的虚拟自由度均可使用，因而相比于子空间类算法，压缩感知类算法具有更好的DOA估计性能，相继提出众多空域稀疏特性的DOA估计方法。研究者提出了一种基于离网格稀疏贝叶斯学习(Off-Grid Sparse Bayesian Learning,OGSBL)模型的DOA估计方法。该方法引入偏移量参数，利用稀疏贝叶斯学习(Sparse Bayesian Learning,SBL)求解估计偏移量，改善了入射信号离格情况下的方位估计性能。随后Dai等人提出了求根离网格稀疏贝叶斯学习(Root-OGSBL)方法，降低了OGSBL方法的计算量。

但是，上述方法都忽略了各种误差因素的影响而提出的，在实际工程中难免会存在阵元位置误差，极大地影响各种方法的估计性能，甚至失效。因此在山东省自然科学基金面上项目(ZR2017MF024)的资助下，对该问题进行了研究，探索了基于稀疏贝叶斯学习的高精度DOA估计方法。本专利提出了一种基于稀疏贝叶斯学习的稳健DOA估计方法，在快拍数较少、信噪比较低的情况下，依然可以获得比较好方位估计性能，大大提高了该方法实际工程应用价值。

发明内容

针对实际工程中存在阵元位置误差导致各类方法的估计性能下降的问题，本发明方法提出了一种基于稀疏贝叶斯学习的稳健DOA估计方法，其特征在于：首先引入位置误差参数，并确定网格误差和阵元位置误差的先验分布，其次借助稀疏贝叶斯学习模型，建立联合概率密度分布函数，最后借助最大期望算法对各个未知参数进行迭代，得到空间谱图。为了实现上述DOA估计方法，本发明一种存在阵元位置误差情况下的基于稀疏贝叶斯学习的稳健DOA估计方法，其处理过程包括如下的步骤：