貝葉斯壓縮感知理論在DOA估計中的關(guān)鍵技術(shù)研究.pdf

1、信號到達(dá)角DOA(Direction of Arrival)估計是陣列信號處理ASP(Array Signal Processing)領(lǐng)域的重要研究內(nèi)容之一，是基于空間譜估計理論實(shí)現(xiàn)的，目前已廣泛應(yīng)用于軍事及民用各個領(lǐng)域。經(jīng)典的DOA估計算法需要信號源數(shù)目的先驗(yàn)信息和大量多快拍數(shù)的采集數(shù)據(jù)，這些在實(shí)際工程中非常難以實(shí)現(xiàn)。貝葉斯壓縮感知BCS(Bayesian Compressive Sensing)理論為DOA估計提供了一種全新的解決思

2、路，該理論打破了Nyquist采樣定理的限制，以數(shù)理統(tǒng)計理論來實(shí)現(xiàn)信號重構(gòu)。論文主要研究基于BCS理論的DOA估計問題，以彌補(bǔ)傳統(tǒng)經(jīng)典DOA估計算法的不足。
　　首先，選取窄帶遠(yuǎn)場陣列信號DOA估計應(yīng)用場景，建立兩類DOA估計模型：一是源信號實(shí)際入射方向在采樣網(wǎng)格點(diǎn)上，二是源信號實(shí)際入射方向不在采樣網(wǎng)格點(diǎn)上。為了降低計算復(fù)雜度、提高算法性能，論文在兩種現(xiàn)有DOA估計模型算法基礎(chǔ)上分別做了迭代加速改進(jìn)，可以將實(shí)際入射方向不在采樣格點(diǎn)

3、上的應(yīng)用場景看作是在采樣格點(diǎn)上的拓展，應(yīng)用更廣泛。論文對兩種改進(jìn)后的DOA估計算法分別進(jìn)行仿真模擬，并在觀測陣列大小、信源個數(shù)、信噪比、字典密度等方面同OMP(Orthogonal Matching Pursuit)算法、IRLS(Iterative Reweighed Least Squares)算法、SBL(Sparse Bayesian Learning)算法、SA_SBL(Support Knowlegde-aided Spar

4、se Bayesian Learning)算法進(jìn)行性能對比分析。
　　最后，基于經(jīng)典貝葉斯壓縮感知DOA估計模型，結(jié)合實(shí)際工程應(yīng)用，提出部分信源方向已知的DOA估計應(yīng)用場景，針對該應(yīng)用場景結(jié)合 BCS理論引入標(biāo)志位信息建立DOA估計模型。借鑒傳統(tǒng)貝葉斯壓縮感知思想和吉布斯采樣理論設(shè)計G-SBL(Gibbs Sparse Bayesian Learning)算法，并詳細(xì)討論了G-SBL算法的原理及推導(dǎo)實(shí)現(xiàn)。論文對G-SBL算法進(jìn)行了