基于贝叶斯压缩感知的子空间拟合离格DOA估计

针对传统的基于稀疏贝叶斯学习(Sparse Bayesian Learning,SBL)的波达方向估计算法对噪声鲁棒性不高的问题,提出了一种基于SBL的子空间拟合离格波达方向(Direction of Arrival,DOA)估计方法。首先对接收数据的协方差矩阵进行特征分解,获得信号的加权子空间,构造等价信号的稀疏表示模型并利用贝叶斯学习算法进行参数求解。同时对于网格划分带来的建模误差问题,采用了离格贝叶斯推导(Sparse Bayesian Inference,SBI)算法进行求解,利用期望最大化算法迭代更新相应的参数。仿真结果表明,相对于传统的DOA方法,该方法具有更好的估计精度。

方位依赖幅相误差影响下的非圆信号多站直接定位算法

基于阵列观测站的目标定位易受阵列误差的影响。针对方位依赖幅相误差影响下的定位问题,提出了一种利用辅助阵元(Instrumental Sensor,IS)自校正的非圆信号多站直接定位(Direct Position Determination,DPD)算法。该算法利用辅助阵元校正方位依赖的阵列幅相误差,结合信号的非圆特性扩展数据模型,基于扩展子空间数据融合准则直接实现多目标位置参数与多站阵列误差参数的解耦估计,避免了传统两步定位方法的测向与数据关联步骤。仿真结果表明,该算法较传统的两步定位方法与未考虑阵列误差的直接定位算法均具有更高的定位精度,尤其在低信噪比与目标距离较近时优势更加明显。