Underdetermined direction of arrival estimation with nonuniform linear motion sampling based on a small unmanned aerial vehicle platform

Uniform linear array(ULA)radars are widely used in the collision-avoidance radar systems of small unmanned aerial vehicles(UAVs).In practice,a ULA's multi-target direction of arrival(DOA)estimation performance suffers from significant performance degradation owing to the limited number of physical elements.To improve the underdetermined DOA estimation performance of a ULA radar mounted on a small UAV platform,we propose a nonuniform linear motion sampling underdetermined DOA estimation method.Using the motion of the UAV platform,the echo signal is sampled at different positions.Then,according to the concept of difference co-array,a virtual ULA with multiple array elements and a large aperture is synthesized to increase the degrees of freedom(DOFs).Through position analysis of the original and motion arrays,we propose a nonuniform linear motion sampling method based on ULA for determining the optimal DOFs.Under the condition of no increase in the aperture of the physical array,the proposed method obtains a high DOF with fewer sampling runs and greatly improves the underdetermined DOA estimation performance of ULA.The results of numerical simulations conducted herein verify the superior performance of the proposed method.

A Novel CCA-NMF Whitening Method for Practical Machine Learning Based Underwater Direction of Arrival Estimation

Underwater direction of arrival(DOA)estimation has always been a very challenging theoretical and practical problem.Due to the serious non-stationary,non-linear,and non-Gaussian characteristics,machine learning based DOA estimation methods trained on simulated Gaussian noised array data cannot be directly applied to actual underwater DOA estimation tasks.In order to deal with this problem,environmental data with no target echoes can be employed to analyze the non-Gaussian components.Then,the obtained information about non-Gaussian components can be used to whiten the array data.Based on these considerations,a novel practical sonar array whitening method was proposed.Specifically,based on a weak assumption that the non-Gaussian components in adjacent patches with and without target echoes are almost the same,canonical cor-relation analysis(CCA)and non-negative matrix factorization(NMF)techniques are employed for whitening the array data.With the whitened array data,machine learning based DOA estimation models trained on simulated Gaussian noised datasets can be used to perform underwater DOA estimation tasks.Experimental results illustrated that,using actual underwater datasets for testing with known machine learning based DOA estimation models,accurate and robust DOA estimation performance can be achieved by using the proposed whitening method in different underwater con-ditions.

基于二阶统计特性的方向向量估计算法的DOA估计

为了减小天线阵流形误差对波达方向(DOA)估计结果的影响,以及克服基于传统盲源分离算法的DOA估计算法不能应用于少通道测向设备的不足,提出一种基于2阶统计特性的方向向量估计算法的DOA估计算法。首先,根据确定性最大似然(DML)估计算法谱函数的特征,构造关于协方差矩阵的酉约束下的优化问题;然后,通过优化该问题获得各个单信号的实际方向向量;最后,将各个单信号的实际方向向量输入到空间谱算法中实现DOA估计。由于将多信号的DOA估计转化为多个单信号的DOA估计,因此在天线阵列流形存在误差时,所提算法比传统的DOA方法具有更好的DOA估计性能。由于所提算法仅需使用协方差矩阵,因此所提算法可应用于少通道测向设备。由仿真实验结果可知,在阵列流形存在误差以及测向设备为少通道测向设备时,与传统DOA方法相比,所提算法的DOA估计的准确度、抗扰度以及分辨率更高。

基于稀疏度自适应变步长的离格DOA估计方法

网格划分产生的量化误差是影响信源定位估计性能的一个重要缺陷。针对目前Lp类离格算法计算量大以及需要提前预知稀疏度的问题,提出了一种稀疏度自适应变步长的离格波达方向定位方法。首先根据一阶泰勒展开构建基于角度优化的离格参数模型,以残差能量的变化作为预估稀疏度K的条件。然后利用噪声子空间与信号子空间正交性作为原子误差入选判定依据,利用交替迭代优化方法实现离格模型下的准确求解。所提方法结合了贪婪算法支撑集选取策略与阵列协方差矩阵的有效信息。仿真实验表明,在满足稀疏性条件下,所提方法不仅大大缩短运算时间,而且可以实现空域角度范围内任意角度的精确估计。

基于稀疏恢复的快速高精度DOA估计算法

传统的基于稀疏恢复的波达方向(direction of arrival,DOA)估计算法使用密集的采样网格,导致计算量显著增加,且对邻近入射信号的估计精度不高。针对这一问题,提出一种快速高精度DOA估计算法。该算法首先使用网格进化方法降低网格点总数。然后,对噪声方差和信号功率进行二次估计,进而使用离网求根稀疏贝叶斯学习(off-grid root sparse Bayesian learning,OGRSBL)技术来实现入射角的精确估计。仿真表明,相比传统稀疏贝叶斯学习类算法,所提算法计算效率高,同时对紧邻信号有着更好的估计能力。

基于改进SP算法的多目标DOA估计方法

稀疏重构类算法在雷达目标参数估计中的应用一直是近年来的热门,但由于稀疏重构类算法的局限性,在进行目标波达方向(direction of arrival,DOA)估计时受到原子间的互相影响,从而使多目标测角精度降低。针对此问题,提出一种基于信号分离迭代思想的松弛子空间追踪算法。首先求出回波信号与归一化后字典矩阵相关性最强的多个原子作为初步估计值,再利用初步估计的角度构建代价函数,反复估计直至代价函数收敛。仿真结果表明,所提算法减小了目标个数和相位差的影响,提高了多目标DOA估计的测角精度,同时相较于传统的松弛算法减少了运算量。

A novel DOA estimation algorithm using directional antennas in cylindrical conformal arrays

In this paper, a novel direction of arrival(DOA) estimation algorithm using directional antennas in cylindrical conformal arrays(CCAs) is proposed. To eliminate the shadow effect, we divide the CCAs into several subarrays to obtain the complete output vector. Considering the anisotropic radiation pattern of a CCA, which cannot be separated from the manifold matrix, an improved interpolation method is investigated to transform the directional subarray into omnidirectional virtual nested arrays without non-orthogonal perturbation on the noise vector. Then, the cross-correlation matrix(CCM) of the subarrays is used to generate the consecutive co-arrays without redundant elements and eliminate the noise vector. Finally, the full-rank equivalent covariance matrix is constructed using the output of co-arrays,and the unitary estimation of the signal parameters via rotational invariance techniques(ESPRIT) is performed on the equivalent covariance matrix to estimate the DOAs with low computational complexity. Numerical simulations verify the superior performance of the proposed algorithm, especially under a low signal-to-noise ratio(SNR) environment.

稀疏阵列的鲁棒矩阵填充DOA估计算法

稀疏阵列布阵灵活,增大阵列孔径的同时还能减少阵元间耦合,但基于稀疏阵列的传统波达方向估计会导致角度模糊混叠,带来估计精度差和稳健性不足的问题。针对以上问题,提出一种适用于稀疏阵列波达方向估计的加权截断奇异值投影(weighted truncated singular value projection,WT-SVP)的鲁棒矩阵填充算法。在填充迭代过程中根据奇异值的大小分配权重,突出大奇异值包含的阵列信息,减少小奇异值中不必要的噪声信息,从而优化传统奇异值投影算法。该算法可以实现稀疏阵列的孔洞信息恢复,对不连续阵元充分利用,同时WT-SVP填充算法实现了稀疏阵列波达方向估计的高精度、高分辨以及在低信噪比、低快拍时的高鲁棒性。

基于稀疏线阵协方差矩阵重构的DOA估计方法研究

相比均匀线阵(Uniform Linear Array,ULA),相同阵元数目下稀疏线阵(Sparse Linear Array,SLA)的抗耦合效应更好,阵列孔径更大,到达方向(Direction of Arrival,DOA)估计的自由度(Degrees Of Freedom,DOF)更高,因而近年来得到了广泛的研究。为了可以进行高DOF的DOA估计,学者们开始研究SLA的差分虚拟阵元,差分虚拟阵元对应的协方差矩阵相比原阵元对应的协方差矩阵维度更大,因而估计的DOF更高。当SLA的差分虚拟阵元连续取值时,可以利用已有阵元的接收信息,得到SLA的协方差矩阵,在该矩阵的基础之上构建差分虚拟阵元的协方差矩阵进而进行DOA估计。然而,当SLA的差分虚拟阵元存在孔洞时,即差分虚拟阵元不能连续取值时,不能直接利用重构的协方差矩阵进行DOA估计,需要恢复完全增广协方差矩阵的信息再进行DOA估计。对于该问题,本文基于矢量化后原协方差矩阵和虚拟差分阵协方差矩阵的误差分布情况,并结合完全增广协方差矩阵的低秩特性和半正定特性来构建优化问题。通过求解该问题来恢复维度更高的完全增广协方差矩阵。最后对该矩阵进行奇异值分解,利用多重信号分类(Multiple Signal Classification,MUSIC)算法就可以获得多源的空间谱。本文最后通过数值仿真试验验证了所提算法可以实现高DOF的DOA估计,并且相比于现有算法,本文所提算法对欠定DOA估计的效果更好,多源DOA估计的精度更高,产生的误差更小。

改进的变分稀疏贝叶斯学习离格DOA估计方法

为提高阵列信号处理运算速率,改善其方位估计性能,提出了一种改进变分稀疏贝叶斯学习离格波达方向(direction-of-arrival, DOA)估计方法。该方法利用实值变换,将向量化后的接收信号协方差矩阵转化到实数域,结合变分稀疏贝叶斯学习和网格演化的思想,在迭代过程中使网格从初始的均匀网格自适应地演化为非均匀网格,通过网格更新和网格裂变交替迭代使演化后的网格点逐渐逼近真实信源方位。仿真结果表明,改进方法与传统压缩感知类方法相比,减小了运算量,提高了运算速率,且具有更高的方位估计精度和方位分辨能力,在少快拍和低信噪比情况下,改进方法性能提升的优势更明显。湖上试验数据处理结果进一步验证了该方法的有效性和工程实用性。

基于深度复数神经网络的雷达目标DOA估计算法

传统模型驱动的波达方向(direction of arrival, DOA)估计算法性能受限于有限的信号特征、快拍数、信噪比、信杂比等因素,在低信噪比、快拍数少的极端情况下,性能较差。为克服上述问题,提高在极端条件下的估计精度,文章提出基于深度复数神经网络(complex-valued neural networks, CVNN)的单快拍DOA估计算法,构建深度复数神经网络模型,学习原始带噪信号与理想无噪复信号之间的映射关系,进而实现噪声抑制和期望信号特征增强的目的,提高DOA估计精度。仿真实验结果表明,经CVNN增强后,数据的等效信噪比约提高了1 dB,等效快拍数提高了3,该文所提算法相较于已有的多种物理驱动算法而言,具有更高的估计精度和泛化性。

传感器位置误差下TDOA-DOA水下目标被动定位算法

针对水下目标被动定位中传感器位置误差带来的定位精度不高的问题,提出了一种基于两步最小二乘的到达时间差波达方向(time difference of arrival-direction of arrival,TDOA-DOA)目标定位算法。首先,构建TDOA-DOA理想化无误差模型,并利用最小二乘算法对目标位置进行粗估计。其次,考虑测量误差和传感器位置误差,构建目标定位误差和传感器位置的联合方程,并利用加权最小二乘求解。最后,利用目标定位误差对目标位置粗估计值进行修正,得到更精确的定位结果。仿真实验表明,所提算法可对目标位置和传感器位置进行联合估计,相较于已有算法具有更高的定位精度,更适用于传感器位置存在误差情况下的水下目标定位。

基于迭代收缩阈值算法的DOA估计方法

针对传统波达方向(Direction of Arrival, DOA)估计算法在低信噪比、小快拍的条件下估计精度不高的问题,提出了一种基于迭代收缩阈值算法的矢量水听器阵列多快拍DOA估计方法。首先,对空域进行等角度划分,构造超完备冗余字典,建立基于信号多快拍条件下的DOA估计模型,然后,采用迭代收缩阈值算法解决稀疏重构问题,求解出信号的稀疏系数矩阵,最后,将稀疏矩阵中行向量的范数映射到划分好的网格上,得到DOA估计值。仿真实验结果表明:该方法在低信噪比、小快拍条件下比OMP、 MUSIC和CBF等传统算法拥有更高的DOA估计精度和更强的鲁棒性。

基于压缩感知的阵元位置无源校准及DOA估计

文章针对阵元位置误差导致水听器阵列性能恶化的问题,提出一种适用于均匀线阵列的阵元位置无源校准方法。该方法综合远场阵列模型和宽带信号空间谱的特性,利用压缩感知技术,将阵元实际位置估计问题转化为稀疏信号的重建,建立了阵元位置误差模型,构建了相应的优化函数,并采用正交匹配追踪(Orthogonal Matching Pursuit,OMP)算法解算阵元实际位置。计算机仿真验证表明,基于压缩感知的方法能有效改善阵元位置误差造成的空间谱估计失效问题,可为目标方位角(Direction of Arrival,DOA)估计提供有效的技术支撑。

DOA estimation of high-dimensional signals based on Krylov subspace and weighted l_(1)-norm

With the extensive application of large-scale array antennas,the increasing number of array elements leads to the increasing dimension of received signals,making it difficult to meet the real-time requirement of direction of arrival(DOA)estimation due to the computational complexity of algorithms.Traditional subspace algorithms require estimation of the covariance matrix,which has high computational complexity and is prone to producing spurious peaks.In order to reduce the computational complexity of DOA estimation algorithms and improve their estimation accuracy under large array elements,this paper proposes a DOA estimation method based on Krylov subspace and weighted l_(1)-norm.The method uses the multistage Wiener filter(MSWF)iteration to solve the basis of the Krylov subspace as an estimate of the signal subspace,further uses the measurement matrix to reduce the dimensionality of the signal subspace observation,constructs a weighted matrix,and combines the sparse reconstruction to establish a convex optimization function based on the residual sum of squares and weighted l_(1)-norm to solve the target DOA.Simulation results show that the proposed method has high resolution under large array conditions,effectively suppresses spurious peaks,reduces computational complexity,and has good robustness for low signal to noise ratio(SNR)environment.

低快拍下混合信号DOA快速估计算法

实时定位移动设备在电子对抗系统中至关重要,其性能主要取决于波达角(direction of arrival,DOA)的估计速度。低快拍是快速DOA估计的先决条件。目前基于稀疏重构算法的DOA估计具有适应低快拍的优势,但估计精度受限于初始观测矩阵,且估计速度受限于观测矩阵高维度的多次迭代。为此,提出一种空间差分矩阵和稀疏重构耦合的低快拍下高精度快速估计算法。首先利用空间差分矩阵消除非相干信号和噪声对相干信号估计结果的影响,提升初始观测矩阵的准确度;然后对完备字典做前后空间平滑处理,克服高维度信号处理复杂难题,实现快速估计;最后分别估计非相干信号和相干信号。仿真验证结果表明,相比稀疏重构方法,所提方案初值敏感度显著降低,在保障精度相当甚至小幅度提升的前提下,运行时间复杂度降低50%以上。

基于L型阵的相干信号二维DOA估计方法

文中提出一种二维空间相干信号波达方向(Direction of Arrival,DOA)估计方法。该方法首先对L形阵接收数据协方差矩阵进行共轭重构,将原协方差矩阵的平方与重构矩阵的平方相加后求均值,得到新协方差矩阵。然后采用前后向空间平滑技术对新协方差矩阵进行预处理,最后通过Root-MUSIC算法进行DOA估计。仿真实验和湖试数据分析结果表明,与常规方法相比,文中方法避免了谱峰搜索,减小了计算量,提高了相干信号DOA估计的分辨成功概率和估计精度,具有较高的工程应用价值。

宽带相干信号DOA和极化参数联合估计方法

针对宽带相干信号下波达角和极化参数的联合估计问题,提出了一种低复杂度的参数估计方法。首先,通过轴向虚拟平移对圆阵接收信号进行平滑,而后对平滑后的自相关矩阵进行聚焦。之后,联合聚焦后的自协方差矩阵和平滑后的互协方差矩阵构造极化波达方向矩阵。然后,通过该矩阵的特征值和特征向量,经闭合式求解出入射信号的波达角和极化参数。所提算法实现了估计参数的自动配对,无需谱峰搜索,计算量小,且仅需3个阵元即可实现参数估计,能够节约硬件资源。仿真实验从复杂度、有效性和稳健性3个方面验证了所提算法的可行性。

最优冗余线阵欠定信号双重构DOA估计方法

针对最小冗余线阵难以用于阵列设计的问题,设计了一种性能相近的最优冗余线阵,为实现相应阵列的欠定信号到达角(direction of arrival,DOA)估计,又提出了一种基于两次重构的快速协方差向量稀疏表示方法。该方法利用凸优化中最优解条件,实现了Toeplitz协方差矩阵的快速高精度重构,进而基于构造的协方差向量稀疏表示模型,实现了欠定信号DOA估计。仿真结果证明,最优冗余线阵相较于其他稀疏线阵,耦合影响更低,测向精度更高,所提算法较同类算法DOA估计精度更高。

基于酉重构子空间的一维DOA估计

针对多重信号分类(multiple signal classification, MUSIC)算法在低阵元数目、低信噪比和小节拍数等非理想条件下,对入射间隔较小的信号波达方向(direction of arrival,DOA)估计有效性的问题,提出了改进的基于酉重构子空间的MUSIC算法。该算法首先利用酉变换将均匀线阵接收数据实数化,然后根据子空间特征向量的大小,重新构造子空间和校正矩阵得到新的空间谱函数,最后与信号子空间投影算法联合,实现DOA估计。仿真结果表明,与传统MUSIC算法和SSP算法相比,所提算法在低阵元数目、低信噪比和小节拍条件下具有更好的分辨率。