一种基于迭代自适应的离网格DOA估计方法

针对真实信源位置与字典网格不匹配导致波达角估计(DOA)误差过大的问题,该文提出一种基于修正迭代自适应(IAA)功率谱算法的离网格(Off-Grid)DOA估计方法(OGIAA)。该方法首先通过修正IAA方法得到信号功率谱,读出功率峰值的对应网格角度作为粗估计结果,再利用平方误差代价函数,将代价函数2阶泰勒展开并最小化得到初始偏移量,最后交替优化功率分量和偏移量,实现高精度的离网格DOA估计。理论分析和仿真结果表明,该方法实现过程简单,无正则化参数影响,能准确估计出偏移网格的信源角度,在高阵列自由度的非均匀阵列上也同样具备高估计精度。

参数字典动态更新的SOMP离网格直接定位方法

在网格直接定位方法的精度依赖于网格划分的精细程度,传统离网格方法缓解了对网格划分的依赖,但是仍然存在补偿精度低、算法复杂度过高的问题。针对这些问题,本文提出了一种参数字典动态更新的SOMP(Simultaneous Orthogonal Matching Pursuit)离网格直接定位方法。首先,利用子空间适应的方法对初始信号进行降噪处理,对二维空间进行粗网格的划分。其次,引入网格量化误差,不同于JSOMP(Joint Simultaneous Orthogonal Matching Pursuit)方法迭代后结算补偿值的方式,该方法在迭代的过程中使用泰勒补偿对每一次匹配相关度最高的网格点进行单源补偿,更新原有字典矩阵参数,从而得到较为理想的字典矩阵。仿真结果表明,本文所提算法能够有效克服网格失配的问题,得到精准的信源位置估计结果,相比于JSOMP、OG-SBI(Off-Grid Sparse Bayesian Inference)、MUSIC-Taylor(Multiple Signal Classification Based on Taylor Compensation)离网格方法,本文所提方法的运算速度更快、定位精度更高。

离网格压缩匹配场处理

水声被动目标定位在海洋资源勘探、水下探测、海上安全监测等任务中有着重要应用,是水声领域最重要的课题之一。已有的经典方法如匹配场处理和压缩匹配场处理等,能够在预先划分好的距离-深度网格点上进行源定位,但是实际情况中的目标源会偏离网格点,导致此类方法的性能下降;且在压缩匹配场处理中,离网格源可能导致多个稀疏解对应单个源,呈现出多峰值模糊问题。针对该问题,考虑到由于水下相邻位置处的信道冲激响应极为相似,本文基于任意离网格位置的信道冲激响应可被周围网格点处的拷贝场向量近似拟合这一特性,建立了一种面向水下目标定位的群稀疏信号模型,并提出了相应的离网格压缩匹配场处理方法,通过恢复的稀疏信号计算出网格点处的插值系数对离网格源进行高精度定位。实验表明,在双源定位任务中,离网格压缩匹配场处理的定位性能优于传统的匹配场处理和压缩匹配场处理方法。当网格的距离间隔为0.05 km、深度间隔为10 m时,在信噪比大于−5 dB的条件下,离网格压缩匹配场处理的双源平均测距误差与压缩匹配场处理相比降低了250 m以上。

基于离网格结合粒子群算法的稀疏阵列综合

针对大型稀疏阵列未知期望方向图的综合问题,提出了一种基于离网格结合粒子群算法的方法综合稀布阵列单元位置以使增益最大化.该方法在粒子群算法的基础上,再次在网格单元中进行梯度寻优,能快速找到增益最大时对应的阵元位置且无需已知期望方向图.该算法对稀疏阵列综合效果良好,增益提升显著且扫描过程中栅瓣抑制良好.通过对综合结果进行HFSS全波仿真对比,数值仿真结果与综合结果基本一致,证明了该方法的正确性.

基于协方差矩阵重构的离网格DOA估计方法

针对稀疏表示模型中网格失配导致波达方向角(DOA)估计存在较大估计误差的问题,该文提出一种基于协方差矩阵重构的离网格(Off-Grid)DOA估计方法(OGCMR)。首先,将DOA与网格点之间偏移量包含进所构建接收数据空域离散稀疏表示模型;而后基于重构信号协方差矩阵建立关于DOA估计的稀疏表示凸优化问题;再构建采样协方差矩阵估计误差凸模型,并将此凸集显式包含进稀疏表示模型以改善稀疏信号重构性能;最后采用交替迭代方法求解所得联合优化问题以获得网格偏移参数及离网格DOA估计。数值仿真表明,与传统多重信号分类(MUSIC)、L1-SVD及基于稀疏和低秩恢复的稳健MVDR(SLRD-RMVDR)等估计算法相比,所提算法具有较好的角度分辨力以及较高的DOA估计精度。

阵列互耦情况下基于稀疏贝叶斯学习的离网格DOA估计

针对实际声呐基阵水听器阵元间存在互耦导致阵列波达方向(direction of arrival,DOA)估计性能下降的问题,提出了一种阵列不确定互耦情况下的波达方向估计方法。基于稀疏贝叶斯学习(sparse Bayesian learning,SBL)模型,将空间域离散化为均匀的网格,并且引入离网格误差,针对阵元互耦,引入互耦系数向量;确定离网格误差和互耦系数向量的先验分布;使用贝叶斯学习的期望最大化算法,对未知参数进行迭代更新,得到目标空间谱。仿真结果表明,所提方法在阵元未知互耦较大情况下估计精度较高,多目标分辨能力较强。

基于稀疏贝叶斯学习的超材料孔径计算微波成像系统离网格成像方法

基于超材料孔径的计算微波成像可以看作微波压缩感知成像。这种成像方式的成像效果受网格失配误差的严重影响。该文针对超材料孔径计算微波成像系统对2维场景的重构过程进行分析,构建了一种基于Sinc插值函数的2维离网格(Off-grid)观测模型,并在此基础上提出一种基于稀疏贝叶斯学习的Sinc插值离网格成像方法(OGSISBL)。在期望最大化算法的框架下,恢复散射体回波的幅值和位置,同时校准网格失配误差。通过对超材料孔径计算微波成像系统的仿真数据进行成像处理验证所提算法的性能,结果表明所提算法具有很强的鲁棒性。

基于扰动的结合Off-grid目标的层析SAR三维成像方法

层析合成孔径雷达(TomoSAR)通过组合在不同高度上获取的多基线二维SAR数据,实现合成孔径雷达的三维成像。TomoSAR的求解本质是一维谱估计问题,基于压缩感知的方法可以在非均匀分布的少量基线观测下实现求解,逐渐成为了主流的成像方式。在经典的压缩感知算法流程中,需要将连续的高程向划分成固定的网格,并且假定目标正好位于所划分的网格上。然而该假设通常难以成立,从而引起"基失配"问题,目前该问题在TomoSAR中很少被讨论。该文首先讨论了目标不在网格(Off-grid)上的TomoSAR观测模型,提出了采用加性扰动项来修正目标偏离网格所带来影响的求解模型。在此基础之上,引入局部优化算法与L;范数最小化结合的方法,求解所提出的Off-grid TomoSAR模型。最后,利用仿真数据和机载阵列干涉SAR实际飞行数据进行了验证,结果表明,对于Off-grid目标,该方法能够得到比基于L;范数最小化的经典方法更准确的位置、幅度和相位求解结果,证明了方法的优越性。