基于压缩感知的空域信号DOA估计研究毕业论文.pdf

《基于压缩感知的空域信号DOA估计研究毕业论文.pdf》由会员分享，可在线阅读，更多相关《基于压缩感知的空域信号DOA估计研究毕业论文.pdf（75页珍藏版）》请在三一文库上搜索。

1、 代号代号 分 类 号分 类 号 学号学号 密级密级 10701 TN911.7 公开公开 1010120892 题题（中中、英文英文）目目 基于压缩感知的空域信号基于压缩感知的空域信号 DOA 估计研究估计研究 DOA Estimation Based on Compressive Sensing 作 者 姓 名作 者 姓 名 郭月强郭月强 陈建春陈建春 教授教授 工工学学 提交论文日期提交论文日期 二二一三一三年一月年一月 信号与信息处理信号与信息处理 指导教师姓名指导教师姓名、职称职称 学 科 门 类学 科 门 类 学科学科、专业专业 摘要 压缩感知理论技术是数学界最近几年提出来的一种关

2、于稀疏信号的采集与重 建的理论， 它突破了传统奈奎斯特采样频率的限制， 对于稀疏的或可压缩的信号， 当压缩感知矩阵符合一定的条件时，就可以用远少于传统奈奎斯特采样定理所需 要的采样数据，精确地恢复出原始信号或者估计出原始信号的相关参数。压缩感 知理论现在已经成为信号处理领域中一个新的研究热点，因此，本论文将压缩感 知理论应用于空间信号的 DOA 估计问题的研究中， 以克服传统 DOA 估计算法中 的一些不足。 本论文主要对阵列信号处理技术中传统的 DOA 估计算法，压缩感知理论和 稀疏信号重构算法进行了研究。首先，给出了远场窄带信号的一般数学模型，对 传统的 DOA 估计算法进行了回顾，主要包

3、括延迟相加法、Capon 最小方差方 法、MUSIC 算法、ESPRIT 算法、最大似然法和综合法，重点介绍了子空间分解 类算法：MUSIC 和 ESPRIT 算法。其次，研究了压缩感知理论的基本原理和基本 框架，主要包括时空域下的稀疏信号表示形式和变换域下的稀疏信号表示形式， 投影测量矩阵的设计和稀疏信号的重构算法；研究了稀疏信号重构的条件，详细 介绍了约束等距条件(RIP)、不一致性条件(MIP)以及二者之间的关系。最后，分 析了阵列接收信号的空域稀疏表示形式，介绍了稀疏信号重构算法 L1-SVD 和 MFOCUSS。 为了解决传统的 DOA 估计算法无法用于相干信号源以及 MFOCUSS

4、 算法不适用于低信噪比的情况，提出了一种新的基于压缩感知的 DOA 估计算法， SVD-MFOCUSS 算法。SVD-MFOCUSS 算法是对 MFOCUSS 算法的改进，其本 质上是采用奇异值分解进行信号降维和能量积累，改善了传统稀疏信号恢复算法 的应用范围，能在低信噪比情况下使用，且显著降低了计算量。 关键词：DOA 估计 压缩感知 稀疏表示 RIP MIP MFOCUSS Abstract The theory of Compressive Sensing (CS) is a new theory on sparse signal acquisition and reconstructi

5、on, which breaks through the limits of traditional Nyquist sampling theorem. CS theory states that one can recover certain signals or estimate their parameters from far fewer samples than traditional methods use, when the signals are sparse or compressible. Compressed sensing theory has become a new

6、 hotspot in signal processing field. In this thesis, the compression sensing theory is applied to the signal source DOA estimation, to overcome some of the shortcomings in the traditional DOA estimation algorithm. In this thesis, the traditional DOA estimation algorithms about array signal processin

7、g technology, the compressed sensing theory and the sparse signal reconstruction algorithms are studied. First of all, the general mathematics model of far field narrowband signal is given, and the traditional DOA estimation algorithms are reviewed. Including Beamforming method, Capon method, MUSIC

8、method, ESPRIT method, maximum likelihood method and comprehensive method. But the MUSIC and ESPRIT are mainly introduced. Secondly, the basic principle and framework of the compressed sensing theory are researched, and the sparse signal reconstruction conditions, Including Restricted Isometry Prope

9、rty, Mutual Incoherence Property and the relationship between the RIP and MIP, are detailed introduction. Thirdly, the airspace sparse representation of the signals array-received, L1-SVD algorithm and MFOCUSS algorithm are researched. Finally, the SVD-MFOCUSS algorithm is put forward. SVD-MFOCUSS a

10、lgorithm is the improvement of MFOCUSS algorithm, its essence is the signal dimensionality reduction and energy accumulation of singular value decomposition. It improves the application range of the traditional sparse signal recovery algorithm, can be used in the condition of low SNR, and significan

11、tly reduce the amount of computation. Keywords: DOA estimation Compressive Sensing Sparsity Representation RIP MIP MFOCUSS 目录目录 第一章 绪论1 1.1 课题研究背景和意义.1 1.2 DOA 估计的研究与发展现状.2 1.3 基于压缩感知原理的 DOA 估计的研究现状3 1.4 本论文的主要研究工作和内容安排3 第二章 DOA 估计的基本原理和方法5 2.1 DOA 估计中的阵列信号假设及其数学模型5 2.2 DOA 估计的原理8 2.3 DOA 估计的传统方法 9

12、2.3.1 延迟相加法.9 2.3.2 延迟相加法仿真结果及分析10 2.3.3 Capon 最小方差法.12 2.3.4 Capon 最小方差法仿真结果及分析13 2.4 DOA 估计的子空间方法.14 2.4.1 MUSIC 算法 15 2.4.2 ESPRIT 算法16 2.4.3 MUSIC 算法仿真结果及分析 .20 2.5 DOA 估计的其他方法 21 2.5.1 最大似然法.22 2.5.2 DOA 估计综合法.22 2.6 本章小结 22 第三章 压缩感知原理.25 3.1 压缩感知理论的研究现状与发展趋势25 3.2 压缩感知理论下的稀疏信号26 3.2.1 时空域下的稀疏信

13、号27 3.2.2 变换域下的稀疏信号28 3.3 压缩感知的基本理论.29 3.3.1 信号的稀疏表示.30 3.3.2 投影测量矩阵的设计30 3.3.3 稀疏信号的重构算法31 3.4 稀疏信号重构的条件.32 3.4.1 约束等距性条件分析32 3.4.2 不一致性条件分析33 3.4.3 约束等距性与不一致性的关系34 3.5 本章小结.34 第四章 基于压缩感知的 DOA 估计算法和仿真37 4.1 阵列接收信号的空域稀疏表示37 4.2 稀疏信号的重构算法.39 4.2.1 L1-SVD 类算法39 4.2.2 MFOCUSS 类算法.40 4.3 MFOCUSS 算法的改进SV

14、D-MFOCUSS 算法 .42 4.3.1 稀疏信号模型的降维表示42 4.3.2 稀疏信号模型优化求解42 4.3.3 SVD-MFOCUSS 算法求解步骤 43 4.3.4 SVD-MFOCUSS 算法性能分析 43 4.4 仿真实验分析.45 4.5 本章小结.56 第五章 结论57 5.1 本论文总结.57 5.2 工作展望.57 致谢59 参考文献61 研究生期间参加科研及论文发表情况65 第一章 绪论 1 第一章 绪论 1.1 课题研究背景和意义 信号处理理论的应用范围十分广泛，涉及到雷达、导航、声纳、通信、射电 天文、医疗诊断等多种领域。信号处理所包含的内容极其丰富，例如从被干

15、扰和 噪声污染的信号的接收数据中恢复出原来的信号；或者将混在信号中的干扰和噪 声去除；或者把原始信号变换成另一种信号形式。无论以什么样的方式对信号做 处理，其基本原则是尽可能的少丢失或不丢失信息。信息总是包含在信号的外部 特征和内部特征参数之中，因此对信号的特征参数进行有效的检测和精确的估计 是信号处理中最为重要的内容。 信号处理在早期主要集中于时域一维信号的处理， 例如时域信号的频谱分析和估计； 之后逐渐发展为对二维和多维时域信号的处理， 例如数字图像信号处理、时频域二维信号处理、时空域二维信号处理等。伴随着 信号处理理论的发展和信号处理的应用领域的不断扩展，对空域信号的处理变得 越来越重要

16、。因为对空间信号的目标检测和参数估计的要求越来越高，阵列信号 处理作为空间信号处理的主要手段，它的发展也变得极为迅速。阵列信号处理是 指将多个传感器放置在空间中不同的位置，以组成感知阵列，用感知阵列接收来 自于空间的信号，并对接收到的信号做一系列的处理。对阵列接收信号进行处理 是为了放大预期的信号，同时消除干扰与噪声，并提取预期信号所包含的特征及 信息。同早期的只有一个传感器的情况相比，由多个传感器组成的感知阵列可以 灵活地控制波束，具有较高的增益倍数，较强的干扰、噪声抑制能力，和超高的 角度分辨率等一系列的优点。特别是近几年来，有关阵列信号处理方面的理论取 得了重大的突破，涌现出了很多具有高

17、性能和高效率的算法。 波束形成是阵列信号处理技术的主要内容之一，它通过对阵列接收天线添加 权值，保证方向图在预期信号的方向上增益不变的同时，使得系统的总输出功率 达到最小。自适应波束形成算法可以根据信号环境的变化，自适应的调整各个阵 元上的加权因子，从而达到增强信号，并同时抑制干扰的目的。阵列信号处理中 另一个关键的技术是波达方向（Direction of Arrival, DOA）估计。DOA 估计，又 称为谱估计（spectral estimation）或波达角（Angle Of Arrival）估计。 空间信号谱估计方法是目前较为先进的 DOA 估计算法。以 MUSIC 算法和 ESPR

18、IT 算法为代表的子空间类算法，使得测向定位技术有了质的飞跃，做到了 超分辨力测向定位。MUSIC 与 ESPRIT 等经典谱估计算法，主要是利用阵列接收 数据的统计特性来估计空间信号的位置。因此，这些算法都需要利用大量的采样 2 基于压缩感知的空域信号 DOA 估计研究 数据才能够实现对目标 DOA 方向的精确估计。然而，现代化的雷达等信号源大 都使用了捷变频的技术，这样就使获得大量拥有相同的统计特性的采样数据变的 非常困难。另外，MUSIC 算法和 ESPRIT 算法均对噪声比较敏感，要求采样数据 的信噪比必须要高， 这就使得这一类算法在实际的应用过程中遇到了很大的困难。 近几年来，由应用

19、数学领域提出的压缩感知(Compressive Sensing, CS)理论， 得到了进一步的发展并日益完善，它为我们提供了一种新的有关信号采集与参数 估计的思路，可以以远少于传统奈奎斯特采样定理所需要的采样数据，精确地恢 复原始信号或者估计出相应的信号参数。因此，将压缩感知理论应用到空间信号 的 DOA 估计当中，可以有效地解决传统的空间谱估计方法本身所具有的缺陷。 1.2 DOA 估计的研究与发展现状 波束形成算法(CBF)1是最早的一种基于阵列天线的空间谱估计方法。 这种谱 估法方法是时域傅里方法在空域中的扩展形式，即采用空间感知阵元的接收数据 来替代时域处理中的时间采样数据。这种方法虽

20、然处理起来比较简单，但是会受 到空间阵列“傅里叶限”的制约。空间阵列的“傅里叶限”也就是阵列天线实际 的物理孔径大小限制，常称之为“瑞利限” 。换句话说就是，这种算法对于处在同 一个天线波束中的空间信号是不可分辨的。所以，对于提高空间分辨力的最为简 单有效的办法就是增加阵列天线的物理孔径，这等效于间接的减小了天线的波束 宽度，最终达到提高空间分辨率的目的。但是，对于许多实际的应用环境而言， 增加天线的物理孔径是不现实的，因此就需要有更好的算法来提高空间分辨率。 时间信号的频率估计和空间信号的方向估计十分近似，因此许多时域非线性 谱估计方法被推广成为空域信号的方向估计方法，这就是我们经常说的高分

21、辨率 空间谱估计方法。 自上世纪 70 年代以来， 具有高分辨率的空间谱估计方法主要有： Pisarenko 谐波分析方法2、Burg 最大熵方法(MEM)3、Capon 最小方差方法 (MVM)4等。其中，基于 AR、ARMA 及 MA 的谱估计方法，都假设信号的频谱 为连续谱，对应到空间信号处理之中就是假设信号目标在空间中是连续分布的， 信号是空间平稳的随机过程。不过这样的假设在大多数空间谱估计中不能成立， 因此，这些空间谱估计处理方法具有一定的局限性。 自上世纪 70 年代末以来， 空间谱估计方面现出了大量的研究成果， 其中以美 国的 Schmidt R O 等人5提出的以 MUSIC

22、算法为代表的子空间类算法最为突出。 子空间类算法按照处理方式的不同可以分成两类：一种是以 MUSIC 算法为代表 的噪声子空间类算法，另一种是以 ESPRIT 算法为代表的信号子空间类算法。子 空间类算法有一个共同的特点，就是对阵列天线接收到的数据进行数学分解（如 奇异值分解、特征值分解和 QR 分解等） ， 将数据分解成两个互相正交的特征子空 第一章 绪论 3 间：一个是信号子空间，另一个是噪声子空间。子空间类算法根据这两个子空间 之间相互正交的特性，构造出了具有“针状”谱峰的空间谱，从而提高了空间谱 估计的分辨率。现在的一些超分辨率空间谱估计方法往往都延续了这两种算法的 思想， 例如求根M

23、USIC算法67、 解相干的MUSIC算法811以及ESPRIT算法1213 等。 从上世纪 80 年代末开始， 学者们又提出了一类基于子空间拟合的空间谱估计 算法，其中最具代表性的算法为：最大似然算法(ML)14，加权子空间拟合算法 (WSF)15和多维 MUSIC 算法16等。1988 年，Ziskind L 和 MAX M 首先将最大似 然参数估计的方法应用于空间目标的 DOA 估计之中，但是由于目标似然函数是 一个非线性的函数，要求其最优解就必须要对解空间做多维的搜索，其运算量是 非常大的。Wax 提出了用交替投影算法(AP)来求解目标似然函数的方法来得到最 优解，这在很大程度上减少了

24、算法的计算量，但是 AP 算法只能得到局部的最优 解，它不能保证最终得到的解是全局最优解17。WSF 类算法按照子空间的特性同 样可以分成两类：一种是基于噪声子空间的拟合算法18，另一种是基于信号子空 间的拟合算法15。 1.3 基于压缩感知原理的 DOA 估计的研究现状 随着 CS 理论的不断发展和完善， 其在阵列信号 DOA 估计方面的应用也不断 增多1925，并且表现出了比传统的 DOA 估计方法更为优秀的性能。D Malioutov 和 M Cetin 等人1920， 从 2002 年就开始将稀疏信号恢复的思想应用到阵列信号的 DOA 估计问题之中，通过对空域角度离散化来建立稀疏信号重

25、建的模型，应用二 阶锥规划方法(SOC)来求解相应的最优化问题，并通过空域角度细分来获得较高 的角度分辨率。近几年来，也有一部分学者尝试着将压缩感知理论和稀疏信号重 建理论应用到由传感器组成的网络当中，试图去解决分布式空间信号的 DOA 估 计问题。例如 D Model 等人21应用信号的时间稀疏特性和空间稀疏特性来构造需 要重构的信号的目标函数，这类算法可以在较低的信噪比下精确地重构原信号。 总的来说，现阶段对于将压缩感知原理应用到 DOA 估计问题中的研究仍然处在 不断探索的阶段。目前，基本上只是简单的将压缩感知原理套用在 DOA 估计的 问题当中，并没有对 DOA 估计问题和压缩感知原理

26、之间的关系进行深入的研究。 1.4 本论文的主要研究工作和内容安排 本论文主要研究将压缩感知理论应用于信号源 DOA 估计问题之中，通过构 建合理的信号稀疏化模型，实现信号源 DOA 的精确估计。详细介绍了传统 DOA 4 基于压缩感知的空域信号 DOA 估计研究 估计的基本理论与方法、 压缩感知的基本理论以及一些基本的稀疏信号重构算法， 最后对多测量欠定系统聚焦求解算法（MFOCUSS）做了进一步的改进，并对改 进后的算法进行了仿真分析。 全文内容安排如下： 第一章为绪论，简要介绍了空间信号 DOA 估计的意义，概述了 DOA 估计、 压缩感知理论和基于压缩感知理论的DOA估计在国内外的研究

27、现状与发展趋势， 并说明了本论文的主要工作内容和创新之处。 第二章为 DOA 估计的基本原理与方法，介绍了波达方向估计（DOA）的一 些经典算法：传统法、子空间法、最大似然法和特性恢复和子空间法的综合法。 重点介绍了 MUSIC 算法和 ESPRIT 算法，并对这些算法做了仿真分析。 第三章主要介绍压缩感知理论的基本原理以及信号 DOA 估计问题在压缩感 知理论框架下的数学描述。首先介绍了压缩感知理论的研究现状与发展趋势；其 次介绍了压缩感知理论的基本原理和理论框架， 主要分析了信号的稀疏表示形式、 投影测量矩阵的设计以及稀疏信号的重构算法； 最后介绍了稀疏信号重构的条件， 主要分析了约束等距

28、性条件（RIP） ，不一致性条件（MIP）以及这两者之间的关 系。 第四章分析了阵列接收信号的空域稀疏表示形式，介绍了稀疏信号重构算法 L1-SVD 和 MFOCUSS，对传统的 DOA 估计算法以及基于 L1-SVD 和 MFOCUSS 的 DOA 估计算法做了仿真实验分析。 提出了一种新的基于 CS 的 DOA 估计算法： SVD-MFOCUSS 算法。SVD-MFOCUSS 算法是对 MFOCUSS 算法的改进，其本 质是采用奇异值分解进行信号降维和能量积累，改善了传统稀疏信号恢复算法的 应用范围，能在低信噪比情况下使用，且显著降低了计算量。 第五章为全文总结与工作展望。 第二章 DOA

29、 估计的基本原理和方法 5 第二章 DOA 估计的基本原理和方法 本章主要介绍波达方向估计（DOA）的一些经典算法：传统法、子空间法、 最大似然法和特性恢复与子空间法相结合的综合法。传统法是基于波束形成的方 法，它需要有大量的阵元才能得到高分辨率。子空间算法利用了输入数据矩阵的 结构特征，是具有高分辨率的次最优方法。最大似然估计法是最优的方法，即使 是在信噪比很低的环境下也具有良好的性能，但是通常计算量很大。综合法首先 利用特征恢复方案区分多个信号，估计空间特征，进而采用子空间法确定波达方 向。 2.1 DOA 估计中的阵列信号假设及其数学模型 本论文中讨论的 DOA 估计均是指基于线形阵列的

30、 DOA 估计。整个 DOA 估 计系统由三部分组成，分别是目标空间、观察空间和估计空间。也就是说 DOA 估计系统由这三个空间构成，其框图如图 2.1 所示： 图 2.1 DOA 估计的系统框图 由图 2.1 可以看到，估计空间是对目标空间的一个重构过程，这个重构过程 由很多因素决定，例如环境的复杂性、空间阵元的互耦性、通道的不一致性和频 带的不一致性等。 本论文在讨论传统的波达方向估计算法之前，为了分析和推导的方便，首先 给出以下几点假设： （1）信号源均为远场窄带信号，即阵列处于信号源的远场中，信号具有相同 的中心频率，且到达阵列时可将其看成平行的平面波； （2） 组成阵列的各传感器均为

31、各向同性阵元， 即阵元的接收特性与其尺寸大 小无关，仅与其所在的位置有关，且阵元之间无互耦及通道不一致性的干扰； （3）阵元间距不大于待测信号源中最高频率的信号波长的二分之一； 6 基于压缩感知的空域信号 DOA 估计研究 （4）信号源个数小于阵元的数目，以确保阵列流形矩阵的各列线性独立； （5）各阵元间的噪声相互独立，噪声序列为一零均值高斯过程，噪声与信号 相互独立。 考虑N个远场窄带信号入射到某空间阵列天线上， 其中天线共由M个阵元构 成，这里假设阵元个数与通道个数相同，即各阵元的接收信号经由各自的信号通 道传送至处理器。 在信号源为窄带信号的假设下，信号源的复包络形式为： 0 0 ( )

32、 ()() ( )( ) ()() i i jtt ii jtt ii s tu t e s tu te （2-1） 式（2-1）中，)(tui为信号振幅，( ) t为信号相位， 0 为信号频率，是信号延迟。 在信号源为远场窄带信号的假设下，有 ()( ) ()( ) ii ii u tu t tt （2-2） 由式（2-1）和式（2-2） ，可得下式成立： Nietsts j ii , 2 , 1)()( 0 （2-3） 第l个阵元的接收信号为 1 ()( )1,2, N lli ilil i xg s tn tlM （2-4） 式（2-4）中， li g 为第l个阵元对于第i个信号的放大倍

33、数，)(tnl为第l个阵元在t 时刻接收的噪声， li 为第i个信号到达第l个阵元时同参考阵元之间的延迟。将式 （2-3）代入式（2-4）可得 0 1 ( )( )1,2, li N j lli il i xg s t en tlM （2-5） 将M个阵元在某一时刻t接收到的信号排成列矢量，可得 0 110 120 1 0 210 220 2 01020 111 11121 222 21222 12 ( )( )( ) ( )( )( ) ( )( )( ) N N MMMN jjj N jjj N jjj NMM MMMN s tx tn tg eg eg e s tx tn tg eg e

34、ge stxtntgegege （2-6） 由于我们已假设阵列中的每一个阵元都是各向同性的，因此式(2-6)中的信号放大 倍数 li g 可以归一化为 1。在这样的假设下，式(2-6)可简化为 第二章 DOA 估计的基本原理和方法 7 0 110 120 1 0 210 220 2 01020 111 222 ( )( )( ) ( )( )( ) ( )( )( ) N N MMMN jjj jjj jjj NMM s tx tn teee s tx tn teee stxtnteee （2-7） 将式（2-7）写为矢量形式，可得： ( )( )( )XASNttt （2-8） 式 （2-8

35、） 中，( ) tX为1M维阵列接收数据矢量， 为一个快拍接收数据，( ) tN为1M 维的阵列接收噪声矢量，( ) tS为目标信号的1N维数据矢量，A为NM 维的阵 列流形矩阵（导向矢量矩阵） ，并且 10200 ()()()Aaaa N （2-9） 式（2-9）中，导向矢量 0 1 0 2 0 0 ()1,2, a i i Mi j j i j e e iN e （2-10） 式（2-10）中， c 2 0 ，c为光速，为信号的波长。 根据以上的推导可以知道，只要确定了阵列各阵元之间的延迟，就可以很 容易地得出一个特定阵列天线的阵列流形矩阵。以下将推导空间阵元间的延迟表 达式。取空间中的任

36、意两个阵元，将其中一个阵元作为参考阵元（位于原点） ， 另一个阵的位置为),(zyx，两个阵元几何关系如图 2.2 所示，图中的“”代表 阵元。 x y z 入射信号 图 2.2 空间任意两阵元间的几何关系 8 基于压缩感知的空域信号 DOA 估计研究 根据图 2.2 的几何关系，可以推导出两个阵元间的接收信号的延迟为 )sincossincoscos( 1 zyx c （2-11） 对应于线阵的情况，以原点作为参考点，设线阵阵元的位置为), 2 , 1(Mkxk， 入射角参数为信号源的方位角（信源方向和线阵法线的夹角） ，则有 1 (sin ) kk x c （2-12） 综上所述，由式（2

37、-7）和式（2-12）可以确定在均匀线阵下信号源 DOA 估 计的数学模型。 2.2 DOA 估计的原理 对于远场窄带信号来说，同一个信号到达阵列中不同的阵元时会存在一个延 迟，这个延迟导致阵列的各个接收阵元之间存在一个相位差，根据各个阵元相互 之间的相位差就可以对信号进行 DOA 估计。 d 图 2.3 DOA 估计原理图 如图 2.3 所示， 考虑空间中的两个阵元，d为两个阵元之间的距离，c为光速， 为远场窄带信号相对于阵列天线的入射角度，两个阵元之间所接收信号的延迟 为 c d sin （2-13） 因此，两个阵元之间的相位差可以表示为 0 sinsin 2 dd f cf （2-14）

38、 式（2-14）中， 0 f 是中心频率，为信号的波长。对于远场窄带信号来说，可以 认为相位差为 第二章 DOA 估计的基本原理和方法 9 sin 2 d （2-15） 所以，只要知道了各阵元之间的相位差，根据式（2-15）就可以估计出信号的方 位，这就是 DOA 估计技术的基本原理。 2.3 DOA 估计的传统方法 传统的波达方向估计方法是基于波束形成和零波导引概念的，并没有利用接 收信号向量的模型（或信号和噪声的统计特性） 。知道阵列流形以后，可以对阵列 进行电子导引，利用电子导引可以把波束调整到任意方向上，从而寻找输出功率 的峰值。这种方法需要用大量的阵元才能得到高分辨率，其中比较典型的

39、两种算 法为：延迟相加法（也称为经典波束形成器法）和 Capon 最小方差法。 2.3.1 延迟相加法 延迟相加法，又称为经典波束形成器法，是最简单的一种 DOA 估计方法。 图 2.4 是延迟相加法结构（波束形成器结构）的模型图： 1 w 2 w M w 1( ) x t 2( ) x t ( ) M xt ( )y t 图 2.4 延迟相加法结构模型 其中 12 ( )( ),( ),( )T M tx tx txtx是阵列接收信号向量， 12 ,T M w www是加权 向量，)(ty是输出信号，它等于传感器阵元输出的线性加权和，三者满足如下关 系： ( )( ) w x H y tt

40、（2-16） 波束形成器的输出功率P可以表示为： 2 2 ( )( )( )( ) w xwxxww R w HHHH xx PEy tEtEtt （2-17） 上式中，Rxx为阵列输入数据的自相关矩阵。Rxx包含了阵列响应向量和信号自身 10 基于压缩感知的空域信号 DOA 估计研究 的统计信息，由Rxx可以估计出信号的相关参数。 假设一个信号)(ts以角度入射到天线阵列上， 则输出功率( )P可以表示为： 22 ( )( ( ) ( )( ) HH EtEs tt w xwan 22 2 ( )( )( ) HH E s tEt w aw n 2 22 2 ( ) HH sn w aw （

41、2-18） 式（2-18）中，( )a是阵列关于信号入射角度的导引矢量，( ) tn是阵列的输入 端噪声信号， 2 2 ( ) s E s t为信号功率， 2 ( )( ) H n Ettnn为噪声功率。 由式 （2-18） 可以知道，当( )wa时，系统的输出功率达到最大。这是因为，权值向量w在 传感器阵元处和来自方向的信号分量相位对齐，使得它们能够同相相加，从而 使系统的输出功率为最大。系统的输出功率P与信号的波达方向之间的关系为： ( )( ) HH xxxx Pw R waR a （2-19） 波束形成器产生的波束在感兴趣的区域中离散地扫描，对应不同的可以产 生不同的权向量( )wa，

42、从而得到的输出功率也不相同，最大的功率对应着最 大的峰值，而最大的空间谱峰所对应的角度方向即为信号的波达方向。延迟相 加法具有一定的局限性，当存在着来自多个方向的信号时，该方法要受到波束宽 度和旁瓣高度的制约，因而这种方法的分辨率较低。 2.3.2 延迟相加法仿真结果及分析 在均匀等距线阵下对算法进行仿真，阵列的阵元数为 8，信噪比为 20dB，考 察单信号和多信号两种情况下算法的性能。单信号时信号角度为20，多信号时 信号角度为30 ， 15 ，0，15和30。仿真分析如下： 第二章 DOA 估计的基本原理和方法 11 -80-60-40-20020406080 -40 -35 -30 -2

43、5 -20 -15 -10 -5 0 DOA(degree) Power(dB) Beamforming 图 2.5 单信号的延迟相加法仿真 -80-60-40-20020406080 -60 -50 -40 -30 -20 -10 0 DOA(degree) Power(dB) Beamforming 图 2.6 多信号的延迟相加法仿真 从图 2.5 和图 2.6 中可以看出， 延迟相加法可以很好的识别单个信号， 但是 当信号个数比较多时延迟相加法就会失效，只能大致分辨出信号所处的角度范 围。这是因为，延迟相加法是把阵列形成的波束指向某个方向，由此可以获得 来自于这个方向的信号的最大功率。就

44、单个信号而言，延迟相加法可以很好地 估计出它的波达方向。但是当信号空间中存在多个信号的时侯，因为波束宽度的 限制，受到同一个波束内信号之间的相互干扰，延迟相加法的估计性能就会急 12 基于压缩感知的空域信号 DOA 估计研究 剧的下降。 -80-60-40-20020406080 -40 -35 -30 -25 -20 -15 -10 -5 0 DOA(degree) Power(dB) Beamforming 图 2.7 阵元个数为 16 时的多信号延迟相加法仿真 由图 2.7 可以看出，增加阵列的阵元数可以改善延迟相加法的性能，提高 分辨率，但是这会使系统更加复杂，还会增加算法的计算量和数

45、据存储空间。 2.3.3 Capon 最小方差法 Capon 最小方差法的出现是为了解决延迟相加法分辨率差的缺点。用一部 分自由度在期望方向上形成一个波束，利用剩余的一部分自由度在干扰方向形成 零陷。这种方法使得输出功率最小，使得非期望干扰信号的贡献为最小，同时使 观测方向上的增益达到最大，其数学表达式为： 2 min( )min w R w H xx ww Ey t （2-20） 约束条件为()1 H d w a，这种方法又称为最小方差无畸变响应波束形成器，它使 信号方差达到最小，同时使得来自期望方向的信号响应不变。 用拉格朗日数乘法求解上述约束最优化问题， 将约束问题转化为非约束问题， 用

46、最小二乘法求解，得到最优权向量为： 1 1 () ()() xxd H dxxd R a w aR a （2-21） 由上式可得，Capon 空间谱的输出功率与波达方向的函数关系为： 第二章 DOA 估计的基本原理和方法 13 1 1 ( ) ( )( ) aR a Capon H xx P （2-22） 由式（2-22）计算并画出所在范围内的空间谱，空间谱上的峰值对应的角度就 是信号的波达方向（DOA） 。 2.3.4 Capon 最小方差法仿真结果及分析 在均匀等距线阵下对 Capon 算法进行仿真，阵列的阵元数为 8，信噪比为 20dB，考察非相干信号和相干信号两种情况下算法的性能。信号

47、的角度分别为 30 ， 15 ，0，15和30。仿真分析结果如下： -80-60-40-20020406080 -50 -45 -40 -35 -30 -25 -20 -15 -10 -5 0 DOA(degree) Power(dB) Capon 图 2.8 多个非相干信号的 Capon 算法仿真 14 基于压缩感知的空域信号 DOA 估计研究 -80-60-40-20020406080 -30 -25 -20 -15 -10 -5 0 DOA(degree) Power(dB) Capon 图 2.9 多个相干信号的 Capon 算法仿真 从图2.8和图2.9可以看出， Capon算法比延迟相加法有了一定程度的改进， 可以对多个信号进行 DOA 估计。但是 Capon 算法只能