当前位置:首页 >> 信息与通信 >>

DOA估计算法


阵列信号处理中的 DOA 估计算法
摘要: 本文简要介绍了阵列信号处理的基本知识和其数学模型, 并且对阵列信号处理中很重 要的来波方向 (DOA) 估计方法进行了比较, 主要包括古典谱估计方法、 Capon 最小方差法、 多重信号分类(MUSIC)算法以及旋转不变因子空间(ESPRIT)算法。通过这些算法的介 绍和比较,我们可以很方便地在不同的情况下选择不同的算法去对信

号的来波方向进行估 计。 关键词:阵列信号处理;来波方向(DOA) ;MUSIC;自相关矩阵;特征分解;ESPRIT

DOA Estimation Algorithms in Array Signal Processing
Abstract:In this paper, we have introduced the basic knowledge and data model of array signal processing and have compared many DOA estimation methods in array signal processing,which included classical spectrum estimation method、Capon minimum variance method、MUSIC method and ESPRIT method。Through the introduction and comparison of these algorithms,we can choose different algorithm to estimate the DOA of signal in different situation,conveniently。 Key words: array signal processing; DOA; MUSIC; self-correction matrix; eigendecomposition; ESPRIT

1.引言
近几十年来,阵列信号处理作为信号处理的一个重要分支,在声纳、雷达、通信以及医 学诊断等领域得到了相当广泛的应用和发展。 阵列信号处理是指在一定大小空间的不同位置 去设置传感器, 组成传感器阵列, 利用传感器阵列去接收空间中的信号并且通过一定的方法 对接收的信号进行处理。 阵列信号处理的目的是为了增强有用的信号, 抑制无用的干扰和噪 声, 并且从接收的信号中提取出有用信号的特征以及信号所包含的信息。 与传统的单个定向 传感相比,传感器阵列具有比较高的信号增益、灵活的波束控制、很高的空间分辨率以及极 [5] 强的干扰抑制能力。阵列信号处理研究的主要问题包括 :空间谱估计——对空间信号波达 方向进行超分辨估计; 零点形成技术——使天线的零点对准干扰方向; 波束形成技术——使 阵列方向图的主瓣指向所需的方向。 其研究的三个主要方向分别在不同的时期进行了不同的 主要研究,这三个阶段分别是:d [1] 1、20 世纪 60 年代主要集中在波束形成技术方面 ,如自适应相控天线、自适应波束操 控天线和自适应聚束天线等,主要目的是使阵列方向图的主瓣指向所需要的方向。 [2] 2、20 世纪 70 年代主要集中在零点形成技术方面 ,如自适应置零技术、自适应调零技 术、自适应杂波抑制和自适应旁瓣相消等,可以提高信号输出的信噪比(SNR) 。 [3] 3、20 世纪 80 年代主要集中在空间谱估计方面 ,如最大似然谱估计、最大熵谱估计、 子空间谱估计等, 它是现代谱估计理论与自适应阵列技术结合的产物, 主要是研究在阵列处 理带宽内空间信号的波达方向的估计问题,这标志着阵列信号处理研究的重大变化。 信号的波达方向(DOA)估计是阵列信号处理领域的一个非常重要的研究内容。信号 的 DOA 估计算法大多是一种极值搜索法,即首先形成一个包含待估计参数的函数(一般是 一个伪谱函数) ,然后通过对该函数进行峰值搜索,得到的极值就是信号的波达方向。这些 算法主要包括:1965 年 Bartlett 基于波束形成的思想提出的 DOA 估计算法,但是该算法不 能分辨出两个空间距离小于波束宽度的信号源。 1968 年 Schweppe 首先研究了虽大似然估计 算法(ML) ,但是比较重要的还是后来 Capon 提出的高进度的 ML,该算法对于服从高斯分 布的信源估计可以达到克劳—拉美界, 但是需要对接收阵列数据的自相关矩阵进行求了逆运 [4] 算, 运算量相当大。 1979 年 Schmidt 提出了多重信号分类法 (Multiple Signal Classification, MUSIC)以及各种改进的 MUSIC 算法等,它们都需要进行特征值分解运算,可以得到比较 高精度的参数估计,但是计算量太大。1985 年 Roy 和 Kailath 提出了一种借助旋转不变技术 [6] 的参数估计算法 (Estimating Signal Via Rotational Invariance Techniques,ESPRIT) ,它是利 用阵列流行的某些特性形成一个可以直接求解的函数, 能够比较方便的得到所需要的估计参 数。在此之后,人们以 MUSIC 和 ESPRIT 为基础,提出了各种各样的算法,例如最小范数 [7] [8] [9] 法 、ROOT-MUSIC 、TLS-ESPRIT 等。这些不同的算法是基于不同的理论提出的,并且 建立在不同的约束条件之下,所以其特性和适用对象也会不同。

2.数据模型
2.1 平面波与阵列

在无线通信中我们通过天线对电磁波进行发射和接收。 为了增加电磁波的利用率和电磁 波的波束形状可控,一般采用阵列天线。在一般情况下,将一组传感器按一定的方式设置在 空间不同的位置上组成传感器阵列, 此传感器阵列能够接收空间的传播信号, 然后对所接收 到的信号经过适当的处理并提取所需的信号源和信号属性等信息, 包括信号辐射源辐射信号 的数目、方向、幅度等。一般来说,构成阵列的阵元可以按照任意的方式进行排列,但是通 常是按照直线等距、 圆周等距或平面等距排列的, 并且取向相同。 为了简化天线阵列的分析, [10] 通常作如下假设 : 1. 窄带假设:这样可以保证所有阵元几乎同时接收到该信号,即阵元接收之间的信号 包络没有变化; 2. 信号的统计特性:假设入射到阵列的信号为平稳且各态历经,这样可以用时间平均 来代替统计平均。噪声为互不相关的白噪声,方差为 ? n 。
2

3. 忽略阵元之间的互耦; 4. 信号的数目要小于阵元的数目,并且阵列接收到得所有信号的波达方向互不相同, 信号之间互不相关; 5. 平面波假设:假设信源到阵列的距离远大于阵列的口径,从而所有入射到阵列的信 号波前金额以近似为平面波。 假设在天线阵的原唱存在 D 个信号源,则所有到达阵列的波前可近似为平面波。若天 线阵由 M 个全向天线组成,将第一个阵元设为参考阵元,则到达参考阵元的第 i 个信号为:
si ? t ? ? z i ? t ? e
j? 0 t

, i ? 0,1, L , D ? 1 (1)
j? 0 t

式中, z i ? t ? 为第 i 个信号的复包络,包含信号信息。 e
si ? t ? ? ? ? z i ? t ? ? ? e
j? 0 ? t ?? ?

为空间信号的载波。由于信号满

足窄带假设条件,则 z i ? t ? ? ? ? z i ? t ? ,那么经过传播延迟 ? 后的信号可以表示为:
? si ? t ? e
xm ? t ? ?
D ?1

? j? 0?

, i ? 0,1, L , D ? 1 (2)

则理想情况下第 m 个阵元接收到的信号可以表示为:

? s ?t ? ? ? ? n ?t ?
i mi m i?0

(3)

式中, ? mi 为第 i 个阵元到达第 m 个阵元时相对于参考阵元的时延, n m ? t ? 为第 m 阵元上的 加性噪声。根据式(2)和(3)可得,整个天线阵接收到得信号为:
X ?t ? ?

? s ?t ? a
i i?0

D ?1

i

? N ?t ?

? AS ? t ? ? N ? t ?
T

(4)

? j? ? ? j? ? ? j? ? 式中, a i ? ? e 0 1 i , e 0 2 i , L , e 0 Mi ? 为信号 i 的方向向量, A ? ? a 0 , a 1 , L , a D ?1 ? 为阵列 ? ?

S N 流形, ? t ? ? ? s 0 ? t ? , s1 ? t ? , L , s D ?1 ? t ? ? 为信号矩阵, ? t ? ? ? n1 ? t ? , n 2 ? t ? , L , n M ? t ? ? 为 ? ? ? ?
T T

加性噪声矩阵, ? g? 表示矩阵转置。
T

2.2 均匀线阵与均匀圆阵 在实际中一般使用均匀线阵和均匀圆阵等阵列结构。 (1)均匀线阵 均匀线阵(ULA:Uniform Linear Array)是一最简单常用的阵列形式,如图 1 所示,将 M 个阵元等距离排列成一直线,阵元间距为 d 。假定一信源位于远场,即其信号到达各阵 元的波前为平面波,其波达方向(DOA)定义为与阵列法线的夹角 ? 。

θ

…… M 3 2 1

图 1 ULA 示意图 以第一个阵元为参考阵元,则各阵元相对参考阵元的时延为: 1 ? m ? ? sin ? ? ? ? m ? 1 ? d (5) c 由此可得等距线阵的方向向量为:
?j a ? ?1, e ? ?
?0
c

d sin ? ? ?

,e

?j

?0
c

2 d sin ?? ?

,L , e

?j

?0
c

? M ?1? d sin ?? ? ?

T

? ?
T

? j d sin ?? ? ? j 2 d sin ?? ? ? j ? M ?1 ? d sin ?? ? ? (6) ? ?1, e ,e ,L , e ? ? ? ? 当波长和阵列的几何结构确定时,该方向向量只与空间角 ? 有关,因此等距线阵的方向
2? ?0 2? ?0 2? ?0

向量记为 a ? ? ? ,它与基准点的位置无关。若有 D 个信号源,其波达方向分别为 ? i ,
i ? 1, 2, L , D ,则阵列流形矩阵为:

A ? ? a ?? 1 ? , a ?? 2 ? , ? , a ?? D ? ? ? ?

1 ? ? 2? ? j ? d sin ??1 ? ? e 0 ?? M ? 2? ? e ? j ?0 ? M ?1? d sin ??1 ? ?

1 e
?j ?j
2? ?0

d sin ?? 2 ?

M e
2? ?0

? M ?1? d sin ?? 2 ?

? ? ? j d sin ?? D ? L e ? ? (7) M M ? ? j 2 ? ? M ?1 ? d sin ?? D ? ? ?0 L e ? L 1
2? ?0

以上给出了等距线阵的方向向量的表示形式。实际使用的阵列结构要求方向向量 a ? ? ? 与空间角 ? 一一对应,不能出现模糊现象。这里需要说明的是:阵元间距 d 是不能任意选定 的,甚至有时需要非常精确的校准。假设 d 很大,相邻阵元的相位延迟就会超过 2? ,此时, 阵列方向向量无法在数值上分辨出具体的相位延迟,就会出现相位模糊。可见,对于等距线 ? 阵来说,为了避免方向向量和空间叫之间的模糊,其阵元间距不能大于半波长 0 ,以保证 2 阵列流形矩阵的各个列向量线性独立。天线阵列的输出为:
y ?t ? ?

?

M

s ? t ? wm e
*

? j 2 ? ? m ?1 ? d sin ? ?
0

(8)

m ?1

其向量形式为:
y ?k ? ? w X ?k ?
H

(9)

式中, w ? ? w1 , w 2 , L , w M (2)均匀圆阵

?

T

为权重向量。

均匀圆周阵列简称均匀圆阵(UCA: Uniform Circular Array) ,是平面阵列,它的有效估 计是二维的,能够同时确定信号的方位角和仰角。均匀圆阵由 M 个相同各向同性阵元均匀 分布在 x ? y 平面一个半径为 R 的圆周上,如图 2 所示。采用球面坐标系表示入射平面波的 波达方向,坐标系的原点 O 位于阵列的中心,即圆心。信源俯角 ? ? ? 0, ? ? 是原点到信源 2? ? 的连线与 z 轴的夹角,方向角 ? ? ? 0, 2? ? 则是原点到信源的连线在 x ? y 平面上的投影与 x 轴之间的夹角。 阵列的第 m 个阵元与 x 轴之间的夹角为 ? m ?
2? m M

,则该处的位置向量为[ ]: (10) (11)

5

p m ? ? R cos ? m , R sin ? m , 0 ?

在某个时刻,原点和第 m 个阵元接收到得信号的复包络间的相位差为:
??m ? e
jk 0 R sin ? cos ? ? ? ? m ?

?e

j? cos ? ? ? ? m ?

式中, k 0 ? 2? ? 0 , ? ? k 0 R sin ? 。 均匀圆阵相对于波达方向为 ? 的信号的方向向量为:
? e j? cos ?? ? ? 0 ? ? ? j? cos ? ? ? ? ? 1? ? e ? a ?? ,? ? ? ? ? M ? ? ? e j? cos ?? ? ? M ?1 ? ? ? ?

(12)

Z

信源

?

?

Y

X 图 2 UCA 示意图

3.DOA 估计算法的特性比较
3.1 古典谱估计法 古典谱估计法是通过计算空间谱求取其局部最大值,从而估计出信号的波达方向。 Bartlett 波束形成方法是经典傅里叶分析对传感器阵列数据的一种自然推广。Bartlett 方法使 波束形成器的输出功率相对于某个输入信号最大。 设希望来自 ? 方向的输出功率为最大, 则 代价函数为:

? ? arg max ? E ? w H X ? n ? X H ? n ? w ? ?
w

?

?
2 2

?x ?arg m aE ? w ?
2

? d? ?t ? w
2

H

a ?? ? ? ? n w
2

? ? ?

(13)

在白噪声方差 ? n 一定的情况下,权重向量的范数 w 不影响输出信噪比,故取权重向 量的范数为 1,用拉格朗日因子的方法求得上述最大优化问题的解为:

w BF ?

a ??

? a ?? ?

(14)

从式(14)可以看出,阵列权重向量是使信号在各阵元上产生的延迟均衡,以便使它们 各自的贡献最大限度地综合在一起。 空间谱是以空间角为自变量分析到达波的空间分布, 其 定义为:
PBF ? ? ? ? a
H

?? ? R xx a ?? ? a ?? ? a ?? ?
H

(15)

将所有方向向量的集合 ? a ? ? ?? 成为阵列流形。在实际应用中,阵列流形可以在阵列校 准是确定或者利用接收的采样值计算得到。 从式(15)可知,利用空间谱的峰值就可以估计出信号的波达方向。当有 D ? 1 个信号 存在时,对于不同的 ? ,利用式(15)计算得到不同的输出功率。最大输出功率对应的空间 谱的峰值也就最大,而最大空间谱峰值对应的到的 DOA 值即为信号波达方向的估计值。古 典谱估计方法将阵列所有可利用的自由度都用于在所需观测方向上形成一个波束。 当只有一 个信号时,这个方法是可行的。但是当存在来自多个方向的信号时,阵列的输出将包括期望 信号和干扰信号,估计性能会急剧下降。而且该方法要受到波束宽度和旁瓣高度的限制,这 是由于大角度范围的信号会影响观测方向的平均功率, 因此, 这种方法的空间分辨率比较低。 我们可以通过增加天线阵列的阵元来提高分辨率, 但是这样会增加系统的复杂度和算法对于 空间的存储要求。 3.2 Capon 最小方差法 为了解决Bartlett方法的一些局限性,Capon提出了最小方差法。该方法使部分(不是全 部)自由度在期望观测方向形成一个波束, 同时利用剩余的自由度在干扰信号方向形成零陷, 可以使得输出功率最小, 达到使非期望干扰的贡献最小的目的, 同时增益在观测方向保持为 常数,通常为1,如式 所示:

? mwin E ? y ? k ? ? ? mwin W H R X W ? ? ? ? ? 约 束 条 件 为 : W H a ?? 0 ? =1 ?
2

(16)

其中 R X ? E ? X gX

H

? 是接收信号 X 的协方差矩阵。

求解式(16)得到的权向量通常称为最小方差无畸变响应(MVDR,Mhmnum Variance Distortionless Response)波束形成器权值, 因为对于某个观测方向, 它使输出信号的方差(平 均功率)最小,又能使来自观测方向的信号无畸变地通过(增益为1,相移为0)。这是个约束 优化问题,可以利用拉格朗日乘子法求解。
H H 令 L ? W R X W ? ? ? W a ? ? 0 ? ? 1? , L 分别对 W 和 ? 求偏导数可得: ? ?

R X W ? ? a ?? 0 ?
式(17)两端分别左乘 W 上式两端分别右乘 a
H
H

W a ?? 0 ? =1
H

(17)

得:
H

W R X W ? ? W a ?? 0 ? ? ?
H

?? 0 ? 得:
H

? a H ?? 0 ? ? W H R X ? W H a ?? 0 ? ? ? W H R X
因此,

?? 0 ? R ?1 X 对(18)式两端分别右乘 a ? ? 0 ? 有: ? a H ? ? 0 ? R ? 1a ? ? 0 ? ? W H a ? ? 0 ? ? 1 X
W
H

? ?a

H

(18)

所以,

??

1 a
H

? ? 0 ? R ? 1a ? ? 0 ? X
R X a ?? 0 ?
?1

(19)

将式(19)带入(18)中,并对两边取共轭对称,最终得到:
W ? a
H

? ? 0 ? R ? 1a ? ? 0 ? X

(20)

利用 Capon 波束形成法得到的空间功率谱公式如下: 1 PCapon ? ? ? ? H ?1 a ?? ? R X a ?? ?

(21)

计算Capon谱并在全部 ? 范围上搜索其峰值,就可估计出DOA。 虽然与古典谱估计法相比,Capon法能提供更佳的分辨率,但Capon法也有很多缺点。 如果存在与感兴趣信号相关的其他信号,Capon法就不能再起作用,因为它在减小处理器输 出功率时无意中利用了这种相关性,而没有为其形成零陷。换句话说,在使输出功率达到最 小的过程中,相关分量可能会恶性合并。另外,Capon法需要对矩阵求逆运算,这样会使得 计算量非常大。 3.3 MUSIC 算法
Music算法是由R.O.Schmidt于1979年提出来,1986年重新发表的。它是最早的也是最经 典的超分辨DOA估计方法,它利用了信号子空间和噪声子空间的正交性,构造空间谱函数,通 过谱峰搜索,检测信号的DOA。它是建立在以下假设基础上的: (1)阵列形式为线性均匀阵,阵元间距不大于处理最高频率信号波长的二分之一; (2)处理器的噪声为加性高斯分布,不同阵元间距噪声均为平稳随机过程,且相互独立,空 间平稳(各阵元噪声方差相等); (3)空间信号为零均值平稳随机过程,它与阵元噪声相互独立,且信号间相互独立; (4)信号源少于阵元数,信号取样数大于阵元数。 在此假设基础上,Music算法对DOA的估计从理论上可以有任意高的分辨率。 Music 算法原理如下: 由式(4)可得接收信号的协方差矩阵为:
H R X ? E ? X ?t ? X ?t ?? ? ? H H H H H H ? A E ? S S ? A ? A ? S N ?? E ? N S ? A E ? N N? E ? ? (22) ? ? ? ? ? ? ? 由于假设信号与噪声是不相关的,且噪声为平稳的加性高斯白噪声,因此式(22)中 H 2 的二,三项为零,且有 E ? NN ? ? ? N I 。则式(22)简化为式(23) : ? ?

R X ? AR s A

H

?? NI
2

(23)

式(23)中的 R s 是有用信号的协方差矩阵。 由于假设信号源之间互不相关,因此 R s 为满秩矩阵,其秩为 D 。而 A 为 M ? D 维的 矩阵,其秩也是 D ,并且 AR s A 是 Hermite 半正定矩阵,其秩也是 D 。因此,令 AR s A 的特征值为 ? 0 ? ?1 ? L ? ? D ?1 ? 0 ,那么 R X 的 M 个特征值为:
H H

?k ?

?

2 ? k ?? N 2 ?N

k ? 0 , L , D ?, 1 1 k ? D , D ? 1 , M ,? L

1

它们对应的特征向量分别为 q 0 , q 1 , L , q D ?1 , q D , L , q M ?1 ,其中前 D 个对应大特征值, 后 M ? D 个对应小特征值。 由此可以看出,协方差矩阵 R X 经过特征值分解后可以产生 D 个较大的特征值和
M ? D 个较小的特征值,并且这 M ? D 个小特征值非常接近。所以当这些小特征值的重数 K 确定了,那么信号的个数就可以由式(24)估计出来: ? D?M ?K (24)

对于与 M ? D 个最小特征值对应的特征向量,有:

? R X ? ?i I ? q i
即:

? 0 , i ? D , D ? 1, L , M ? 1
H

?R

X

? ? N I ? q i ? ? AR s A
2

? ? N I ? ? N I ? qi
2 2

? AR s A q i ? 0 , i ? D , D ? 1, L , M ? 1
H

因为 A 满秩, R s 非奇异,因此:
A qi ? 0
H


? a H ?? 0 ? q i ? ? 0 ? ? H ? ? ? ? a ?? 1 ? q i ? ? ? 0 ? ? ? ?M ? M ? H ? ? ? ? a ?? ? q ? ?0 ? D ?1 i ? ? 这表明与 M ? D 个最小特征值对应的特征向量,和 D 个信号特征值对应的方向向量正

交,即信号子空间和噪声子空间正交。因此,我们构造 M ? ? M ? D ? 维的噪声子空间:
V N ? ? q D , q D ? 1 , L , q M ?1 ?

并定义 Music 空间谱为:
PM usic ? ? ? ? a
H

?? ? a ?? ? ? ? ? V N V NH a ? ? ?
a
H

(25)


PM usic ? ? ? ? 1 a
H

?? ? V N V NH a ?? ?

(26)

由于信号子空间和噪声子空间正交,所以当 ? 等于信号的入射角时,Music 空间谱将产 生极大值。因此当对 Music 空间谱搜索时,其 D 个峰值将对应 D 个信号的入射方向,这就 是 Music 算法。 现将 Music 算法的步骤归纳如下: (1)收集信号样本 X ? n ? , n ? 0,1, L , K ? 1 ,其中 P 为采样点数,估计协方差函数:
1 ? RX ? P
P ?1

? XX
i?0

H

? (2)对 R X 进行特征值分解: ? R X V ? ?V

? L 式 中 ? ? d i a ?g 0 , ?1 ,

,M ? ?

?1

为特征值对角阵,且从大到小顺序排列

V ? ? q 0 , q 1 , L , q M ?1 ? 是对应的特征向量。
? (3)利用最小特征值的重数 K ,按照式(24)估计信号数 D ,并构造噪声子空间

V N ? ? q D , q D ? 1 , L , q M ?1 ? 。
? (4)按照式(25)搜索 Music 空间谱,找出 D 个峰值,得到 DOA 估计值。 尽管从理论上讲,Music 算法可以达到任意精度分辨,但是也有其局限性。它在低信噪 比的情况下不能分辨出较近的 DOA,另外,当阵列流行存在误差时,对 Music 算法也有较 大的影响。 3.4 Music 算法的改进 人们对于 Music 算法提出了各种改进,以提高分辨率,减小计算的复杂度。其中一种改 进方法是 Barabell 提出的求根-MUSIC 算法[8]。这种方法根据多项式求根,可以提供更高的

分辨能力, 但是只适用于均匀线阵。 Barabell 提出的另一种方案是利用信号空间特征向量 (主 特征向量)的性质,定义了具有更加分辨率的有理谱函数。Schell 在 1989 年也提出了利用 信号的谱相干特性改善常规 MUSIC 算法性能的循环 MUSIC 算法[11]。下面分别介绍。 1. 求根-MUSIC 算法 对于阵元间距为 d 的均匀线阵,方向向量 a ? ? ? 的第 n 个元素可以表示为:
? ? ?d ? a n ? ? ? ? exp ? j 2? n ? ? cos ? ? n ?1, N L , ??? ? ? 式(26)给出的 MUSIC 谱是一个全极点函数,即: 1 1 PMusic ? ? ? ? H ? H H a ?? ? Vn Vn a ?? ? a ?? ? C a ?? ?

(27)

(28)

式中, C ? Vn Vn 。利用式(27) ,式(28)的分母可以写作:
H
N

? ? 2? nd ? cos ? ? C mn exp ? j cos ? ? (29) ? ? ? ? ? ? m ?1 n ?1 式中, C mn 是 C 中第 m 行、第 n 列上的元素。将两个累加合并在一起,式(29)可以 PMusic ? ? ? ?
?1

? ? exp ? ? j

N

?

2? md

简化为:
PM usic ? ? ? ?
?1

2? d ? ? C l exp ? ? j l cos ? ? ? ? ? l ? ? N ?1

?

N ?1

(30)

式中, C l ?

m ? n ?l

?

C mn 是 C 中第 l 条对角线上的元素之和。
N ?1

定义如下多项式,即:
D ?z? ?

l ? ? N ?1

?

Cl z

?1

(31)

则评价 MUSIC 谱 ? PM usic ? ? ? ? 等价于评价单位圆上的多项式 D ? z ? ,因为 D ? z ? 的根靠近单 ? ? 位圆,则 MUSIC 谱的峰值存在。在没有噪声的理想情况下,极点恰好落在单位圆上,位置 由波达方向确定。换句话说, D ? z ? 在 z ? z1 ? z1 exp ? j arg ? z1 ? ? 处的一个极点,即在 ? ? MUSIC 谱产生峰值的位置上,故有: ? ? ? cos ? ? ? (32) ? arg ? z1 ? ? 2? d ? 求根-MUSIC 算法比 MUSIC 谱形式的算法具有更好的分辨率, 而且在低信噪比 SNR 的 情况下也能够很好的工作。该算法避免了传统 MUSIC 算法的谱峰搜索过程,大大节省了计 算量,但是该算法只适用于等距线阵。 2. 循环 MUSIC 算法 循环 MUSIC 算法是一种利用接收信号的谱相干性和空间相干性的信号选择性的定向算 法。将谱相关性和 MUSIC 结合起来,在相距很近的信号中只有一个感兴趣信号(Signal of Interest,SOI)且信号间隔小于阵列阙值时,能够分辨出该期望信号。循环 MUSIC 算法还 不受入射到阵列上的信号数(包括 SOI 和干扰)必须小于阵元数这一要求的约束。 考察一个 N 元阵列,接收的 K ? 个信号在 ? 频率上具有谱相关性,而干扰信号(数目 任意)在该频率上不具有谱相关性。一个例子是,在严重的同信道干扰环境中检测一个具有 特定谱相关和多径分量数的期望信号。令 s i ? t ? ,i ? 0, L , K ? ? 1 为期望信号,n ? t ? 为入射 到阵列上的噪声和干扰分量。于是接收信号向量 u ? t ? 可以写作:
u ?t ? ?
K ? ?1

? a ?? ?s ? t ? ? n ? t ? ? As ? t ? ? n ? t ?
i i i?0

(33)

因为只有期望信号在 ? 具有谱相关性,接收信号 u ? t ? 的循环自相关矩阵 R uu ?? ? 定义
?

为:
R uu
?

? ?? ? ? ? ? ? ?? ? ? u ? t ? ? ? u ? t ? ? exp ? j 2?? t ? ? 2?? ? 2? ? ?
?
H

H

(34)
?

可以表示为:
R uu ?? ? ? AR ss ?? ? A
?
?

(35)

式中, R ss ?? ? 是期望信号的循环自相关矩阵,定义为:

? ?? ? ? ? ? ? R ss ?? ? ? s ? t ? ? ? s ? t ? ? exp ? j 2?? t ? ? 2?? ? 2? ? ?
?

H

(36)
?

式中
g
?
?

? lim

T ??

? ? g?dt
?T 2

T 2

(37)
?

显然,矩阵 R uu ?? ? 的秩为 K ? 。对于 K ? ? N , R uu ?? ? 的零空间由对应于零特征值的 特征向量 V n ,? 张成为:
R uu ?? ? Vn ,? ? 0
?
?

(38)

如果信号不完全相关, R ss ?? ? 满秩, 则 等于 K ? 。 因为 A 也满秩, 由式 (35) 和式 (38) 知, R uu ?? ? 的零空间正交于期望信号的方向向量,即:
?

Vn ,? a ?? i ? ? 0 ,i ? 0, L , K ? ? 1
H

(39)

将式(39)作为正交性的量度,式(25)的循环 MUSIC 谱可以定义如下:
PCyclic ? M usic ? ? ? ? a a
H H

?? ? a ?? ?

?? ? Vn ,? VnH, a a ?? ?

(40)

对于所有的 ? ,搜索出 PCyclic ? M usic ? ? ? 的 K ? 个谱峰,就可以算出期望信号的波达方向。 3.5 ESPRIT 算法 由于 MUSIC 算法需要进行谱峰搜索,计算量很大,因此在实际的应用中对于系统的计 算速度要求较高。 MUSIC 算法以后, 在 人们开始研究各种不需要进行谱峰搜索的快速 DOA 算法。有 Roy 等人提出的旋转不变子空间(ESPRIT)算法是空间谱估计中的另一种经典算 法[6]。ESPRIT 算法的基本思想是利用旋转不变因子技术来估计信号参数,它把传感器阵列 分解成两个完全相同的子阵列, 在两个子阵列中每两个相对应的阵元有着相同的位移, 即阵 列具有平移不变性,每两个位移相同的传感器配对。在实际情况下,比如等间距的直线阵列 或双直线阵列都可以满足 ESPRIT 算法对于阵列天线的要求。它同 MUSIC 算法一样,也需 要对阵列接收数据自相关矩阵进行特征值分解,但是两者存在明显的不同,MUSIC 算法利 用了自相关矩阵信号子空间的正交性, ESPRIT 算法利用了自相关矩阵信号子空间的旋转 而 不变特性。ESPRIT 算法不需要知道阵列的几何结构,因此对于阵列的校准要求比较低,现 在 ESPRIT 算法已经成为主要的 DOA 估计算法之一。 设由 m 个对偶极子组成的阵元数为 K 的天线阵列,两个子阵列对应元素具有相等的敏 感度模式和相同的位移偏移量 d , D 个独立的中心频率为 ? 0 的窄带信号源入射到该阵列, 两个子阵列第 i 组对应阵元的接收信号可以表示为:
xi ? t ? ? ui ? t ? ?

? s ? t ? a ?? ? ? n ? t ?
k i k xi k ?1 D

D

(41) (42)

? ? s ?t ? e
j k k ?1

0d

sin ? k c

a i ? ? k ? ? n ui ? t ?

式中, ? k 表示第 k 个信号源的入射方向,将每个子阵列的接收信号表示成向量形式有:
x ? t ? ? A ?? ? S ? t ? ? n x ? t ? u ? t ? ? A ?? ? ? S ? t ? ? n u ? t ?

(43) (44)
j? 0 d sin ?1 c

式中, x ? t ? , u ? t ? ? ?

m ?1

是带噪声的数据向量,? ? diag ? e

,L , e

j? 0 d sin ? D c

? 表示两
T

个 阵 列 之 间 的 相 位 延 迟 , 也 称 为 旋 转 不 变 因 子 , n x ? t ? ? ? n x1 ? t ? , L , n xm ? t ? ? 和 ? ?
n u ? t ? ? ? nu 1 ? t ? , L , num ? t ? ? 为加性噪声向量。 ? ?
T

定义整个阵列的接收向量为 z ? t ? ,用子阵列接收向量来表示:
?x ?t ?? z ?t ? ? ? ? ? AS ? t ? ? n z ? t ? ?u ? t ? ?

(45)

式中,
?n x ? t ? ? ? A ? A?? ,n z ?t ? ? ? ? ? ?A? ? ?n u ? t ? ?

(46)

天线阵列接收向量 z ? t ? 的自相关矩阵为:
R zz ? E ? z ? t ? z
H

? t ?? ? AR ss A

H

? ? n ?n
2

(47)
2

设 D ? 2 m ,则 ? R zz , ?n ? 的 2m ? D 个最小的广义特征值等于 ? n ,而与 D 个最大广义 特征值相对应的特征向量 E s 满足:
Range ? E s ? ? Range A

? ?

(48)

式中, Range ? g? 表示由矩阵中的向量张成的空间。 则存在唯一的非奇异矩阵 T 满足:
E s ? AT

(49)
m? D

利用阵列的旋转不变结构特性, E s 可以分解成为 E x ? ?
?E x ? ? AT ? Es ? ? ? ? ? ? ?Eu ? ? A? T ?

和 Eu ? ?

m? D

。 (50)

由于 E x 和 E u 共享一个列空间, E xu ? ? E x | E u ? 的秩为 D ,则:
Range ? E x ? ? Range ? E u ? ? Range ? A ?

(51) (52) (53)

这表明存在一个唯一的秩为 D 的矩阵 F ? ? 定义:
? ? ?Fx Fu
?1

2 D?D

可满足:

0 ? ? E x | E u ? F ? E x Fx ? E u Fu ? ATFx ? A ? TFu

把式(53)带入式(52)可得:
AT ? ? A ? T ? AT ? T ? A ? 如果信号的入射方向不同,则阵列流行 A 是满秩的,则可以得到:
?1

?1

(54)

T?T ? ? (55) 显然, ? 的特征值必然等于对角矩阵 ? 的对角元素,而 T 的列向量为 ? 的特征向量。 ESPRIT 算法避免了大多数 DOA 估计方法所固有的搜索过程,大大减小了计算量,并 降低了对于硬件的存储要求。和 MUSIC 算法不同的是,ESPRIT 算法不需要精确知道阵列 的流行向量,因此,对阵列校正的要求不是很严格。

4.结论

本文对阵列信号的基本知识进行了简单的阐述和介绍。 并且对阵列信号处理中很重要的 DOA 估计方法进行了介绍和探讨,比较了不同 DOA 估计方法的优缺点。特别是对于 MUSIC 算 法,给出了两种改进的 MUSIC 算法,可以增加我们对于 MISIC 算法的理解。文中还指出了在 不同的条件下这些方法的不同特性, 为以后学习和研究 DOA 估计方法提供了比较有价值的参 考。 参考文献 [1] Special issue on adaptive arrays, IEEE Trans. Antennas Propagat., 1964, vol. 12. [2] Special issue on adaptive arrays, IEEE Trans. Antennas Propagat., 1976, vol. 24. [3] Special issue on adaptive arrays, IEEE Trans. Antennas Propagat., 1986, vol. 34. [4] Schmidt R O. Multiple emitter location and signal parameter estimation. IEEE Trans. Antennas Propagat., 1986, 34(3):276-280. [5] 张贤达,保铮. 通信信号处理. 北京:国防工业出版社,2000. [6] Roy R, Kailath T. Estimating of signal parameters via rotational invariance techniques. IEEE Trans. on Acoustics Speech, Signal Processing, 1989, 37(7) :984-995. [7] Kumaresan R, Tufts D W. Estimating the angle-of-arrival of multiple plane waves. IEEE Trans. Aerospace Electronic System, 1983, 19(1) :135-139. [8] Barael A J. Improving the resolution of eigen-structure based direction finding algorithms. ICASSP 1983, Boston, 1983, 336-339. [9] Zhang X D, Liang Y C. Prefiltering-based ESPRIT for estimating parameters of sinusoids in non-Gaussian ARMA noise. IEEE Trans. Signal Processing, 1995, 43(1) :349-353. [10] 王永良,陈辉,彭应宁,万群. 空间谱估计理论与算法. 北京:清华大学出版社, 2004. [11] Schell S V, Calabretta, Gardner W A, etal. Cyclic MUSCI Algorithms for Signal Selective DOA Estimation, Proc. of the IEEE Int’l. Conf. on Acoustics, Speech and Signal Processing, 1989:2278-2281.

θ

…… M 3 2 1

Z

信源

?

?

Y

X


相关文章:
DOA估计算法
DOA估计算法_信息与通信_工程科技_专业资料。阵列信号处理中的 DOA 估计算法摘要: 本文简要介绍了阵列信号处理的基本知识和其数学模型, 并且对阵列信号处理中很重 ...
通信系毕业论文 基于MUSIC算法的DOA估计
通信系毕业论文 基于MUSIC算法DOA估计_工学_高等教育_教育专区。非常完整 已通过答辩学校名称学校英文名称 毕业论文(设计) GRADUATION THESIS (DESIGN)(此处可放学...
阵列信号处理中的DOA估计算法
阵列信号处理中的DOA估计算法_信息与通信_工程科技_专业资料。介绍了DOA估计的一些算法阵列信号处理中的 DOA 估计算法 阵列信号处理中的 处理摘要: 本文简要介绍了阵...
一种有效的二维DOA估计算法研究
一种有效的二维DOA估计算法研究_专业资料。龙源期刊网 http://www.qikan.com.cn 一种有效的二维 DOA 估计算法研究 作者:张重阳 来源:《现代电子技术》2010 年第...
基于经典MUSIC的DOA估计Matlab仿真
算法简述:基于天线阵列协方差矩阵的特征分解类 DOA 估计算法中,多重信号分类 (MUSIC)算法具有普遍适用性,只要已知天线阵的分布形式,无论直线阵还 是圆阵,不管阵...
基于ESPRIT算法的DOA估计
河南大学 2009 届本科毕业论文 基于 ESPRIT 算法DOA 估计 ESPRIT Algorithm Based on The Estimated DOA 论文作者姓名: 作者学号: 所在学院: 计算机与信息工程...
DOA估计小论文
关键字: 阵列,到达角估计 1 引言 2 阵列模型及其算法仿真 2.1 直线型线性阵列 DOA 估计 2.1.1 原理介绍 均匀线阵(ULA:Uniform Linear Array)是一最简单...
基于独立分量分析的均匀圆阵DOA估计算法(自动化学报)
基于独立分量分析的均匀圆阵 DOA 估计算法① ② 陈晋央 吴瑛 杨吉祥 (总参工程兵科研三所 洛阳 471023) ① ② ① (解放军信息工程大学信息工程学院 郑州 ...
阵列信号处理中DOA算法分类总结(大全)
(本质和 Bartlett 算法相同,仅最优权向量不同,后者的最优权是归一化了的。 )(参考自:阵列信号处理中的 DOA 估计技术研究_白玉) k 时刻,令 x(t)=u(k),...
一种新的高分辨稳定阵列信号估计算法
一种新的高分辨稳定阵列信号估计算法_信息与通信_工程科技_专业资料。阵列信号doa估计算法一种新的高分辨稳定阵列信号估计算法 本文提出了一种新的基于均匀线阵的高...
更多相关标签:
doa估计 | doa算法 | doa | music算法的doa估计 | 什么是doa估计 | doa估计的基本理论 | imusic doa算法 | 空间谱估计理论与算法 |