閆鋒剛, 沈　毅, 劉　帥, 金　銘, 喬曉林

(1. 哈爾濱工業(yè)大學(xué)(威海)信息與電氣工程學(xué)院, 山東 威海 264209;

2. 哈爾濱工業(yè)大學(xué)航天學(xué)院,黑龍江 哈爾濱 150001)

?

高效超分辨波達(dá)方向估計(jì)算法綜述

閆鋒剛1, 沈毅2, 劉帥1, 金銘1, 喬曉林1

(1. 哈爾濱工業(yè)大學(xué)(威海)信息與電氣工程學(xué)院, 山東 威海 264209;

2. 哈爾濱工業(yè)大學(xué)航天學(xué)院,黑龍江 哈爾濱 150001)

摘要：高效超分辨波達(dá)方向估計(jì)算法致力于降低超分辨算法的計(jì)算量、節(jié)約系統(tǒng)的實(shí)現(xiàn)成本、弱化算法對于陣列結(jié)構(gòu)的依賴性,是推進(jìn)超分辨理論工程化的一個(gè)重要研究課題。從多重信號(hào)分類(multiple signal classification, MUSIC)算法的原理和構(gòu)成要素入手,以基于MUSIC派生高效超分辨算法的目的和方法為標(biāo)準(zhǔn),將現(xiàn)存高效超分辨算法劃分為實(shí)值運(yùn)算、波束域變換、快速子空間估計(jì)、快速峰值搜索和免峰值搜索5大類。在此基礎(chǔ)上,全面回顧總結(jié)了各類高效算法的發(fā)展歷程和最新進(jìn)展,對比分析了它們的主要優(yōu)缺點(diǎn)。最后,結(jié)合空間譜估計(jì)實(shí)際工程化的應(yīng)用需求,指出了高效超分辨算法的未來發(fā)展趨勢。

關(guān)鍵詞：高效超分辨算法; 實(shí)值運(yùn)算; 波束域變換; 快速子空間估計(jì); 快速峰值搜索; 免峰值搜索

0引言

波達(dá)方向(direction of arrival, DOA)估計(jì)是陣列信號(hào)處理的重要研究課題之一[1]。自20世紀(jì)70年代至今,該技術(shù)經(jīng)歷了一個(gè)繁榮的發(fā)展階段,取得了輝煌的研究成果。1986年,美國學(xué)者Schmidt提出了著名的多重信號(hào)分類(multiple signal classification, MUSIC)算法[2],實(shí)現(xiàn)了傳統(tǒng)空間譜估計(jì)向超分辨測向的飛躍,成為空間譜估計(jì)發(fā)展歷史上的一個(gè)重要里程碑。

然而隨著應(yīng)用的深入,人們發(fā)現(xiàn)以MUSIC為代表的超分辨算法在實(shí)際應(yīng)用中普遍存在穩(wěn)健性差[3]、計(jì)算量大[4]、對陣列結(jié)構(gòu)依賴性強(qiáng)[5]等缺陷。這些缺陷與超分辨近乎完美的理論性能形成了鮮明對比,促使空間譜估計(jì)研究熱點(diǎn)由最初對算法性能的不懈追求逐漸轉(zhuǎn)向?yàn)閷Τ直胬碚搶?shí)際工程化的研究,而高效超分辨算法則是這其中的一個(gè)重要研究方向。

高效超分辨算法致力于降低傳統(tǒng)算法的計(jì)算量、節(jié)約系統(tǒng)的實(shí)現(xiàn)成本、弱化超分辨理論對陣列結(jié)構(gòu)等外界輸入條件的依賴性,是推進(jìn)超分辨理論工程化的重要環(huán)節(jié)。由于MUSIC算法開創(chuàng)了超分辨DOA估計(jì)的先河,本文從基于MUSIC派生超分辨算法的角度入手,將現(xiàn)存高效超分辨算法劃分為實(shí)值運(yùn)算、波束域變換、快速子空間分解、快速峰值搜索和免峰值搜索5大類別。在此基礎(chǔ)上,全面總結(jié)各類高效算法的興起、發(fā)展和最新研究進(jìn)展,同時(shí)深入對比分析它們的優(yōu)缺點(diǎn)。最后,結(jié)合實(shí)際工程化的應(yīng)用需求,指出高效超分辨算法的未來發(fā)展趨勢。

1數(shù)據(jù)模型及MUSIC算法

1.1典型一維數(shù)據(jù)模型

不失一般性,本文以一維數(shù)據(jù)模型為例展開論述,相關(guān)推導(dǎo)和結(jié)論可直接擴(kuò)展到二維情形。

常用典型一維DOA估計(jì)數(shù)據(jù)模型可表示為

(1)

式中,N為快拍數(shù);x(t)∈CM×1,s(t)∈CL×1及n(t)∈CM×1分別是接收數(shù)據(jù)、入射信號(hào)及高斯白噪聲向量；A(θ)[a(θ1),a(θ2),…,a(θL)]∈CM×L是導(dǎo)向矢量矩陣且導(dǎo)向矢量a(θ)定義為

(2)

陣列接收數(shù)據(jù)協(xié)方差矩陣定義為

(3)

式中,S為信號(hào)協(xié)方差矩陣;σ2為高斯白噪聲功率。對R進(jìn)行特征值分解,可得

(4)

式中,λi(i=1,…,L)和λj(j=L+1,…,M)分別為R的L個(gè)大特征值及M-L個(gè)小特征值；ei和ej分別為λi和λj對應(yīng)的特征矢量。定義矩陣

(5)

則Es和En的列分別張成信號(hào)子空間和噪聲子空間?？梢宰C明[2]:span(Es)⊥span(En)且span(Es)=span(A)。實(shí)際應(yīng)用中,理想R無法獲得,可以用N快拍數(shù)據(jù)對其進(jìn)行估計(jì)，即

(6)

1.2MUSIC算法

根據(jù)信號(hào)子空間與噪聲子空間的正交性可知,在信號(hào)入射方向θ,有aH(θ)En=0。由此,可構(gòu)造MUSIC空間譜函數(shù)

(7)

在[-π/2,π/2]內(nèi)搜索,使fMUSIC(θ)出現(xiàn)極大值的入射角θ即為信號(hào)DOA,這就是MUSIC算法。

MUSIC的提出開創(chuàng)了超分辨DOA估計(jì)的嶄新時(shí)代,掀起了世界眾多學(xué)者對于超分辨空間譜估計(jì)的研究熱潮,成為了空間譜發(fā)展歷史上的一個(gè)重要里程碑。

雖然MUSIC實(shí)現(xiàn)了真正的超分辨測角,但其計(jì)算量通常很大。龐大的計(jì)算量使超分辨理論在實(shí)際工程、尤其是對實(shí)時(shí)性要求較高的工程中的應(yīng)用變得異常困難。為了推進(jìn)超分辨理論的工程化進(jìn)度,學(xué)者們不得不對高效超分辨算法展開研究。

2高效超分辨算法分類

伴隨空間譜估計(jì)30余年的發(fā)展,高效超分辨算法取得了豐碩的研究成果。為了準(zhǔn)確、清晰地認(rèn)識(shí)這些算法的發(fā)展歷程和最新進(jìn)展,本節(jié)首先對MUSIC的計(jì)算量進(jìn)行分析,接著對以MUSIC為算法原型、派生高效算法的方法進(jìn)行歸納分析,最后對現(xiàn)存主流高效超分辨算法進(jìn)行分類,從而為后文高效超分辨算法分類綜述奠定基礎(chǔ)。

2.1MUSIC計(jì)算量分析

2.2基于MUSIC派生高效算法的方法

由于子空間估計(jì)和峰值搜索是MUSIC的兩個(gè)最主要計(jì)算單元,故從計(jì)算量構(gòu)成的角度可得到“MUSIC≈子空間估計(jì)+峰值搜索”的近似等式。此等式有利于對以MUSIC為基本算法原型、派生高效算法的方法進(jìn)行歸納。

由上述等式易見:可通過如下3方面方法實(shí)現(xiàn)超分辨算法的高效性:

(2) 降低峰值搜索的計(jì)算量。峰值搜索通常是一個(gè)多維(包含1維)的參量聯(lián)合遍歷過程,因此該類方法的出發(fā)點(diǎn)集中在以下3方面:一是降低峰值搜索的維度(如從2維搜索降低到1維搜索);二是壓縮峰值搜索的參量范圍;三是徹底避免峰值搜索。

需要強(qiáng)調(diào)的是,上述3類高效化方法雖然來源于對MUSIC計(jì)算量的分析,但它們同樣可對其他超分辨算法實(shí)現(xiàn)高效性。另外,可以連續(xù)使用不同方法實(shí)現(xiàn)高效性,如實(shí)值旋轉(zhuǎn)不變子空間(unitaryestimatesignalparameterviarotationalinvariancetechnique,U-ESPRIT)算法先以上述第(2)方面方法避免了峰值搜索,又以第(3)方面方法實(shí)現(xiàn)了實(shí)值化[8]。

2.3高效超分辨算法分類

根據(jù)上述分析,選取MUSIC為基本算法模型,以從MUSIC派生高效超分辨算法的目的(目的層)和方法(方法層)角度入手,對現(xiàn)存高效超分辨算法進(jìn)行分類和劃分,結(jié)果如圖1所示。

圖1　高效超分辨算法分類

圖1中的各類算法相對于MUSIC處理流程的分布關(guān)系如圖2所示。由圖2可見:不同類別的算法在實(shí)際應(yīng)用中可能存在交叉。然而,從基于MUSIC派生高效算法的角度對現(xiàn)存高效超分辨算法分類,有利于全面認(rèn)識(shí)高效算法的發(fā)展,也有利于對不同機(jī)理的算法性能進(jìn)行對比分析。下文對各類高效算法分別展開綜述。

圖2　5類算法相對于MUSIC流程的分布

3實(shí)值運(yùn)算類高效算法

3.1超分辨算法實(shí)值化方法

3.1.1酉變換

酉變換是當(dāng)來波信號(hào)非相干時(shí),對超分辨算法進(jìn)行實(shí)值化的代表性技術(shù),該技術(shù)由Huarng和Yeh于1991年首次提出[9]。他們觀察發(fā)現(xiàn):在諸如均勻線陣(uniform linear array, ULA)這樣的中心對稱陣(centro-symmetric array, CSA)中,導(dǎo)向矢量a(θ)具有中心對稱性

(8)

式中,φ(θ)為相位差;J為反對角矩陣。

基于式(8)可以證明:當(dāng)信號(hào)協(xié)方差陣RS是一個(gè)對角矩陣,即來波信號(hào)非相干時(shí),式(3)給出的協(xié)方差陣R是一個(gè)艾米特中心對稱陣(centro-Hermitianmatrix,CHM)。由此,可對R進(jìn)行變換

(9)

其中,當(dāng)M為偶數(shù)時(shí),U矩陣定義為

(10a)

當(dāng)M為奇數(shù)時(shí),U矩陣定義為

(10b)

3.1.2前后向平滑

(11)

3.2實(shí)值算法研究進(jìn)展

繼酉變換和FB之后,實(shí)值類高效算法得到了世界各國學(xué)者的廣泛關(guān)注并取得了豐碩的研究成果。

文獻(xiàn)[8]基于CSA提出了U-ESPRIT算法,在降低運(yùn)算量的同時(shí)獲得了優(yōu)于ESPRIT的估計(jì)精度，同時(shí)，利用U-ESPRIT解決了非圓信號(hào)(若信號(hào)s與其任意旋轉(zhuǎn)sejφ具有相同的一階矩和二階矩則稱s為非圓信號(hào))DOA估計(jì)[11]及多維諧波恢復(fù)問題[12]。文獻(xiàn)[13]對實(shí)值類算法進(jìn)行了全面、深入的研究，針對U-ESPRIT對DOA估計(jì)可能失敗的缺點(diǎn),提出了基于偽噪聲采樣的改進(jìn)算法,同時(shí)將傳統(tǒng)DOA估計(jì)技術(shù)(method of direction estimation, MODE)和root-MUSIC實(shí)值化,提出了U-MODE[14]和U-root-MUSIC算法[15],還利用理論分析和實(shí)測聲納、超聲波數(shù)據(jù)證實(shí)了實(shí)值類算法比復(fù)值類算法估計(jì)性能更好。文獻(xiàn)[16]提出了一種U-ESPRIT頻率估計(jì)算法,新算法相比于經(jīng)典ESPRIT在不犧牲算法精度的同時(shí)極大地降低了算法復(fù)雜度。文獻(xiàn)[17]利用投影映射建立了z平面上半圓與實(shí)值區(qū)間[-1,1]的對應(yīng)關(guān)系,進(jìn)而提出了ULA下的U-root-MUSIC算法。文獻(xiàn)[18-19]基于CSA先后提出了U-MVM算法和實(shí)值矩陣束(unitary matrix pencil, U-MP)算法,在降低計(jì)算量的同時(shí)獲得了更高的測角精度。

近年來,實(shí)值類算法的研究熱點(diǎn)正逐漸由不同算法的實(shí)值化轉(zhuǎn)向?yàn)樗惴ㄔ诰唧w系統(tǒng)的應(yīng)用,但相關(guān)報(bào)道很少。2011年,文獻(xiàn)[20]提出了適用于電控?zé)o源陣列天線(electronically steerable parasitic array radiator, ESPAR)的實(shí)值U-RD-MUSIC算法。2012年,文獻(xiàn)[21]提出了適用多輸入多輸出(multiple input multiple output, MIMO)雷達(dá)系統(tǒng)的U-MUSIC算法。

一般而言,超分辨算法的復(fù)雜度和估計(jì)精度是難以調(diào)和的一對矛盾,這意味著超高的估計(jì)精度是以巨額的計(jì)算開銷為代價(jià)的。然而,實(shí)值類算法實(shí)現(xiàn)了低復(fù)雜度和高精度的雙贏,因而是高效超分辨發(fā)展歷史上具有重要意義的研究成果。然而不幸的是,現(xiàn)存實(shí)值類算法幾乎都是基于CSA結(jié)構(gòu)提出的,當(dāng)陣列不滿足中心對稱時(shí),它們也不再適用,如表1所示。

表1　實(shí)值類算法優(yōu)缺點(diǎn)及發(fā)展趨勢

上述分析可見:推導(dǎo)適用于任意陣列的高效實(shí)值類算法是高效超分辨領(lǐng)域亟待解決的難題。在此方面,筆者近年來提出了半實(shí)值DOA估計(jì)的概念[22]。半實(shí)值算法可實(shí)現(xiàn)與實(shí)值算法相同的計(jì)算效率,同時(shí)能適用于任意陣列結(jié)構(gòu),為實(shí)值算法向任意陣列結(jié)構(gòu)的過渡提供了理論參考。

4波束域變換類高效算法

BS域變換是實(shí)現(xiàn)超分辨算法高效性的另一重要方法。需要注意的是,這里所說的BS域變換與自適應(yīng)波束形成(adaptive beam-forming, ABF)[23]不同。ABF通過對各陣元加權(quán)實(shí)現(xiàn)空域?yàn)V波,而BS域變換通過對接收數(shù)據(jù)降維實(shí)現(xiàn)算法復(fù)雜度的降低,其基本原理如圖3所示。其中,x(t)和y(t)分別為ES域天線真實(shí)輸出數(shù)據(jù)和BS域虛擬變換數(shù)據(jù),且二者滿足

(12)

式中,B∈CM×T為波束形成矩陣;T為波束數(shù)。

由于x(t)∈CM×1,y(t)∈CT×1且T≤M,因此BS域變換能把R陣分解和譜峰搜索的計(jì)算量分別從O(M3)和O(JM2)降低到O(T3)和O(JT2)。

圖3　波束域變換基本原理[79]

BS變換最早由美國學(xué)者Bienvenu[24]和德國學(xué)者Byrne[25]提出。文獻(xiàn)[24]發(fā)現(xiàn)在傳統(tǒng)ES域算法前端對陣元輸出數(shù)據(jù)進(jìn)行BS變換,能降低超分辨算法對陣元誤差的靈敏度;文獻(xiàn)[25]發(fā)現(xiàn)在以EVD為基礎(chǔ)的超分辨方法前端進(jìn)行BS變換,能得到感興趣區(qū)域的穩(wěn)定DOA估計(jì)。

隨后,一些學(xué)者嘗試著將高分辨算法運(yùn)用到BS域。著名學(xué)者Lee[26]和Zoltowski[27]分別對ES域MUSIC和root-MUSIC算法進(jìn)行了研究并分別提出了BS-MUSIC和BS-root-MUSIC算法。近年來,文獻(xiàn)[28，30]分別推導(dǎo)出了適用于MIMO的BS-ESPRIT和BS-WSF算法。文獻(xiàn)[29]用統(tǒng)一的形式分析了這幾種算法的性能,用一個(gè)簡單的表達(dá)式通過基陣陣列流形和波束形成矩陣等物理量表示了這些算法對方位估計(jì)的均方誤差(mean square error, MSE),討論了使方位估計(jì)MSE最小的波束形成矩陣B的設(shè)計(jì)準(zhǔn)則。

BS域算法大多都采用了數(shù)據(jù)降維處理,把原本以陣元數(shù)為維數(shù)的方位估計(jì)問題轉(zhuǎn)換為以波束數(shù)為維數(shù)的估計(jì)問題。這種維數(shù)的降低,是波束域方法運(yùn)算量下降的基礎(chǔ)。維數(shù)的降低本質(zhì)上使得天線陣觀測的空間區(qū)域變小,也使得陣列空間原本完整的輸出數(shù)據(jù)信息被部分丟棄。因此,BS域算法的估計(jì)準(zhǔn)確度和精度必然受到影響。

一般而言,BS域算法估計(jì)精度與波束數(shù)目及位置有關(guān),然而無論怎樣選取波束形成矩陣B,大多數(shù)BS域算法的克拉美羅下界(Cramer-Raolowerbound,CRLB)總是不小于ES域算法的CRLB[30]。事實(shí)上,為了正確地估計(jì)信號(hào)入射角,BS域算法通常需要假定待測信源在某個(gè)特定的角度分片之內(nèi)。因而,BS域算法通常需要信號(hào)入射角的先驗(yàn)信息。研究發(fā)現(xiàn):只有當(dāng)待測信源在先驗(yàn)已知的入射角度分片內(nèi)時(shí),BS域算法才具有與ES域算法相同的CRLB[30]。

5快速子空間估計(jì)類高效算法

快速子空間估計(jì)類算法致力于提高信號(hào)子空間或噪聲子空間的估計(jì)效率,進(jìn)而降低超分辨算法的計(jì)算量。由于子空間估計(jì)常R矩陣分解實(shí)現(xiàn),因此該類方法的出發(fā)點(diǎn)要么是以快速算法降低矩陣分解的計(jì)算量,要么是選取替代方案徹底避免矩陣分解。

5.1快速矩陣分解類算法

為了降低R分解的計(jì)算量,學(xué)者們提出了許多快速子空間估計(jì)算法,主要包括傳播算子(propagator method, PM)算法[31]、梯度算法[32]、冪迭代算法[33]及由文獻(xiàn)[34]基于Lanczos算子提出的快速子空間分解(fast subspace decomposition, FSD)算法。其中,PM和FSD算法效果最為明顯。PM利用線性運(yùn)算代替EVD和SVD運(yùn)算,能夠快速得到子空間分解值,較好地降低了算法的計(jì)算量。FSD在大陣元數(shù)、小信源數(shù)的DOA估計(jì)問題中具有非常明顯的計(jì)算效率優(yōu)勢,其復(fù)雜度約為

(13)

通常M>L,因此相比于傳統(tǒng)方法O(M3)的計(jì)算量,FSD能大幅降低協(xié)方差矩陣分解的計(jì)算量。

FSD算法的前提是假設(shè)R已知,而以接收數(shù)據(jù)估計(jì)R仍需較大計(jì)算量,故研究無需R估計(jì)的快速子空間估計(jì)方法很有意義。為此,文獻(xiàn)[35]利用多級(jí)維納濾波器在最小均方意義下得到了Wiener-Hopf方程的最優(yōu)解,實(shí)現(xiàn)了無需R估計(jì)的快速子空間估計(jì)方法,同時(shí)有效降低了R分解的復(fù)雜度。

5.2免矩陣分解類算法

為了徹底避免矩陣分解,許多無需矩陣分解的高效算法應(yīng)運(yùn)而生。文獻(xiàn)[6]利用二維L型ULA組合陣列,以L型陣列間相關(guān)協(xié)方差矩陣線性運(yùn)算估計(jì)噪聲子空間,避免了矩陣分解。文獻(xiàn)[36]在最小二乘準(zhǔn)則下建立了線性預(yù)測方程組,通過求解該方程組的解獲得信號(hào)子空間的標(biāo)準(zhǔn)正交基,從而避免了繁雜的矩陣分解運(yùn)算。理論分析和實(shí)驗(yàn)表結(jié)果明,該方法可獲得與MUSIC相當(dāng)?shù)墓烙?jì)性能。文獻(xiàn)[37]基于ULA的旋轉(zhuǎn)不變性,提出了一種無需特征值分解的子空間類算法(subspace-basedmethodwithouteigendecomposition,SUMWE)。該算法通過子陣平均和子陣互相關(guān)處理,以線性運(yùn)算快速估計(jì)噪聲子空間,同時(shí)較好地克服了信號(hào)相關(guān)對于DOA估計(jì)的影響。

免矩陣分解快速子空間估計(jì)算法以線性運(yùn)算代替矩陣EVD或SVD分解迭代過程,大大降低了算法的復(fù)雜度。然而不幸的是,此類算法大多建立在特殊的信號(hào)或陣列結(jié)構(gòu)假設(shè)之上。另外,這類算法通常也只能得到信號(hào)子空間或噪聲子空間的近似值,精度相對較差。

一般而言,子空間估計(jì)的計(jì)算量與陣元數(shù)M的平方成正比,譜峰搜索的計(jì)算量與空間譜采樣點(diǎn)數(shù)J成正比。由于J?M,故子空間估計(jì)的計(jì)算量遠(yuǎn)小于空間譜峰值搜索的計(jì)算量。因此,減少或者徹底避免空間譜峰值搜索是實(shí)現(xiàn)超分辨算法高效性的關(guān)鍵。

6快速搜索類高效算法

快速搜索類算法以降低搜索參量維度、壓縮搜索參量范圍、避免搜索過程等方式實(shí)現(xiàn)超分辨算法的高效性。

6.1降維搜索類算法

降維處理類算法多應(yīng)用于多維參數(shù)的聯(lián)合估計(jì),其目的是將多維搜索降低為有限個(gè)一維搜索,從而降低算法的復(fù)雜度。這類算法意義重大,但研究成果十分有限。

文獻(xiàn)[6]基于L型ULA組合陣列,以L型陣列間相關(guān)協(xié)方差矩陣線性運(yùn)算估計(jì)噪聲子空間,然后基于兩個(gè)一維搜索實(shí)現(xiàn)高精度二維DOA估計(jì)。相比于2D-MUSIC算法,該方法較好地提高了算法在低信噪比和小快拍數(shù)下的估計(jì)性能。文獻(xiàn)[38]針對MIMO中離開角(directionofdepart,DOD)和DOA聯(lián)合估計(jì)問題,利用噪聲投影矩陣的可逆性提出了降維MUSIC(reduceddimensionMUSIC,RD-MUSIC)算法,將2D-MUSIC算法中的二維搜索化簡為一次一維搜索,極大地降低了復(fù)雜度。隨后,文獻(xiàn)[39]討論了RD-MUSIC算法的角度取值情況,進(jìn)一步縮小了搜索范圍。文獻(xiàn)[40]針對多通道DOA和到達(dá)時(shí)間(timeofarrival,TOA)聯(lián)合估計(jì)問題,提出了基于樹結(jié)構(gòu)的TST-MUSIC算法,將二維搜索轉(zhuǎn)換為3次一維搜索。在此基礎(chǔ)上,文獻(xiàn)[41]提出了FSF-MUSIC算法,用3次一維搜索解決二維DOA和信號(hào)頻率聯(lián)合估計(jì)問題;文獻(xiàn)[42]同樣基于樹結(jié)構(gòu)思想提出了用于2D-DOA聯(lián)合估計(jì)的新算法,同時(shí)分析了算法的理論性能。

盡管上述幾種不同的降維搜索類算法已在實(shí)際應(yīng)用中提高了DOA估計(jì)的效率,但遺憾的是,這些算法均或多或少地對算法的適用情景進(jìn)行了限定,如表2所示。因此,如何基于一般陣列結(jié)構(gòu)對多維搜索類算法實(shí)現(xiàn)降維處理,依然是空間譜估計(jì)領(lǐng)域亟待攻克的一個(gè)理論難題。

表2　典型降維搜素類算法對比

6.2分片搜索類算法

分片搜索類算法的目的是將多維譜峰搜索的參量范圍從整個(gè)參量空間縮小到某一感興趣的小參量分片內(nèi),從而有效地降低算法的復(fù)雜度。這類算法常需要借助特殊的陣列結(jié)構(gòu)或預(yù)知的信號(hào)入射角先驗(yàn)信息。

現(xiàn)存的主流分片搜索類算法主要有兩類,一是基于FFT的改進(jìn)算法[43];二是基于BS域變換的數(shù)據(jù)降維處理算法[24-30]。前者依據(jù)ULA下陣列輸出的均勻相移性質(zhì),先以FFT形成多個(gè)波束,初步確定可能的DOA范圍,再利用MUSIC算法在初估計(jì)范圍內(nèi)搜索,最終得到高精度DOA估計(jì)值。后者已在前文進(jìn)行了論述。

近年來,筆者基于參量分片思想提出了全新的高效壓縮譜理論(spectral compression theory, SCT),并發(fā)展了一系列高效超分辨DOA估計(jì)算法[7,44-47]。相比于FFT改進(jìn)算法及BS域降維算法,SCT具有無需角度先驗(yàn)信息、適用任意陣列結(jié)構(gòu)、具有更低噪聲子空間維度、同時(shí)適用1D-DOA和2D-DOA估計(jì)等諸多優(yōu)點(diǎn)。

7免搜索類高效算法

免搜索類算法通過徹底避免繁雜的譜峰搜索過程降低算法的計(jì)算量,其典型代表即為由文獻(xiàn)[48]提出的旋轉(zhuǎn)不變子空間(estimation of signal parameters via rotational invariance techniques, ESPRIT)算法以及由文獻(xiàn)[49]提出的求根MUSIC(root-MUSIC)算法。

7.1旋轉(zhuǎn)不變子空間類算法

當(dāng)陣列存在導(dǎo)向矢量分別為A1(θ)和A2(θ)的兩個(gè)子陣且A1(θ)和A2(θ)滿足

(14)

所示的旋轉(zhuǎn)不變性時(shí),即可用ESPRIT避免峰值搜索。與MUSIC不同,ESPRIT是信號(hào)子空間類算法,它利用陣列信號(hào)子空間之間的旋轉(zhuǎn)不變特性進(jìn)行信號(hào)參數(shù)估計(jì),直接得到信號(hào)DOA估計(jì)的閉式解,從而降低算法的復(fù)雜度[48]。

考慮到ESPRIT仍需對R進(jìn)行EVD或SVD分解,其計(jì)算量依然較大。為了進(jìn)一步降低ESPRIT子空間估計(jì)的復(fù)雜度,學(xué)者們提出了許多低復(fù)雜度改進(jìn)算法。

國外方面,文獻(xiàn)[50]基于PM算子從陣列接收數(shù)據(jù)中快速提取噪聲子空間,而文獻(xiàn)[51]通過求解線性最小均方問題獲得了信號(hào)子空間基。文獻(xiàn)[52-54]利用R的離散傅里葉變換(discreteFouriertransform,DFT)獲取了信號(hào)子空間特征向量。雖然這些方法與ESPRIT相比降低了計(jì)算的復(fù)雜度,便利了算法的實(shí)時(shí)處理,然而它們均需要較多的先驗(yàn)知識(shí),這大大限制了算法的擴(kuò)展性。

國內(nèi)方面,文獻(xiàn)[55]利用R的冪估計(jì)噪聲子空間,然后對噪聲子空間進(jìn)行QR分解并使用R估計(jì)信源個(gè)數(shù)。由于利用了QR分解且噪聲子空間矩陣的維度比R的維度更低,因此,新算法降低了復(fù)雜度。文獻(xiàn)[56]基于共軛梯度算法和矩陣-向量之間的線性運(yùn)算方法實(shí)現(xiàn)了信號(hào)子空間的快速估計(jì)。另一方面,文獻(xiàn)[57-58]利用MIMO系統(tǒng)的信號(hào)特性,分別基于虛擬陣列和矩陣降維思想提出了高效ESPRIT算法。

ESPRIT及其改進(jìn)算法相比于MUSIC類算法雖然極大地降低了復(fù)雜度,同時(shí)在信號(hào)頻率估計(jì)中表現(xiàn)出了優(yōu)于MUSIC類算法的性能(見文獻(xiàn)[59]第4.7節(jié)),但大多數(shù)ESPRIT類算法都是建立在陣列結(jié)構(gòu)的旋轉(zhuǎn)不變性之上的,因此該類算法的應(yīng)用范圍相比于MUSIC類算法較小。

7.2多項(xiàng)式求根類算法

root-MUSIC是求根類高效算法的典型代表。雖然是MUSIC在ULA下的推廣,然而理論分析[60]和實(shí)驗(yàn)結(jié)果[14]均表明:root-MUSIC的估計(jì)精度比MUSIC更優(yōu)。由于root-MUSIC僅適用于ULA,故將經(jīng)典root-MUSIC推廣到任意陣陣列結(jié)構(gòu)成為了該類算法的研究熱點(diǎn)。

就目前研究成果而言,在任意陣列結(jié)構(gòu)下借助多項(xiàng)式求根實(shí)現(xiàn)快速DOA估計(jì)的技術(shù)主要有陣列內(nèi)插(arrayinterpolation,AI)、流形分離(manifoldseparationtechnique,MST)及頻域求根(Fourier-domainrootMUSIC,FD-root-MUSIC),如圖4所示。

圖4　任意陣列求根的主要實(shí)現(xiàn)方式

7.2.1陣列內(nèi)插

AI最早由美國學(xué)者Friedlander[61]提出,其基本出發(fā)點(diǎn)是通過陣列變換使得任意陣列的導(dǎo)向矢量a(θ)具有范德蒙結(jié)構(gòu),即

(15)

式中,b1(θ)是具有M1個(gè)陣元的虛擬ULA的導(dǎo)向矢量;Ψ1是設(shè)計(jì)的內(nèi)插矩陣。由于b1(θ)具有范德蒙結(jié)構(gòu),故可基于內(nèi)插后的虛擬ULA,以多項(xiàng)式求根進(jìn)行DOA估計(jì)。

尋求高效、變換誤差小的陣列內(nèi)插方法是AI技術(shù)的研究熱點(diǎn)。文獻(xiàn)[62]針對2D-CA陣列提出了用于2D-DOA估計(jì)的新算法。新算法利用兩次陣列內(nèi)插得到平移不變子陣,然后利用子陣關(guān)系得到俯仰角,最后利用一維搜索得到方位角,降低了AI轉(zhuǎn)換誤差,但計(jì)算量有所增加。文獻(xiàn)[63]提出了一種Toeplitz-Introduced變換算法,該算法將NULA轉(zhuǎn)換為ULA并利用root-MUSIC和ESPRIT估計(jì)信號(hào)DOA,有效提高了算法的估計(jì)性能。文獻(xiàn)[64]根據(jù)信源分布的先驗(yàn)信息,將AI技術(shù)與數(shù)據(jù)降維聯(lián)合應(yīng)用,提出了一種低復(fù)雜度DOA估計(jì)算法。文獻(xiàn)[65]將圓陣(circular array, CA)轉(zhuǎn)化為ULA且保持陣元間距為半波長,通過陣列孔徑增加思想提出了一種內(nèi)插算法,克服了傳統(tǒng)變換方法將CA轉(zhuǎn)換為ULA時(shí)分辨率不高的缺點(diǎn)。

7.2.2流形分離

MST是近年來出現(xiàn)的另一種將求根類算法推到任意陣列結(jié)構(gòu)的新方法。該方法由意大利青年學(xué)者Belloni[66]提出,其基本思想來源于20世紀(jì)90年代末產(chǎn)生的波形建模公式[67]。MST基本觀點(diǎn)是將任意陣列導(dǎo)向矢量a(θ)近似分裂成兩個(gè)獨(dú)立部分的乘積

(16)

式中,Ψ2只與陣列結(jié)構(gòu)參數(shù)有關(guān)；b2(θ)僅與信號(hào)DOA有關(guān)且可等效為一個(gè)具有M2個(gè)陣元的虛擬ULA的導(dǎo)向矢量。因此,b2(θ)與信號(hào)DOA有關(guān)且具有范德蒙結(jié)構(gòu)。由于信號(hào)DOA包含于具有范德蒙結(jié)構(gòu)的b2(θ)之中,故可利用該部分以多項(xiàng)式求根估計(jì)DOA。

與AI相比,MST無需進(jìn)行角度區(qū)間分割,故其變換誤差更小。另外,MST的所有信號(hào)處理均是在ES域進(jìn)行的,這避免了BS域變換與生俱來的映射誤差。然而,MST為了達(dá)到足夠精度,需對陣列流形互耦、天線誤差、陣元取向和陣元位置等非理想因素進(jìn)行校正。與AI相似,MST在得到近似多項(xiàng)式后,基于root-MUSIC估計(jì)信號(hào)DOA的精度與該多項(xiàng)式的階數(shù)密切相關(guān)。通常,階數(shù)M2需按式(17)準(zhǔn)則選取以保證足夠估計(jì)精度:

M2≈4kQ

(17)

式中,k是信號(hào)波數(shù);Q是陣列最大孔徑。大階數(shù)M2的選取使得MST常需對遠(yuǎn)大于陣元數(shù)的多項(xiàng)式求根。例如,對一個(gè)16陣元德URA,MST需對階數(shù)高達(dá)55的多項(xiàng)式求根[68]。因此,MST復(fù)雜度改善未必十分明顯。

目前,對MST研究成果較少。國外方面,文獻(xiàn)[69]分析了MST的理論性能,給出了以MST進(jìn)行DOA估計(jì)的“漸進(jìn)”MSE封閉表達(dá)式。文獻(xiàn)[70]提出了基于MST的2D-DOA估計(jì)算法,在無需精確已知導(dǎo)向矢量的條件下以多項(xiàng)式求根得到俯仰角和方位角估計(jì)值。國內(nèi)方面,文獻(xiàn)[71]對MST性能進(jìn)行了全面仿真分析,揭示了MST性能主要取決于信噪比(signal-to-noise ratio, SNR)和模式數(shù)的基本事實(shí)。文獻(xiàn)[72]將MST采樣矩陣的求取轉(zhuǎn)化為最小二乘問題,以root-MUSIC算法解決非均勻圓陣(non-uniform CA, NUCA)下的DOA估計(jì)問題。文獻(xiàn)[73]將MST和PM綜合,解決了2D-UCA下DOA估計(jì)精度因陣元數(shù)減少而下降的難題。

7.2.3頻域求根

FD-root-MUSIC由德國學(xué)者Rübsamen[68]提出,其利用了如下數(shù)學(xué)事實(shí):任意陣列結(jié)構(gòu)下的MUSIC空間譜函數(shù)fMUSIC(θ)是關(guān)于信號(hào)入射角θ的周期函數(shù),其周期為2π,即

(18)

眾所周知,任何一個(gè)周期函數(shù)都可近似表示為無限長度的傅里葉級(jí)數(shù)。由于傅里葉級(jí)數(shù)具有范德蒙結(jié)構(gòu),故可利用多項(xiàng)式求根實(shí)現(xiàn)快速DOA估計(jì)。FD-root-MUSIC據(jù)此將MUSIC空間譜表示為無限長度的傅里葉級(jí)數(shù),然后基于一定準(zhǔn)則對該級(jí)數(shù)進(jìn)行如式(19)所示的截?cái)唷?/p>

(19)

式中,系數(shù)Fm可通過數(shù)據(jù)填充和FFT求解得到。

業(yè)已證明:在相同截?cái)嚅L度下,即M2=M3時(shí),FD-root-MUSIC具有比MST更好的估計(jì)精度[68]。由于FD-root-MUSIC對無限長傅里葉級(jí)數(shù)進(jìn)行了有限截?cái)?因此該級(jí)數(shù)的階數(shù)通常需要取值很大以保證足夠的近似精度,而高階多項(xiàng)式求根復(fù)雜度依然很高。為了克服該缺點(diǎn),文獻(xiàn)[74]基于傅里葉級(jí)數(shù)的勞倫結(jié)構(gòu)對FD-root-MUSIC進(jìn)行了改進(jìn),新算法在保持估計(jì)精度不下降的同時(shí),降低了多項(xiàng)式的求根階數(shù),減少了算法的復(fù)雜度。目前,尚未見FD-root-MUSIC算法在2D-DOA估計(jì)中的研究報(bào)道。

除root-MUSIC之外,求根類算法還包括root-WSF[75]、root-SUMWE[76]、root-MNM[77]以及root-Capon[78]等,由于這類算法的原型都是針對ULA提出的,因此,可用AI和MST技術(shù)來對這些算法的適用陣形進(jìn)行擴(kuò)展。

需要強(qiáng)調(diào)的是:求根類DOA估計(jì)算法常以迭代方法求解多項(xiàng)式的根,因此該類算法的計(jì)算效率會(huì)受求根多項(xiàng)式階數(shù)(由陣元數(shù)決定)的顯著影響,如圖5所示。仿真平臺(tái)及仿真條件如下：Intel(R) Core(TM)2 Duo CPU, 2 GHz, 1 GB內(nèi)存,半波長ULA,快拍數(shù)100,信噪比10 dB,信號(hào)DOA為30°和50°,MUSIC譜峰值搜索步長為0.005 3°。

圖5　仿真時(shí)間與陣元數(shù)關(guān)系

由圖5可見，當(dāng)陣元數(shù)較大時(shí),相比于搜索類算法,求根類算法的計(jì)算效率未必突出。因此,對于root-MUSIC、root-MNM、root-WSF等經(jīng)典求根算法以及A1、MST、FD-root-MUSIC等新型技術(shù),它們在工程應(yīng)用中均會(huì)面臨如何快速求根的問題。因此,根據(jù)空間譜估計(jì)的具體理論模型和應(yīng)用背景,研究適合于快速DOA估計(jì)的求根類算法的“實(shí)現(xiàn)”方法,是目前亟待解決的一個(gè)理論問題。

8典型算法仿真分析

本節(jié)對上述5類高效超分辨算法中具有代表性的典型算法進(jìn)行計(jì)算機(jī)仿真分析和對比。由于這5類算法都具有超分辨性能和高計(jì)算效率,因此實(shí)驗(yàn)重點(diǎn)考察和對比分析各類算法的估計(jì)性能和計(jì)算效率。

實(shí)驗(yàn)選取的典型算法為:實(shí)值運(yùn)算類算法U-MUSIC[9]、波束域變換類算法BS-MUSIC[26]、快速子空間估計(jì)類算法SUMWE-MUSIC(先以SUMWE估計(jì)噪聲子空間,后以MUSIC估計(jì)DOA)[37]、快速峰值搜索類算法C-MUSIC[45]和免峰值搜索類算法ESPRIT[48]。其中,BS-MUSIC角度變換區(qū)域?yàn)?0°~40°,波束數(shù)為T=6,波束形成矩陣B按BS5方法計(jì)算(詳見文獻(xiàn)[79]第4.4.1節(jié))。C-MUSIC壓縮倍數(shù)為β=2。各仿真結(jié)果均為1 000次Monte-Carlo統(tǒng)計(jì)均值。

8.1不同算法的估計(jì)性能對比

圖6給出了利用6種高效算法進(jìn)行DOA估計(jì)的MSE值隨SNR的變化對比曲線。為了強(qiáng)化比較,實(shí)驗(yàn)同時(shí)引入MUSIC[2]和無限制CRLB[80]作為性能參考。實(shí)驗(yàn)參數(shù)設(shè)置如下：12陣元半波長ULA,快拍數(shù)為200,信號(hào)數(shù)為2,DOA為30°和50°。譜搜索步長0.005 3°。

圖6　估計(jì)精度與信噪比關(guān)系

由圖6可見:

(1) 6種算法中,U-MUSIC估計(jì)精度最高,其在低信噪比下也表現(xiàn)出非常接近于CRLB的估計(jì)性能。事實(shí)上,類似結(jié)論已從同類超分辨算法的復(fù)值版本和實(shí)值版本比較中獲得[8-9,14-15]。因此,實(shí)值類算法實(shí)現(xiàn)了計(jì)算高效性和估計(jì)高精度的雙贏[22]。

(2) ESPRIT的估計(jì)精度均差于其他5類算法?？紤]到ESPRIT相比于搜索類算法避免了峰值搜索,相比于求根類算法避免了高階多項(xiàng)式求根,故ESPRIT是5類快速算法中以精度換取低復(fù)雜度最為高效的一種算法[22,45,48]。

(3) BS-MUSIC、SUMWE-MUSIC和C-MUSIC的精度相當(dāng)且接近于MUSIC。隨著SNR提高,3種高效算法的MSE均趨向于CRLB,故這3類高效算法在降低計(jì)算量的同時(shí),未引起估計(jì)精度的過大犧牲[26-27,45,79]。

8.2不同算法的計(jì)算效率對比

圖7給出了6種算法的仿真時(shí)間隨陣元數(shù)的變化關(guān)系。仿真平臺(tái)及仿真條件如下：Intel(R) Core(TM)2 Duo CPU, 2 GHz, 1 GB內(nèi)存,ULA,快拍數(shù)200,信噪比10 dB,信號(hào)DOA為30°和50°,搜索類算法搜索范圍20°~40°,搜索步長0.005 3°。

圖7　仿真時(shí)間與陣元數(shù)關(guān)系

由圖7可見:

(1) 5種高效算法相比于MUSIC均大幅提高了算法的計(jì)算效率。當(dāng)陣元數(shù)較大時(shí),這種計(jì)算效率優(yōu)勢越發(fā)明顯；

(2) 由于徹底避免了峰值搜索[47],ESPRIT相比于其他5類搜索類算法表現(xiàn)出最為明顯的計(jì)算效率優(yōu)勢；

(3) U-MUSIC借助實(shí)值變換減少了約75%計(jì)算量[9],其計(jì)算效率在5種搜索類算法中最高；

(4) C-MUSIC將搜索范圍進(jìn)行了β倍壓縮且相比于其他5類搜索類算法降低了噪聲子空間的維度[45],故其表現(xiàn)出僅次于U-MUSIC的計(jì)算效率[22]；

(5) BS-MUSIC和SUMWE-MUSIC分別降低了數(shù)據(jù)的維度和子空間估計(jì)的計(jì)算量,但未減少峰值搜索范圍[26,37],故二者的計(jì)算效率相當(dāng)并略差于C-MUSIC。

由上述仿真分析可見:大多數(shù)高效超分辨算法在降低算法計(jì)算量的同時(shí),較好保持甚至提高了算法的估計(jì)性能。然而需要注意的是,相比于經(jīng)典MUSIC,這些高效算法或多或少地引入了一定的假設(shè)條件。例如,U-MUSIC等實(shí)值運(yùn)算類算法需要陣列滿足中心對稱性,BS-MUSIC等波束域變換變換類算法需假定待估計(jì)DOA位于特定角度區(qū)域之內(nèi),SUMWE等快速子空間估計(jì)類算法依賴于陣列結(jié)構(gòu)的旋轉(zhuǎn)不變性;C-MUSIC等快速搜索類算法對陣元數(shù)有更強(qiáng)限制(M>βL)[45]。因此,在工程應(yīng)用中,應(yīng)根據(jù)實(shí)際條件靈活選擇各類高效算法。

9結(jié)束語

空間譜估計(jì)技術(shù)經(jīng)過了近30年的蓬勃發(fā)展,已經(jīng)取得了異常輝煌的研究成果,然而實(shí)際工程化的不斷深入使得學(xué)者們不得不將研究的重心由最初對算法性能的無限追求不斷轉(zhuǎn)化到算法在實(shí)際工程應(yīng)用中的落實(shí)中來。因此,如何在復(fù)雜環(huán)境中快速、有效地進(jìn)行多源信號(hào)測向仍是目前亟待解決的一大難題。

本文全面回顧總結(jié)了高效超分辨算法的發(fā)展歷史和最新進(jìn)展,分析對比了實(shí)值運(yùn)算、波束域變換、多項(xiàng)式求根及子空間4大類高效超分辨算法的優(yōu)缺點(diǎn)?；谏鲜龇治霾浑y看出,在超分辨算法的高效性方面仍有以下問題亟待學(xué)者們深入研究:

(1) 任意陣列結(jié)構(gòu)下的降維搜索類算法。在許多實(shí)際應(yīng)用中,常會(huì)以計(jì)算量龐大的多維空間搜索聯(lián)合估計(jì)入射信號(hào)的頻率、極化、DOA、TOA等參數(shù)。雖然近年來產(chǎn)生了一些降維搜索類算法,但其或多或少地對陣列結(jié)構(gòu)進(jìn)行了限定。近年來,筆者提出了壓縮譜理論,較好地解決了任意陣列結(jié)構(gòu)下的高效超分辨DOA估計(jì)問題,但其相比于降維搜索算法的高效性仍有一定距離。因此,適用于任意陣列結(jié)構(gòu)的降維搜索算法是超分辨領(lǐng)域亟待攻克的一個(gè)理論難題。

(2) 任意陣列結(jié)構(gòu)下的實(shí)值類算法。實(shí)值類算法相比于復(fù)值類算法實(shí)現(xiàn)了低復(fù)雜度和高精度的雙重收益,然而現(xiàn)存的實(shí)值算法幾乎都是基于CSA結(jié)構(gòu)提出的,這極大地限制了實(shí)值類算法的應(yīng)用范圍。近年來,筆者提出了適用于任意陣列結(jié)構(gòu)的半實(shí)值類超分辨算法,在實(shí)值化算法的陣列結(jié)構(gòu)普適性方面邁出了過渡性的一步,但目前仍未見任意陣列結(jié)構(gòu)下的實(shí)值類算法報(bào)道,因此該方面工作仍然需要深入研究。

(3) 求根類算法的實(shí)際工程化。在實(shí)際工程中,常常需借助迭代算法求解多項(xiàng)式的根,進(jìn)而估計(jì)信號(hào)DOA。因此,求根類算法在實(shí)際工程應(yīng)用中必然均會(huì)面臨如何快速求根的問題。一般而言,迭代計(jì)算因受初值設(shè)置和迭代方法的影響常會(huì)出現(xiàn)迭代費(fèi)時(shí)、收斂錯(cuò)誤甚至不收斂的問題。因此,如何根據(jù)空間譜估計(jì)的具體應(yīng)用背景,提出高效、穩(wěn)健的求根類DOA估計(jì)算法實(shí)現(xiàn)途徑是需要解決的一個(gè)實(shí)際問題。

參考文獻(xiàn)：

[1] Krim J, Viberg M. Two decades of array signal processing[J].IEEESignalProcessingMagazine, 1996, 13(4):67-94.

[2] Schmidt R O. Multiple emitter location and signal parameter estimation[J].IEEETrans.onAntennasandPropagation, 1986, 34(3): 276-280.

[3] Zeng W J, So H C, Huang L.lp-MUSIC: robust direction of arrival estimator for impulsive noise environments[J].IEEETrans.onSignalProcessing, 2013, 61(17): 4296-4308.

[4] He Z Q, liu Q H, Jin L N, et al. Low complexity method for DOA estimation using array covariance matrix sparse representation[J].ElectronicsLetters, 2013, 49(3): 228-230.

[5] Ying D W, Yan Y H. Robust and fast localization of single speech source using a planar array[J].IEEESignalProcessingLetters, 2013, 20(9):909-912.

[6] Wang G M, Xin J M, Zheng N N, et al. Computationally efficient subspace-based method for two-dimensional direction estimation with L-shaped array[J].IEEETrans.onSignalProcessing, 2011, 59(7): 3197-3212.

[7] Yan F G, Jin M, Qiao X L. Source localization based on symmetrical MUSIC and its statistical performance analysis[J].ScienceinChinaseriesF:InformationSciences, 2013, 56(6):062307(13).

[8] Haardt M, Nossek J A. Unitary ESPRIT: how to obtain increased estimation accuracy with a reduced computational burden[J].IEEETrans.onSignalProcessing, 1995, 43(5):1232-1242.

[9] Huarng K C, Yeh C C. A unitary transformation method for angle of arrival estimation[J].IEEETrans.onSignalProcessing, 1991, 39(3): 975-977.

[10] Linebarger D A, DeGroat R D, Dowling E M. Efficient direction finding methods employing forward-backward averaging[J].IEEETrans.onSignalProcessing, 1994, 42(8): 2136-2145.

[11] Roemer F, Haardt M. Multidimensional unitary sensor-ESPRIT for non-circular sources[C]∥Proc.oftheInternationalConferenceonAcoustics,Speech,andSignalProcessing(ICASSP), 2009:3577-3580.

[12] Steinwandt J, de Lamare R C, Haardt M. Knowledge-aided direction finding based on Unitary ESPRIT[C]∥Proc.ofthe5thAsilomarConferenceonSignals,SystemsandComputers(ACSSC), 2011:613-617.

[13] Gershman A B, Haardt M. Improving the performance of unitary ESPRIT via pseudo-noise resampling[J].IEEETrans.onSignalProcessing, 1999, 47(8): 2305-2308.

[14] Pesavento M, Gershman A B, Haardt M. Unitary root-MUSIC with a real-valued eigendecomposition: a theoretical and experimental performance study[J].IEEETrans.onSignalProcessing, 2000, 48 (5):1306-1314.

[15] Gershman A B, Stoica P. On unitary and forward-backward MODE[J].DigitalSignalProcessing, 1999, 9(2):67-75.

[16] Mahata K, Soderstrom T. ESPRIT-Like estimation of real-valued sinusoidal frequencies[J].IEEETrans.onSignalProcessing, 2004, 52(5): 1161-1170.

[17] Selva J. Computation of spectral and root MUSIC through real polynomial rooting[J].IEEETrans.onSignalProcessing, 2005, 53 (5): 1923-1927.

[18] Kikuma N. Performance analysis of unitary Capon method for DOA estimation with high computational efficiency[C]∥Proc.oftheInternationalSymposiumonAntennasandPropagation(ISAP), 2005:313-315.

[19] Yilmazer N, Koh J, Sarkar T K. Utilization of a unitary transform for efficient computation in the matrix pencil method to find the direction of arrival[J].IEEETrans.onSignalProcessing, 2006, 54(1):175-181.

[20] Akkar S, Gharsallah A. Reactance domains unitary MUSIC algorithms based on real-valued orthogonal decomposition for electronically steerable parasitic array radiator antennas[J].IETMicrowaves,Antennas&Propagation,2012,6(2):223-230.

[21] Zheng G M, Chen B X, Yang M L. Unitary ESPRIT algorithm for bistatic MIMO radar[J].ElectronicsLetters, 2012, 48(3):179-181.

[22] Yan F G, Jin M， Liu S, et al. Real-valued MUSIC for efficient direction estimation with arbitrary array geometries[J].IEEETrans.onSignalProcessing, 2014, 62(6): 1548-1560.

[23] Hang R, Lamare R C. Robust Adaptive beamforming using a low-complexity shrinkage-based mismatch estimation algorithm[J].IEEESignalProcessingLetters, 2014, 21(1): 60-64.

[24] Bienvenu G, Kopp L D. High resolution method sensitivity by conventional beamformer preprocessing[C]∥Proc.oftheInternationalConferenceonAcoustics,Speech,andSignalProcessing(ICASSP),1986:13-20.

[25] Byrne C, Steele A. Sector-focused stability for high resolution array processing[C]∥Proc.oftheInternationalConferenceonAcoustics,Speech,andSignalProcessing(ICASSP), 1987: 2340-2343.

[26] Lee H, Wengrovitz M. Resolution threshold for beamspace MUSIC for two closely-spaced emitters[J].IEEETrans.onAcoustics,SpeechandSignalProcessing,1990,38(9):1545-1549.

[27] Zoltowski M D, Kautz G M, Silverstein S D,et al. Beamspace root-MUSIC[J].IEEETrans.onSignalProcessing, 1993, 41(1): 344-364.

[28] Guo Y D, Zhang Y S, Tong N N. Beamspace ESPRIT algorithm for bistatic MIMO radar[J].ElectronicsLetters, 2011, 47(15):876-878.

[29] Fu L, Liu H. Statistical analysis of beam-space estimation for direction of arrivals[J].IEEETrans.onSignalProcessing, 1994, 42(3):604-610.

[30] Stoica P, Nehorai A. Comparative performance study of element space and beamspace music estimators[J].SignalProcessing, 1991, 10(11): 285-292.

[31] Akkar S, Harabi F, Gharsallah A. Improved reactance domain unitary propagator algorithms for electronically steerable parasitic array radiator antennas[J].IETMicrowaves,Antennas&Propagation, 2013, 7(1):112-116.

[32] Zhuang X B, Cui X W, Lu M Q, et al. Low-complexity method for DOA estimation based on ESPRIT[J].JournalofSystemEngineeringandElectronics, 2010, 21(5): 729-733.

[33] Guo X S, Wan Q, Yang W L, et al. Fast DOA tracking of coherently distributed sources based on subspace updating[C]∥Proc.oftheInternationalConferenceonRadar, 2006:16-19.

[34] Xu G H, Kailath T. Fast subspace decomposition[J].IEEETrans.onSignalProcessing, 1994, 42(3):539-551.

[35] Goldstein J S, Reed I S, Scharf L L. A multi-stage representation of the wiener filter based on orthogonal projections[J].IEEETrans.onInformationTheory,1998,44(7):2943-2959.

[36] Davila C E, Azmoodeh M. Efficient estimation of the signal subspace without eigendecomposition[J].IEEETrans.onSignalProcessing,1994,42(1):236-239.

[37] Xin J M, Sano A. Computationally efficient subspace-based method for direction-of-arrival estimation without eigendecomposition[J].IEEETrans.onSignalProcessing,2004,52(4):876-893.

[38] Hasan M A, Azimi-Sadjadi M R, Hasan A A. Rational invariant subspace approximations with applications[J].IEEETrans.onSignalProcessing, 2000, 48(11):3032-3041.

[39] Zhang X F, Xu L Y, Xu D Z. Direction of departure (DOD) and direction of arrival (DOA) estimation in MIMO radar with reduced-dimension MUSIC[J].IEEESignalProcessingLetters, 2010, 14(12):1161-1163.

[40] Jin H, Swamy M N S, Ahmad M O. Joint DOD and DOA estimation for MIMO array with velocity receive sensors[J].IEEESignalProcessingLetters, 2011, 18(7):399-402.

[41] Wang Y Y, Chen J T, Fang W H. TST-MUSIC for Joint DOA-Delay estimation[J].IEEETrans.onSignalProcessing, 2001, 49(4):721-729.

[42] Lin J D, Fang W H, Wang Y Y, et al. FSF MUSIC for Joint DOA and frequency estimation and its performance analysis[J].IEEETrans.onSignalProcessing,2006,54(12):4529-4542.

[43] Wang Y Y, Lee L C, Yang S J, et al. A tree structure one-dimensional based algorithm for estimating the two-dimensional direction of arrivals and its performance analysis[J].IEEETrans.onAntennasandPropagation, 2008, 56(1):178-188.

[44] Ji Z Y, Yang X H. Improved algorithm of DOA based on FFT and MUSIC[J].JournalofSystemSimulation, 2010, 22(2):487-490.(計(jì)征宇, 楊向華. 基于FFT與MUSIC的改進(jìn)DOA估計(jì)算法[J].系統(tǒng)仿真學(xué)報(bào), 2010, 22(2):487-490.)

[45] Yan F G, Jin M, Qiao X, et al. Low-complexity DOA estimation based on compressed MUSIC and its performance analysis[J].IEEETrans.onSignalProcessing,2013,61(8):1915-1930.

[46] Yan F G, Liu S, Jin M, et al. Fast DOA estimation based on MUSIC symmetric compressed spectrum[J].SystemsEngineeringandElectronics,2012,34(11):2198-2202.(閆鋒剛,劉帥,金銘,等.基于MUSIC對稱壓縮譜的快速DOA估計(jì)[J].系統(tǒng)工程與電子技術(shù), 2012, 34(11):2198-2202.)

[47] Yan F G, Jin M, Qiao X L. Fast 2-D DOA estimation method in transformed domain with arbitrary arrays[J].ActaElectronicaSinica, 2013, 41(5):936-942. (閆鋒剛, 金銘,喬曉琳. 適用于任意陣列的變換域二維波達(dá)角快速估計(jì)算法[J].電子學(xué)報(bào), 2013, 41(5):936-942.)

[48] Paulraj A, Roy R, Kailath T. A subspace rotation approach to signal parameter estimation[J].IEEETrans.onSignalProcessing, 1986, 74(6):1044-1046.

[49] Barabell A J. Improving the resolution performance of eigenstructure-based direction-finding algorithms[C]∥Proc.oftheInternationalConferenceonAcoustics,Speech,andSignalProcessing(ICASSP), 1983: 336-339.

[50] Marcos S, Benidir M. On a high resolution array processing method non-based on the eigenanalysis approach[C]∥Proc.oftheIEEEInternationalConferenceonAcoustics,Speech,andSignalProcessing(ICASSP), 1990：2955-2958.

[51] Xin J M, Akira S. Computationally efficient subspace-based method for direction-of-arrival estimation without eigendecomposition[J].IEEETrans.onSignalProcessing, 2004, 52(4):876-893.

[52] Carlos E D, Masoud A. Efficient estimation of the signal subspace without eigendecomposition[J].IEEETrans.onSignalProcessing, 1994, 42(1): 236-239.

[53] Arnab K S, Xia W. Minimum-norm method without eigendecomposition[J].IEEESignalProcessingLetters, 1994, 1 (1):12-14.

[54] Alex B G. Direction of arrival estimation using generalized minimum norm approach[J].ElectronicsLetters, 1991, 27(16): 122-126.

[55] Bao Z Q, Wu S J, Zhang L R, et al. A novel and low complexity ESPRIT method[J].JournalofElectronicsandInformationTechnology, 2007, 29(9): 2042-2046.

[56] Zhuang X B, Cui X W, Lu M Q, et al. Low-complexity method for DOA estimation based on ESPRIT[J].JournalofSystemsEngineeringandElectronics, 2010, 10(5):2042-2046.

[57] Yang M L, Chen B X, Yang X Y. Conjugate ESPRIT algorithm for bisatic MIMO radar[J].ElectronicsLetters, 2010, 46(25):1692-1694.

[58] Zhang X, Xu D. Low-complexity ESPRIT-based DOA estimation for colocated MIMO radar using reduced-dimension transformation[J].ElectronicsLetters, 2011, 47(4): 283-284.

[59] Stoica P, Moses R L.Spectralanalysisofsignals[M].New Jersey: Prentice Hall Press, 2005.

[60] Rao B D, Hari K V S. Performance analysis of root-MUSIC[J].IEEETrans.onAcoustics,SpeechandSignalProcessing,1989，37(12): 1939-1949.

[61] Friedlander B, Weiss A J. Direction finding using spatial smoothing with interpolated arrays[J].IEEETrans.onAerospaceandElectronicSystems, 1992, 28(2):574-587.

[62] Sun X J, Zhang G Y, Tang B, et al. Circle array receiving signal 2D-DOA separable estimation based on twice virtual interpolations[J].JournalofElectronics&InformationTechnology, 2008, 30 (8):1890-1892. (孫學(xué)軍,張高毅,唐斌,等. 基于二次虛擬內(nèi)插的圓陣接收2D-DOA分離估計(jì)[J].電子與信息學(xué)報(bào), 2008, 30(8):1890-1892.)

[63] Ming L A. Toeplitz-induced mapping technique in sensor array processing[J].IEEETrans.onSignalProcessing, 1995, 43 (5):1128-1139.

[64] Qi C Y, Chen Z J, Zhang Y S, et al. Rapid DOA estimation algorithm based on projection pretransformation[J].SystemsEngineeringandElectronics, 2006, 28(4): 525-528.(齊崇英,陳志杰,張永順,等.基于投影預(yù)變換的快速DOA估計(jì)算法[J].系統(tǒng)工程與電子技術(shù),2006,28(4):525-528.)

[65] Wang Y L, Chen H, Wan S H. An effective DOA method via virtual array transformation[J].ScienceinChinaSeriesF:InformationSciences,2001,44(1):75-82.

[66] Belloni F, Richter A, Koivunen V. DOA estimation via manifold separation for arbitrary array structures[J].IEEETrans.onSignalProcessing, 2007, 55(10): 4800-4810.

[67] Doron M A, Doron E. Wavefield modeling and array processing, Part II-algorithms[J].IEEETrans.onSignalProcessing, 1994, 42(10): 2560-2570.

[68] Belloni F, Richter A, Koivunen V. Extension of root-MUSIC to non-ULA array configurations[C]∥Proc.oftheInternationalConferenceonAcoustics,Speech,andSignalProcessing(ICASSP), 2006：4-19.

[69] Rubsamen M, Gershman A B. Direction-of-arrival estimation for nonunifom sensor arrays: from manifold separation to Fourier domain music methods[J].IEEETrans.onSignalProcessing, 2009, 57(2): 588-599.

[70] Costa M, Koivunen V, Richter A. Low complexity azimuth and elevation estimation for arbitrary array configurations[C]∥Proc.oftheInternationalConferenceonAcoustics,Speech,andSignalProcessing(ICASSP), 2009:2185-2188.

[71] Zhao C, Yuan Y S. DoA estimaiton via manifold separation technique[J].Science&TechnologyReview, 2008, 26(13): 40-43. (趙超, 袁業(yè)術(shù). 基于流行分離的DOA估計(jì)算法[J].科技導(dǎo)報(bào), 2008, 26(13): 40-43.)

[72] Lu H J, Zhang X H, Xiong X. Application of manifold separation technique in non-uniform circular array[J].ActaArmamentarii,2011,32(9):10-13.(盧海杰,章新華,熊鑫,等.流形分離在非均勻圓陣上的應(yīng)用[J].兵工學(xué)報(bào),2011,32(9):10-13.)

[73] Pan J, Zhou J J, Jiang F. A fast algorithm of DOA estimation for sparse uniform circular array based on manifold separation technique (MST)[J].JournalofElectronics&InformationTechnology, 2010, 32(4):964-966. (潘捷, 周建江, 汪飛. 基于流形分離技術(shù)的稀疏均勻圓陣快速DOA估計(jì)方法[J].電子與信息學(xué)報(bào), 2010, 32(4): 964-966.)

[74] Zhuang J, Li W, Manikas A. Fast root-MUSIC for arbitrary arrays[J].ElectronicsLetters, 2010, 46(2):174-176.

[75] Hyberg P, Jansson M, Ottersten B. Array interpolation and DOA MSE reduction[J].IEEETrans.onSignalProcessing, 2005, 53(12):4464-4471.

[76] Kenaga H I, Chige K I, Arai H. High-resolution and low-cost DOA estimation by modified Root-SUMWE method[C]∥Proc.oftheInternationalSymposiumonAntennasandPropagation(ISAP), 2012, 8(2): 351-354.

[77] Krim H, Forster P, Proakis J G. Operator approach to performance analysis of root-MUSIC and root-min-norm[J].IEEETrans.onSignalProcessing, 1992, 40(7):1687-1696.

[78] Wu J X, Wang T, Suo Z Y, et al. DOA estimation for ULA by spectral Capon rooting method[J].ElectronicsLetters, 2009,45(1):84-85.

[79] Wang Y L, Chen H, Peng Y N, et al.Spatialspectralestimationtheoryandalgorithm[M].Beijing: Tsinghua University Press, 2009.(王永良,陳輝,彭應(yīng)寧,等. 空間譜估計(jì)理論與算法[M].北京:清華大學(xué)出版社, 2009.)

[80] Stoica P, Nehorai A. Performance study of conditional and unconditional direction-of-arrival estimation[J].IEEETrans.onAcoustics,SpeechandSignalProcessing,1990,38(10):1783-1795.

閆鋒剛(1982-),男,講師,博士,主要研究方向?yàn)殛嚵行盘?hào)處理及統(tǒng)計(jì)性能分析。

E-mail:yfglion@163.com

沈毅(1965-),男,教授,博士研究生導(dǎo)師,博士,主要研究方向?yàn)橹悄軝z測、控制及信號(hào)處理。

E-mail:shen@hit.edu.cn

劉帥(1980-),男,副教授,博士,主要研究方向?yàn)殛嚵行盘?hào)處理。

E-mail:liushuaiboy@163.com

金銘(1968-),男,教授,博士研究生導(dǎo)師,博士,主要研究方向?yàn)槔走_(dá)對抗及陣列信號(hào)處理。

E-mail:hit0987@sohu.com

喬曉林(1948-),男,教授,博士研究生導(dǎo)師,博士,主要研究方向?yàn)樾盘?hào)處理、無線通信、特種雷達(dá)、極化敏感陣列信號(hào)。

E-mail:paulqiao@sohu.com

網(wǎng)絡(luò)優(yōu)先出版地址：http://www.cnki.net/kcms/detail/11.2422.TN.20141229.1543.001.html

Overview of efficient algorithms for super-resolution DOA estimates

YAN Feng-gang1, SHEN Yi2, LIU Shuai1, JIN Ming1, QIAO Xiao-lin1

(1.SchoolofInformationandElectricalEngineering,HarbinInstituteofTechnologyat

Weihai,Weihai264209,China; 2.SchoolofAstronautics,Harbin

InstituteofTechnology,Harbin150001,China)

Abstract:Computationally efficient methods for super-resolution direction of arrival (DOA) estimation aim to reduce the complexity of conventional techniques, to economize on the costs of systems and to enhance the robustness of DOA estimators against array geometries and other environmental restrictions, which has been an important topic in the field. According to the theory and elements of the multiple signal classification (MUSIC) algorithm and the primary derivations from MUSIC, state-of-the-art efficient super-resolution DOA estimators are classified into five different types. These five types of approaches reduce the complexity by real-valued computation, beam-space transformation, fast subspace estimation, rapid spectral search, and no spectral search, respectively. With such a classification, comprehensive overviews of each kind of efficient methods are given and numerical comparisons among these estimators are also conducted to illustrate their advantages. Future development trends of efficient algorithms for super-resolution DOA estimates are finally predicted with basic requirements of real-world applications.

Keywords:efficient super-resolution algorithm; real-valued computation; beam-space transformation; fast subspace estimation; rapid spectral search; no spectral search

作者簡介：

中圖分類號(hào)：TN 959.2

文獻(xiàn)標(biāo)志碼：A

DOI:10.3969/j.issn.1001-506X.2015.07.01

基金項(xiàng)目：山東省自然基金(ZR2014FQ003)；中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金(HIT.NSRIF.2016102);中國博士后科學(xué)基金(2015M571414);哈爾濱工業(yè)大學(xué)(威海)?？茖W(xué)研究基金(HIT(WH)201411)資助課題

收稿日期：2014-08-15；修回日期：2014-10-29；網(wǎng)絡(luò)優(yōu)先出版日期：2014-12-29。