劉慶華， 周秀清， 晉良念

桂林電子科技大學(xué)， 廣西信息科學(xué)實(shí)驗(yàn)中心， 桂林 541004

相關(guān)色噪聲下無冗余累積量稀疏表示DOA估計(jì)

劉慶華*， 周秀清， 晉良念

桂林電子科技大學(xué)， 廣西信息科學(xué)實(shí)驗(yàn)中心， 桂林 541004

針對(duì)傳統(tǒng)均勻線陣中四階累積量計(jì)算復(fù)雜度大、對(duì)快拍數(shù)敏感的問題，提出了一種快速去冗余的高分辨波達(dá)方向估計(jì)新方法。該方法首先通過構(gòu)造選擇矩陣對(duì)四階累積量矩陣進(jìn)行第1次降維處理，摒棄傳統(tǒng)四階累積量中大量冗余數(shù)據(jù)，然后對(duì)無冗余累積量矩陣進(jìn)行矢量化并通過二次降維得到統(tǒng)計(jì)性能更優(yōu)的向量觀測(cè)模型，最后在相應(yīng)的過完備基下建立觀測(cè)模型的稀疏表示進(jìn)行波達(dá)方向(Direction of Arrival，DOA)估計(jì)。同時(shí)將方法推廣到L型陣列2維DOA估計(jì)，擴(kuò)展了其應(yīng)用范圍。與傳統(tǒng)的四階累積量方法相比，該方法大大地減小了計(jì)算量，對(duì)快拍數(shù)要求不高，并且能夠有效地抑制相關(guān)色噪聲。理論分析和仿真實(shí)驗(yàn)驗(yàn)證了該方法對(duì)1維和2維DOA估計(jì)都具有較高的估計(jì)精度和分辨率。

波達(dá)方向(DOA)估計(jì)； 四階累積量； 稀疏表示； 相關(guān)色噪聲； 無冗余

信號(hào)的波達(dá)方向(Direction of Arrival,DOA)估計(jì)是空間譜估計(jì)的基本問題，目前研究中，其大部分算法是在天線陣元噪聲為白噪聲的理想環(huán)境下有效。但是，實(shí)際應(yīng)用的空間譜估計(jì)中噪聲往往為有色噪聲，且噪聲之間是相關(guān)的，這樣導(dǎo)致傳統(tǒng)DOA估計(jì)算法效果欠佳。相關(guān)色噪聲背景下信號(hào)DOA估計(jì)已受到廣泛的關(guān)注。

為此，國內(nèi)外學(xué)者提出了許多消除空間色噪聲或相關(guān)噪聲影響的方法[1-6]。其中，文獻(xiàn)[1-3]提出了噪聲協(xié)方差矩陣的參數(shù)化模型，該模型要求對(duì)噪聲參數(shù)進(jìn)行估計(jì)，但是在噪聲協(xié)方差矩陣完全未知的情況下，估計(jì)性能受到嚴(yán)重的影響。文獻(xiàn)[4]利用僅存在噪聲或無信號(hào)情況下的數(shù)據(jù)信息對(duì)色噪聲進(jìn)行白化處理并估計(jì)其噪聲協(xié)方差，但受實(shí)際陣列和噪聲影響，很難得到準(zhǔn)確的噪聲協(xié)方差結(jié)構(gòu)。另一種有代表性的方法是所謂的協(xié)方差差分方法[5-6]，即假定噪聲在陣列旋轉(zhuǎn)或者在對(duì)輸出矢量進(jìn)行特定線性變換時(shí)是不會(huì)發(fā)生變化的，利用這種不變性，可以在具有對(duì)稱Teoplitz協(xié)方差矩陣的色噪聲或相關(guān)噪聲背景下實(shí)現(xiàn)方向參數(shù)估計(jì)。雖然這些算法在一定程度上抑制了噪聲的影響，但并不具備全局最優(yōu)性，估計(jì)結(jié)果仍然難以令人滿意。

四階累積量作為一種強(qiáng)有力的信號(hào)處理工具，其主要優(yōu)勢(shì)是能夠有效地抑制高斯噪聲，即只要噪聲服從正態(tài)分布，采用四階累積量進(jìn)行DOA估計(jì)時(shí)，無需知道噪聲協(xié)方差或?qū)υ肼晠f(xié)方差進(jìn)行估計(jì)。因此，當(dāng)空間噪聲為高斯色噪聲時(shí)，采用四階累積量來處理非常方便有效。1995年，Dogan和Mendel[7]提出了VESPA (Virtual-ESPRIT Algorithm)算法，該算法利用高階累積量生成的虛擬陣元和實(shí)際陣元之間的信息進(jìn)行DOA估計(jì)，但只利用了累積量中的部分信息，估計(jì)精度受限。接著，Shan等[8]提出了MUSIC-like陣列擴(kuò)展方法，該方法很好地?cái)U(kuò)展了陣列孔徑，但計(jì)算量很大。文獻(xiàn)[9]將時(shí)間平滑和高階累積量相結(jié)合，由于計(jì)算量很大而使得實(shí)時(shí)性能很差。文獻(xiàn)[10]利用互耦矩陣的聯(lián)合對(duì)稱Toeplitz結(jié)構(gòu)，構(gòu)造多個(gè)四階累積量矩陣，無需譜峰搜索，通過特征值分解即可獲得DOA估計(jì)，降低了計(jì)算量，但是當(dāng)互耦效應(yīng)不明顯卻不可忽略時(shí)，算法的估計(jì)性能急劇下降。后來，文獻(xiàn)[11-12]將四階累積量矩陣中冗余信息剔除，減小了計(jì)算量。雖然這些算法都能在一定程度上抑制噪聲的影響，但是在小快拍數(shù)、低信噪比情況下估計(jì)效果仍較差。近年來，隨著稀疏表示理論的提出和廣泛應(yīng)用[13-17]，將稀疏表示與四階累積量理論相結(jié)合已經(jīng)成為一種趨勢(shì)。

針對(duì)上述問題，本文結(jié)合稀疏表示和四階累積量理論，提出一種簡(jiǎn)單、直接的虛擬陣列擴(kuò)展方法，該方法得到的觀測(cè)模型不含冗余數(shù)據(jù)，因而大大地降低了計(jì)算量，并且能有效抑制相關(guān)色噪聲，同時(shí)建立稀疏表示模型進(jìn)行DOA 估計(jì)，在低樣本條件下可以達(dá)到較高的估計(jì)精度。進(jìn)而將算法推廣到L型陣列中，擴(kuò)展了其應(yīng)用范圍。

1 信號(hào)模型

X(t)=A(θ)S(t)+N(t)t=0,1,…,T-1

(1)

式中：X(t)=[x1(t)x2(t) …xM(t)]T，為M個(gè)陣元的接收信號(hào)，(·)T表示轉(zhuǎn)置；S(t)=[s1(t)s2(t) …sK(t)]T，為信號(hào)向量；A(θ)=[a(θ1)a(θ2) …a(θK)]，為陣列流型矩陣，其第k列代表第k個(gè)信號(hào)的導(dǎo)向矢量為

a(θk)=[1 e-j2πdsin θk/λ… e-j2π(M-1)dsin θk/λ]T

(2)

假設(shè)噪聲N(t)服從高斯分布，為圓對(duì)稱、零均值的相關(guān)色噪聲，且與信號(hào)相互獨(dú)立，如文獻(xiàn)[18-19]有

E{N(t)}=0

E{N(t1)NH(t2)}=δt1t2Rn

E{N(t1)NT(t2)}=0

式中：E(·)表示期望；(·)H表示共軛轉(zhuǎn)置；δt1t2為Kronecker符號(hào)函數(shù)；Rn為一個(gè)M×M的正定Hermitian矩陣，表征其空間噪聲的相關(guān)性。

2 基于均勻線陣的1維DOA估計(jì)算法

2.1 四階累積量

在傳統(tǒng)的陣列信號(hào)處理中，二階統(tǒng)計(jì)量能夠充分地利用高斯信號(hào)的信息進(jìn)行DOA估計(jì)。然而，在大部分的通信系統(tǒng)中采用的是非高斯信源，如BPSK、QPSK和QAM等調(diào)制信號(hào)，對(duì)于非高斯信號(hào)，二階統(tǒng)計(jì)量不能完全表征其統(tǒng)計(jì)特性，其大量有價(jià)值的統(tǒng)計(jì)信息包含在高階統(tǒng)計(jì)量中，因此，常用四階累積量進(jìn)行處理。對(duì)于均勻線陣，根據(jù)零均值平穩(wěn)隨機(jī)過程的四階累積量對(duì)稱定義方式[7]，陣列接收數(shù)據(jù)的四階累積量為

(3)

R4((k1-1)M+k2,(k3-1)M+k4)=

C4x(k1,k2,k3,k4)=

E{(X?X*)(X?X*)H}-

E{(X?X*)}E{(X?X*)H}-

E{(XX)H}?E{(XXH)*}

(4)

式中：?表示Kronecker積。信號(hào)的四階累積量矩陣為

E{(S?S*)}E{(S?S*)H}-

E{(SS)H}?E{(SSH)*}

(5)

(6)

(7)

Cs=diag(γ1,γ2,…,γk)

由此，式(6)可以相應(yīng)地簡(jiǎn)化為

R4=(A⊙A*)Cs(A⊙A*)H=

(8)

式中：

[a(θ1)?a*(θ1)a(θ2)?a*(θ2) …

a(θK)?a*(θK)]

(9)

2.2 四階累積量快速去冗余

對(duì)于均勻線陣，在陣列孔徑擴(kuò)展過程中，產(chǎn)生了重疊的虛擬陣元，也就是形成了大量的冗余數(shù)據(jù)。這樣，直接利用式(8)構(gòu)造冗余字典來進(jìn)行稀疏求解的計(jì)算量是巨大的。那么，可以構(gòu)造一個(gè)M2×(2M-1)維的選擇矩陣H，將四階累積量矩陣R4中冗余的虛擬陣元剔除，使其維數(shù)降低。矩陣H可以表示為

式中：

Hm=

(10)

其中：IM為M維單位陣，定義(2M-1)×(2M-1)維矩陣G，即

G=HTH=diag(1,2，…,M-1,M,M-1,…,1)

同時(shí)，根據(jù)文獻(xiàn)[20]，有

(11)

(12)

再結(jié)合矩陣H和G對(duì)式(12)作線性處理，去除冗余項(xiàng)，以降低矩陣R4的維數(shù)，可以得到

(13)

(14)

(15)

(16)

(17)

式(17)是與觀測(cè)模型式(1)類似的一種新的觀測(cè)模型，B(θ)為新的陣列流型矩陣，稱為虛擬陣列流型，其維數(shù)為4M-3，大于陣元數(shù)M，進(jìn)一步擴(kuò)展了陣列孔徑[14,20]，并且沒有重疊虛擬陣元，這意味著通過降維運(yùn)算得到的觀測(cè)模型統(tǒng)計(jì)性能更優(yōu)。

2.3 無冗余累積量稀疏表示及求解

利用2.2節(jié)所給出的算法得到新陣列導(dǎo)向矢量來構(gòu)造完備的冗余字典，假設(shè)集合

表示空間可能存在的波達(dá)方向，于是整個(gè)空間所形成的流型矩陣為

它包含了所有可能的信號(hào)方位信息，則式(17)可以表示為

(18)

(19)

(20)

2.4 正則化參數(shù)選擇

(21)

L-曲線上曲率最大的那點(diǎn)對(duì)應(yīng)的λt值是L-曲線的最優(yōu)值。

2.5 可分辨信源數(shù)分析

2.6 計(jì)算量分析

3 基于L型陣列的2維DOA估計(jì)方法

在實(shí)際應(yīng)用中，信號(hào)往往是處于3維的立體空間中，很明顯，采用2維DOA估計(jì)能夠獲得更多開發(fā)信道的空間信息，可以更加準(zhǔn)確地估計(jì)來波信號(hào)的空間特征，更切合實(shí)際應(yīng)用。將上述無冗余累積量稀疏表示的1維DOA估計(jì)推廣到L型陣列2維DOA估計(jì)，擴(kuò)展其應(yīng)用范圍。假設(shè)K個(gè)遠(yuǎn)場(chǎng)窄帶非高斯信號(hào)入射到2M-1的L型均勻陣列上，陣元數(shù)為M的子陣X位于x軸上，陣元數(shù)為M的子陣Y位于y軸上，原點(diǎn)為o。第k個(gè)信號(hào)的入射方向?yàn)?θk,φk)，其中θk是入射信號(hào)的方位角(與第1節(jié)定義相同)，為入射信號(hào)在xoy平面的投影與x軸正方向的夾角，φk為俯仰角，為入射信號(hào)與其在xoy平面投影的夾角。這樣，兩子陣信號(hào)觀測(cè)模型可以表示為

(22)

式中：Ax(θ,φ)和Ay(θ,φ)分別為兩子陣的流型矩陣，對(duì)應(yīng)的導(dǎo)向矢量分別為

(23)

利用稀疏表示的方法進(jìn)行2維DOA估計(jì)時(shí)，冗余字典要覆蓋整個(gè)2維空間，字典非常長(zhǎng)，導(dǎo)致稀疏求解的計(jì)算量極其巨大。為了降低冗余字典的長(zhǎng)度，利用空間角構(gòu)造字典，將字典2維空間降為1維空間，大大減少了冗余字典的長(zhǎng)度[24]。引入空間角α和β，分別表示為入射信號(hào)與x軸和y軸的夾角，由幾何位置關(guān)系可得

(24)

將式(24)代入式(23)可得

(25)

根據(jù)式(8)，設(shè)子陣X和Y的四階累積量分別為R4x和R4y，同理，對(duì)矩陣R4x和矩陣R4y進(jìn)行二次降維和矢量化運(yùn)算，可以得到與式(17)類似的最終向量觀測(cè)模型：

(26)

式中：Bx(α)與By(β)為二維空間中最終的陣列流型矩陣，對(duì)應(yīng)的導(dǎo)向矢量分別為

bx(αk)=[e-j2π(2M-2)dcos αke-j2π(2M-3)dcos αk… ej2π(2M-2)dcos αk]T

by(βk)=[e-j2π(2M-2)dcos βke-j2π(2M-3)dcos βk… ej2π(2M-2)dcos βk]T

(27)

利用式(27)陣列導(dǎo)向矢量來構(gòu)造完備字典，將式(26)轉(zhuǎn)化為稀疏表示問題，同時(shí)將對(duì)應(yīng)的信號(hào)矢量擴(kuò)展為N×1維的矢量PNx和PNy，PNx和PNy中非零元素分別代表空間角α和β的值。這樣，基于L型均勻陣列的DOA估計(jì)問題可以表示為l1范數(shù)優(yōu)化問題：

(28)

針對(duì)2維DOA估計(jì)問題，需要解決的一個(gè)難點(diǎn)就是方位角和俯仰角的配對(duì)問題。然而，通過稀疏分解不僅能得到信號(hào)的角度估計(jì)，還能得到信號(hào)的幅值，這樣，可以利用相同信號(hào)的幅值相等這一特性進(jìn)行配對(duì)，且利用估計(jì)出的空間角α和β，可以反推得到θ和φ：

很明顯，在利用幅度信息進(jìn)行L型陣列空間角配對(duì)時(shí)，會(huì)存在相近的難以判別的情況。在信號(hào)幅度特別相近時(shí)，可以利用兩個(gè)空間角之間的數(shù)學(xué)關(guān)系cos2α+cos2β≤1進(jìn)行約束[24]。在對(duì)空間角進(jìn)行配對(duì)時(shí)，只有滿足cos2α+cos2β≤1才作為同一信號(hào)的DOA信息，這樣，解決了幅度相近信號(hào)的角度配對(duì)問題。

4 仿真與分析

通過仿真驗(yàn)證本文所提方法的估計(jì)性能。仿真中均采用均勻線陣，陣元間距d=λ/2，假設(shè)信源為獨(dú)立遠(yuǎn)場(chǎng)窄帶非高斯信號(hào)，仿真中采用4QAM調(diào)制信號(hào)。噪聲均為服從高斯分布的相關(guān)色噪聲，與信號(hào)獨(dú)立，噪聲協(xié)方差矩陣的第(k,l)個(gè)元素為

Rn(k,l)=σ2γ|k-l|ejπ(k-λ)/2

式中：噪聲功率σ2用來調(diào)整信噪比的值，定義SNR=10×lgσ-2，γ為回歸系數(shù)，調(diào)整噪聲之間的相關(guān)性。γ越大，相關(guān)性越強(qiáng)，而γ=0時(shí)噪聲為白高斯噪聲。另外，均方根誤差定義為

仿真1：假設(shè)6個(gè)獨(dú)立4QAM信號(hào)入射到陣元數(shù)為4的均勻線陣, 信號(hào)入射方向?yàn)?/p>

[-40° -25° -10° 5° 20° 35°]

信噪比為10 dB， 快拍數(shù)為500，噪聲相關(guān)系數(shù)γ設(shè)為0.7。圖1為基于上述條件下式(21)的L-曲線，根據(jù)圖中曲率最大點(diǎn)可以得到對(duì)應(yīng)的最優(yōu)正則化參數(shù)λt=0.29。MUSIC-like和本文算法空間譜如圖2所示?？梢钥闯?，本文算法和MUSIC-like算法均能估計(jì)出多于物理陣元數(shù)的信源數(shù)，但本文算法無需預(yù)知信源數(shù)目，且具有尖銳的譜峰，分辨率更高。

仿真2：考慮2個(gè)獨(dú)立信源，入射方向?yàn)棣?=-13°,θ2=30°，線陣的陣元數(shù)為4，快拍數(shù)為500，γ設(shè)為0.9，同樣，利用式(21)，后續(xù)所有仿真中λt均取0.42。圖3為不同算法均方根誤差隨信噪比變化關(guān)系。可以看出，由于L1-ACMSR[14]算法是基于二階統(tǒng)計(jì)量陣列協(xié)方差矩陣稀疏表示的DOA估計(jì)算法，受相關(guān)色噪聲影響較大，因此估計(jì)誤差最大；MUSIC-like算法雖然能抑制相關(guān)色噪聲，但受本身算法性能的限制，估計(jì)精度也受限；文獻(xiàn)[15]算法在四階累積量的合成陣列協(xié)方差矩陣稀疏表示基礎(chǔ)上，提出L1-SRFOC算法，估計(jì)精度在低信噪比下比MUSIC-like算法有所提高，但效果并不明顯；而本文算法估計(jì)性能隨著信噪比增大迅速上升，與其他方法相比，有著明顯的優(yōu)勢(shì)，說明本文算法具有更好的估計(jì)精度和噪聲魯棒性。

圖1 L-曲線
Fig.1 L-curve

圖2 MUSIC-like和本文算法空間譜
Fig.2 Spatial spectra for MUSIC-like and proposed algorithm

圖3 均方根誤差隨信噪比變化關(guān)系(1維DOA)
Fig.3 Variation relationship between root mean square error (RMSE) and signal to noise ratio (SNR) (1-dimensional DOA)

為驗(yàn)證本文所提算法的空間分辨能力，假設(shè)：以Θ=[θ1-δ,θ1+δ]∪…∪[θp-δ,θp+δ]為假設(shè)集合，δ為信噪比對(duì)應(yīng)的均方根誤差，[θp-δ,θp+δ]為第p個(gè)DOA區(qū)間。一次實(shí)驗(yàn)中，若估計(jì)出的DOA都能夠落在它們自己的區(qū)間內(nèi)，那么認(rèn)為這次實(shí)驗(yàn)是成功的。如果進(jìn)行了1 000次實(shí)驗(yàn)，只有Ns次實(shí)驗(yàn)中的所有DOA都能被成功分辨了，則分辨概率為Ns/1 000。圖4中假設(shè)δ=1.5，其他仿真條件與圖3一致，為不同算法的分辨概率隨信噪比變化關(guān)系，與圖3分析一致，L1-ACMSR算法受相關(guān)色噪聲影響，誤差較大，本文算法的分辨能力最好。

仿真3：驗(yàn)證本文所提算法受快拍數(shù)影響的大小，圖5為不同算法均方根誤差隨快拍數(shù)變化關(guān)系，γ=0.9，信噪比設(shè)為10 dB，其他仿真條件與圖3相同。很明顯，與其他算法相比，本文算法優(yōu)勢(shì)突出，其均方根在低樣本情況下較小，且隨著快拍數(shù)增加呈下降的趨勢(shì)，這表明了本文算法具有較好的估計(jì)性能，克服了傳統(tǒng)四階累積量算法受快拍數(shù)影響較大的缺陷。

圖4 分辨概率隨信噪比變化關(guān)系(1維DOA)
Fig.4 Variation relationship between resolution
probability and SNR (1-dimensional DOA)

圖5 均方根誤差隨快拍數(shù)變化關(guān)系(1維DOA)
Fig.5 Variation relationship between RMSE and snapshot (1-dimensional DOA)

仿真4：假設(shè)入射信源為3個(gè)獨(dú)立信號(hào)，方位角和俯仰角的入射角度分別為(99°,63°)，(120°,65°)，(249°,20°)，信噪比為10 dB，快拍數(shù)為500，噪聲的相關(guān)系數(shù)γ取0.6。圖6為本文算法2維角估計(jì)結(jié)果?？梢钥闯?，本文算法對(duì)3個(gè)信號(hào)的方位角和俯仰角得到較高準(zhǔn)確度的估計(jì)，估計(jì)出來的結(jié)果分別為(99.39°,63.32°),(120.77°,65.59°),(248.12°,19.99°)。估計(jì)結(jié)果和實(shí)際DOA值基本重合，誤差較小。

圖6 本文算法2維角估計(jì)結(jié)果
Fig.6 Results of two-dimensional angle estimation with proposed algorithm

仿真5：考慮2個(gè)入射信號(hào)，入射角度分別為(θ1,φ1)=(60°,42°)，(θ2,φ2)=(185°,25°)。γ設(shè)為0.9。圖7為快拍數(shù)為500條件下均方根誤差隨信噪比變化關(guān)系?？煽闯觯芟嚓P(guān)色噪聲影響，文獻(xiàn)[16]算法的均方根誤差較大，但隨著信噪比增大，受噪聲影響不斷減弱，當(dāng)信噪比大于15 dB時(shí)，其估計(jì)性能優(yōu)于MUSIC-like算法，而本文算法的均方根誤差最小，且隨信噪比增大明顯下降，這展現(xiàn)了本文算法在2維DOA估計(jì)應(yīng)用中亦能有效地抑制相關(guān)色噪聲，具有較好的噪聲魯棒性和估計(jì)精度。

圖8為不同算法的方位角和俯仰角分辨概率隨信噪比變化的關(guān)系，仿真中取δ=1.2，其他仿真條件與圖7一致?？梢悦黠@看出，在2維DOA估計(jì)中，文獻(xiàn)[16]算法受相關(guān)色噪聲影響，分辨能力較差，本文算法的分辨能力最好，充分地展示了所提算法具有較好的估計(jì)精度和分辨率。

圖9為信噪比為10 dB條件下，不同算法的均方根誤差隨快拍數(shù)變化關(guān)系。受噪聲影響，文獻(xiàn)[16]算法均方根誤差較大，而MUSIC-like算法作為傳統(tǒng)四階累積量算法，受快拍數(shù)影響較大，與1維DOA估計(jì)一致，本文算法在2維DOA估計(jì)情況下，仍能克服對(duì)快拍數(shù)的敏感性。

圖7 均方根誤差隨信噪比變化關(guān)系(2維DOA)
Fig.7 Variation relationship between RMSE and SNR (2-dimensional DOA)

圖8 分辨概率隨信噪比變化關(guān)系(2維DOA)
Fig.8 Variation relationship between resolution probability and SNR (2-dimensional DOA)

圖9 均方根誤差隨快拍數(shù)變化關(guān)系(2維DOA)
Fig.9 Variation relationship between RMSE and snapshot (2-dimensional DOA)

5 結(jié) 論

1) 針對(duì)傳統(tǒng)四階累積量算法計(jì)算復(fù)雜度高、受快拍數(shù)影響大的問題，通過二次降維運(yùn)算對(duì)四階累積量快速去冗余，進(jìn)而采用稀疏表示實(shí)現(xiàn)DOA估計(jì)，提高了估計(jì)精度和減弱了對(duì)快拍數(shù)的敏感性。

2) 在將方法擴(kuò)展到L型陣列2維DOA估計(jì)時(shí)，通過空間角構(gòu)造冗余字典，大大地降低了稀疏求解的復(fù)雜度，利用稀疏求解的信號(hào)幅度信息實(shí)現(xiàn)方位角和俯仰角配對(duì)。同時(shí)，該方法還適用于其他存在任意夾角的陣列，如平行線陣等。

[1] NAGESHA V, KAY S. Maximum likelihood estimation for array processing in colored noise[J]. IEEE Transactions on Signal Processing, 1996, 44(2): 169-180.

[2] LI M, LU Y, HE B. Array signal processing for maximum likelihood Direction-of-Arrival estimation[J]. Journal of Electrical & Electronic Systems, 2013, 3(1): 117.

[3] ZACHARIAH D, JANSSON M, BENGTSSON M. Utilization of noise-only samples in array processing with prior knowledge[J]. IEEE Signal Processing Letters, 2013, 20(9): 865-868.

[4] WERNER K, JANSSON M. Optimal utilization of signal-free samples for array processing in unknown colored noise fields[J]. IEEE Transactions on Signal Processing, 2006, 54(10): 3861-3872.

[5] PRASAD S, WILLIAMS R T, MAHALANABIS A K, et al. A transform-based covariance differencing approach for some classes of parameter estimation problems[J]. IEEE Transactions on Acoustics, Speech and Signal Processing, 1988, 36(5): 631-641.

[6] YAN G, NING L, CHANG T, et al. Covariance differencing technique based DOA estimation method under hermitian symmetric Toeplitz noise[C]//Proceedings of IEEE Conference on Wireless Communications & Signal Processing. Piscataway： IEEE, 2012: 1-5.

[7] DOGAN M C, MENDEL J M. Applications of cumulants to array processing. I. aperture extension and array calibration[J]. IEEE Transactions on Signal Processing, 1995, 43(5): 1200-1216.

[8] SHAN Z L, JI F, WEI G. Extention music-like algorithm for DOA estimation with more sources than sensors[C]//Proceedings of IEEE Conference on Neural Networks & Signal Processing. Piscataway: IEEE, 2003: 1281-1284.

[9] JING X R, SUI W W, ZHOU W. DOA estimation of coherent signals based on fourth-order cumulant and temporal smoothing[J]. Systems Engineering and Electronics, 2012, 34(4): 789-794.

[10] LIAO B, CHAN S C. A cumulant-based approach for direction finding in the presence of mutual coupling[J]. Signal Processing, 2014, 104(12): 197-202.

[11] SHI H P, LENG W, WANG A G, et al. Fast orthonormal propagator direction-finding algorithm based on fourth-order cumulants[J]. Applied Computational Electromagnetics Society Journal, 2015, 30(6): 638-644.

[12] TIAN Y, XU H. Extended-aperture DOA estimation with unknown number of sources[J]. Electronics Letters, 2015, 51(7): 583-584.

[13] 竇道祥, 李茂, 何子述. 基于稀疏重建的MIMO-OTH雷達(dá)多模雜波抑制算法[J]. 航空學(xué)報(bào), 2015, 36(7): 2310-2318.

DOU D X, LI M, HE Z S. Multi-mode clutter suppression algorithm of MIMO-OTH radar based on sparse reconstruction[J]. Acta Aeronautica et Astronautica Sinica, 2015, 36(7): 2310-2318 (in Chinese).

[14] HE Z Q, LIU Q H, JIN L N, et al. Low complexity method for DOA estimation using array covariance matrix sparse representation[J]. Electronics Letters, 2013, 49(3): 228-230.

[15] LI S, JIANG X, HE W, et al. Direction of arrival estimation via sparse representation of fourth order statistics[C]//Proceedings of IEEE Conference on Signal Processing, Communication and Computing (ICSPCC). Pisca-taway: IEEE, 2013: 1-4.

[16] LIU Q H, OUYANG S, JIN L N. Two-dimensional DOA estimation with L-shaped array based on a jointly sparse representation[J]. Information Technology Journal, 2013, 12(10): 2037.

[17] LIU Z. DOA and polarization estimation via signal reconstruction with linear polarization-sensitive arrays[J]. Chinese Journal of Aeronautics, 2015, 28(6): 1718-1724.

[18] QIAN C, HUANG L, XIAO Y H, et al. Localization of coherent signals without source number knowledge in unknown spatially correlated Gaussian noise[J]. Signal Processing, 2015, 111(6): 170-178.

[19] ZENG W J, LI X L, ZHANG X D. Direction-of-arrival estimation based on the joint diagonalization structure of multiple fourth-order cumulant matrices[J]. IEEE Signal Processing Letters, 2009, 16(3): 164-167.

[20] MA W K, HSIEH T H, CHI C Y. DOA estimation of quasi-stationary signals with less sensors than sources and unknown spatial noise covariance: A Khatri-Rao subspace approach[J]. IEEE Transactions on Signal Processing, 2010, 58(4): 2168-2180.

[21] TIBSHIRANI R. Regression shrinkage and selection via the LASSO[J]. Journal of the Royal Statistical Society, 1996, 58(1): 267-288.

[22] DONOHO D L. Compressed sensing[J]. IEEE Transactions on Information Theory, 2006, 52(4): 1289-1306.

[23] HANSEN P C, O’LEARY D P. The use of the L-curve in the regularization of discrete ill-posed problems[J]. SIAM Journal on Scientific Computing, 1993, 14(6): 1487-1503.

[24] 羅爭(zhēng), 吳林, 邵璐璐. 一種稀疏表示的二維DOA降維估計(jì)新算法[J]. 中國電子科學(xué)研究院學(xué)報(bào), 2013, 8(5): 501-506.

LUO Z, WU L, SHAO L L. A novel two-dimensional direction-of-arrival degradation estimation based on sparse signal representation[J]. Journal of CAEIT, 2013, 8(5): 501-506 (in Chinese).

DOAestimationusingnon-redundantcumulantssparserepresentationincorrelatedcolorednoise

LIUQinghua*,ZHOUXiuqing,JINLiangnian

GuangxiExperimentCenterofInformationScience,GuilinUniversityofElectronicTechnology,Guilin541004,China

Thispaperaimsattheproblemthatconventionalfourth-ordercumulantshavehighcomputationalcomplexityandaresensitivetodatasamples.Anewdirectionofarrival(DOA)estimationmethodisproposedtoeliminatetheredundancyquickly.Themassiveredundantdataareremovedbyselectionmatrixtoreducethedimensionoffourth-ordercumulantsmatrix.Byvectorizingthenon-redundantcumulantsmatrixandreducingthedimensionagain,thevectormeasurementmodelwithbetterstatisticalperformanceisthenobtained.Thesparserepresentationofthemeasurementmodelcorrespondingtotherelatedover-completebasisisconstructedforDOAestimation.ThenthemethodisextendedtoLarrayfortwodimensionalDOAestimation.Comparedwithconventionalfourth-ordercumulantsmethods,theproposedmethodcangreatlyreducethecomputationalcomplexityandtheimpactofthesizeofdatasamples,andcanefficientlysuppresscorrelatedcolorednoise.TheoreticalanalysisandsimulationexperimentsverifythattheproposedmethodhashigherresolutionandbetterestimationaccuracyforoneandtwodimensionalDOAestimation.

directionofarrival(DOA)estimation;fourth-ordercumulant;sparserepresentation;correlatedcolorednoise;non-redundancy

2016-04-19；Revised2016-04-20；Accepted2016-07-13；Publishedonline2016-09-051643

URL：www.cnki.net/kcms/detail/11.1929.V.20160905.1643.004.html

s：NationalNaturalScienceFoundationofChina(61461012,61371186)；GuangxiKeyLaboratoryofWire-lessWidebandCommunication&SignalProcessing(GXKL06160110)；CenterforCollaborativeInnovationintheTechnologyofIOTandtheIndustrialization(WLW20060205)；InnovationProjectofGUETGraduateEducation(2016YJCX87).

2016-04-19；退修日期2016-04-20；錄用日期2016-07-13； < class="emphasis_bold">網(wǎng)絡(luò)出版時(shí)間

時(shí)間：2016-09-051643

www.cnki.net/kcms/detail/11.1929.V.20160905.1643.004.html

國家自然科學(xué)基金 (61461012,61371186)； 廣西無線寬帶通信與信號(hào)處理重點(diǎn)實(shí)驗(yàn)室基金 (GXKL06160110)； 廣西物聯(lián)網(wǎng)技術(shù)及產(chǎn)業(yè)化推進(jìn)協(xié)同創(chuàng)新中心資助項(xiàng)目 (WLW20060205)； 桂林電子科技大學(xué)研究生教育創(chuàng)新計(jì)劃 (2016YJCX87)

＊

.E-mailliuqinghuagl@126.com

劉慶華， 周秀清， 晉良念． 相關(guān)色噪聲下無冗余累積量稀疏表示DOA估計(jì)J． 航空學(xué)報(bào),2017,38(4):320331.LIUQH,ZHOUXQ,JINLN.DOAestimationusingnon-redundantcumulantssparserepresentationincorrelatedcolorednoiseJ.ActaAeronauticaetAstronauticaSinica,2017,38(4):320331.

http://hkxb.buaa.edu.cnhkxb@buaa.edu.cn

10.7527/S1000-6893.2016.0247

V243.2； TN911.7

A

1000-6893(2017)04-320331-10

(責(zé)任編輯： 蘇磊)

＊Correspondingauthor.E-mailliuqinghuagl@126.com