房云飛，王洪雁，裴炳南

(大連大學(xué)信息工程學(xué)院，遼寧 大連 116622)

0 引言

波達方向(Direction of Arrival，DOA)估計是陣列信號處理中的重要研究內(nèi)容之一，在雷達、聲納、移動通信、無線傳感器網(wǎng)絡(luò)等領(lǐng)域得到廣泛應(yīng)用[1-2]。自20世紀(jì)60年代以來，研究者們提出了大量有效的DOA估計算法，主要有最小方差譜估計法[3](Minimum Variance Distortionless Response，MVDR)和以多重信號分類(Multiple Signal Classification，MUSIC)為代表的子空間算法[4]。上述DOA估計算法皆基于如下假設(shè)：信源不相關(guān)，快拍數(shù)量足夠多，且信噪比(Signal Noise Ratio，SNR)足夠大。若快拍數(shù)量少、信噪比較低，這些算法性能將明顯下降，尤其在信源相關(guān)情況下，由于信號協(xié)方差矩陣會出現(xiàn)秩虧現(xiàn)象，導(dǎo)致這些算法估計精確度更低。

近年來，信號處理領(lǐng)域中提出的壓縮感知(Compressing Sensing，CS)理論[5-6]吸引了研究人員的極大關(guān)注，已廣泛應(yīng)用于圖像處理[7]和無線通信[1]等諸多領(lǐng)域。針對陣列DOA估計運算量較大的問題，基于CS理論，Liang G等人利用目標(biāo)空域稀疏特性，提出一種稀疏恢復(fù)l1-SVD算法[8]。在已知信源數(shù)量條件下，即使信源信號相關(guān)，該算法都將得到DOA的高精度估計。然而，在沒有信源數(shù)量先驗信息情況下，該算法性能會明顯下降。針對此問題，Cotter把多快拍和匹配追蹤算法(MP)相結(jié)合，提高了DOA估計性能[9]。為進一步提高DOA估計的分辨率和精確度，Gorodnitsky和Rao提出把欠定系統(tǒng)聚焦求解(Focal Underdetermined System Solver，F(xiàn)OCUSS)算法和lp懲罰函數(shù)結(jié)合對DOA進行估計，其中p<1[10-11]。此外，為了避免接收信號協(xié)方差矩陣求解產(chǎn)生奇異值的缺陷，文獻[12]提出一種通過迭代和閾值轉(zhuǎn)換的DOA估計方法。文獻[13]則采用奇異值分解欠定系統(tǒng)聚焦求解(Singular Value Decomposition-regularized Multi-vectors Focal Undetermined System Solver，SVD-RMFOCUSS)算法實現(xiàn)DOA高分辨率估計，然而由于此算法基于陣元域，導(dǎo)致SVD-RMFOCUSS算法計算復(fù)雜度比較高。文獻[14]基于波束域采用Dantzig Selector算法實現(xiàn)DOA估計，減少了算法的計算復(fù)雜度。然而，Dantzig Selector算法的DOA估計譜峰較寬，不利于角度高分辨。針對上述問題，本文提出基于波束域的多測量矢量欠定系統(tǒng)正則化聚焦求解(Beamspace-regularized Multi-vectors Focal Undetermined System Solver，BS-RMFOCUSS)算法。

1 稀疏波達方向角估計模型

(1)

式(1)中，a(θk)表示來波方向θk的M×1維陣列導(dǎo)向矢量，且a(θk)=[1，exp(-jα)，…，exp(-j(M-1)α)]T，α=2πdsin(θk)/λ表示均勻線性陣列平面內(nèi)各陣元之間的第k條信號到達此陣元時的相移，w(t)表示疊加在陣列接收回波中的M×1維噪聲矢量。

為了便于推導(dǎo)，式(1)可重新表示為：

x(t)=As(t)+w(t)

(2)

式(2)中，A=[a(θ1)，a(θ2)，…，a(θk)]是陣列流型矩陣，s(t)=[s1(t)，s2(t)，…，sk(t)]T是K×1維信號矢量。

由上述分析，可得過完備陣列流型矩陣，即過完備稀疏基，則每個可能來波信號對應(yīng)導(dǎo)向矢量可表示為：

(3)

定義NS×1信號稀疏矢量：

(4)

基于式(3)和式(4)，式(2)可重新表示為：

x(t)=Ψz(t)+w(t)

(5)

由此，將接收信號x(t)投影至投影測量矩陣Φ，可得：

y(t)=Φx(t)=ΦΨz(t)+Φw(t)

(6)

對于多次快拍(數(shù)量為N)，上式可表示為：

Y=ΦX=ΦΨΖ+ΦW=ΘZ+ΦW

(7)

由式(7)可知，上述算法基于陣元域建立接收信號模型，在采用稀疏重構(gòu)算法實現(xiàn)DOA估計的同時，也會導(dǎo)致算法計算量大、估計穩(wěn)定性差等問題，實施性比較差。

2 波束域RMFOCUSS重構(gòu)算法

為進一步降低DOA估計算法的運算復(fù)雜度，本文提出一種波束域欠定系統(tǒng)聚焦求解(BS-RMFOCUSS)算法，通過波束轉(zhuǎn)換矩陣T將陣列接收到的信號從陣元域映射到波束域，即：

yB(t)=THΦx(t)=ΦBΨz(t)+ΦBw(t)

(8)

式(8)中，T為M×NB的波束形成矩陣，滿足THT=INB，NB為波束數(shù)量，ΦB=THΦ。由文獻[15]可知，T可表示為：

(9)

式(9)中m為波束形成矩陣的始端點。

對于多次快拍，式重寫為：

YB(t)=THΦX(t)=ΦBΨZ(t)+ΦBW(t)=

ΘZ(t)+ΦBW(t)

(10)

式(10)中，Θ=ΦBΨ表示波束域下的感知矩陣。

由上式知，基于壓縮感知的波束域DOA估計優(yōu)化問題可表示如下：

minJ(p，q)(Z) s.t.‖YB-ΘΖ‖F(xiàn)≤ε

(11)

上述優(yōu)化問題可采用拉格朗日乘子法進行求解[11]，即：

(12)

式(12)中，γ為平衡估計誤差與稀疏性的參數(shù)，可根據(jù)修正l曲線法[16]預(yù)先選取最優(yōu)γ值，其在一定信噪比范圍內(nèi)變化較小。

式(12)可通過DOA近似重構(gòu)算法實現(xiàn)求解，本文通過RMFOCUSS算法對優(yōu)化模型(12)中的稀疏信號z進行估計，具體實現(xiàn)步驟描述如下：

3) 信號矢量Zk+1=Wk+1Qk+1；

由上可得信號z的近似稀疏逼近，進一步可得BS-RMFOCUSS算法的譜估計公式：

P(θi)=‖z(i，∶)‖2

(13)

3 實驗仿真及分析

基于非相干、相干信號及遠近目標(biāo)模型，本節(jié)通過與傳統(tǒng)的CAPON、MUSIC算法進行對比，驗證BS-RMFOCUSS算法有效性。仿真條件如下：均勻線性陣列陣元個數(shù)M=12，信號快拍數(shù)為N=50；從-180°到180°以1°為間隔將目標(biāo)角度空間劃分為361，即網(wǎng)格劃分?jǐn)?shù)量為361；考慮到目標(biāo)角度范圍，波束數(shù)取NB=8。目標(biāo)信號采用零均值、方差為1的復(fù)高斯隨機信號，目標(biāo)信號與加性復(fù)高斯噪聲互不相關(guān)。采用均方根誤差作為算法性能指標(biāo)，其中均方根誤差定義為：

(14)

實驗1考慮兩個入射角度分別為10°和15°的非相干信號，信噪比為10 dB，進行20次獨立蒙特卡羅實驗。圖1為采用CAPON算法、MUSIC算法和BS-RMFOCUSS算法的空域譜估計輸出對比。從圖1可以看出，在兩個非相干信號角度間隔為5°時，各算法均能正確分辨出兩個目標(biāo)角度，且具有相近的估計性能，需要注意的是，本文提出的BS-RMFOCUSS算法比CAPON算法、MUSIC算法空域譜估計輸出具有更窄的主峰和更低的旁瓣，因而具有更好的角度分辨力及估計精度。

實驗2考慮兩個入射角度分別為10°和12°的鄰近非相干信號，信噪比為10 dB，進行20次獨立蒙特卡羅實驗。圖2為采用CAPON算法、MUSIC算法和BS-RMFOCUSS算法的空域譜估計輸出對比。從圖2可以看出，在兩個鄰近非相干信號角度間隔為2°時，BS-RMFOCUSS算法能夠?qū)︵徑繕?biāo)實現(xiàn)有效估計，且具有較窄的主瓣，而CAPON算法和MUSIC算法無法分辨兩個鄰近信號。圖2表明，在波束域下，BS-RMFOCUSS算法同樣具有更高的分辨能力。

實驗3考慮兩個入射角度分別為10°和15°的非相干信號，信噪比為-10 dB，進行20次獨立蒙特卡羅實驗。圖3為采用CAPON算法、MUSIC算法和BS-RMFOCUSS算法的空域譜估計輸出對比。從圖3可以看出，在低信噪比條件下，僅有BS-RMFOCUSS算法能夠成功分辨兩個信號，而CAPON算法和MUSIC算法只呈現(xiàn)出一個誤估的譜峰，無法分辨兩個信號。圖3表明基于波束域的BS-RMFOCUSS算法在低信噪比的情況下同樣具有較好的分辨能力。

實驗4考慮兩個入射角度分別為10°和15°的非相干信號，信噪比為10 dB，進行20次獨立蒙特卡羅實驗。圖4為采用CAPON算法、MUSIC算法和BS-RMFOCUSS算法的DOA估計均方根誤差隨信噪比變化關(guān)系曲線。從圖4可以看出，BS-RMFOCUSS算法在低信噪比條件下的均方根誤差曲線略低于CAPON和MUSIC方法，且隨著信噪比的增大，各算法的均方根誤差曲線均趨向于平穩(wěn)狀態(tài)。

實驗5考慮兩個入射角度分別為10°和20°的相干信號，信噪比為10 dB，進行20次獨立蒙特卡羅實驗。圖5為采用CAPON算法、MUSIC算法和BS-RMFOCUSS算法的空域譜估計輸出對比。從圖5可以看出，CAPON算法和MUSIC算法在相干信號情況下，不能對兩個相干信號進行精確有效的估計，且兩種算法的旁瓣相對較高，而BS-RMFOCUSS算法不僅可分辨兩個相干信號，且具有更窄主瓣。圖5表明波束域BS-RMFOCUSS算法在信號相干的情況下同樣具有較高的角度估計精度和較好的角度分辨能力。

實驗6為進一步驗證所提算法復(fù)雜度優(yōu)勢，本文與基于陣元域的RMFOCUSS算法進行對比?？紤]到實際情況，基于陣元域RMFOCUSS算法復(fù)雜度近似為O(2MS2+MLS2+M3(M-1)(M-2))，BS-RMFOCUSS算法復(fù)雜度近似為O(2MS2+MLS2+2NML+N3(N-1)(N-2))，其中M為陣元數(shù)，S為稀疏字典個數(shù)，L為快拍數(shù)，N為波束數(shù)。實驗仿真取S=361，L=200，N=8。從圖6可以看出，當(dāng)陣元數(shù)量較小時，兩種算法的運算復(fù)雜度近似相同。但是，隨著陣元數(shù)量的不斷增大，陣元域RMFOCUSS算法的運算復(fù)雜度呈指數(shù)上升趨勢，而本文所提算法在復(fù)雜度增長率上遠低于陣元域RMFOCUSS算法。由此可知，與基于陣元域的RMFOCUSS算法相比，所提算法具有較低計算復(fù)雜度和較好的算法運算性能。

4 結(jié)論

本文提出了基于波束域的多測量矢量欠定系統(tǒng)正則化聚焦求解(BS-RMFOCUSS)算法。該算法利用低旁瓣的波束形成器，將目標(biāo)壓縮信號從陣元域映射到波束域，避免了傳統(tǒng)DOA估計算法采樣數(shù)據(jù)量大導(dǎo)致較大計算復(fù)雜度的問題。仿真結(jié)果表明，與傳統(tǒng)的Capon及MUSIC算法相比，所提算法在低信噪比及相干信號條件下，具有較好的DOA估計精度；與基于陣元域的RMFOCUSS算法相比，所提算法具有較低計算復(fù)雜度。

參考文獻:

[1]Alawsh S A，Muqaibel A H，Sharawi M S. DOA estimation in MIMO systems with compressivesensing for future handsets[C]//IEEE Jordan Conference on Applied Electrical Engineering and Computing Technologies. Jordan：IEEE，2015：1-6.

[2]Yang X，Chi C K，Zheng Z. Direction-of-arrival estimation of incoherently distributed sources using Bayesian compressive sensing[J]. Iet Radar Sonar Navigation，2015，10(6)：1057-1064.

[3]Capon J. High-resolution frequency-wavenumber spectrum analysis[J]. Proceedings of the IEEE，1969，57(8)：1408-1418.

[4]Schmidt R. Multiple emitter location and signal parameter estimation[J]. IEEE Transactions on Antennas & Propagation，1986，34(3)：276-280.

[5]Nishimura T，Ogawa Y，Ohgane T. DOA estimation by applying compressed sensing techniques[C]//IEEE International Workshop on Electromagnetics. Japan，Sapporo：IEEE，2014：121-122.

[6]Chen Y，Huang J，He C. High resolution direction-of-arrival estimation based on compressive sensing with noval compression matrix[C]//IEEE International Conference on Signal Processing，Communication and Computing. China，HK：IEEE，2012：764-767.

[7]Romberg J. Imaging via compressive sampling[J]. IEEE Signal Processing Magazine，2008，25(2)：14-20.

[8]Liang G，Han B. New method of DOA estimation in the presence of interference[C]//IEEE International Conference on Electronic Measurement & Instruments. China，Harbin：IEEE，2013：650-654.

[9]Cotter S F. Multiple snapshot matching pursuit for direction of arrival (DOA) estimation [C]//Signal Processing Conference. European: IEEE, 2007:247-251.

[10]Gorodnitsky I F，Rao B D. Sparse signal reconstruction from limited data using FOCUSS：A re-weighted minimum norm algorithm[J]. IEEE Transactions on Signal Processing，1997，45(3)：600-616.

[11]Cotter S F，Rao B D，Engan K，et al. Sparse solutions to linear inverse problems with multiple measurement vectors[J]. IEEE Transactions on Signal Processing，2005，53(7)：2477-2488.

[12]Lei S，Wang H. Direction-of-arrival estimation based on modified Bayesian compressive sensing method[C]//International Conference on Wireless Communications and Signal Processing. China，Hefei：IEEE，2011：1-4.

[13]賀亞鵬，李洪濤，王克讓，等. 基于壓縮感知的高分辨DOA估計[J]. 宇航學(xué)報，2011，32(6)：1344-1349.

[14]Chen Y，Huang J，Han J. A novel beamspace algorithm for direction of arrival based on compressive sensing[C]//International Conference on Signal Processing. China，Beijing：IEEE，2012：394-397.

[15]Donoho D L，Huo X. Uncertainty principles and ideal atomic decomposition[J]. IEEE Transactions on Information Theory，2001，47(7)：2845-2862.

[16]Rao B D，Engan K，Cotter S F，et al. Subset selection in noise based on diversity measure minimization[J]. IEEE Transactions on Signal Processing，2003，51(3)：760-770.