蔡 進 劉春生 陳明建 周青松

(國防科技大學電子對抗學院,安徽合肥 230037)

1 引言

對信號源來波方向進行估計是雷達等探測系統(tǒng)的基本任務之一。目前,窄帶信號陣列DOA估計算法已經(jīng)發(fā)展的很成熟,常用的有這三類：基于子空間分解的多信號分類法(Multiple Signal Classification, MUSIC)[1]、旋轉子空間不變法(Estimation of Signal Parameters via Rotation Invariance Techniques, ESPRIT)[2-3]和子空間擬合法[4-5]。隨著寬帶信號的應用范圍更加廣泛,對寬帶信號的DOA估計成為這個領域研究的熱點內(nèi)容[6]。

目前對寬帶信號進行DOA估計主要方法是：首先將時域模型通過DFT轉化為頻域模型,然后在頻域上采用窄帶信號處理的方法。針對寬帶信號的DOA估計信號子空間算法(Signal Subspace Method,SSM)主要分為兩類：一類是非相干子空間法(Incoherent Signal Subspace Method,ISSM)[7]。ISSM是在寬帶信號中的多個頻點上使用MUSIC等算法,然后對各個頻點的DOA結果做平均處理,獲得最終DOA估計結果。因為各個頻率點的能量分布不均勻,ISSM 算法在某些頻率點的估計誤差較大,因此該算法要求信噪比更高并且樣本數(shù)足夠；另一類是相干子空間處理法(Coherent Signal Subspace Method, CSSM)[8]。該算法利用了聚焦的思想,能提高低信噪比條件下的估計精度,并且能夠處理寬帶相干信源。該方法缺點是在構造聚焦矩陣時,首先得對角度進行合理預估計并且要選擇合適的聚焦頻點,不合理的角度預估計會帶來較大的DOA估計誤差[9]。針對該問題,Yoon等人提出了一種投影子空間正交性測試(Test of Orthogonality of Projected Subspaces, TOPS)算法[10],該算法不用構造聚焦矩陣和角度預估計,估計精度介于ISSM法與CSSM法之間。但該算法的性能依賴參考頻點的選擇,并且十分容易產(chǎn)生偽峰；文獻[11]提出了一種改進的ETOPS算法,該算法從信號帶寬內(nèi)的所有頻率中選擇幾個頻率點形成參考頻率集,在每個頻率上采用TOPS算法,雖然克服了對參考頻點的依賴,但同時帶來了計算的復雜度,并且不能消除偽峰。文獻[12]提出了TOFS算法,利用各個頻點的陣列方向矢量與噪聲子空間的正交性完成DOA估計,算法不依賴參考頻點,且能消除偽峰,其本質(zhì)上是一種基于ISSM算法擴展的算法,因此,在中等信噪比時算法性能不太理想。

為改進傳統(tǒng)TOPS算法存在的不足,本文提出一種聚焦的FTOPS算法。該算法是先利用RCM(Reduced Covariance Matrix)[13]法消除了噪聲,然后將各個頻點的Signal Subspace聚焦到任意參考頻點的Signal Subspace,最后利用該參考頻點的Signal Subspace與陣列方向矢量的正交投影矩陣之間的正交性完成DOA估計。仿真驗證了該方法不依賴參考頻點的選擇,有效地消除了偽峰,角度分辨力和檢測精度更高。

2 寬帶信號模型

(1)

式中,xm(t)為第m個陣元上的接收信號,si(t)為第i個信號,nm(t)為第m個陣元上的復圓高斯空時白噪聲。

將接收數(shù)據(jù)分成L段,對每段數(shù)據(jù)做離散時間傅里葉變換,并將寬帶信號頻域分成J個子帶,得到頻率fj,j=1,2,…,J處的頻域數(shù)學模型：

(2)

將上式擴展成M個陣元,得到矩陣形式的頻域陣列信號接收模型：

X(fj)=A(fj,θ)S(fj)+N(fj)j=1,2,…,J

(3)

式中,X(fj)=[x1(fj),x2(fj),…,xM(fj)]T為M×1的陣元接收信號矢量,A(fj,θ)=[a(fj,θ1),a(fj,θ2),…,a(fj,θP)]為M×P的陣列流型矩陣,入射信號矢量為s(fj)=[s1(fj),s2(fj),…,sP(fj)]T,N(fj)表示陣列噪聲矢量。a(fj,θi)表示信號的方向矢量,可表示為：

a(fj,θi)=[1,exp(jφji),exp(j2φji),…,

exp(j(M-1)φji)]T

(4)

假設信號和噪聲之間的相關系數(shù)為零,則可以列出頻域陣列接收信號協(xié)方差矩陣為：

Rx(fj)=E{X(fj)XH(fj)}=

A(fj,θ)Rs(fj)AH(fj,θ)+Q(fj)

(5)

(6)

(7)

(8)

3 基于聚焦TOPS算法寬帶信號DOA估計

3.1 傳統(tǒng)的TOPS算法

TOPS算法的核心思想是將各個頻點的噪聲子空間(Noise Subspace)投影到由參考頻點Signal Subspace生成的對應的各個頻點的Signal Subspace上。這些投影形成一個構造矩陣,對構造矩陣進行角度搜索,當搜索角度等于DOA時構造矩陣將缺秩,利用該特性來估計DOA。

引理1給定ULA的方向矢量a(fp,θp)和對角變換矩陣φ(fq,θq),兩者的乘積是一個新的方向矢量a(fk,θk),即：

a(fk,θk)=φ(fq,θq)a(fp,θp)

(9)

其中,fk=fp+fq,sinθk=(fp/fk)sinθp+(fq/fk)sinθq,φ(fq,θq)是M×M維對角陣,第m個對角元素為[φ(fq,θq)]m×m=exp[-j2πfq(m-1)dsinθq/c]。當θq=θp時,有θk=θp。因此,方向矢量在不改變方向的條件下,頻率可由fp變成fk。

引理2假定Δfj=fj-fr,文獻[10]證明了下列兩個矩陣的列空間是相同的,即：

(10)

p=1,…,P

(11)

利用引理1和引理2可得出如下結論：

U(fj,φ)=φ(Δfj,φ)Us(fr)j=1,…,J且j≠r

(12)

其中,Δfj=fj-fr,φ是可能到達角。定義P×(J-1)(M-P)矩陣D(φ)為

(13)

文獻[10]已經(jīng)證明：當假定角度φ=θp,p=1,…,P時,矩陣D(φ)將缺秩；反之,當假定角度φ≠θp,p=1,…,P時,矩陣D(φ)將行滿秩。對D(φ)做奇異值分解,找到最小奇異值σmin(φ),通過對(14)進行譜峰搜索可得到DOA估計值：

(14)

(15)

(16)

用U′(fj,φ)代替U(fj,φ)構造新的D(φ)矩陣,利用(14)進行譜峰搜索估計得到DOA。

3.2 基于聚焦的FTOPS算法

分析TOPS算法可知,因為某些參考頻點的Signal Subspace可能存在較大的誤差,則經(jīng)過對角變換后,其誤差會擴散到各個頻點的信號子空間中去,因此算法十分依賴參考頻點的選擇。Signal Subspace和Noise Subspace必然都存在誤差,后面會證明兩者誤差的相互作用才是產(chǎn)生偽峰的根本原因,尤其在信噪比較低或者快拍數(shù)不夠的情況下,兩者的誤差會更大,因此偽峰會更加明顯。

針對TOPS算法存在的問題,本文提出聚焦的FTOPS算法,該方法首先利用RCM法消除了噪聲,然后通過變換矩陣將各個頻點的Signal Subspace聚焦到參考頻點的Signal Subspace,最后利用參考頻點的Signal Subspace與陣列方向矢量的正交投影矩陣之間的正交性完成DOA估計。

1. RCM法去噪

(17)

其中,D{}表示返回一個對角矩陣,它包含了被作用矩陣對象的對角線上的元素,由(17)可知：

APAH-D{APAH}

(18)

可見通過矩陣對消作用,噪聲協(xié)方差矩陣Q被消除了,對其進行特征分解：

(19)

2. 剔除偽峰

Uj(fr,φ)=φ(Δfj,φ)Us(fj)j=1,…,J

(20)

其中,fr為任意參考頻點,Δfj=fr-fj。通過(20),可將各個頻率點的Signal SubspaceUs(fj)變換到頻點fr的矩陣Uj(fr,φ)上,并且不改變其信號的DOA信息。

(21)

(22)

可以證明,當假定角度φ=θp,p=1,…,P時,矩陣Dj(φ)將行缺秩；反之,當假定角度φ≠θp,p=1,…,P時,矩陣Dj(φ)將行滿秩。證明如下：

(23)

若φ=θp,p=1,…,P,則：

故而,證明了Dj(φ)行缺秩。

將各個頻點構造矩陣Dj(φ)求和得到聚焦矩陣D(φ)：

(24)

對D(φ)做奇異值分解,找到最小奇異值σmin(φ),通過對(24)進行譜峰搜索可得到DOA估計值：

(25)

3. 剔除偽峰的證明

(1)TOPS算法存在偽峰的原因

(26)

(27)

由于ΔUs(fj)必然落在Noise Subspace內(nèi),而ΔUn(fj)必然落在Signal Subspace內(nèi),故而存在(M-P)×P矩陣B和P×(M-P)矩陣C使得：

ΔUs(fj)=Un(fj)B

(28)

ΔUn(fj)=Us(fj)C

(29)

現(xiàn)在試著在Noise Subspace中找到一組向量滿足式(4)的形式,假設存在該向量為：

a(fj,θk)=[1,exp(jφjk),exp(j2φjk),…,

exp(j(M-1)φjk)]T

(30)

aT(fj,θk)a(fj,θi)=0

(31)

(32)

將這樣的向量a(fj,θk)組成矩陣A⊥(fj,θ′),則近似有A⊥(fj,θ)∈span{Un(fr)}。由引理2可知：

j=1,…,J

(33)

k=1,2,…

(34)

故而,利用引理1和引理2可知,存在M×P矩陣U⊥(fj,φ)

U⊥(fj,φ)=φ(Δfj,φ)ΔUs(fr)j=1,…,J且j≠r

(35)

其中,Δfj=fj-fr,φ是可能到達角。同樣定義P×(J-1)(M-P)矩陣D′(φ)為

D′(φ)=[U⊥(f1,φ)HΔUn(f1)|U⊥(f2,φ)HΔUn(f2)|…

|U⊥(fJ,φ)HΔUn(fJ)]

(36)

當φ=θk,p=1,2,…時,D′(φ)將缺秩。這也就證明了當搜索角度φ不等于波達角時,也會存在譜峰。

(2)FTOPS算法剔除偽峰的原因

4. 算法復雜度分析

文獻[14]證明了對一個M×M維的矩陣做SVD分解,算法復雜度大約在O(M3)。因此傳統(tǒng)的TOPS算法在每個搜索角度對維度P×(J-1)(M-P)構造矩陣D(φ)進行奇異值分解,每個搜索角度下的SVD分解的算法復雜度略大于O(P3)(因為(J-1)(M-P)>P,包含更多的矩陣乘法運算)。本文提出的FTOPS算法是對P×M維的聚焦矩陣D(φ)做SVD分解,故而算法復雜度的量級依然是O(P3),但由于M<(J-1)(M-P),故而算法復雜度要小于傳統(tǒng)的TOPS算法。而文獻[11]提出的ETOPS算法,需要在多個頻點上采用TOPS算法,故而算法復雜度為KO(P3)。綜上所述,三種算法復雜度滿足以下關系：ETOPS>TOPS>FTOPS。

綜上所述,本文算法步驟簡述如下：

(1)對陣元接收到的寬帶信號總的快拍數(shù)目進行分段,對每段快拍數(shù)進行離散傅里葉變換；

(2)求出各個頻點處的協(xié)方差矩陣Rx(fj)；

(5)對聚焦矩陣D(φ)進行奇異值分解,利用(25)進行譜峰搜索,得到P個極大值點,對應的即為信號來波方向。

4 仿真實驗與分析

為檢驗本文提出的FTOPS算法的有效性,對本文算法和傳統(tǒng)TOPS算法以及文獻[11]提出的ETOPS算法、文獻[12]提出的TOFS算法進行仿真對比。基本仿真條件：陣元數(shù)為10的均勻線陣列,陣元間距為中心頻率對應的半波長,假設空間有兩個遠場獨立寬帶信號源,信號方向分別為(30°,33°),信號中心頻率為300 MHz,信號帶寬為B=100 MHz,采樣頻率為fs=700 MHz,陣列輸出信號的DFT的點數(shù)為256,每個頻點快拍數(shù)為132,每個條件下進行1000次蒙特卡羅仿真實驗。

由仿真1可知：(1)傳統(tǒng)TOPS算法以及ETOPS算法無論在低信噪比還是中等信噪比都會出現(xiàn)多個偽峰,在低信噪比時,估計分辨力較差；(2)ETOPS算法性能要優(yōu)于在該參考頻點下的傳統(tǒng)TOPS算法；(3)本文提出的FTOPS算法和TOFS算法都能夠有效剔除偽峰,但是本文算法譜峰更尖銳,在低信噪比條件下分辨力更高。

圖1 不同信噪比時的空間譜

圖2 不同信噪比算法的均方根誤差

圖3 不同角度間隔算法的成功估計概率

由仿真2可知：(1)四種方法的均方誤差隨著信噪比的提高而減少；(2)ETOPS算法的均方誤差要小于傳統(tǒng)TOPS算法；(3)TOFS算法均方誤差曲線最高,尤其在中等信噪比和低信噪比下表現(xiàn)更差；(4)在整個信噪比區(qū)間上,FTOPS算法的均方誤差都小于另外三種算法。

由仿真3可知,在5 dB的仿真條件下,四種方法的成功估計概率,隨著角度間隔的增大而提高；當角度間隔小于等于1°時,四種算法都無法分辨開信號；在角度間隔1.5°時,傳統(tǒng)TOPS算法、ETOPS算法以及TOFS算法幾乎無法正確估計,而FTOPS算法成功估計的概率超過了0.5；當角度間隔為2°時,FTOPS算法成功估計概率為1,而傳統(tǒng)ETOPS算法僅有0.4。說明本文算法在低信噪比下具有更高的分辨力。

仿真分析,因為傳統(tǒng)TOPS算法采用由參考頻點生成的Signal Subspace與各個頻點的Noise Subspace的正交性完成DOA估計,而參考頻點的Signal Subspace的誤差會擴散到各個頻點的Signal Subspace中,故而參考頻點的選擇非常重要,其次,Signal Subspace的誤差和Noise Subspace的誤差的相互作用會產(chǎn)生偽峰；ETOPS算法通過選取一個頻率集,在這個頻率集上采用TOPS算法,因此能減少算法對參考頻點的依賴,性能上要優(yōu)于TOPS算法；而TOFS算法雖然能夠克服對參考頻點的依賴,且消除了偽峰,但本質(zhì)上還是ISSM算法的擴展,因此在中等信噪比和低信噪比下表現(xiàn)不佳。

本文提出的FTOPS算法是利用轉換矩陣把各個頻點的Signal Subspace聚焦到任意參考頻點的Signal Subspace,最后利用該參考頻點的Signal Subspace與陣列方向矢量的正交投影矩陣之間的正交性完成DOA估計。由于利用到了各個頻點的Signal Subspace信息,故而算法不依賴參考頻點的選擇；其次用陣列方向矢量的正交投影矩陣代替Noise Subspace,沒有了Noise Subspace的誤差,故而能剔除偽峰。同時,利用RCM法進行去噪預處理,提高了在低信噪比條件下算法的估計精度。

5 結論

本文采用聚焦的思想,提出了基于聚焦的FTOPS算法,將各個頻點的Signal Subspace聚焦到任意參考頻點的Signal Subspace,最后利用該參考頻點的Signal Subspace與陣列方向矢量的正交投影矩陣之間的正交性完成DOA估計,并利用RCM法去噪,提高了在低信噪比條件下的估計精度,解決了TOPS算法性能依賴參考頻點選擇、存在偽峰等問題。同時理論上推導證明了TOPS算法存在偽峰和FTOPS算法能剔除偽峰的原因。仿真證明了,在低信噪比條件下,相對TOPS算法,本文算法參數(shù)估計精度和角度分辨率更高。

[1] Qian C, Huang L, So H C. Improved Unitary Root-MUSIC for DOA Estimation Based on Pseudo-Noise Resampling[J]. IEEE Signal Processing Letters, 2014, 21(2):140-144.

[2] Roy R, Kailath T. ESPRIT-estimation of signal parameters via rotational invariance techniques[J]. IEEE Transactions on Acoustics Speech & Signal Processing, 1990, 37(7):984-995.

[3] Chen C, Zhang X. A RD-ESPRIT algorithm for coherent DOA estimation in monostatic MIMO radar using a single pulse[J]. International Journal of Electronics, 2014, 101(8):1074-1085.

[4] Viberg M, Ottersten B. Sensor array processing based on subspace fitting[J]. IEEE Transactions on Signal Processing, 1991, 39(5):1110-1121.

[5] 孫磊, 王華力, 熊林林,等. 基于貝葉斯壓縮感知的子空間擬合DOA估計方法[J]. 信號處理, 2012, 28(6):827- 833.

Sun Lei, Wang Huali, Xiong Linlin, et al. A Novel Subspace Fitting Method for DOA Estimation Based on Bayesian Compressive Sensing[J]. Signal Processing, 2012,28(6):827- 833. (in Chinese)

[6] Garmatyuk D S, Narayanan R M. ECCM capabilities of an ultrawideband bandlimited random noise imaging radar[J]. IEEE Transactions on Aerospace & Electronic Systems, 2002, 38(4):1243-1255.

[7] Wax M, Shan T J, Kailath T. Spatio-temporal spectral analysis by eigenstructure methods[J]. IEEE Transactions on Acoustics Speech & Signal Processing, 1984, 32(4):817- 827.

[8] Wang H, Kaveh M. Coherent signal-subspace processing for the detection and estimation of angles of arrival of multiple wide-band sources[J]. IEEE Transactions on Acoustics Speech & Signal Processing, 1985, 33(4):823- 831.

[9] Sellone F. Robust auto-focusing wideband DOA estimation[J]. Signal Processing, 2006, 86(1):17-37.

[10]Yoon Y S, Kaplan L M, Mcclellan J H. TOPS: new DOA estimator for wideband signals[J]. IEEE Transactions on Signal Processing, 2006, 54(6):1977-1989.

[11]Zhang J, Dai J, Ye Z. An extended TOPS algorithm based on incoherent signal subspace method[J]. Signal Processing, 2010, 90(12):3317-3324.

[12]Yu H Q, Huang Z T, Liu J, et al. TOFS: A new DOA estimator for wideband sources[J]. Journal of Astronautics, 2007.

[13]Liao B, Huang L, Guo C, et al. New Approaches to Direction-of-Arrival Estimation With Sensor Arrays in Unknown Nonuniform Noise[J]. IEEE Sensors Journal, 2016, 16(99):1-1.

[14]Golub G H, Van Loan C F. Matrix computations[J]. Mathematical Gazette, 1996, 47(5 Series II):392-396.