基于稀疏贝叶斯学习的矢量共形阵列DOA-极化参数联合估计方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113625219A(43)申请公布日2021.11.09(21)申请号202110696504.1(22)申请日2021.06.23(71)申请人沈阳航空航天大学地址110136辽宁省沈阳市道义经济开发区道义南大街37号(72)发明人蓝晓宇王靖宙邹岩姜来(74)专利代理机构沈阳维特专利商标事务所(普通合伙)21229代理人王翠(51)Int.Cl.G01S3/14(2006.01)权利要求书2页说明书9页附图2页(54)发明名称基于稀疏贝叶斯学习的矢量共形阵列DOA-极化参数联合估计方法(57)摘要本发明公开了一种基于稀疏贝叶斯学习的矢量共形阵列DOA‑极化参数联合估计方法，通过利用信号内在具有的稀疏结构特征，将矢量共形阵列的输出信号模型转换为以稀疏贝叶斯表示的矢量共形阵列信号模型后，利用压缩感知方法，提高了子空间的估计精度，在低信噪比和小样本数目基础上，实现高精度的DOA‑极化联合估计；该基于稀疏贝叶斯学习的矢量共形阵列DOA‑极化参数联合估计方法，具有方法简单、易行、精度高等优点。CN113625219ACN113625219A权利要求书1/2页1.一种基于稀疏贝叶斯学习的矢量共形阵列DOA‑极化参数联合估计方法，其特征在于，包括如下步骤：S1：建立极化阵列对信号的接收模型，所述接收模型具体为：Y(n)＝Ax(n)+N(n)其中，A为空域导向矢量矩阵；x(n)是K×1维信号矢量；N(n)为噪声矩阵；S2：根据矢量共形阵列输出信号的稀疏结构特性，将所述矢量共形阵列的输出信号模型转换为以稀疏特征表示的矢量共形阵列信号模型；S3：基于所述以稀疏特征表示的矢量共形阵列信号模型，利用谱峰搜索，获取入射信号的DOA估计值；S4：构建极化参数估计的目标函数，利用所述目标函数的最大特征值对应的特征向量，求得极化参数。2.根据权利要求1所述基于稀疏贝叶斯学习的矢量共形阵列DOA‑极化参数联合估计方法，其特征在于，步骤S2中，所述以稀疏特征表示的矢量共形阵列信号模型，具体为：Y(n)＝Φ(β)x(n)+N(n)，n＝1,…,N；其中，Φ(β)＝A+Bdiag(β)；A为空域导向矢量矩阵；K表示入射到矢量共形阵列的信号个数；l∈{1,…,L}，为与目标真实入射方向θj相隔最近的采样网格；N为矢量共形阵列的快拍数。3.根据权利要求1所述基于稀疏贝叶斯学习的矢量共形阵列DOA‑极化参数联合估计方法，其特征在于，步骤S3中，基于所述以稀疏特征表示的矢量共形阵列信号模型，利用谱峰搜索，获得DOA参数的估计，具体为：S301：构造超参数α0、α以及β，其中，M为阵元数，N为快拍数，d为阵元间距，Σnn为协方差的第n个对角元素，ρ为大于零的很小的常数，Un为U的第n行，HU＝[μ(1),…,μ(N)]＝α0ΣΦY，P为半正定矩阵，且Σ为协方差，2CN113625219A权利要求书2/2页S302：初始化参数α0，α和β，由参数α0，α和β，根据S301中的公式求解计算获得μ和Σ；再计算获得的μ和Σ，根据S301中的公式更新求解参数α0，α和β，以此往复，直至判定迭代次数达到最大迭代次数或误差小于收敛条件，执行步骤S303；S303：基于功率谱函数通过搜索谱峰，获取入射信号的DOA估计值。4.根据权利要求3所述基于稀疏贝叶斯学习的矢量共形阵列DOA‑极化参数联合估计方法，其特征在于，所述功率谱函数具体为：H其中，U＝[μ(1),…,μ(N)]＝α0ΣΦY，为的第n行，为信号方差的第n个对角元素。5.根据权利要求1所述基于稀疏贝叶斯学习的矢量共形阵列DOA‑极化参数联合估计方法，其特征在于，步骤S4中，构建的极化参数估计的目标函数，具体为：L(θ,γ,η)＝EH(γ,η)H(θ)E(γ,η)‑μ[EH(γ,η)E(γ,η)‑1]其中，H表示磁场强度E表示电场强度矢量，θ,γ,η分别表示方位角，极化辅助角以及极化相位差。3CN113625219A说明书1/9页基于稀疏贝叶斯学习的矢量共形阵列DOA‑极化参数联合估计方法技术领域[0001]本发明公开涉及天线阵列信号处理的技术领域，尤其涉及一种基于稀疏贝叶斯学习的矢量共形阵列DOA‑极化参数联合估计方法。背景技术[0002]作为现代信号处理的一个重要分支，阵列信号处理在经历了四十多年的蓬勃发展后，在射电天文、图像识别、医学检测、移动通信、地震勘探、声纳和雷达等领域的关键技术已经有了成熟的应用。随着新型技术的进一步发展，势必要求天线阵列具备更好的抗干扰性能、更高的信号分辨力、更稳健的检测能力以及更轻、更小的荷载和更大的观察范围。信号的波达方向角DOA估计是阵列信号处理领域的一个重要分支，它是指利用天线阵列对空间信号进行感应接收，再运用现代