[发明专利]一种基于离格稀疏贝叶斯的波达方向估计方法

说明书

本发明涉及一种基于离格稀疏贝叶斯的波达方向估计方法，包括：步骤S1：初始化稀疏基矩阵：Φ(β)＝A+Bdiag(β)；步骤S2：基于稀疏基矩阵更新估计信号的均值和方差，并基于估计信号的均值和方差跟新迭代噪声方差、信号的方差和离格参数；步骤S3：判断迭代更新的离格参数的绝对值的最大值是否大于设定的阈值C，若为是，则执行步骤S4，反之，执行步骤S5；步骤S4：根据离格参数和阈值C偏移网格，并更新矩阵A和B，进而更新稀疏基矩阵；步骤S5：判断是否收敛，或达到迭代次数上限，若均为否，则返回步骤S2，反之结束迭代；步骤S6：利用更新后的稀疏基矩阵更新离格波达方向的估计模型以得到估计结果。与现有技术相比，本发明具有精度高等优点。

技术领域

本发明涉及一种估计方法，尤其是涉及一种基于离格稀疏贝叶斯的波达方向估计方法。

背景技术

DOA估计是目标定位、检测和识别等工程实际应用的关键技术，其广泛应用在雷达、通信、射电天文、地球物理、语音识别、声呐、医学影像等军事和国民经济应用领域。传统的DOA估计(如：MUSIC算法、l₁-SVD方法等)是基于子空间类算法的，往往需要在信噪比较高、采样快拍数较多、信源之间的相关性不强的环境下进行估计，而且也需要知道信源的个数，这就限制了DOA估计的应用场合。而且当信号在空域密集分布时，DOA估计的精度会受到密集信号之间高相关性的影响而大大降低，这对目标定位的应用效果有非常大的破坏性。自从2006年Candès、Donoho、Tao等提出压缩感知理论后，压缩感知理论为解决DOA估计中信号之间高相关性导致的矩阵病态性问题提供了一种有效的求解途径。不过，过完备字典的设计仍然是压缩感知方法应用的一个关键技术难点，也是当前研究压缩感知理论的一个前沿方向。为了确保压缩感知得到精确的估计值，设计的过完备字典需要包含和真实的DOA匹配的网格，但是真实的DOA值可能是无限不循环小数，实现网格匹配的难度很高，通常会造成未知的DOA参数具有离网格特性。传统的压缩感知方法对求解这种具有离格特性的未知参数误差较大。为了提高对这种未知的离格参数的求解精度，从2012年开始，大量的研究正在努力探索解决压缩感知理论中离格参数的求解方法。

其中，当前最为关注和热点的研究课题之一是采用稀疏贝叶斯学习(SBL：SparseBayesian Learning)来求解具有离格参数的压缩感知模型。例如：Yang等研究了求解DOA估计的稀疏贝叶斯学习算法，主要目的是解决过完备字典中离散数据点不在匹配位置上的情况，研究结果展示了当真实DOA角度值为带小数的实数时，该方法可以有效提高DOA估计的求解精度；Tang等提出无网格压缩感知，在原有的压缩感知模型上改进，加入原子范数最小化约束，提高了重构连续频率值的精度；Carlin等也提出了采用贝叶斯压缩感知框架(BCS：Bayesian Compressed Sensing)求解DOA估计，主要目的是突破已有DOA方法对接收信号先验信息的限定，包括过完备字典设计规则的限定。但是，现有的研究中对具有高相关性的密集信号中存在的离格DOA估计问题讨论较少，采用稀疏贝叶斯求解离格DOA估计的方法研究是非常有必要的。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于离格稀疏贝叶斯的波达方向估计方法。

本发明的目的可以通过以下技术方案来实现：

一种基于离格稀疏贝叶斯的波达方向估计方法，包括：

步骤S1：初始化稀疏基矩阵：Φ(β)＝A+Bdiag(β)，

其中：Φ(β)为稀疏基矩阵，A为流型阵列信号，B为流型阵列信号的导数，β为离格参数，即偏移后的非均匀网格中的每个网格点距离原来的均匀网格的每个网格点的偏移距离，diag(·)为对角矩阵；

步骤S2：基于稀疏基矩阵更新估计信号的均值和方差，并基于估计信号的均值和方差跟新迭代噪声方差、信号的方差和离格参数；

步骤S3：判断迭代更新的离格参数的绝对值的最大值是否大于设定的阈值C，若为是，则执行步骤S4，反之，执行步骤S5；