[发明专利]一种基于贝叶斯学习的稀疏阵列角度估计方法及其装置

说明书

本发明属于信号处理技术领域，具体地说，涉及一种基于贝叶斯学习的稀疏阵列角度估计方法及其装置，该方法包括：将稀疏阵列中的每个阵元接收对应的接收信号进行向量化处理，得到向量形式的输出信号，稀疏阵列输出该向量形式的输出信号，得到二维输出信号模型，将其降维处理，得到一维输出信号模型；从得到的一维输出信号模型中，提取测量矩阵和需要恢复的二维空间谱矩阵；采用贝叶斯学习方法，当需要恢复的二维空间谱矩阵满足RIP特性时，根据得到的一维输出信号模型和测量矩阵，构造优化函数；对构造的优化函数进行求解，得到二维空时谱，并对得到的二维空时谱在时间上做累加，得到目标的空间谱，再对其进行恒虚警检测，得到目标的方位估计。

技术领域

本发明属于信号处理，以及雷达信号、声学信号和电磁信号的波束方向估计技术领域，具体地说，涉及一种基于贝叶斯学习的稀疏阵列角度估计方法及其装置。

背景技术

波束形成是阵列信号处理的重要任务，广泛应用于雷达、声呐、通信等领域，可抑制空间干扰，估计信号到达方向，从而实现对目标的探测与定位。现代阵列信号处理在多目标，集群目标环境下，对角度分辨率要求越来越高，增大阵列尺寸，增加信号的方位信息在不同的阵元间的差异，可以带来更高的分辨能力，但是，这会带来高昂的硬件制作成本。因此，在稀疏布阵条件下，提高空间增益和角度分辨率，成了阵列信号处理领域的热点问题。当阵元数目有限时，阵元对空域信号的采样将不满足奈奎斯特采样定理，常规波束形成算法很难保证角度估计性能。

常见的波束形成方法有时延求和波束形成(Delay-and-sum，DAS)和最小方差无畸变(Minimum Variance Distortion-less Response，MVDR)波束形成器；其中，DAS通过补偿各通道时延差后求和得到波束输出，其计算复杂度低，稳健性高；Capon提出的MVDR波束形成器，采用最小方差准则，最小化输出功率，最大化阵增益。同时，近30年来，涌现出一些子空间高分辨方位估计算法，其中最具代表性的是多重信号分类(Multiple SignalClassification,MUSIC)算法，MUSIC算法首先对阵列接收数据构造协方差矩阵，接着对协方差矩阵进行特征分解，从而得到与信号分量与噪声分量对应的信号子空间和噪声子空间，然后利用利用信号子空间和噪声子空间的正交性，构建空间谱函数，通过谱峰搜索，估计信号的角度信息，从理论上克服了瑞利准则，可获得目标角度的超分辨估计。

但是，传统的DAS算法由于受孔径大小的限制，空间分辨率较低，而依靠增加阵元数量提高分辨率会增加系统的硬件成本。MVDR算法和MUSIC算法均需对协方差矩阵进行分解，并进行谱峰搜索，其受噪声影响较大，计算复杂度高。

发明内容

为解决现有技术存在的上述缺陷，本发明提出了一种基于贝叶斯学习的稀疏阵列角度估计方法，该方法包括：

将稀疏阵列中的每个阵元接收对应的接收信号进行向量化处理，得到向量形式的输出信号，稀疏阵列输出该向量形式的输出信号，得到二维输出信号模型，将其降维处理，得到一维输出信号模型；

从得到的一维输出信号模型中，提取测量矩阵和需要恢复的二维空间谱矩阵；采用贝叶斯学习方法，当需要恢复的二维空间谱矩阵满足RIP特性时，根据得到的一维输出信号模型和测量矩阵，构造优化函数；

对构造的优化函数进行求解，得到二维空时谱，并对得到的二维空时谱在时间上做累加，得到目标的空间谱，再对其进行恒虚警检测，得到目标的方位估计。

作为上述技术方案的改进之一，所述将稀疏阵列中的每个阵元接收对应的接收信号进行向量化处理，得到向量形式的输出信号，稀疏阵列输出该向量形式的输出信号，得到二维输出信号模型，将其降维处理，得到一维输出信号模型；其具体实现过程为：

假设稀疏阵列为具有M个阵元的随机阵列，采用直角坐标表示；假设空间中存在N个方向的远程来波，每个阵元接收各个方向的远程来波，作为接收信号；