小样本下基于改进的直接数据域方法的 DOA 估计方法

Iroiman

摘 要：针对小样本甚至单个样本情况下，大部分高分辨 DOA 估计方法性能下降，不能对临近目标有效分辨的问
6 Q- s! R' e8 V0 D. G4 l+ O题，该文提出一种新的基于直接数据域技术的 DOA 估计方法，基本思想是通过损失空域自由度达到提高时域样本
的目的。首先对阵列进行划分，构造多个新的低维数据矢量，其次利用远场窄带信号的复包络在阵列的各个阵元上
的幅度响应是近似相同的特点，构造新的约束。实验表明，在小样本下该文算法 DOA 的分辨能力优于传统直接数
据域方法。
关键词：DOA 估计；小样本；高分辨；子阵平滑；直接数据域方法(D3)
1 引言
+ p% U' _) y- x, iDOA 估计问题[1]是阵列信号处理中的基本问
% W/ ^; K8 ?  ]' T; J题，一直以来都是学者们的研究热点。DOA 估计的
主要目标是在噪声环境下，分辨两个在方位向非常
$ t/ E/ e: [1 e# D& z, g  p9 _# s接近的目标，在雷达、声呐、通信、地震监测等领
域有着广泛的应用。常用的 DOA 估计方法分为两
% @8 P/ H/ e+ K: K9 Q8 M类，即参数化估计和非参数化估计。对于非参数估
: \% t# I( M. s4 M  g计方法，主要有波束形成(BF)法，基于子空间方法
的 MUSIC 和 CAPON 法等。基于最大似然的参数
化估计方法分为：确定最大似然和统计最大似然。
- T) p4 H  u5 S- j6 i3 g3 {5 ]总的来说 DOA 估计面临两大挑战：阵列流形失配
问题和快变环境下样本较少问题。对于大多数的高
! R! g# \1 U4 `/ f& O4 t" }- Z! b分辨 DOA 估计方法而言，例如：MUSIC, CAPON




附件下载：

游客，如果您要查看本帖隐藏内容请回复

$ r, O* S- u( _  ~

vava

谢谢分享