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
) P5 t  w' M& |) M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
  x9 N; u- n5 L! z) E# m2 E3 o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
8 X6 t9 R& c9 K, P4 E  A0 g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
8 E1 I% H6 O) E0 I9 p* E& F3 I- D  [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)
7 f# d  o: {* H0 U5 R: [& B1 引言
DOA 估计问题[1]是阵列信号处理中的基本问
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
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
1 [- h7 @: G/ b  ~' [类，即参数化估计和非参数化估计。对于非参数估
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
4 W, v) ~  N' l% A1 d  j$ v化估计方法分为：确定最大似然和统计最大似然。
% m% p/ Q8 ~+ _8 _: b6 @  `总的来说 DOA 估计面临两大挑战：阵列流形失配
3 M; F7 B  d! X! r& j问题和快变环境下样本较少问题。对于大多数的高
分辨 DOA 估计方法而言，例如：MUSIC, CAPON
) [: `1 E5 D: @! Y
) q5 K8 }) `1 F- m9 X9 V

" B# \6 g7 {: K, ?
3 m" s: U7 O. s) \0 N附件下载：

游客，如果您要查看本帖隐藏内容请回复

vava

谢谢分享