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
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
9 i% U: p+ P+ m据域方法。
( d6 ~1 |, w1 J, D: o* k. B: M5 c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
DOA 估计问题[1]是阵列信号处理中的基本问
. u2 ^. n, `3 T3 }题，一直以来都是学者们的研究热点。DOA 估计的
* T- u& k  J- z" _; X+ T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
8 R9 d6 }; I( T0 b域有着广泛的应用。常用的 DOA 估计方法分为两
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
8 Y/ J8 g1 `) ]) f( n" t0 u2 F化估计方法分为：确定最大似然和统计最大似然。
: i7 k, I2 B0 I7 F. r) ?总的来说 DOA 估计面临两大挑战：阵列流形失配
. W+ z( f/ Z0 C8 o( r1 D: v7 K; l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
& h% W: e/ A8 h" l$ A+ |  x


3 m  g, [* W- U8 N! f
9 Q8 A, m0 q9 `' u  Z; Z附件下载：

游客，如果您要查看本帖隐藏内容请回复

1 X. Y) r/ v6 J* I
! U* p: q3 L' c  u0 Y8 A$ S7 x

vava

谢谢分享