论文部分内容阅读
压缩感知(Compressive Sensing,CS)理论是近十年来新兴起来的技术,该理论利用信号在某一空间的投影下是稀疏或可压缩的特性,从少量的采样数据中精准的恢复出信号,大大降低了数据在存储和传输中的数据量。将CS理论与到达角(Direction of arrival,DOA)估计相结合,能够克服传统DOA估计方法的众多不足,因此具有十分重大的意义。本文旨在利用CS理论去增强DOA估计的性能,具体内容如下:1、研究CS的基本理论,介绍了几种传统DOA估计算法,进行实验仿真来验证这几种算法的有效性,并分析这几种算法的性能,为后续基于CS理论的DOA估计算法的研究打下基础。2、针对均匀线阵情况下的远场窄带信号,介绍了两类超分辨DOA估计算法,即基于贝叶斯压缩感知的DOA估计类算法和基于混合范数约束的DOA估计类算法,其中包括1l-SVD算法,加权1l范数最小化约束算法以及自相关矩阵稀疏表示法,并对这些算法的有效性进行仿真分析,比较这些算法与传统DOA估计算法之间的性能差异。3、研究了二维DOA(2D-DOA)估计算法,将经典的1D-DOA估计算法延展至二维,并做了相应的算法仿真,接着介绍了一种基于可分割观测模型的二维DOA估计算法,该算法核心思想是将完备字典集分割为两个独立的子字典集,进而降低了计算复杂度,但是该算法需要选取两个正则化参数,而这两个正则化参数的选取很难精准的得到,因此在低信噪比,小尺寸的阵列情况性能会急剧衰减,最后对这些算法的有效性进行试验仿真。4、针对基于可分割的观测模型提出一种将加权1l范数最小化方法与多任务贝叶斯压缩感知(MT-BCS)方法相结合的二维DOA估计算法,其核心思想是利用加权1l范数最小化方法对中间变量进行重构,提高其重构的精度进而减小对稀疏矩阵的重构的影响,并给出了正则化参数的选取准则,由于在对中间变量重构过程中存在误差,并且很难精准的知道误差的分布与方差,这里选择多任务贝叶斯压缩感知方法来对稀疏信号进行重构,实验仿真验证了该算法在低信噪比,小尺寸的阵列情况下的优良性。