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
. t+ z+ n6 b+ |( F+ O- ^3 i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
% i) }) }1 h$ e8 M# M& H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
2 G, I4 h% r# k# {8 S6 k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)
0 e% ?/ s0 h, p' z1 引言
( n8 A+ f- G0 pDOA 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
3 h! c; r- R  k2 d1 P/ z& w主要目标是在噪声环境下，分辨两个在方位向非常
. X* O& N" I- ?+ W! t接近的目标，在雷达、声呐、通信、地震监测等领
; W, i2 M" |( u2 B; M4 s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
* R0 t* `; e/ H计方法，主要有波束形成(BF)法，基于子空间方法
3 `% K& D- Q* Y4 ?5 k的 MUSIC 和 CAPON 法等。基于最大似然的参数
2 g0 O2 W: T  E" u9 v0 Z$ W化估计方法分为：确定最大似然和统计最大似然。
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
分辨 DOA 估计方法而言，例如：MUSIC, CAPON
+ y7 f! x; C# Z3 X2 I- Y1 l
  y7 |6 S- J0 Z% T+ v! T


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