基于原子范数最小化的二维稀疏阵列波达角估计算法
发布时间:2021-10-12 15:30
基于二维稀疏平面阵列的波达角(Direction-of-arrival,DOA)估计问题在第五代移动通信大规模多输入多输出阵列的应用中日益重要。无网格稀疏重构技术促进了DOA估计问题的发展,原子范数理论则使得DOA估计的超分辨率得到进一步的提高。文中研究了多个方向的频谱稀疏信号入射到二维稀疏阵列时的DOA估计问题。为了准确、成对地识别出所有入射信号的仰角和方向角,提出了一种基于多个测量矢量(Multiple Measurement Vectors,MMV)的二维原子范数算法,并用半正定规划进行求解。所提算法将二维DOA估计问题中的压缩感知理论从单个测量矢量拓展到多个测量矢量,从而有效利用MMV的联合稀疏性。数值仿真结果表明,随着MMV矢量的增长,可识别的信源个数增加,稀疏阵列中物理传感器所占比例降低到30%,DOA估计误差也显著降低,并且在信噪比增大时,所提算法能够取得很好的收敛效果。
【文章来源】:计算机科学. 2020,47(05)北大核心CSCD
【文章页数】:6 页
【部分图文】:
二维稀疏阵列的信号模型
实验2针对不同的源信号个数(也称为稀疏级别K),测试二维 DOA成功估计的概率。稀疏阵列从11×11的URA中随机选择产生36个物联传感器。根据电子频率分隔条件ΔT≥Δmin的限制,重复添加新的电子频率对,直到没有电子频率对能够被添加,从而生成入射波DOA方向集T。因此,在T中,任意两个相邻的电子频率对的间隔大于Δmin。假设源信号s=[sk,l]∈CK×L是从独立同分布的标准复高斯分布中提取的,并且是非相关的。为了评估MMV的作用,考虑不同的测量矢量个数L=3,6,9,12;K值在1~10之间变化。对于每个L和K值,运行50次Monte Carlo实验,计算二维 DOA成功估计的概率。如果估计的二维 DOA的RMSE小于1×10-4,则认为估计是成功的。仿真结果如图4所示,它证明了在适当的电子频率分隔条件下,全数据矩阵可以被精确恢复。当测量矢量的个数L增多时,成功估计的概率显著提升。实验表明,在ANM中加入MMV显然是有效的,但在L增到6及以上后这种优势不再明显,对稀疏级别K的增加也有限。由于L的增大会提高算法的计算复杂度,因此建议L取值8左右。实验3在不同物理传感器个数的情况下,比较所提算法与现有算法能够成功估计DOA的概率。设快拍数L=8,信号源的个数K=2,其DOA设置为{(θk,?k)}={(20°,170°),(60°,265°)}。稀疏阵列是从9×9的URA中随机选择产生的,物理传感器个数q在[10,60]范围内变化。为了证明所提方法中MMV的有效性,将其与EMaC方法和文献[15]中的二维ANM方法进行比较。对于不同的观测值个数q,运行50次Monte Carlo实验来计算二维 DOA估计的成功率。DOA成功估计的概率关于q的变化曲线如图5所示。可以看出,3种不同方法的性能都随着q的增加而提高。显然,文献[15]中的二维 ANM算法与EMaC算法的性能相当,而二维 MMV-ANM算法的性能最佳,且当q>25时,所提算法成功估计的概率稳定为1。实验结果表明,MMV能够将稀疏阵列中所需物理传感器的比例大幅降低至30%。
实验3在不同物理传感器个数的情况下,比较所提算法与现有算法能够成功估计DOA的概率。设快拍数L=8,信号源的个数K=2,其DOA设置为{(θk,?k)}={(20°,170°),(60°,265°)}。稀疏阵列是从9×9的URA中随机选择产生的,物理传感器个数q在[10,60]范围内变化。为了证明所提方法中MMV的有效性,将其与EMaC方法和文献[15]中的二维ANM方法进行比较。对于不同的观测值个数q,运行50次Monte Carlo实验来计算二维 DOA估计的成功率。DOA成功估计的概率关于q的变化曲线如图5所示。可以看出,3种不同方法的性能都随着q的增加而提高。显然,文献[15]中的二维 ANM算法与EMaC算法的性能相当,而二维 MMV-ANM算法的性能最佳,且当q>25时,所提算法成功估计的概率稳定为1。实验结果表明,MMV能够将稀疏阵列中所需物理传感器的比例大幅降低至30%。实验4根据稀疏阵列L个快拍的含噪声测量值来估计二维 DOA。稀疏阵列矢量化的数据矩阵表示为:
本文编号:3432836
【文章来源】:计算机科学. 2020,47(05)北大核心CSCD
【文章页数】:6 页
【部分图文】:
二维稀疏阵列的信号模型
实验2针对不同的源信号个数(也称为稀疏级别K),测试二维 DOA成功估计的概率。稀疏阵列从11×11的URA中随机选择产生36个物联传感器。根据电子频率分隔条件ΔT≥Δmin的限制,重复添加新的电子频率对,直到没有电子频率对能够被添加,从而生成入射波DOA方向集T。因此,在T中,任意两个相邻的电子频率对的间隔大于Δmin。假设源信号s=[sk,l]∈CK×L是从独立同分布的标准复高斯分布中提取的,并且是非相关的。为了评估MMV的作用,考虑不同的测量矢量个数L=3,6,9,12;K值在1~10之间变化。对于每个L和K值,运行50次Monte Carlo实验,计算二维 DOA成功估计的概率。如果估计的二维 DOA的RMSE小于1×10-4,则认为估计是成功的。仿真结果如图4所示,它证明了在适当的电子频率分隔条件下,全数据矩阵可以被精确恢复。当测量矢量的个数L增多时,成功估计的概率显著提升。实验表明,在ANM中加入MMV显然是有效的,但在L增到6及以上后这种优势不再明显,对稀疏级别K的增加也有限。由于L的增大会提高算法的计算复杂度,因此建议L取值8左右。实验3在不同物理传感器个数的情况下,比较所提算法与现有算法能够成功估计DOA的概率。设快拍数L=8,信号源的个数K=2,其DOA设置为{(θk,?k)}={(20°,170°),(60°,265°)}。稀疏阵列是从9×9的URA中随机选择产生的,物理传感器个数q在[10,60]范围内变化。为了证明所提方法中MMV的有效性,将其与EMaC方法和文献[15]中的二维ANM方法进行比较。对于不同的观测值个数q,运行50次Monte Carlo实验来计算二维 DOA估计的成功率。DOA成功估计的概率关于q的变化曲线如图5所示。可以看出,3种不同方法的性能都随着q的增加而提高。显然,文献[15]中的二维 ANM算法与EMaC算法的性能相当,而二维 MMV-ANM算法的性能最佳,且当q>25时,所提算法成功估计的概率稳定为1。实验结果表明,MMV能够将稀疏阵列中所需物理传感器的比例大幅降低至30%。
实验3在不同物理传感器个数的情况下,比较所提算法与现有算法能够成功估计DOA的概率。设快拍数L=8,信号源的个数K=2,其DOA设置为{(θk,?k)}={(20°,170°),(60°,265°)}。稀疏阵列是从9×9的URA中随机选择产生的,物理传感器个数q在[10,60]范围内变化。为了证明所提方法中MMV的有效性,将其与EMaC方法和文献[15]中的二维ANM方法进行比较。对于不同的观测值个数q,运行50次Monte Carlo实验来计算二维 DOA估计的成功率。DOA成功估计的概率关于q的变化曲线如图5所示。可以看出,3种不同方法的性能都随着q的增加而提高。显然,文献[15]中的二维 ANM算法与EMaC算法的性能相当,而二维 MMV-ANM算法的性能最佳,且当q>25时,所提算法成功估计的概率稳定为1。实验结果表明,MMV能够将稀疏阵列中所需物理传感器的比例大幅降低至30%。实验4根据稀疏阵列L个快拍的含噪声测量值来估计二维 DOA。稀疏阵列矢量化的数据矩阵表示为:
本文编号:3432836
本文链接:https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3432836.html