ANM理论在DOA估计中的应用研究.pdf

ANM理论在DOA估计中的应用研究

摘要

随着电磁环境的日益复杂，对波达方向估计（DirectionofArrival,DOA）高分辨率，

高精度等的性能要求也逐渐提高，从而使得DOA估计类的方法也得到了不断地发展。

经典的子空间类算法能够实现信号的超分辨，但其不能直接处理相关信号，且该类算

法在低信噪比和少快拍数的情况下的角度估计精度并不优秀，而压缩感知类算法在这

种情况下具有更好的鲁棒性。然而，压缩感知算法的估计性能会受到网格失配的影响。

原子范数最小化理论的发展，使得压缩感知类算法中存在的网格失配问题得以解决。

因此本文主要以ANM理论为基础，将其应用到阵列幅相误差自校正、通道压缩以及深

度学习当中。取得的成果有以下几个方面：

首先，针对实际系统当中存在的幅相误差问题，提出了一种基于ANM的通道幅相

误差自校正DOA估计算法。通过对通道幅相误差进行分析，结合ANM模型，构造了

符合幅相误差的自校正模型，并给出该模型等价的半正定规划过程。然后利用凸优化

工具箱获得待优化变量的最优解。最后利用Vandermonde分解得到待估计的入射信号

角度信息，同时利用估计得到的角度求解误差矩阵。仿真实验表明，相较于经典的基

于MUSIC的迭代自校正DOA估计算法，所提算法能够在相同条件下进一步提高DOA

估计的精度。

其次，针对通道压缩结构，提出了一种基于ANM的通道压缩DOA估计算法。一

方面，通道压缩结构的使用能够使得在增加天线个数的同时减少射频前端通道数的使

用，从而减少射频前端的设计复杂度；另一方面能够通过利用此通道压缩结构提高

ANM的分辨率。此算法的本质是结合通道压缩结构中的压缩矩阵与ANM模型，构建

一个适用于通道压缩的DOA估计模型，然后根据半正定规划问题的最优解建立Toeplitz

矩阵，通过其Vandermonde分解获得信号DOA参数的估计结果。仿真实验表明，在具

有相同通道个数的前提下，利用通道压缩模型，所提算法相较于MUSIC算法以及

1

svd算法在提高DOA估计的分辨率和DOA估计性能方面具有一定的提高。

最后，将ANM模型应用到深度学习当中，提出了一种无监督无网格DOA估计算

法。深度学习的使用使得DOA估计从模型驱动变为了数据驱动，降低模型驱动类型当

中可能存在的模型假设误差问题。之后结合合适的网络模型训练得到最优的模型输出

解。最后同样利用最优解的Toeplitz矩阵的Vandermonde分解方法获得待估计的DOA

参数信息。仿真实验表明，相较于无监督深度学习方法和基于DCN的深度学习DOA

哈尔滨工程大学硕士学位论文

估计算法，所提的无网格无监督算法在提高DOA估计性能方法具有一定的优越性。

关键词：原子范数最小化；幅相误差校正；通道压缩；无网格DOA估计；无监督网络

ANM理论在DOA估计中的应用研究

ABSTRACT

Withtheincreasinglycomplexelectromagneticenvironment,theperformance

requirementsforwavedirectionestimation(DirectionofArrival,DOA)highresolutionand

highaccuracyhavegraduallyincreased,sothatthemethodsofDOAestimationhavebeen

continuouslydeveloped.Theclassicalsubspacealgorithmcanachievesuperresolutionofthe

signal.However,theydonot