基于稀疏特征的超分辨DOA估计方法.pdfVIP

摘要

波达角（DirectionofArrival，DOA）估计是阵列信号处理中的重要研究领域，在国防、医

学等领域中都发挥着重要作用。目前，稀疏重构类DOA估计方法作为典型的模型驱动类算

法，因估计精度高、鲁棒性强等优势而备受关注。然而，在稀疏重构过程中，存在离散化网

格划分以及人工调整超参数等问题。除此之外，实际应用环境与模型假设之间也会存在差异，

这些均会恶化DOA估计精度。近年来，基于深度学习技术的数据驱动DOA估计方法受到广

泛关注，区别于模型驱动的方法，深度神经网络挖掘信号特征实现DOA估计，能够显著提升

算法对复杂环境的适应能力。

本文从模型驱动和数据驱动两个方面，论证了单次快拍条件下超分辨DOA估计的可能性。

重点研究基于原子范数最小化的无网格类DOA估计方法，详细阐述了无需离散化网格的无

网格DOA估计概念，解决了半正定规划求解算法的高复杂度问题，通过探索超参数与信噪比

之间的关系，保证了算法在不同信噪比条件下的鲁棒性。当前基于数据驱动的DOA估计方

法，将已经训练成熟的神经网络直接应用在DOA估计领域中，而没有充分挖掘空域稀疏性的

特点。为此，本文重点设计了深度神经网络以加快特征提取过程，并考虑实际系统中低复杂

度的需求，避免了复杂的网络实现方式，保证训练过程中网络的收敛。本文取得的主要创新

成果包括：

（1）针对多通道阵列测向系统的低成本需求，本文构建了智能反射面（Reconfigurable

IntelligentSurface，RIS）辅助的单接收通道DOA估计系统，通过改变RIS的反射相位构造测

量矩阵，实现了目标信号的多次测量，为了保证测量过程中反射信号都能够准确指向接收天

线，并降低多个测量向量之间的相关性，提出了基于改进遗传算法的测量矩阵优化方案。进

一步，为降低网格划分过程中引起的估计误差，提出了一种基于原子范数优化的DOA估计方

法。不同于当前基于半正定规划与范德蒙特分解的算法，本文通过构建优化问题的对偶问题，

提出了基于多项式的DOA估计方法。与网格划分的方法相比，本文所提方法能够在较低复杂

度的条件下实现更高精度的估计。

（2）针对单次快拍条件下的高精度DOA估计需求，本文提出了一种基于稀疏空间谱重

构的深度神经网络。不同于多分类或者直接输出空间谱的方法，本文所提网络可以针对单次

快拍接收信号实现特征提取，避免了现有网络输出中的插值过程，获得了平滑的空间谱重构

结果。此外，通过设计两种结构类似但损失函数不同的网络，研究发现含有稀疏约束的损失

函数，可以显著提升DOA估计和空间谱重构的精度。

（3）搭建毫米波雷达系统，通过实测数据验证了本文所提深度学习算法的DOA估计性

能。与现有的单快拍网络模型相比，本文所提方法可以有效估计出平滑的空间谱，且估计精

度高。

关键词：波达角估计；原子范数；深度学习；卷积神经网络

Abstract

DirectionofArrival(DOA)estimationisanimportantresearchfieldinarraysignalprocessing,

withimportantapplicationsindefense,medicine,andotherfields.Currently,sparsereconstruction-

basedDOAestimationmethodshavegainedmuchattentionduetotheirhighestimationaccuracyand

robustness.However,theproblemofgriddivisioninthesparsereconstructionprocess,aswellasthe

needformanualadjustmentofadditionalhyperparametersinoptimizationmethods,canbothaffect

theaccuracyofDOAestimation.Further