王　彪,朱志慧,戴跃伟

(江苏科技大学电子信息学院,江苏镇江 212003)



基于具有时序结构的稀疏贝叶斯学习的水声目标DOA估计研究

王彪,朱志慧,戴跃伟

(江苏科技大学电子信息学院,江苏镇江 212003)

摘要：现有的基于CS-MMV(Compressed Sensing-Multiple Measurement Vectors)模型的DOA估计一般都假定信号源为独立同分布(i.i.d),算法建立在信号的空间结构上进行分析,而当处理具有时序结构的源信号时表现出性能和鲁棒性差的问题,为此该文提出一种具有时序结构的稀疏贝叶斯学习的DOA算法,该方法通过建立一阶自回归过程(AR)来描述具有时序结构的水声信号,将信号源的时间结构特性充分应用到DOA估计模型中,然后采用针对多测量矢量的稀疏贝叶斯学习(Muti-vectors Sparse Bayesian Learning)算法重构信号空间谱,建立多重测量向量中恢复未知稀疏源的信号的CS(Compressed Sensing)模型,最终完成DOA估计.仿真结果表明该方法相对于传统的算法具有更高的空间分辨率和估计精度的特点,且抗干扰能力强.

关键词:CS-MMV模型;DOA估计;时序结构;稀疏贝叶斯学习

1引言

波达方向(Direction Of Arrival,DOA) 估计是阵列信号处理的一项重要的研究内容,在雷达、声呐和通信领域有着广泛的应用.水声目标DOA估计的传统方法多为波束形成法或MUSIC(MUltiple SIgnal Classification)、MVDR(Minimum Variance Distortionless Response)等高分辨估计方法[1],它们采用传统的奈奎斯特采样方式,在保证DOA估计精度的同时,也具有计算量大、运算慢的特点.近几年兴起的稀疏表示类DOA估计[2～4]算法利用来波空域稀疏先验信息,将DOA估计转化为从多重测量矢量(Multiple Measurement Vectors,MMV)[5]中重构稀疏信号的问题.文献[6]提出的基于贝叶……