摘要：针对传统极化敏感阵列测向算法在相干信号入射条件下估计精度低、运算复杂度大的问题，提出一种稀疏贝叶斯学习框架下的波达方向与极化参数联合估计算法。该算法首先将数据接收矩阵稀疏得到观测矩阵，再利用酉变换将观测数据矩阵从复数域轉化为实数域，并且对模型参数施加一个三层的稀疏先验。然后，根据变分贝叶斯理论，用得到的模型参数均值和方差构造稀疏信号的功率谱函数，通过谱峰搜索得到信号的DOA。最后，利用已估计的信号DOA和模值约束算法，获取信号极化信息。仿真试验表明，本文所提算法在入射信号相干时能够正确测向，并且具有较高的测向精度和较低的运算复杂度。

关键词： 极化敏感阵列;联合参数估计;稀疏贝叶斯学习;模值约束;酉变换

中图分类号：TJ765; TN911.7 文献标识码： A 文章编号： 1673-5048（2021）02-0113-06

0 引  言

极化敏感阵列在雷达、通信、声呐和生物医学等众多领域有着广泛的应用[1]。相比于传统标量阵列，极化敏感阵列能利用接收到的入射信号极化信息，进一步提高系统的测向性能[2]。基于极化敏感阵列进行入射信号DOA估计时，若空间信号源中存在相干信号，则阵列接收数据协方差矩阵便不再满秩，导致子空间类算法性能大幅度下降或者直接导致测向失败[3]。常用的基于极化敏感阵列的信号解相干算法可分为两大类：空间平滑类算法和极化平滑类算法[4]。空间平滑类解相干算法往往需要阵列结构规则，否则当信号到达角相近时，测向结果变差或者失效[5-6]。……