王 纯，高于晰

(西安建筑科技大学 信息与控制工程学院，西安 710055)

0 引言

波达方向(DOA,direction of arrival)估计作为阵列信号处理的重要研究方向在雷达、通信、声呐和生物医学等众多领域有至关重要的地位[1]。而绝大多数基于子空间类的算法需要已知信号源的数目，若信源数目出现欠估计或过估计，将直接影响DOA估计的结果[2-3]。故准确的信源数估计是DOA估计的先决条件。并且在实际应用中，由于系统对实时性的要求和阵列各阵元间的相关性，导致采样数有限和色噪声的干扰，传统针对白噪声的信源数估计方法在该背景下往往失效，因此研究色噪声/低快拍下的信源数估计方法具有十分重要的意义。

常见的信源数估计方法包括特征值分解法、信息论方法[4-7]、盖氏圆方法(GDE，gerschgorin’s disks estimation)[8-10]和正则相关技术[11]、使用深度学习的方法[12]。特征值分解法是通过信号特征值与噪声特征值的大小差异，并结合阶跃准则实现信源数估计，计算简单且准确度较高，但不适用于低快拍、低信噪比和色噪声条件。采用深度学习[12]的信源数估计方法能够在特定条件下取得很好的效果，然而当环境变化就需要重新对网络进行训练，因此实用性有限。基于信息论的信源个数估计方法[7]包括Akaike信息论准则(AIC,akaike information theoretic criter)、最小描述长度准则(MDL,minimum description length criterion)等计算量小，能很好地应用于白噪声条件，但在色噪声条件下往往失效。近年来，学者对色噪声背景下的信源数估计进行了相关研究。文献[13]将对角加载技术用于信息论信源数估计方法，较好地改善了算法在色噪声条件下的估计性能，而加载量的不同在一定程度上会对算法稳定性产生影响。……