一种基于稀疏贝叶斯学习的离网DOA估计算法

来源：雷达科学与技术杂志2024年第1期北京时间：

作者：张宇，景鑫磊，蒋忠进

单位：东南大学毫米波全国重点实验室， 江苏南京 210096

摘要：本文提出一种基于稀疏贝叶斯学习的改进离网DOA估计算法，以提升非理想测向环境下在低信噪比、低快拍数时的DOA估计性能，称之为MOGSBL算法。本算法将信号源方位区间进行离散化，得到方位离散网格。为阵列接收信号建立稀疏贝叶斯模型，将网格节点修正量设为模型超参数。采用期望最大化算法迭代更新网格节点修正量，使更新后的网格节点更接近真实源信号方位。为了检验MOGSBL算法的性能，本文进行了大量的数值实验，并将MOGSBL算法的DOA估计结果与RSBL算法、OGSBL算法和L1?SVD算法进行对比。在不同信噪比和不同快拍数时，MOGSBL算法均能清晰分辨方位很接近的两个信号源，角度分辨率明显高于RSBL算法、OGSBL算法和L1?SVD算法。随着信噪比和快拍数的增加，4种算法的RMSE均逐渐减小。但MOGSBL算法的RMSE明显低于RSBL算法、OGSBL算法和L1?SVD算法，且RSBL算法、OGSBL算法优于L1?SVD算法。实验还分析了方向测试范围的离散网格节点数对DOA估计的影响，发现细密的离散网格可以提高DOA估计精度，但DOA估计的计算量会增加。且在任意网格节点数时，相比于RSBL算法、OGSBL算法和L1?SVD算法，本文的MOGSBL算法均具有最低的RMSE和最短的计算时间。

关键词：DOA估计,离网模型,稀疏贝叶斯学习,网格更新,角度分辨率,

基金资助：国家自然科学基金资助项目（No.61890544，91748106）