本發(fā)明屬于移動(dòng)通信技術(shù)領(lǐng)域，具體涉及一種波達(dá)角(direction of arrival,簡(jiǎn)稱DOA)估計(jì)方法。

背景技術(shù)：

隨著移動(dòng)通信行業(yè)的迅猛發(fā)展，人們的生活方式也隨之改變。在經(jīng)歷了第一代模擬移動(dòng)通信技術(shù)和以數(shù)字、語(yǔ)音為主的第二代移動(dòng)通信技術(shù)之后，第三代寬帶移動(dòng)通信技術(shù)也已投入商用。近年來(lái)，移動(dòng)用戶數(shù)目快速增長(zhǎng)，對(duì)通信業(yè)務(wù)的需求量也越來(lái)越大。移動(dòng)通信技術(shù)在容量和帶寬兩方面受到巨大挑戰(zhàn)。影響移動(dòng)通信實(shí)時(shí)性、有效性和可靠性的主要因素有：從基站到接收端無(wú)線傳輸環(huán)境復(fù)雜性，電磁波發(fā)生反射、衍射和散射，信號(hào)同時(shí)受到大尺度和小尺度衰落；蜂窩小區(qū)的頻率復(fù)用造成的共道干擾(CCI)等。針對(duì)這些問(wèn)題的改善和解決，調(diào)制解調(diào)、信道均衡、信道編解碼、分集等技術(shù)取得了顯著成果，但由于這些技術(shù)已趨于成熟，不能再進(jìn)一步的提高。而智能天線作為T(mén)D-SCDMA(時(shí)分-同步碼分多址)系統(tǒng)中的關(guān)鍵技術(shù),智能天線結(jié)合傳統(tǒng)時(shí)域信號(hào)處理手段，從另外的角度提供了解決方法。而在智能天線系統(tǒng)中，波達(dá)方向(DOA)的精確估計(jì)十分重要，它使得天線波束準(zhǔn)確地指向用戶、是定位技術(shù)的基礎(chǔ)。

經(jīng)典的DOA估計(jì)算法分為非參數(shù)估計(jì)和參數(shù)估計(jì)兩大類。Beamforming算法，Capon的MVDR(minimum variance distortionless response)算法和基于子空間的算法如MUSIC(multiple signal subspace)和ESPRIT(rotational variance technique)方法等，屬于非參數(shù)估計(jì)類算法?；谧畲笏迫坏腄ML(Maximum likelihood)和SML(stochastic maximum likelihood)方法屬于參數(shù)估計(jì)類方法。參數(shù)類算法得到的DOA估計(jì)值較非參數(shù)類準(zhǔn)確，但是計(jì)算復(fù)雜度高。并且該類算法需要精確的初始化以保證算法收斂到全局最小值。不論是參數(shù)類的還是非參數(shù)的估計(jì)算法，由于它們都依賴數(shù)據(jù)的統(tǒng)計(jì)特性，因此需要大量的采樣數(shù)據(jù)，所以快拍數(shù)必須足夠多。然而很多實(shí)際場(chǎng)景如高鐵和高速公路上，目標(biāo)在高速的移動(dòng)中，沒(méi)有足夠的采樣數(shù)據(jù)供使用。若要采集大量的數(shù)據(jù)必然會(huì)造成一定的時(shí)延，此時(shí)目標(biāo)的方向早已改變，會(huì)導(dǎo)致估計(jì)不準(zhǔn)確，甚至徹底失敗的情況。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的發(fā)明目的在于：針對(duì)傳統(tǒng)DOA估計(jì)方法需要較多快拍數(shù)據(jù)的缺點(diǎn)，以及傳統(tǒng)的壓縮感知理論中貪婪算法不利用或者“盲”利用先驗(yàn)支撐集信息的缺點(diǎn)，提出一種基于傳統(tǒng)OMP(orthogonal matching pursuit)貪婪算法改進(jìn)的DOA估計(jì)方法，本估計(jì)方法利用自適應(yīng)地利用前一時(shí)刻估計(jì)出的信號(hào)支撐集信息動(dòng)態(tài)地估計(jì)信號(hào)的DOA。

本發(fā)明的一種基于改進(jìn)貪婪算法的波達(dá)角估計(jì)方法，包括下列步驟：

步驟1：將整個(gè)空間角度均勻劃分成N_θ個(gè)角度網(wǎng)格其中網(wǎng)格劃分?jǐn)?shù)N_θ大于信號(hào)源個(gè)數(shù)K，每個(gè)網(wǎng)格對(duì)應(yīng)一個(gè)潛在的信號(hào)。實(shí)際中信號(hào)源個(gè)數(shù)K遠(yuǎn)遠(yuǎn)小于網(wǎng)格劃分?jǐn)?shù)N_θ。

步驟2：根據(jù)前一時(shí)刻估計(jì)出的信號(hào)波達(dá)角(首次估計(jì)時(shí)，直接基于任一慣用DOA估計(jì)方法得到第一個(gè)時(shí)刻的信號(hào)波達(dá)角即可)，獲取信號(hào)波達(dá)角在角度網(wǎng)格中對(duì)應(yīng)的索引位置，得到信號(hào)支撐集Ω₀；

步驟3：獲取天線陣列接收數(shù)據(jù)，根據(jù)先驗(yàn)信號(hào)支撐集Ω₀和預(yù)設(shè)的度量信息N_s，估計(jì)當(dāng)前時(shí)刻的信號(hào)波達(dá)角。

其中度量信息N_s為經(jīng)驗(yàn)值，用于表征相鄰估計(jì)時(shí)刻的相似程度，前后兩次估計(jì)結(jié)果至少存在N_s個(gè)元素是相同的，即針對(duì)信號(hào)源隨時(shí)間移動(dòng)的場(chǎng)景，雖然信號(hào)源在不斷移動(dòng)，但是其移動(dòng)不是全部同步，即在兩次估計(jì)時(shí)刻之間，部分信號(hào)源隨時(shí)間移動(dòng)，部分保持不變。本發(fā)明中的DOA估計(jì)過(guò)程中，僅僅需要知道相鄰估計(jì)時(shí)刻至少存在幾個(gè)(N_s個(gè))信號(hào)的DOA未變的先驗(yàn)信息，即未變的數(shù)量下限，而不需要精確的未變化數(shù)目，也不需要明確未變化對(duì)象。

步驟301：將天線陣列接收數(shù)據(jù)作為觀測(cè)數(shù)據(jù)Y，稀疏表示的M×N_θ維陣列流型矩陣作為測(cè)量矩陣Φ，其中A_θ的稀疏度為K，M表示天線陣元數(shù)，表示導(dǎo)向矢量，k＝1,…,N_θ；

初始化殘差R₀＝Y(jié)，初始化估計(jì)信號(hào)支撐集為空集，初始化迭代索引值t＝1；

步驟302：根據(jù)迭代索引值t的當(dāng)前取值，對(duì)估計(jì)信號(hào)支撐集進(jìn)行不同的更新處理：

當(dāng)t＝1時(shí)，更新估計(jì)信號(hào)支撐集其中集合符號(hào)||·||_F表示Frobenius范數(shù)，上標(biāo)“H”表示共軛轉(zhuǎn)置，|Ω_a|表示集合Ω_a的元素總個(gè)數(shù)，表示從觀測(cè)矩陣Φ中根據(jù)集合Ω_a的元素選擇N_s列構(gòu)成的矩陣；

當(dāng)t＞1時(shí)，更新估計(jì)信號(hào)支撐集其中符號(hào)||·||₂表示2范數(shù)，Φ_Λ表示觀測(cè)矩陣Φ的第Λ列，正交投影補(bǔ)矩陣I表示M×M單位矩陣，表示從觀測(cè)矩陣Φ中根據(jù)估計(jì)信號(hào)支撐集的元素選擇對(duì)應(yīng)列構(gòu)成的矩陣，表示關(guān)于的偽逆；

步驟303：獲取當(dāng)前迭代的估計(jì)信號(hào)其中為M×N_θ維矩陣：在估計(jì)信號(hào)支撐集對(duì)應(yīng)的位置賦值其他位置賦0，即且

更新殘差

步驟304：判斷迭代索引值t是否滿足t＝K-N_s+1，若是，則執(zhí)行步驟305；否則更新迭代索引值t為t＝t+1，繼續(xù)執(zhí)行步驟302；

步驟305：根據(jù)當(dāng)前估計(jì)信號(hào)支撐集的元素在角度網(wǎng)格中的位置，得到當(dāng)前時(shí)刻的信號(hào)波達(dá)角的估計(jì)值。

綜上所述，由于采用了上述技術(shù)方案，本發(fā)明的有益效果是：本發(fā)明將壓縮感知理論應(yīng)用到信號(hào)的DOA估計(jì)中，基于壓縮感知中的OMP貪婪算法實(shí)現(xiàn)DOA估計(jì)，通過(guò)將信號(hào)進(jìn)行空域稀疏表示，DOA估計(jì)問(wèn)題被轉(zhuǎn)換為壓縮感知中的稀疏恢復(fù)問(wèn)題，使得所需快拍數(shù)較少，甚至在單次快拍下也可以估計(jì)出信號(hào)的DOA。本發(fā)明能應(yīng)用于智能天線系統(tǒng)或者目標(biāo)追蹤領(lǐng)域，可以實(shí)現(xiàn)估計(jì)更精確、計(jì)算更簡(jiǎn)潔、復(fù)雜度更低、實(shí)時(shí)性更強(qiáng)。

附圖說(shuō)明

圖1正確估計(jì)概率隨先驗(yàn)度量信息N_s變化的曲線。

圖2正確估計(jì)概率隨快拍數(shù)變化的曲線。

圖3正確估計(jì)概率隨信噪比變化的曲線。

具體實(shí)施方式

為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面結(jié)合實(shí)施方式和附圖，對(duì)本發(fā)明作進(jìn)一步地詳細(xì)描述。

將本發(fā)明的DOA估計(jì)用于天線陣列為均勻線陣ULA(uniform linear array)，天線陣元數(shù)M＝25，陣元間的排布間隔為信號(hào)波長(zhǎng)的1/2。

當(dāng)K＝10個(gè)信號(hào)源分別從{θ₁,θ₂,...,θ_K}＝{-50°,-40°,-30°,-20°,-10°,10°,20°,30°,40°,50°}方向入射到上述ULA上，假設(shè)每個(gè)陣元上的噪聲為獨(dú)立同分布的加性高斯白噪聲，則陣列接收數(shù)據(jù)可以表述為：y(t)＝As(t)+n(t),t＝1,2,…,T，其中，y(t)是M×1維的陣列接收矢量，s(t)是K×1維的信號(hào)矢量，n(t)是M×1維的加性高斯白噪聲矢量，A是M×K維的陣列流型矩陣，T是快拍數(shù)，且A＝[a(θ₁),a(θ₂),…,a(θ_K)]。

對(duì)陣列接收數(shù)據(jù)建立角度域的稀疏模型：將整個(gè)空間角度([-90°,90°])均勻劃分成180個(gè)角度網(wǎng)格每一個(gè)網(wǎng)格對(duì)應(yīng)一個(gè)潛在的信號(hào)源。因?yàn)橄聵?biāo)不同，為了和{θ₁,θ₂,...,θ_K}區(qū)分，所以角度網(wǎng)格中通過(guò)上標(biāo)“～”以示區(qū)分。

基于上述角度網(wǎng)格劃分，將y(t)＝As(t)+n(t)重構(gòu)為壓縮感知理論中的稀疏模型：y(t)＝A_θs_θ(t)+n(t),t＝1,2,...,T，其中，為稀疏表示的M×N_θ維陣列流型矩陣，為導(dǎo)向矢量；s_θ(t)為N_θ×1維的稀疏表示的信號(hào)矢量，若其第k(k＝1,…,N_θ)個(gè)位置對(duì)應(yīng)的方向存在一個(gè)s(t)中的第i(i＝1,2…,K)個(gè)真實(shí)信號(hào)s_i(t)，則s_θ(t)的第k個(gè)元素等于s_i(t)，s_θ(t)中其他沒(méi)有真實(shí)信號(hào)的方向?qū)?yīng)的值恒等于0。

基于上述分析，在基于OMP貪婪算法實(shí)現(xiàn)DOA估計(jì)時(shí)，則可將陣列流型矩陣A_θ作為壓縮感知理論中的測(cè)量矩陣Φ。

本具體實(shí)施方式中，度量信息N_s的取值獲取方式可以是：基于慣用的DOA估計(jì)方法，對(duì)可移動(dòng)信號(hào)源進(jìn)行一段時(shí)間的DOA估計(jì)，基于相鄰估計(jì)時(shí)刻得到的DOA估計(jì)結(jié)果，統(tǒng)計(jì)相同元素個(gè)數(shù)，多個(gè)統(tǒng)計(jì)樣本的均值或者交集等得到度量信息N_s的取值。

以DOA集合{-60°,-45°,-35°,-25°,-15°,5°,15°,25°,35°,45°}作為前一時(shí)刻估計(jì)出的信號(hào)波達(dá)角為例，本發(fā)明在當(dāng)前時(shí)刻的DOA估計(jì)的具體過(guò)程為：

首先，獲取{-60°,-45°,-35°,-25°,-15°,5°,15°,25°,35°,45°}在{-90°,-89°,…,0°,…,89°,90°}中的索引位置，得到先驗(yàn)信號(hào)支撐集Ω₀。

然后將先驗(yàn)信號(hào)支撐集Ω₀、度量信息N_s、當(dāng)前接收的陣列接收數(shù)據(jù)、陣列流型矩陣A_θ、稀疏度K＝10作為輸入數(shù)據(jù)，基于OMP貪婪算法實(shí)現(xiàn)迭代估計(jì)：

本發(fā)明是基于OMP貪婪算法改進(jìn)的方法，算法的第一步是初始化：

將當(dāng)前接收的陣列接收數(shù)據(jù)作為觀測(cè)數(shù)據(jù)Y、陣列流型矩陣A_θ作為觀測(cè)矩陣Φ，并初始化殘差R₀為：R₀＝Y(jié)；估計(jì)信號(hào)支撐集為：迭代次數(shù)即迭代索引值t為：t＝1；

迭代更新估計(jì)信號(hào)支撐集：

當(dāng)t＝1時(shí)(即第一次迭代)，更新估計(jì)信號(hào)支撐集

其中，集合且集合的元素總個(gè)數(shù)|Ω_a|＝N_s，該集合滿足從觀測(cè)矩陣Φ中根據(jù)Ω_a中元素選擇的N_s列構(gòu)成的新矩陣與殘差R_(t-1)的內(nèi)積的Frobenius范數(shù)大于其他任意N_s列對(duì)應(yīng)的范數(shù)，即：

當(dāng)t＞1時(shí)，更新估計(jì)信號(hào)支撐集

其中，是前t-1次迭代后更新的估計(jì)信號(hào)支撐集；Λ是從整個(gè)空間{1,...,K,...,N_θ}中選擇的一個(gè)元素，該元素使得Φ的第Λ列Φ_Λ與前t-1次迭代后的殘差R_(t-1)的內(nèi)積二范數(shù)盡可能大同時(shí)與正交投影補(bǔ)矩陣二范數(shù)盡可能小，即：其中正交投影補(bǔ)矩陣表示從觀測(cè)矩陣Φ中根據(jù)估計(jì)信號(hào)支撐集的元素選擇對(duì)應(yīng)列構(gòu)成的矩陣，上標(biāo)“+”表示偽逆，對(duì)任意矩陣B，其B⁺＝(B^HB)^-1B^H，I表示M×M單位矩陣。

本發(fā)明中，上標(biāo)“H”表示共軛轉(zhuǎn)置，任意矩陣的下標(biāo)符號(hào)“[·]”表示取對(duì)應(yīng)列向量構(gòu)成新的矩陣。

迭代更新估計(jì)信號(hào)即且

迭代更新殘差

完成上述迭代更新后，判斷是否滿足迭代終止條件，即迭代次數(shù)t是否等于K-N_s+1，若是，則將最近一次迭代更新得到的作為最終估計(jì)信號(hào)支撐集并輸出；否則更新迭代次數(shù)t為t＝t+1，繼續(xù)迭代更新和R_t。

基于最終估計(jì)信號(hào)支撐集的元素，即下標(biāo)索引值，從中查找到對(duì)應(yīng)的10個(gè)角度，記為從而得到當(dāng)前時(shí)刻的DOA估計(jì)值

本方案中信號(hào)源個(gè)數(shù)K＝10，對(duì)比算法有SOMP，MSP，MUSIC和TLS-ESPRIT。圖1是固定信噪比SNR＝-5dB，快拍數(shù)T＝10，N_s＝K₀且從0變化到10?？梢?jiàn)不利用先驗(yàn)信息的算法其概率曲線是一條直線，有兩條隨N_s的增大而上升，且本發(fā)明方法(圖中的所提算法)的性能最好。圖2是固定N_s＝7快拍數(shù)T＝10的條件下，得到的正確估計(jì)概率隨信噪比的變化曲線。圖3是固定N_s＝7，信噪比SNR＝0dB的條件下，得到的正確估計(jì)概率隨快拍數(shù)的變化曲線。由圖2和圖3可見(jiàn)即使在低信噪比少快拍數(shù)據(jù)時(shí)，本發(fā)明方法也可以很好的估計(jì)出信號(hào)的DOA。

以上所述，僅為本發(fā)明的具體實(shí)施方式，本說(shuō)明書(shū)中所公開(kāi)的任一特征，除非特別敘述，均可被其他等效或具有類似目的的替代特征加以替換；所公開(kāi)的所有特征、或所有方法或過(guò)程中的步驟，除了互相排斥的特征和/或步驟以外，均可以任何方式組合。