基于协方差-free 贝叶斯学习的 CoFAR 杂波估计
信号处理
2024-08-13 v1
摘要
认知全自适应雷达（CoFAR）能够在短时间内自行响应目标环境的变化。对于 CoFAR 正常工作至关重要的是通过估计杂波信道脉冲响应（CCIR）来理解其运行环境。一般情况下，CCIR 是稀疏的，但以往的工作要么忽略它，要么通过在优化问题中施加稀疏性作为显式约束来估计 CCIR。本文则相反，我们发展了协方差-free 贝叶斯学习（CoFBL）技术，用于估计 CoFAR 系统中稀疏 CCIR。具体而言，我们考虑多测量向量情形并估计同时稀疏（行稀疏）CCIR 矩阵。我们的 CoFBL 框架通过使用对角元素估计规则和共轭梯度下降算法来降低常规稀疏贝叶斯学习的复杂度。我们展示该框架适用于各种形式的 CCIR 稀疏模型：组稀疏、联合稀疏和联合-组稀疏。我们通过在使用 RFView 生成数据集的数值实验中对方法进行评估。我们推导了用于各种所考虑情形的贝叶斯 Cram\'{e}r-Rao 下界，以对准我们的算法性能。我们的结果表明，所提出的 CoFBL-based 方法优于诸如多焦点欠确定系统求解器和同时正交匹配 Pursuit 等现有流行方法。
引用
@article{arxiv.2408.06078,
title = {CoFAR Clutter Estimation using Covariance-Free Bayesian Learning},
author = {Kunwar Pritiraj Rajput and Bhavani Shankar M. R. and Kumar Vijay Mishra and Muralidhar Rangaswamy and Bjorn Ottersten},
journal= {arXiv preprint arXiv:2408.06078},
year = {2024}
}