基于迭代稀疏渐近最小方差的阵列处理方法
信号处理
2018-02-12 v1
摘要
本文提出了一系列无用户参数的迭代稀疏渐近最小方差 (Sparse Asymptotic Minimum Variance, SAMV) 阵列处理方法，基于渐近最小方差 (asymptotically minimum variance, AMV) 准则。在波达方向 (direction-of-arrival, DOA) 估计问题具有充足快拍的假设下，所提出的迭代 AMV 方法联合估计信号功率和噪声方差，后证明其与最大似然 (Maximum Likelihood, ML) 估计器一致。我们随后提出了一系列基于功率的迭代 SAMV 方法，其对快拍不足、相干信源和任意阵列几何具有鲁棒性。此外，为克服方向网格对估计精度的限制，通过显式地关于一个标量参数最小化闭式随机 ML 代价函数，推导了 SAMV-随机 ML (SAMV-SML) 方法，从而无需任何额外的网格细化技术。为辅助性能评估，还分别给出了高信噪比 (signal-to-noise ratio, SNR) 和低 SNR 下 SAMV 方法的近似解。最后，通过数值实验将所提方法与现有方法的性能进行比较。
引用
@article{arxiv.1802.03070,
title = {Iterative Sparse Asymptotic Minimum Variance Based Approaches for Array Processing},
author = {Habti Abeida and Qilin Zhang and Jian Li and Nadjim Merabtine},
journal= {arXiv preprint arXiv:1802.03070},
year = {2018}
}
备注
Abeida Habti, Qilin Zhang, Jian Li, and Nadjim Merabtine. "Iterative sparse asymptotic minimum variance based approaches for array processing." IEEE Transactions on Signal Processing 61, no. 4 (2013): 933-944