基于提升小波算子的MUSIC法的DOA估計

(江蘇省電子產品裝備制造工程技術研究開發中心，江蘇 淮安 223003)

1 引 言

DOA的估計一直都是移動通信、雷達、水下通信等方面的研究重點，有著極其重要的應用。而本文選用的MUSIC法是子空間DOA估計的經典算法之一，是一種分辨率較高的算法[1]。但這種方法在陣元數少、信噪比低或小樣本支撐條件下會有較大的估計誤差，且在分辨率上性能也會下降[2]。當前，將小波變換用于陣列信號處理在國內外已經變成研究熱點。在高噪環境且不增加陣元數目的條件下，傳統小波算子可以利用小波多分辨分析法，將分解出的子帶進行DOA的估計，可以得到較高精度的DOA估計,但其算法復雜度和計算量很大，不適合信號的實時處理。針對此問題，本文提出了基于提升小波算子的MUSIC法對DOA的估計，該方法最大的優勢在于，通過分解、預測、更新三個過程，對DOA估計性能達到更優。相比傳統小波算子，實驗結果證明，其計算復雜度要低很多，收斂快，且DOA估計的精度也有所提高。

2 MUSIC算法的經典模型

設有K個信號入射到陣列上，則N元陣列接收到的輸入數據向量可以表示為K個入射波形與噪聲的線性組合，即：

(1)

具體針對MUSIC算法的論文很多，本文不對該算法的過程進行具體闡述，可以參考文獻[1]，本文只給出最后空間譜的表達式，如下：

(2)

在非相關的相同噪聲環境下，找出PMUSIC(θ)的峰值對應真實的波達方向。然而，當入射信號在低信噪比環境下或低噪但信源角度間隔相差不大時，MUSIC分辨率會下降，從而影響DOA分辨的性能。因此，本文提出的基于小波子帶的DOA估計大大提高了DOA的分辨率。

3 基于小波子帶的DOA估計算法

對接收信號u(t)通過子帶分解濾波器進行采樣，將信號輸入到一個M個子帶濾波器中，將M個子樣進行抽取，則第M個子帶信號可以表示如下[3-4]：

(3)

當滿足：

(4)

其中，Im為子帶。

(5)

Im的全集即構成空間-π,π，且Im之間相互正交。

由于噪聲表現為高頻信息，而有效信息表現為低頻信息，將得到的經過采樣后的接收陣列信號y(k)的子帶進行小波分解，得到平滑的近似信息和細節信息，因此得到的濾波矩陣可以表示如下：

yk(n)=HAs(n)+nh(k)=

(6)

其中：

(7)

即為陣列的近似信息和細節信息，利用小波的多分辨分析，可以將高頻信息濾除。得到重構后的信號為

(8)

存在問題：上述算法是基于傅里葉變換的小波多分辨分析算法，該算法復雜度高，計算量大，不適合硬件的實現，在工程上實現有一定的難度。

4 提升小波的原理和應用

4.1 提升小波算法的應用

針對于以上問題，本文在以原有基于子帶分解的MUSIC算法不足的基礎上，提出基于提升小波算法的DOA估計。

提升小波在1996年由Sweldens[5，6]提出后，被認為是構造第二代小波變換的優質小波算法，目前該提升小波算子在信號處理領域得到了廣泛應用，特別是在圖像處理[7]和一維信號的去噪方面。

4.2 提升小波處理的陣列信號模型

圖1 提升小波處理陣列信號的示意圖
Fig.1 The array signal processing by lifting wavelet

提升算法的基本思想是，將現有的小波濾波器分解成基本的構造模塊，分步驟完成小波變換。如圖1所示，信號處理的過程分為3步。

(1)分解

將陣列信號u(t)經過抽樣后得到離散陣列信號：

(9)

式中，N為快拍數。

本文令X的原始序列集為X(i)，將X(i)根據奇偶性均分為2個較小的子集X(i-1)和d(i-1)，其中d(i-1)為懶小波子集。

分解過程可以表示如下：

F(X(i))=(X(i-1),d(i-1))

(10)

式中，F(X(i))表示為X(i)的分解過程。

(2)預測

將偶數序列X(i-1)的預測值P(X(i-1))去預測奇數序列，將濾波器P(X)對偶數信號的處理轉化為對奇數信號的預測。奇數信號實際值d(i-1)與預測值的誤差表示為

d(i-1)=d(i-1)-P(d(i-1))

(11)

將X(i)重復n次迭代得到，我們可以得出，經過n步后的信號集可以表示為

{X(n),d(n),X(n-1),d(n-1),X(n-2),

d(n-2)，…，X(1),d(1)}

(12)

(3)更新

為了確保原有信號X的特性Q(X)不變，即要Q(X(i-1))=Q(X(i))，可利用已有小波子集d(i-1)對X(i-1)進行更新，從而保證特性參數Q(X)不變。采用更新算子U去更新，更新規則如下：

d(i-1)=d(i-1)+U(d(i-1))

(13)

從以上三個步驟可以得出，每個點都可以運用新的數據集根據式(12)代替原有的數據集X(i)。利用提升濾波器可獲得小波的交織系數。

信號X(i)通過以上過程的分解，利用濾波器可以分離高低頻信號，從而得到信噪比較高信號。

通過以上數學的描述可以看出，本文利用提升小波的優點，與傳統小波進行信號分離的方法相比，該提升小波不依賴于傅里葉變換，小波變換后的系數是整數，與傳統的基于卷積的離散小波變換的離散小波相比，其具有計算復雜度低、計算量小、速度快、精度高的優點。

5 仿真實驗以及結果分析

5.1 單信號DOA的誤差的仿真試驗

通過單信號DOA的誤差比較，驗證基于小波域MUSIC算法的優點。

通過單信號的DOA誤差仿真試驗，可以測定在不同SNR下單信號的DOA的誤差。用MUSIC算法接收單信號，通過在傳統MUSIC法以及小波域內的MUSIC法對同樣的單信號進行接收，并通過誤差計算，可以測定出各個算法優劣。

(a)小波處理前

(b)小波處理后圖2 不同信噪比下單信號的誤差Fig.2 The error of a simple signal under different SNR

通過對單信號的精度仿真可以看到，在通信環境較差，即信噪比較低的環境下，經過小波域處理后，單信號的DOA精度要遠大于直接接收的單信號的精度；在通信環境較好的情況下，小波域內的接收的信號精度和MUSIC法相差不大。因此，在一定程度上，小波域內的信號接收，提高了DOA估計的精度。

5.2 相鄰角度分辨率的測定

在陣元數目較少情況下，相鄰角度的分辨往往比較困難，常常要在高信噪比的環境下才能精確分辨。

通過具有相鄰角度的兩個信號的DOA的仿真，仿真試驗采用3種算法，即：傳統MUSIC法、基于小波域的MUSIC法接收、基于提升小波法的MUSIC接收，通過3種算法比較，可以比較出各個算法的優劣。

圖3表明，在SNR=14 dB環境下，無法分辨5°、7°兩個角度，Matlab中顯示只有一個拐點，因此，傳統MUSIC法在8陣元條件下，不能將5°、7°分辨開來。在SNR=15環境下，可以分辨5°、7°兩個角度，Matlab中顯示有兩個拐點，因此，傳統MUSIC法在8陣元條件下，能將5°、7°分辨開來。Matlab仿真的時間消耗為0.95 s。

(a)SNR=14 dB

(b)SNR=15 dB圖3 傳統MUSIC法對DOA的估計Fig.3 DOA estimation with traditional MUSIC algorithm

圖4表明，在SNR=14環境下，可以分辨5°、7°兩個角度。Matlab仿真的時間消耗為1.25 s。

圖4 基于小波域的MUSIC法的估計Fig.4 Estimation of MUSIC algorithm based on wavelet

圖5表明，在SNR=12環境下，可以分辨5°、7°兩個角度。Matlab仿真的時間消耗為1.05 s。

圖5 基于提升小波法的MUSIC法的估計Fig.5 Estimation of MUSIC algorithm based on the lifting wavelet method

5.1節已經說明，在高信噪比條件下，傳統MUSIC和基于小波域的MUSIC法的估計法的性能相差不大。通過5.2節可以看出，基于小波域的MUSIC法的估計法必須在信噪比為14 dB條件下才可以分辨，甚至，傳統的MUSIC法則需要在信噪比為15 dB條件下才能分辨，而基于提升小波法的MUSIC法在信噪比為12 dB的環境下已經可以將5°、7°。通過各個仿真試驗的Matlab仿真時間對比看出，傳統MUSIC法需要0.95 s，基于小波域的MUSIC法需要1.25 s，而基于提升小波法的MUSIC法則需要1.05 s。相比傳統MUSIC法，選用小波域法進行處理數據，必然會增加算法的復雜度和計算時間，而基于提升小波法的MUSIC法，算法復雜度相對來說較低，且收斂速度快，精度高。

5.3 多信號接收的誤差仿真

在多個目標信號同時接收的情況下,研究在不同信噪比條件下，利用這3種算法，即傳統MUSIC法、基于小波域的MUSIC法接收、基于提升小波法的MUSIC接收，通過多個信號接收的平均誤差比較，可以比較出各個算法的優劣。

圖6為在不同信噪比環境下，傳統MUSIC法的接收，選用30°、60°、90°、120°的平均誤差為指標進行仿真。在SNR=30 dB左右時，平均誤差近似為0.075，Matlab計算所耗時間為0.657 0 s。

圖6 4個信號的傳統MUSIC法的平均誤差Fig.6 The average error of the four signals by traditional MUSIC algorithm

圖7為在不同信噪比環境下，基于小波域的MUSIC法的接收，選用30°、60°、90°、120°的平均誤差為指標進行仿真。且在SNR=28 dB左右時，平均誤差近似為0，Matlab計算所耗時間為0.922 0 s。

圖7 4個信號的小波域的MUSIC法的平均誤差Fig.7 The average error of the four signals by MUSIC algorithm based on wavelet

圖8為在不同信噪比環境下，基于提升小波的MUSIC法的接收，選用30°、60°、90°、120°的平均誤差為指標進行仿真。Matlab計算所耗時間為0.812 0 s。

圖8 4個信號的提升小波法的MUSIC法的平均誤差Fig.8 The average error of the four signals by MUSIC algorithm based on lifting wavelet

圖6～8說明，相比另兩個算法，在同樣信噪比下，基于提升小波的MUSIC法具有更高的精度，且算法運行時間比基于小波域的算法短，更加適合硬件實現，對實現信號DOA實時性估計有著重要的意義。

5.4 小 結

通過以上仿真可以得出如下結論：

(1)在信噪比較低時，基于小波域的MUSIC估計算法比傳統MUSIC算法的精度要高；

(2)在陣元數目較少的情況，即使處于高信噪比條件下，傳統MUSIC算法對相鄰角度的分辨仍然有限；基于小波域的MUSIC法在一定程度上提高了相鄰角度分辨的性能，但算法復雜性增加很多；而基于提升小波法的MUSIC法既提高了算法性能，在分辨率上又有較大提高，且算法收斂較快；

(3)多個接收信號的DOA的平均誤差中，基于提升小波的MUSIC法要優于傳統MUSIC法和基于小波域的MUSIC法，且算法計算量小，更加適合硬件實現，對實現信號DOA實時性估計有著重要的意義。

6 結 論

本文提出了一種新的DOA估計算法，將提升小波算子成功應用到DOA估計的算法中。新算法利用小波多分辨分析的特點，提高了DOA的分辨率。同時，提升小波算子的特性得到重要應用，算法計算量比傳統的小波算子大大降低，且精度比傳統小波算子更高，為未來第四代移動通信技術提供了一種非常重要的信號處理手段，具有一定的理論價值和現實意義。

參考文獻：

[1] KAVEH M, BARABELL A. Statistical performance of the MUSIC and minimum-normal algorithms in resolving plane waves in noise [J]. IEEE Tranactions on Acoust, Speech, Signal Processing, 1986,ASSP-34(2): 331-341.

[2] 樊祥， 程正東， 馬東輝， 等. 兩信號源的相關性對MUSIC算法分辨性能的影響[J]. 電子學報, 2008,36(12)：2315-2318.

FAN Xiang，CHENG Zheng-dong,MA Dong-hui,et al. Effect of Correlation of Two Signal Sources on Resolution Performance of MUSIC Algorithm[J]. ACTA Electronica Sinica,2008,36(12)：2315-2318.(in Chinese)

[3] SHU Xiang-lan, HAN Shu-ping. Improvement of DOA Estimation using Wavelet Denoising[C]//Proceedings of the 1st International Conference on Information Science and Engineering.Nanjing:IEEE,2009:587-590.

[4] 薛延波，汪晉寬,劉志剛，等.一種多分辨率 DOA估計的小波包算法[J].東北大學學報(自然科學版),2005, 26(7)：625-628.

XUE Yan-bo,WANG Jin-kuan,LIU Zhi-gang，et al. A Novel Multiresolution DOA Estimation Method with Wavelet Packet[J]. Journal o f Northeastern University (Natural Science), 2005, 26(7):625-628.(in Chinese)

[5] SWELDEN W.The lifting Scheme:A Custom-Design construction of Biorthogonal Wavelets[J]. Applied and Computational Harmonic Analysis,1996(3):186-200.

[6] SWELDEN W.The lifting Scheme:A construction of Second Generation Wavelets[J].SIAM Journal on Mathematical Analysis,1997,29(2)：511-546.

[7] Chang S G,Cvetkovic Z,Vetterli M．Locally Adaptive Wavelet-Based Image Interpolation[J]．IEEE Transactions on Image Proessing,2006，15(6):1471-1485.