互耦效應下一種基于實值稀疏表示的波達方向估計算法

吳振，戴繼生，2，朱湘臨，趙德安

（1.江蘇大學電氣信息工程學院，江蘇鎮江212013；2.東南大學移動通信國家重點實驗室，江蘇南京210096）

互耦效應下一種基于實值稀疏表示的波達方向估計算法

吳振1，戴繼生1，2，朱湘臨1，趙德安1

（1.江蘇大學電氣信息工程學院，江蘇鎮江212013；2.東南大學移動通信國家重點實驗室，江蘇南京210096）

針對未知互耦條件下的波達方向（DOA）估計問題，提出了一種未知互耦條件下基于實值稀疏表示的加權子空間DOA估計算法。新算法利用一個特定的酉變換矩陣，將一個復雜的復值優化問題轉化為一個實值優化問題，從而有效地將原問題的計算復雜度減少4倍以上。此外，為了進一步提高稀疏表示的估計算法估計精度，在原有l1范數優化模型基礎上引入一個能使得DOA估計方差取得最小值的最優子空間加權矩陣。仿真實驗表明，在低信噪比情況下，新算法能進一步提高稀疏表示的估計算法抗噪能力，獲得更好的估計精度。

信息處理技術；波達方向估計；稀疏表示；互耦；均勻線陣

0　引言

波達方向（DOA）估計作為陣列信號處理的一個重要分支，已廣泛應用于雷達、聲納、通信、地震勘探、射電天文以及生物醫學工程等多個領域［1-3］。基于子空間的DOA估計算法（MUSIC、ESPRIT、root-MUSIC，WSF等）在較高信噪比、較多快拍數的條件下具有較好的估計性能，但在非理想（比如低信噪比、少量快拍數）情況下，此類算法性能將損失嚴重。稀疏表示作為一種新穎的數據處理方法，近年來得到了國內外學者的極大關注。基于稀疏表示的DOA估計算法與其他估計算法相比，具有所需快拍數小、在低信噪比下具有良好的抗噪性、適用相干信號等優點［4-5］。

稀疏表示估計算法也存在一些不足：與大多數子空間估計算法一樣，其估計性能很大程度上取決于陣列流型是否精確已知。在實際的工程應用中，不可避免地要面臨多種流型誤差的影響（如陣元幅相誤差、陣元位置誤差、陣元間互耦效應等），這些誤差將使得未經校準處理的DOA估計算法的性能嚴重惡化，甚至失效［6-10］。為對抗陣元間的互耦效應，Dai等提出了一種未知互耦條件下的稀疏表示的DOA估計算法［6］。該算法能夠消除未知互耦因素帶來的不利影響，提高DOA估計的性能。然而該算法需要求解一個復數域上的關于l1范數的優化問題，其計算復雜量較高。

注意到一次復數乘法運算需要4次實數乘法運算和兩次實數加法運算，因此，復數實值化將帶來計算復雜度上的巨大優勢。受此啟發，本文擬提出一種未知互耦條件下基于實值稀疏表示的加權子空間（WSF）DOA估計算法。與文獻［6］所提算法相對比，新算法的創新之處在于：1）采用了實值變換矩陣，有效地將計算復雜度減少4倍以上；2）在目標函數中引入了一個最優子空間加權矩陣，有助于進一步減小DOA估計的方差。因此，新算法是文獻［6］所提算法的一個重要推廣，其既有助于提高DOA估計性能，又能有效地降低算法計算復雜度。

1　信號模型

考慮K個波達方向為θ1，θ2，…，θK的窄帶互不相關信號sk（t）（k=1，2，…，K）從遠場入射到由M個陣元組成的均勻線陣（ULA）上，其中信號波長為λ.若假設相鄰陣元間距為d，則未知互耦條件下陣列的輸出信號r（t）為

式中：r（t）=［r1（t），r2（t），…，rM（t）］T；s（t）=［s1（t），s2（t），…，sK（t）］T；n（t）=［n1（t），n2（t），…，nM（t）］T；A=［α（θ1），α（θ2），…，α（θK）］；α（θk）=［1，ejφ（θk），…，ej（M-1）φ（θk）］T，φ（θk）=（-2πd/λ）·sin（θk）.n（t）是一個零均值方差為的廣義高斯隨機過程。矩陣C為ULA所對應的互耦矩陣，其互耦系數與陣元間距呈反比：足夠遠的兩陣元間互耦系數近似為0，且間距相同的兩陣元間互耦系數相同。因此，ULA的互耦矩陣可以用一個帶狀的對稱Toepliz矩陣來描述。若模型只考慮m個陣元之間的相互作用，則互耦矩陣C［7-12］可表示為

式中：Toepliz（c）表示由矢量c構成的對稱Toepliz矩陣，c為2M-1維矢量，且有

2　稀疏表示的DOA估計算法簡介

為了便于分析，簡要介紹一下無互耦效應下的稀疏表示的DOA估計算法（詳見文獻［4］）。此時，（1）式為

3　未知互耦條件下實值稀疏表示的DOA估計算法

由第2節敘述可知，文獻［4］所提算法沒有考慮互耦效應帶來的不利影響。本節將提出一種未知互耦條件下基于實值稀疏表示的加權子空間DOA估計算法。與（5）式類似，未知互耦條件下，（1）式可表示為

由于C為未知矩陣，所以（10）式不能直接轉換成稀疏表示的形式。為了去除互耦對陣列輸出信號帶來的不利影響，并將（10）式實值化，引入一個常數矩陣F?［0（M-2m）×mIM-2m0（M-2m）×m］和一個酉變換矩陣QM：當M為偶數時，

當M為奇數時，

式中：I為單位矩陣；J為交換矩陣（反對角線元素全為1，其他元素為0的矩陣），下標表示矩陣維數。（10）式兩邊同時左乘F和QM-2m，得［12］

（13）式中QM-2mFR，和QM-2mFN同為復矩陣。為了進一步對其實值化，將（13）式改寫成實部和虛部之和的形式，即

根據實部和虛部分別相等的必要條件，有

若將（15）式寫成矩陣形式，得

根據（7）式，可類似地處理（16）式，但為了在低信噪比情況下，進一步提高稀疏表示的估計算法抗噪能力，獲得更好的估計精度，不再簡單地用同時右乘（16）式的兩邊，而是根據加權子空間理論，采用一個子空間實值加權矩陣W：

由文獻［13］的定理3可知：對于任意的加權矩陣W，有

本文所提算法所涉及的l1范數優化問題（23）式與文獻［6］的優化問題具有相同的結構，主要區別在于：1）優化問題（23）式中所有已知變量和需優化的變量均為實值；2）引入了一個子空間實值加權矩陣，使得DOA估計的方差能取得最小值。由于一次復數乘法運算需要4次實數乘法運算和兩次實數加法運算，因此，復變量實值化將帶來計算復雜度上的巨大優勢：直接求解優化問題（23）式所需的計算復雜度僅為求解文獻［6］優化問題計算復雜度的1/4.詳細的討論可參見文獻［12，14-15］，這里不在贅述。

4　仿真結果及實驗分析

本節中將新算法與文獻［6，8］所提的算法進行比較，從而驗證新算法的有效性。在第1個仿真實驗中，假設K=2個不相關信號（θ1=-19.7°，θ2= 10.1°）入射到陣元數為M=10的ULA上，陣元間距為半波長，僅考慮相鄰陣元間存在互耦效應，且互耦系數為0.384 4-0.347 6i，噪聲為零均值的高斯白噪聲。每次實驗均進行200次蒙特卡羅實驗，采用均方根誤差（RMSE）作為DOA估計算法性能的衡量指標，其定義為

圖1　不同DOA估計算法的RMSE隨著SNR變化的性能曲線Fig.1 RMSE of DOA estimate against SNR among different strategies

為了驗證快拍數對算法性能產生的影響，在第2個仿真實驗中，在低信噪比情況下進行了RMSE隨快拍數變化的仿真實驗。除了將SNR設置為一個固定值（-10 dB），其他實驗條件與仿真實驗1相同。圖2描述了不同DOA估計算法的RMSE隨著快拍數變化的性能曲線。從圖2可以看出，本文算法性能明顯優于其他算法，而且隨著快拍數的增加，所提算法的DOA估計RMSE逐漸減小，即估計精度逐漸增高。

圖2　不同DOA估計算法的RMSE隨著快拍數變化的性能曲線Fig.2 RMSE of DOA estimate against snapshots among different strategies

在第3個仿真實驗中，將驗證較少快拍數情況下算法的角度辨別性能。設為第k個信號的角度估計值，若，則稱算法能分辨出相鄰的DOA.該仿真實驗假設有兩個相鄰的不相關信號（θ1=-2.5°，θ2=3.5°）入射到陣元數為M=12的均勻線陣上，陣元間距為半波長，快拍數為50，陣元間互耦系數設為c=［1，0.4+0.3i，0.1-0.2i］.圖3描述了不同DOA估計算法的分辨率隨著SNR變化的性能曲線。由圖3可以看出，本文所提算法具有較高的角度分辨率。

圖3　不同DOA估計算法的分辨率隨著SNR變化的性能曲線Fig.3 Resolution probability of DOA estimate against SNR among different strategies

5　結論

針對未知互耦條件下DOA估計算法運算復雜度較高的問題，本文提出一種未知互耦條件下基于實值稀疏表示的加權子空間DOA估計算法，該算法利用特定的酉變換矩陣，將一個復雜的復值優化問題轉化成實值優化問題，從而有效地降低了計算復雜度。此外，根據加權子空間理論，引入了一個子空間實值加權矩陣，進一步提高了稀疏表示的估計算法估計精度。本文算法是文獻［6］所提算法的一個重要推廣。理論分析和仿真實驗都驗證了本文所提算法的有效性。

（

）

［1］Kim H，Viberg M.Two decades of array signal processing research［J］. IEEE Signal Magazine，1996，13（4）：67-94.

［2］葉中付，李春輝，賈紅江，等.空間非平穩噪聲下的信源數估計算法［J］.兵工學報，2009，30（7）：873-878. YE Zhong-fu，LI Chun-hui，JIA Hong-jiang，et al.Estimation of the number of signal source in spatially nonstationary noise［J］. Acta Armamentarii，2009，30（7）：873-878.（in Chinese）

［3］鄒吉武，孫大軍.線陣雙基地聲納波束零點形成MUSIC算法［J］.兵工學報，2010，31（3）：364-368. ZOU Ji-wu，SUN Da-jun.MUSIC algorithm of beam null forming on linear array of bi-static sonar［J］.Acta Armamentarii，2010，31（3）：364-368.（in Chinese）

［4］Malioutov D，?etin M，Willsky A S.A sparse signal reconstruction perspective for source localization with sensor arrays［J］. IEEE Transactions on Signal Processing，2005，53（8）：3010-3022.

［5］Stoica P，Babu P，Li J.SPICE：a sparse covariance-based estimation method for array processing［J］.IEEE Transactions on Signal Processing，2011，59（2）：629-638.

［6］Dai J，Zhao D，Ji X.A sparse representation method for DOA estimation with unknown mutual coupling［J］.IEEE Antennas and Wireless Propagation Letters，2012，11：1210-1213.

［7］Sellone F，Serra A.A novel online mutual coupling compensation algorithm for uniform and linear arrays［J］.IEEE Transactions on Signal Processing，2007，55（2）：560-573.

［8］Ye Z，Dai J，Xu X，et al.DOA estimation for uniform linear array with mutual coupling［J］.IEEE Transactions on Aerospace and E-lectronic Systems，2009，45（1）：280-288.

［9］Friedlander B，Weiss A J.Direction finding in the presence of mutual coupling［J］.IEEE Transactions on Antennas and Propagation，1991，39（3）：273-284.

［10］Dai J，Bao X，Hu N，et al.A recursive RARE algorithm for DOA estimation with unknown mutual coupling［J］.IEEE Antennas and Wireless Propagation Letters，2014，13：1593-1596..

［11］Dai J，Ye Z.Spatial smoothing for direction of arrival estimation of coherent signals in the presence of unknown mutual coupling［J］. IET Signal Processing，2011，5（4）：418-425.

［12］Dai J，Xu W，Zhao D.Real-valued DOA estimation for uniform linear array with unknown mutual coupling［J］.Signal Processing，2012，92（9）：2056-2065.

［13］Viberg M，Ottersten B.Sensor array processing based on subspace fitting［J］.IEEE Transactions on Signal Processing，1991，39（5）：1110-1121.

［14］Huarng K C，Yeh C C.A unitary transformation method for angle-of-arrival estimation［J］.IEEE Transactions on Signal Processing，1991，39（4）：975-977.

［15］Dai J，Xu X，Zhao D.Direction-of-arrival estimation via realvalued sparse representation［J］.IEEE Antennas and Wireless Propagation Letters，2013，12：376-379.

A Real-valued Sparse Representation Method for DOA Estimation with Unknown Mutual Coupling

WU Zhen1，DAI Ji-sheng1，2，ZHU Xiang-lin1，ZHAO De-an1
（1.School of Electrical and Information Engineering，Jiangsu University，Zhenjiang 212013，Jiangsu，China；2.National Mobile Communications Research Laboratory，Southeast University，Nanjing 210096，Jiangsu，China）

The paper presents a real-valued sparse representation method for DOA estimation in the presence of unknown mutual coupling.Utilizing a certain unitary transformation and taking advantage of the special structure of mutual coupling matrix（MCM）for uniform linear arrays（ULAs），we are able to convert complex-valued manifold matrices of ULAs with unknown mutual coupling into real ones.Due to this transformation，the computational complexity can be decreased by a factor of at least four.Moreover，the proposed method is expected to have a better noise suppression，as it exploits an additional optimal weighting matrix.Thus，the proposed method outperforms the original one，especially when signal-tonoise ratio（SNR）is low.Simulation results verify the efficiency of the proposed method.

information processing technology；direction of arrival estimation；sparse representation；mutual coupling；uniform linear array

TN911.7

A

1000-1093（2015）02-0294-05

10.3969/j.issn.1000-1093.2015.02.015

2013-09-27

國家自然科學基金項目（61102054）；東南大學移動通信國家重點實驗室開放研究基金項目（2013D08）

吳振（1990—），男，碩士研究生。E-mail：zhenwu.ujs@gmail.com；戴繼生（1982—），男，副教授，碩士生導師。E-mail：jsdai@ujs.edu.cn