高级搜索

基于稀疏贝叶斯学习的多跳频信号DOA估计方法

郭英 东润泽 张坤峰 眭萍 杨银松

引用本文: 郭英, 东润泽, 张坤峰, 眭萍, 杨银松. 基于稀疏贝叶斯学习的多跳频信号DOA估计方法[J]. 电子与信息学报, 2019, 41(3): 516-522. doi: 10.11999/JEIT180435 shu
Citation:  Ying GUO, Runze DONG, Kunfeng ZHANG, Ping SUI, Yinsong YANG. Direction of Arrival Estimation for Multiple Frequency Hopping Signals Based on Sparse Bayesian Learning[J]. Journal of Electronics and Information Technology, 2019, 41(3): 516-522. doi: 10.11999/JEIT180435 shu

基于稀疏贝叶斯学习的多跳频信号DOA估计方法

    作者简介: 郭英: 女,1961年生,博士,教授,博士生导师,研究方向为通信信号处理、自适应信号处理等;
    东润泽: 男,1995年生,硕士生,研究方向为跳频信号检测、参数估计;
    张坤峰: 男,1989年生,博士生,研究方向为通信信号侦查处理、阵列信号处理;
    眭萍: 女,1991年生,博士生,研究方向为信号指纹特征识别;
    杨银松: 男,1994年生,硕士生,研究方向为通信信号处理、跳频信号网台分选
    通讯作者: 郭英,yguo@163.com
  • 基金项目: 国家自然科学基金(61601500)

摘要: 针对多跳频信号空域参数估计问题,该文在稀疏贝叶斯学习(SBL)的基础上,利用跳频信号的空域稀疏性实现了波达方向(DOA)的估计。首先构造空域离散网格,将实际DOA与网格点之间的偏移量建模进离散网格中,建立多跳频信号均匀线阵接收数据模型;然后通过SBL理论得到行稀疏信号矩阵的后验概率分布,用超参数控制偏移量和信号矩阵的行稀疏程度;最后利用期望最大化(EM)算法对超参数进行迭代,得到信号矩阵的最大后验估计以完成DOA的估计。理论分析与仿真实验表明该方法具有良好的估计性能并能适应较少快拍数的情况。

English

    1. [1]

      ZHAO Lifan, WANG Lu, BI Guoan, et al. Robust frequency-hopping spectrum estimation based on sparse Bayesian method[J]. IEEE Transactions on Wireless Communications, 2015, 14(2): 781–793. doi: 10.1109/TWC.2014.2360191

    2. [2]

      HU Chenlin, JIN Y K, NA S Y, et al. Compressive frequency hopping signal detection using spectral kurtosis and residual signals[J]. Wireless Personal Communications An International Journal, 2017, 94(1): 53–67. doi: 10.1007/s11277-015-3156-x

    3. [3]

      金艳, 李曙光, 姬红兵. 基于柯西分布的跳频信号参数最大似然估计方法[J]. 电子与信息学报, 2016, 38(7): 1696–1702. doi: 10.11999/JEIT151029
      JIN Yan, LI Shuguang, and JI Hongbing. Maximum-likelihood estimation for frequency-hopping parameters by Cauchy distribution[J]. Journal of Electronics &Information Technology, 2016, 38(7): 1696–1702. doi: 10.11999/JEIT151029

    4. [4]

      陈利虎, 张尔扬. 基于数字信道化和空时频分析的多网台跳频信号DOA估计[J]. 通信学报, 2009, 30(10): 68–74.
      CHEN Lihu and ZHANG Eryang. Directions of arrival estimation for multi frequency-hopping signals based on digital channelized receiver and spatial time-frequency analysis[J]. Journal on Communications, 2009, 30(10): 68–74.

    5. [5]

      陈利虎. 基于空时频分析的多分量跳频信号DOA估计[J]. 系统工程与电子技术, 2011, 33(12): 2587–2592. doi: 10.3969/j.issn.1001-506X.2011.12.04
      CHEN Lihu. Directions of arrival estimation for multicomponent frequency-hopping signals based on spatial time-frequency analysis[J]. Systems Engineering and Electronics, 2011, 33(12): 2587–2592. doi: 10.3969/j.issn.1001-506X.2011.12.04

    6. [6]

      ZHANG Chunlei and LI Lichun. Parameter estimation of multi frequency hopping signals based on compressive spatial time-frequency joint analysis[J]. Pacific Journal of Mathematics, 2014, 136(1): 85–101. doi: 10.1109/ICSESS.2014.6933627

    7. [7]

      STOICA P and NEHORAI A. MUSIC, maximum likelihood, and Cramer-Rao bound[J]. IEEE Transaction on Signal Processing, 1990, 37(5): 720–741. doi: 10.1109/29.17564

    8. [8]

      张东伟, 郭英, 张坤峰, 等. 多跳频信号频率跟踪与二维波达方向实时估计算法[J]. 电子与信息学报, 2016, 38(9): 2377–2384. doi: 10.11999/JEIT151170
      ZHANG Dongwei, GUO Ying, ZHANG Kunfeng, et al. Online estimation algorithm of 2D-DOA and frequency tracking for multiple frequency-hopping signals[J]. Journal of Electronics &Information Technology, 2016, 38(9): 2377–2384. doi: 10.11999/JEIT151170

    9. [9]

      于欣永, 郭英, 张坤峰, 等. 一种高效的多跳频信号2D-DOA估计算法[J]. 系统工程与电子技术, 2018, 40(6): 1363–1370. doi: 10.3969/j.issn.1001-506X.2018.06.25
      YU Xinyong, GUO Ying, ZHANG Kunfeng, et al. An efficient 2D-DOA estimation algorithm for multi-FH signals[J]. Systems Engineering and Electronics, 2018, 40(6): 1363–1370. doi: 10.3969/j.issn.1001-506X.2018.06.25

    10. [10]

      LIU Fulai, PENG Lu, WEI Ming, et al. An improved L1-SVD algorithm based on noise subspace for DOA estimation[J]. Progress in Electromagnetics Research, 2012, 29(12): 109–122. doi: 10.2528/PIERC12021203

    11. [11]

      张坤峰, 郭英, 齐子森, 等. 基于稀疏贝叶斯重构的多跳频信号参数估计[J]. 华中科技大学学报(自然科学版), 2017, 45(1): 97–102. doi: 10.13245/j.hust.170118
      ZHANG Kunfeng, GUO Ying, QI Zisen, et al. Parameter estimation for multiple frequency-hopping signals based on sparse Bayesian reconstruction[J]. Journal of Huazhong University of Science and Technology, 2017, 45(1): 97–102. doi: 10.13245/j.hust.170118

    12. [12]

      TIPPING M E. Sparse bayesian learning and the relevance vector machine[J]. Journal of Machine Learning Research, 2001, 1(3): 211–244.

    13. [13]

      WIPF D P and RAO B D. An empirical Bayesian strategy for solving the simultaneous sparse approximation problem[J]. IEEE Transactions on Signal Processing, 2007, 55(7): 3704–3716. doi: 10.1109/TSP.2007.894265

    14. [14]

      LEI Wenying and CHEN Baixiao. High-resolution DOA estimation for closely spaced correlated signals using unitary sparse Bayesian learning[J]. Electronics Letters, 2015, 51(3): 285–287. doi: 10.1049/el.2014.1317

    15. [15]

      HUANG Qinghua, ZHANG Guangfei, and FANG Yong. Real-valued DOA estimation for spherical arrays using sparse Bayesian learning[J]. Signal Processing, 2016, 125(C): 79–86. doi: 10.1016/j.sigpro.2016.01.009

    16. [16]

      YANG Jie, YANG Yixin, LIAO Guisheng, et al. A super-resolution direction of arrival estimation algorithm for coprime array via sparse Bayesian learning inference[J]. Circuits Systems & Signal Processing, 2018, 37(5): 1907–1934. doi: 10.1007/s00034-017-0637-z

    17. [17]

      YANG Zai, XIE Lihua, and ZHANG Cishen. Off-grid direction of arrival estimation using sparse Bayesian inference[J]. IEEE Transactions on Signal Processing, 2013, 61(1): 38–43. doi: 10.1109/TSP.2012.2222378

    18. [18]

      东润泽, 郭英, 于欣永, 等. Off-grid direction of arrival estimation using sparse Bayesian inference[J]. 空军工程大学学报(自然科学版), 2018, 19(3): 56–61.
      DONG Runze, GUO Ying, YU Xinyong, et al. A frequency hopping signal detection method based on sparse reconstruction[J]. Journal of Air Force Engineering University(Natural Science Edition), 2018, 19(3): 56–61.

    19. [19]

      COTTER S F, RAO B D, ENGAN K, et al. Sparse solutions to linear inverse problems with multiple measurement vectors[J]. IEEE Transactions on Signal Processing, 2005, 53(7): 2477–2488. doi: 10.1109/TSP.2005.849172

    20. [20]

      ELDAR Y C and MISHALI M. Robust recovery of signals from a structured union of subspaces[J]. IEEE Transactions on Information Theory, 2009, 55(11): 5302–5316. doi: 10.1109/TIT.2009.2030471

    1. [1]

      张东伟, 郭英, 齐子森, 侯文林, 张波, 李教. 多跳频信号波达方向与极化状态联合估计算法. 电子与信息学报, 2015, 37(7): 1695-1701.

    2. [2]

      张东伟, 郭英, 张坤峰, 齐子森, 韩立峰, 尚耀波. 多跳频信号频率跟踪与二维波达方向实时估计算法. 电子与信息学报, 2016, 38(9): 2377-2384.

    3. [3]

      孙磊, 王华力, 许广杰, 苏勇. 基于稀疏贝叶斯学习的高效DOA估计方法. 电子与信息学报, 2013, 35(5): 1196-1201.

    4. [4]

      王峰, 向新, 易克初, 熊磊. 基于隐变量贝叶斯模型的稀疏信号恢复. 电子与信息学报, 2015, 37(1): 97-102.

    5. [5]

      李鹏飞, 张旻, 钟子发, 罗争. 基于空频域稀疏表示的宽频段DOA估计. 电子与信息学报, 2012, 34(2): 404-409.

    6. [6]

      李鹏飞, 张旻, 钟子发. 基于空间角稀疏表示的二维DOA估计. 电子与信息学报, 2011, 33(10): 2402-2406.

    7. [7]

      李鹏飞, 钟子发, 张旻. 未知信源数目的DOA估计方法. 电子与信息学报, 2012, 34(3): 576-581.

    8. [8]

      金艳, 田田, 姬红兵. 基于稀疏贝叶斯学习的码元速率估计. 电子与信息学报, 2018, 40(7): 1598-1603.

    9. [9]

      张凯, 于宏毅, 胡赟鹏, 沈智翔. 稀疏信道下基于稀疏贝叶斯学习的精简星座盲均衡算法. 电子与信息学报, 2016, 38(9): 2255-2260.

    10. [10]

      晋良念, 冯飞, 刘庆华, 欧阳缮. 利用块间耦合稀疏贝叶斯学习的建筑物布局成像方法. 电子与信息学报, 2018, 40(4): 853-859.

    11. [11]

      吕晓德, 杨璟茂, 岳琦, 张汉良. 基于稀疏贝叶斯学习的机载双基雷达杂波抑制. 电子与信息学报, 2018, 40(11): 2651-2658.

    12. [12]

      冯明月, 何明浩, 陈昌孝, 韩俊. 基于Bessel先验快速稀疏贝叶斯学习的互质阵列DOA估计. 电子与信息学报, 2018, 40(7): 1604-1611.

    13. [13]

      李瑞, 张群, 苏令华, 梁佳, 罗迎. 基于稀疏贝叶斯学习的双基雷达关联成像. 电子与信息学报, 2019, 41(12): 2865-2872.

    14. [14]

      王天云, 于小飞, 陈卫东, 丁丽, 陈畅. 基于稀疏贝叶斯学习的无源雷达高分辨成像. 电子与信息学报, 2015, 37(5): 1023-1030.

    15. [15]

      张永顺, 葛启超, 丁姗姗, 郭艺夺. 基于稀疏贝叶斯学习的低空测角算法. 电子与信息学报, 2016, 38(9): 2309-2313.

    16. [16]

      陈璐, 毕大平, 潘继飞. 平移嵌套阵列稀疏贝叶斯学习角度估计算法. 电子与信息学报, 2018, 40(5): 1173-1180.

    17. [17]

      游康勇, 杨立山, 刘玥良, 郭文彬, 王文博. 基于稀疏贝叶斯学习的网格自适应多源定位. 电子与信息学报, 2018, 40(9): 2150-2157.

    18. [18]

      苏伍各, 王宏强, 邓彬, 秦玉亮, 凌永顺. 基于方差成分扩张压缩的稀疏贝叶斯ISAR成像方法. 电子与信息学报, 2014, 36(7): 1525-1531.

    19. [19]

      夏建明, 杨俊安, 陈功. 参数自适应调整的稀疏贝叶斯重构算法. 电子与信息学报, 2014, 36(6): 1355-1361.

    20. [20]

      王大鸣, 任衍青, 逯志宇, 巴斌, 崔维嘉. 融合多普勒频移信息的阵列数据域直接定位方法. 电子与信息学报, 2018, 40(5): 1219-1225.

  • 图 1  均匀线阵接收模型

    图 2  不同阵元数下算法性能与运行时间的比较

    图 3  不同网格间隔下算法性能与运行时间的比较

    图 4  各算法的空间谱比较

    图 5  不同快拍数下算法性能的比较

    表 1  不同快拍数下算法运行时间的比较(s)

    快拍数2080
    本文算法所用时间0.38040.5915
    稀疏重构算法所用时间0.40660.3935
    OGSBI算法所用时间0.64540.8428
    下载: 导出CSV
  • 加载中
图(5)表(1)
计量
  • PDF下载量:  53
  • 文章访问数:  416
  • HTML全文浏览量:  236
文章相关
  • 通讯作者:  郭英, yguo@163.com
  • 收稿日期:  2018-05-08
  • 录用日期:  2018-09-20
  • 网络出版日期:  2018-10-23
  • 刊出日期:  2019-03-01
通讯作者: 陈斌, bchen63@163.com
  • 1. 

    沈阳化工大学材料科学与工程学院 沈阳 110142

  1. 本站搜索
  2. 百度学术搜索
  3. 万方数据库搜索
  4. CNKI搜索

/

返回文章