基于信号结构特征的矢量共形阵列极化角度估计方法研究

Compared with the traditional array, the vector conformal array has the merits of conformation with the carrier and the polarization multiple access capability, which could help dig more microscopic information of the signal. In order to achieve the target location and surveillance exactly, the direction of arrival (DOA) and polarization estimation jointly is one of the critical researches. In the actual system, the performance of classical subspace-based estimation method will decrease even fail under the condition of low signal-to-noise ratio (SNR), small snapshots and bad data from array channel. In order to solve these problems, by utilizing the multidimensional and spatial sparse characteristic of the signal, the DOA and polarization estimation problem is investigated under the circumstance of low SNR, small snapshots and the bad data contamination in this project. Based on the signal’s multidimensional characteristics, a DOA and polarization parameter estimation method based on tensor is proposed. Based on the signal’s sparse structural feature, a DOA and polarization parameter estimation method based on sparse bayesian signal reconstruction is proposed. At last, by combining the multidimensional and sparse structural characteristics of the signal, a DOA and polarization parameter estimation method based on the sparse variable bayesian is proposed. And finally, the robust high-accuracy DOA and polarization parameter estimation is realized in the case of low SNR, small snapshots and bad data from array channel.

矢量共形阵列具有与载体共形的优势和极化多址能力，可以挖掘信号中更多的微观信息，比传统阵列更有优势。为实现对目标的准确定位与监测，信源波达方向（direction of arrival, DOA）和极化参数的联合估计是重要的研究内容之一。实际系统中，传统子空间类参数估计算法在低信噪比、小快拍数和阵列通道不良数据的影响下，性能会急速下降甚至失效。针对上述问题，本课题利用信号的多维度和空域稀疏结构，研究在低信噪比、小快拍数和阵列通道不良数据情况下的DOA和极化参数估计方法。利用信号多维度特征，提出基于张量的DOA和极化参数估计方法；利用信号空域稀疏结构特征，提出基于稀疏贝叶斯信号重构的DOA和极化参数估计方法；最后结合信号的多维度和稀疏结构特征，提出基于稀疏变分贝叶斯的DOA和极化参数估计方法，实现在低信噪比、小快拍数和阵列通道不良数据的情况下，稳健的高精度DOA和极化参数联合估计。

矢量共形阵列具有与载体共形的优势和极化多址能力，可以挖掘信号中更多的微观信息，比传统阵列更有优势。为实现对目标的准确定位与监测，信源波达方向（direction of arrival, DOA）和极化参数的联合估计是重要的研究内容之一。实际系统中，传统子空间类参数估计算法在低信噪比、小快拍数和阵列通道不良数据的影响下，性能会急速下降甚至失效。针对上述问题，本课题的主要研究内容包括：（1）针对传统矢量共形阵列的参数估计算法在低信噪比，小快拍数下估计性能下降的问题，研究基于信号多维度特征的极化DOA参数估计方法。利用信号内在具有的多维度结构特征，建立张量表示的信号模型，提出了基于张量和高阶奇异值分解的高精度极化DOA估计算法。与传统子空间类的算法相比，所提算法极大的提高了在小快拍数及低信噪比下的信号分辨能力；（2）利用入射信号在空域范围内的稀疏结构特征，建立稀疏信号模型，在满足限制等容性(RIP)的前提下建立准确的二维完备字典，然后采用稀疏贝叶斯学习理论进行信号重构，从而实现高精度的极化DOA估计。所提方法与传统的子空间类算法相比，具有较高的估计精度和分辨率，并且不需要预知信源数目；（3）针对接收阵列中因外界环境突变或元器件损坏导致部分通道工作异常时，阵列接收信息中会掺杂不良数据，从而导致子空间正交性变差，严重影响参数估计性能的问题，考虑同时利用接收信号的多维结构和空域稀疏结构的信号特征来提高参数估计性能。建立张量表示的参数化稀疏信号模型，引入变分稀疏贝叶斯技术来减弱不良数据的影响，提出了一种稳健的基于稀疏变分贝叶斯的极化DOA估计方法，实现对极化DOA的稳健高精度估计。.在科学意义上，该课题研究的内容对丰富矢量共形阵列的极化DOA估计基础理论，拓展张量分解和稀疏贝叶斯学习的应用范围，提高低信噪比、小快拍数和阵列通道异常下的极化DOA估计稳定性，对推动矢量共形阵列参数估计的新理论和新方法具有重要的探索意义。