基于稀疏重建的信号DOA估计

计算机工程与应用 ›› 2015, Vol. 51 ›› Issue (1): 195-199.

基于稀疏重建的信号DOA估计

任肖丽1，王骥1，万群2

1.广东海洋大学信息学院，广东湛江 524088
2.电子科技大学电子工程学院，成都 611731

出版日期:2015-01-01 发布日期:2015-01-06

Direction-of-Arrival estimation based on sparse signal reconstruction

REN Xiaoli1, WANG Ji1, WAN Qun2

1.School of Information, Guangdong Ocean University, Zhanjiang, Guangdong 524088, China
2.School of Electronic Engineering, UESTC, Chengdu 611731, China

Online:2015-01-01 Published:2015-01-06

摘要/Abstract

摘要： 从稀疏信号重建角度提出了一种改进的波达方向（DOA）估计方法。由于最小冗余线阵（MRLA）能以较少的阵元数获得较大的阵列孔径，将MRLA与[?1-SVD]方法相结合估计信号的DOA。仿真结果表明，经多次实验验证，所提方法是有效的，相比[?1-SVD]方法可以估计出更多信源的DOA，并且可以用较少的阵元数估计更多的信源DOA，具有信源过载能力。

关键词: 波达方向（DOA）, 稀疏信号重建, 最小冗余线阵（MRLA）, [?1-SVD]

Abstract: This paper proposes a modified Direction of Arrival（DOA） estimation method based on Minimum Redundancy Linear Array（MRLA） from the sparse signal reconstruction perspective. According to the structure feature of MRLA that obtaining larger antenna aperture through a smaller number of array sensors, MRLA is combined with [?1-SVD]method to estimate signal DOAs. Simulations demonstrate that the proposed method is effective, and compared with [?1-SVD] method it can estimate more DOAs of signal source, and it is capable of estimating more DOAs with fewer antenna elements.

Key words: Direction of Arrival（DOA）, sparse signal reconstruction, Minimum Redundancy Linear Array（MRLA）, [?1]-Singular Value Decomposition

任肖丽1，王骥1，万群2. 基于稀疏重建的信号DOA估计[J]. 计算机工程与应用, 2015, 51(1): 195-199.

REN Xiaoli1, WANG Ji1, WAN Qun2. Direction-of-Arrival estimation based on sparse signal reconstruction[J]. Computer Engineering and Applications, 2015, 51(1): 195-199.

[1]	武文杰，宋文爱，高雪梅，杨吉江，王青，黄丽萍，雷毅. 基于X线的成人OSA计算机辅助诊断综述[J]. 计算机工程与应用, 2021, 57(9): 1-8.
[2]	许昊，张凯，田英杰，种法广，王子超. 深度神经网络图像描述综述[J]. 计算机工程与应用, 2021, 57(9): 9-22.
[3]	冉蓉，徐兴华，邱少华，崔小鹏，欧阳斌. 基于深度卷积神经网络的裂纹检测方法综述[J]. 计算机工程与应用, 2021, 57(9): 23-35.
[4]	贾香恩，董一鸿，朱锋，钱江波. 异构图卷积网络研究进展[J]. 计算机工程与应用, 2021, 57(9): 36-49.
[5]	张小峰，谢钧，罗健欣，杨涛. 深度学习语音合成技术综述[J]. 计算机工程与应用, 2021, 57(9): 50-59.
[6]	李晓筱，胡晓光，王梓强，杜卓群. 基于深度学习的实例分割研究进展[J]. 计算机工程与应用, 2021, 57(9): 60-67.
[7]	李超群，陈智罡，宋新霞，周云慧. 疫情环境下接触人跟踪系统的研究综述[J]. 计算机工程与应用, 2021, 57(9): 68-80.
[8]	兰红，黄敏. 融合KNN优化的密度峰值和FCM聚类算法[J]. 计算机工程与应用, 2021, 57(9): 81-88.
[9]	张波，徐黎明，黄志伟，要小鹏. 梯度策略的多目标GANs帕累托最优解算法[J]. 计算机工程与应用, 2021, 57(9): 89-95.
[10]	张岐山，陈露露. 基于均衡接近度灰关联的Slope One算法[J]. 计算机工程与应用, 2021, 57(9): 96-102.
[11]	王永贵，李倩玉. 基于KNN-GBDT的混合协同过滤推荐算法[J]. 计算机工程与应用, 2021, 57(9): 103-108.
[12]	孙泽宇，徐琛，苏艳超，李传锋，聂雅琳. 雾计算中跨层感知分簇路由协议[J]. 计算机工程与应用, 2021, 57(9): 109-117.
[13]	邓利芳，党建武，王阳萍，王松. 结合混合核特征映射的空域图像隐写分析[J]. 计算机工程与应用, 2021, 57(9): 118-125.
[14]	黄逸磊，夏志杰，王诣铭. 强关系型社交媒体平台不实信息传播模型研究[J]. 计算机工程与应用, 2021, 57(9): 126-133.
[15]	杨春霞，李欣栩，吴佳君，刘天宇. 基于注意力交互机制的层次网络情感分类[J]. 计算机工程与应用, 2021, 57(9): 134-139.