[論文レビュー] Sparse Bayesian Learning for DOA Estimation in Heteroscedastic Noise

Peter Gerstoft, Santosh Nannuru+2 more|arXiv (Cornell University)|Nov 8, 2017

Direction-of-Arrival Estimation Techniques参考文献 41被引用数 3

ひとこと要約

本稿は、センサーやスナップショットごとにノイズ分散が変化する不均一分散ノイズ環境における波向き角（DOA）推定のためのスパースベイジアン学習（SBL）フレームワークを提案する。確率的最尤推定を用いて、同時にソースのDOA、電力、不均一分散ノイズ分散を推定することで、特に近接するソースに対して、従来の高分解能法や位相のみの手法を上回り、低SNRおよびマルチスナップショット条件下でシミュレーションにおいて顕著なRMSE低減を達成する。

ABSTRACT

The paper considers direction of arrival (DOA) estimation from long-term observations in a noisy environment. In such an environment the noise source might evolve, causing the stationary models to fail. Therefore a heteroscedastic Gaussian noise model is introduced where the variance can vary across observations and sensors. The source amplitudes are assumed independent zero-mean complex Gaussian distributed with unknown variances (i.e. the source powers), inspiring stochastic maximum likelihood DOA estimation. The DOAs of plane waves are estimated from multi-snapshot sensor array data using sparse Bayesian learning (SBL) where the noise is estimated across both sensors and snapshots. This SBL approach is more flexible and performs better than high-resolution methods since they cannot estimate the heteroscedastic noise process. An alternative to SBL is simple data normalization, whereby only the phase across the array is utilized. Simulations demonstrate that taking the heteroscedastic noise into account improves DOA estimation.

研究の動機と目的

• 長期間のDOA推定においてノイズ分散が時間とともに変化するため、定常ノイズモデルの限界を解消する。
• 従来の手法で性能が低下する空間的・時間的ノイズ不均一分散を考慮した、耐障害性の高いDOA推定フレームワークを開発する。
• パrametricベイジアンモデルを用いて、ソース電力、DOA、ノイズ分散を同時に推定することで、弱く近接するソースのDOA推定精度を向上させる。
• SBLに不均一分散ノイズ推定を組み合わせた手法が、データ正規化（位相のみ処理）および標準SBLを上回ることを実証する。

提案手法

• センサーアレイのデータを、不均一分散の複素正規ノイズで汚染されたステアリングベクトルの線形結合としてモデル化する、マルチスナップショット多重測定ベクトル（MMV）モデルを構築する。
• ソース振幅が未知の分散を持つゼロ平均複素正規事前分布に従い、ノイズ分散がセンサーおよびスナップショットごとに独立に分布すると仮定する。
• DOA、ソース電力、ノイズ分散パラメータを同時に推定するために、スパースベイジアン学習（SBL）と最尤後確率（MAP）推定を適用する。
• ノイズ分散を推定するために確率的最尤（SML）手法を組み込み、スナップショット数が限られた状況でも頑健な推定を可能にする。
• 各スナップショットおよび各センサーごとのノイズ分散推定を組み込んだ高速SBLアルゴリズムを用い、固有値分解やEM法依存を回避する。
• RMSEとDOAピーク位置のヒストグラム分析を用いて、位相のみ処理（CBF-Phase）、標準SBL、EM法ベースのノイズ推定と性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 長期間観測において、不均一分散ノイズモデルを組み込んだSBLは、定常ノイズモデルに比べてDOA推定精度が向上するか？
• RQ2 各スナップショットおよび各センサーごとのノイズ分散を同時に推定することで、近接するソースの性能にどのような影響を与えるか？
• RQ3 ソースが近接しておりノイズが非定常な状況下でも、位相のみ処理（振幅正規化）はどの程度有効性を保つのか？
• RQ4 低SNRおよびマルチスナップショット条件下で、SBLとEM法によるノイズ推定戦略の違いが収束性およびDOA推定精度に与える影響はどの程度か？

主な発見

• 不均一分散ノイズ推定を組み込んだSBL（SBL3）は、CBF-Phaseおよび標準SBLに比べ顕著に低いRMSEを達成し、特に低SNR（例：-15 dB）および3つの近接するソース条件下で顕著な改善を示す。
• SBL3の上位3つのDOAピークのヒストグラムは真のDOAの周囲に強く集中しており、他の手法に比べて優れた局在精度を示している。
• SBL3は、1つの観測（センサー・スナップショットペア）からの推定でも、ノイズ標準偏差を低バイアス（平均偏差0.007）で良好な分散で推定できる。
• SBL2におけるEM法ベースのノイズ推定では、SNR -10 dBで平均ノイズ分散比（σ²_Est / σ²_T）が約0.5に低下し、SML直接推定を用いたSBL2に比べて性能劣化が早期に現れる。
• 3つのソースが[-3°, 2°, 50°]に配置された場合、SBL3はEM法によるノイズ推定を用いたSBL2に比べ、RMSEを最大5 dBまで低減し、非定常ノイズ環境下でも頑健性を示す。
• 50スナップショット、SNR 0 dB条件下でも、SBL3はノイズ分散推定が高精度（平均偏差ほぼゼロ）を維持しており、マルチスナップショット設定下での安定性を確認した。