[논문 리뷰] Joint DOA Estimation and Array Calibration Using Multiple Parametric Dictionary Learning

Hamed Ghanbari, Hadi Zayyani외 1명|ArXiv.org|2017. 07. 23.

Direction-of-Arrival Estimation Techniques참고 문헌 20인용 수 3

한 줄 요약

이 논문은 이득-위상 오차, 상호연결 효과 및 오프그리드 영향이 존재하는 환경에서 방향도(DoA) 추정과 어레이 캘리브레이션을 동시에 수행하기 위한 다중 매개변수 사전 학습 알고리즘을 제안한다. 여러 샘플을 사용하여 경사 하강 반복을 통해 매개변수적 편미분 행렬과 안내 사전을 함께 학습함으로써, 최신의 스퍼스 기반 접근법보다 낮은 계산 복잡도를 유지하면서도 더 높은 DoA 추정 정확도를 달성한다. 또한 MUSIC 및 전통적인 OMP 방법보다 뛰어난 성능을 보인다.

ABSTRACT

This letter proposes a multiple parametric dictionary learning algorithm for direction of arrival (DOA) estimation in presence of array gain-phase error and mutual coupling. It jointly solves both the DOA estimation and array imperfection problems to yield a robust DOA estimation in presence of array imperfection errors and off-grid. In the proposed method, a multiple parametric dictionary learning-based algorithm with an steepest-descent iteration is used for learning the parametric perturbation matrices and the steering matrix simultaneously. It also exploits the multiple snapshots information to enhance the performance of DOA estimation. Simulation results show the efficiency of the proposed algorithm when both off-grid problem and array imperfection exist.

연구 동기 및 목표

• 이득-위상 오차 및 상호연결 효과를 포함한 여러 어려움이 존재하는 환경에서 DoA 추정과 어레이 캘리브레이션을 동시에 해결하고자 한다.
• 이deal 어레이 조건을 가정하는 기존 DoA 방법의 한계를 극복하고, 캘리브레이션 오차에 민감하지 않은 방법을 개발하고자 한다.
• 다양한 샘플을 활용하여 안내 벡터와 편미분 행렬을 동시에 학습하는 강력한 반복적 알고리즘을 개발하고자 한다.
• 기존 스퍼스 기반 캘리브레이션 방법보다 계산 복잡도를 낮추면서도 추정 정확도를 유지하거나 향상시키고자 한다.

제안 방법

• 이 방법은 다중 매개변수 사전 학습 프레임워크를 활용하여 여러 샘플을 통해 어레이 불완전성의 원인인 이득-위상 오차와 상호연결 효과를 함께 추정하고 보정한다.
• 이들은 경사 하강 최적화를 통해 반복적으로 업데이트되는 매개변수적 편미분 행렬로 모델링된다.
• 오프그리드 DoA 추정을 처리하기 위해 통합 최적화 프레임워크 내에서 매개변수적 안내 사전과 편미분 사전을 동시에 학습한다.
• 이중 단계 반복 프로세스를 사용한다: 첫 번째 단계는 소스 위치를 추정하기 위한 SOMP을 통한 스퍼스 복구; 두 번째 단계는 편미분 및 안내 사전을 정밀화하기 위한 경사 하강 업데이트.
• SOMP 단계에서 모든 샘플의 정보를 통합하여 추정의 강건성과 정확도를 향상시킨다.
• 스퍼스 베이지안 또는 볼록 최적화 방법과 비교해 복잡한 볼록 최적화를 피하고 간단한 기울기 기반 업데이트를 사용함으로써 계산 비용을 감소시킨다.

실험 결과

연구 질문

• RQ1 스퍼스 기반 사전 학습 접근법이 기존 방법보다 이득-위상 오차 및 상호연결 효과를 동시에 더 효과적으로 추정하고 보정할 수 있는가?
• RQ2 SOMP 단계에서 단일 샘플 평균화 대비 다중 샘플을 사용할 경우 DoA 추정 성능이 어떻게 향상되는가?
• RQ3 매개변수적 편미분 행렬에 대한 경사 하강 기반 반복 학습이 정확도를 유지하면서 계산 복잡도를 얼마나 줄이는가?
• RQ4 진짜 DoA가 이산 그리드와 정렬되지 않는 오프그리드 조건에서 이 방법은 어떻게 성능을 발휘하는가?
• RQ5 이 방법은 정확도와 계산 효율성 측면에서 MUSIC 및 스퍼스 기반 캘리브레이션 알고리즘을 모두 초월하는가?

주요 결과

• 제안된 다중 사전 학습 알고리즘은 이득-위상 오차 및 상호연결 효과 시나리오에서 모든 SNR 수준에서 MUSIC 및 스퍼스 기반 방법 [21]보다 낮은 MSE를 달성한다.
• 이득-위상 오차 실험에서, SNR가 0 dB 이상인 범위에서 제안된 방법은 스퍼스 기반 방법 [21]보다 30-40% 낮은 MSE를 보였다.
• 세 개의 비영인 계수를 가진 상호연결 효과에서(이전 연구 대비 4배 강한 상호연결), 제안된 방법은 경쟁 방법 대비 20-30% 낮은 MSE를 유지했다.
• 제안된 알고리즘의 평균 시뮬레이션 시간은 1회 실행당 3.40초였으며, 이는 스퍼스 기반 방법 [21]이 요구하는 27.09초보다 현저히 낮아 계산 복잡도가 낮음을 입증했다.
• 제안된 방법은 사전 학습이 없는 OMP 및 SOMP보다 뛰어난 성능을 보였으며, 안내 사전과 편미분 사전의 공동 학습의 유용성을 확인했다.
• 비록 계산 비용이 더 높았음에도 불구하고(3.40 s 대비 0.55 s), 제안된 방법은 MUSIC보다 더 높은 정확도를 달성하여 정확도와 복잡도 사이의 유리한 트레이드오���을 보였다.