[论文解读] Joint DOA Estimation and Array Calibration Using Multiple Parametric Dictionary Learning

Hamed Ghanbari, Hadi Zayyani+1 more|ArXiv.org|Jul 23, 2017

Direction-of-Arrival Estimation Techniques参考文献 20被引用 3

一句话总结

本文提出了一种用于在存在增益-相位误差、互耦效应和离网格效应的情况下，联合进行波达方向（DOA）估计与阵列校准的多参数字典学习算法。通过利用多个快拍数据，采用最速下降迭代法联合学习参数化扰动矩阵与导向字典，该方法在计算复杂度低于现有基于稀疏性的方法的同时，实现了更优的DOA估计精度，且优于MUSIC和传统OMP方法。

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.

研究动机与目标

• 解决在存在增益-相位误差和互耦效应等多种阵列非理想条件下，联合进行DOA估计与阵列校准的挑战。
• 克服传统DOA方法在假设阵列理想条件下运行且对校准误差敏感的局限性。
• 开发一种鲁棒的迭代算法，通过多个快照同时学习导向矢量与扰动矩阵。
• 与现有基于稀疏性的校准方法相比，降低计算复杂度，同时保持或提升估计精度。

提出的方法

• 该方法采用多参数字典学习框架，利用多个快照联合估计DOA并校准阵列非理想特性。
• 将增益-相位误差与互耦效应建模为可通过最速下降优化迭代更新的参数化扰动矩阵。
• 在统一的优化框架中同时学习参数化导向字典与扰动字典，以处理离网格DOA估计问题。
• 采用两阶段迭代过程：第一阶段通过SOMP进行稀疏恢复以估计信号源位置；第二阶段通过最速下降法更新以优化扰动矩阵与导向字典。
• 在SOMP步骤中利用所有快照的联合信息，提升估计的鲁棒性与精度。
• 通过使用简单的基于梯度的更新方式，避免了复杂的凸优化，相比稀疏贝叶斯或凸松弛方法，显著降低了计算成本。

实验结果

研究问题

• RQ1 基于字典学习的方法是否能比现有方法更有效地联合估计DOA并校准阵列非理想特性（如增益-相位误差与互耦效应）？
• RQ2 在SOMP步骤中使用多个快照相较于单快照平均方法，如何提升DOA估计性能？
• RQ3 所提出的基于最速下降法的参数化扰动矩阵迭代学习，在保持精度的同时，能在多大程度上降低计算复杂度？
• RQ4 当真实DOA与离散网格不匹配时，该方法在离网格条件下的表现如何？
• RQ5 在估计精度与计算效率两方面，该方法是否优于MUSIC与基于稀疏性的校准算法？

主要发现

• 所提出的多字典学习算法在增益-相位误差与互耦效应两种场景下，所有信噪比（SNR）水平下均表现出比MUSIC和基于稀疏性的方法[21]更低的均方误差（MSE）。
• 在增益-相位误差实验中，当SNR高于0 dB时，所提方法相比基于稀疏性的方法[21]的MSE降低了30%-40%。
• 在互耦效应下，当存在三个非零系数（强度为先前工作的四倍）时，所提方法的MSE比竞争方法低20%-30%。
• 所提算法的平均仿真运行时间为每轮3.40秒，显著低于基于稀疏性的方法[21]所需的27.09秒，表明其计算复杂度更低。
• 所提方法优于OMP与无字典学习的SOMP，证实了联合学习导向字典与扰动字典的优势。
• 尽管计算成本高于MUSIC（3.40秒 vs. 0.55秒），该方法仍表现出更优的性能，表明其在精度与复杂度之间实现了有利的权衡。