[论文解读] On application of OMP and CoSaMP algorithms for DOA estimation problem

Abhishek Aich, P. Palanisamy|arXiv (Cornell University)|Mar 23, 2017

Sparse and Compressive Sensing Techniques参考文献 6被引用 4

一句话总结

本文研究了正交匹配追踪（OMP）和压缩采样匹配追踪（CoSaMP）算法在均匀线阵（ULAs）中波达方向（DOA）估计中的应用。通过仿真，评估了其在不同信噪比（SNR）和源相干性条件下的性能，结果表明，CoSaMP在准确性和鲁棒性方面通常优于OMP，尤其在低SNR和相干源场景下表现更优。

ABSTRACT

Remarkable properties of Compressed sensing (CS) has led researchers to utilize it in various other fields where a solution to an underdetermined system of linear equations is needed. One such application is in the area of array signal processing e.g. in signal denoising and Direction of Arrival (DOA) estimation. From the two prominent categories of CS recovery algorithms, namely convex optimization algorithms and greedy sparse approximation algorithms, we investigate the application of greedy sparse approximation algorithms to estimate DOA in the uniform linear array (ULA) environment. We conduct an empirical investigation into the behavior of the two state-of-the-art greedy algorithms: OMP and CoSaMP. This investigation takes into account the various scenarios such as varying degrees of noise level and coherency between the sources. We perform simulations to demonstrate the performances of these algorithms and give a brief analysis of the results.

研究动机与目标

• 探讨使用贪婪稀疏逼近算法（特别是OMP和CoSaMP）在阵列信号处理中进行DOA估计的可行性。
• 解决在稀疏信号恢复问题中常见的欠定系统下的DOA估计挑战。
• 在不同信噪比（SNR）和相干源到达等实际条件下，比较OMP与CoSaMP的性能表现。
• 为这些算法在实际阵列信号处理环境中的有效性提供实证验证。

提出的方法

• 将原本专为稀疏信号恢复设计的OMP和CoSaMP算法，适配至均匀线阵（ULA）配置下的DOA估计问题。
• 将DOA估计问题建模为稀疏信号恢复任务，其中来波信号的方向矢量构成字典。
• 在压缩感知框架中，将阵列流 manifold 矩阵用作感知矩阵，以表示阵列输出与信号方向之间的线性关系。
• 通过迭代方式应用OMP和CoSaMP，识别稀疏信号的支撑集，对应于信号源的DOA。
• 通过控制信噪比（SNR）和源相干性等参数的仿真评估，分析算法性能。
• 采用估计精度和分辨率等指标，在不同场景下对比OMP与CoSaMP的性能表现。

实验结果

研究问题

• RQ1 在不同信噪比（SNR）条件下，OMP与CoSaMP在DOA估计中的表现如何？
• RQ2 在ULA设置下，源相干性如何影响OMP与CoSaMP的DOA估计精度？
• RQ3 在低SNR和相干源环境中，OMP与CoSaMP中哪一个算法展现出更优的鲁棒性与准确性？
• RQ4 贪婪稀疏逼近算法能否在欠定场景下有效替代传统DOA估计方法？

主要发现

• 在低SNR水平下，CoSaMP在DOA估计精度方面始终优于OMP。
• 在相干源场景下，CoSaMP相比OMP展现出更好的分辨率和估计稳定性。
• 当源相干性增加时，OMP的估计误差增大且分辨率下降，尤其在低SNR条件下更为明显。
• 尽管两种算法在SNR提高时性能均有所改善，但CoSaMP收敛更快，且在更少迭代次数内达到更高精度。
• 仿真结果证实，CoSaMP对噪声和相干干扰具有更强的鲁棒性，因此更适合实际阵列信号处理应用。
• 实证评估验证了贪婪算法在稀疏信号恢复中用于DOA估计的有效性，CoSaMP在复杂条件下表现更优。