[论文解读] 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 3

一句话总结

本文提出了一种稀疏贝叶斯学习（SBL）框架，用于在噪声方差随传感器和快拍数变化的异方差噪声环境中进行波达方向（DOA）估计。通过联合估计源DOA、功率和异方差噪声方差，采用随机最大似然方法，该方法在低信噪比（SNR）和多快照场景下，显著降低了均方根误差（RMSE），尤其在近邻源情况下优于传统高分辨率和仅相位方法。

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.

研究动机与目标

• 解决长期DOA估计中平稳噪声模型的局限性，其中噪声方差随时间和传感器变化。
• 开发一种鲁棒的DOA估计框架，以考虑时空异方差噪声，此类噪声会降低传统方法的性能。
• 通过参数化贝叶斯模型联合估计源功率、DOA和噪声方差，提高弱信号和近邻源的DOA估计精度。
• 证明在具有挑战性的噪声环境中，结合异方差噪声估计的SBL优于数据归一化（仅相位处理）和标准SBL。

提出的方法

• 构建一个多快照多测量向量（MMV）模型，将传感器阵列数据建模为受异方差复高斯噪声污染的导向矢量的线性组合。
• 假设源幅值服从均值为零的复高斯先验分布，且方差未知（即源功率），噪声方差在传感器和快拍之间独立分布。
• 应用稀疏贝叶斯学习（SBL）结合最大后验概率（MAP）估计，联合推断DOA、源功率和噪声方差参数。
• 引入随机最大似然（SML）方法估计噪声方差，即使在快照数量有限时也能实现鲁棒估计。
• 采用一种快速SBL算法，结合每快照和每传感器的噪声方差估计，避免依赖特征值分解或EM方法。
• 与仅相位处理（CBF-Phase）、标准SBL和基于EM的噪声估计方法进行性能比较，采用RMSE和DOA主瓣位置的直方图分析。

实验结果

研究问题

• RQ1 与平稳噪声模型相比，结合异方差噪声建模的SBL是否能提升长期观测中的DOA估计精度？
• RQ2 对近邻源而言，联合估计源功率、DOA以及每快照/每传感器噪声方差如何影响性能？
• RQ3 当源信号近邻且噪声非平稳时，仅相位处理（幅度归一化）的有效性在多大程度上仍然成立？
• RQ4 在低信噪比和多快照场景下，不同噪声估计策略（SBL vs. EM）对收敛性和DOA估计精度有何影响？

主要发现

• 采用异方差噪声估计的SBL（SBL3）在低信噪比（例如-15 dB）和三个近邻源情况下，RMSE显著低于CBF-Phase和标准SBL。
• SBL3的前三名DOA主瓣位置的直方图紧密集中在真实DOA附近，表明其定位精度优于其他方法。
• SBL3在仅从每个传感器-快照对中估计单个观测时，对噪声标准差的估计偏差极低（平均偏差0.007），且方差良好。
• 在SBL2中采用基于EM的噪声估计时，信噪比为-10 dB时，噪声方差比值（σ²_Est / σ²_T）的均值约为0.5，导致性能劣化早于采用直接SML估计的SBL2。
• 对于位于[-3°, 2°, 50°]的三个源，SBL3相比采用EM噪声估计的SBL2，RMSE降低达5 dB，证明其在非平稳噪声下的鲁棒性。
• 在50个快照和SNR为0 dB条件下，SBL3保持了准确的噪声方差估计（平均偏差接近零），证实其在多快照设置下的稳定性。