基于非均匀稀疏贝叶斯学习的近场源定位

TN911.7; 近场源的阵列流型包含角度和距离参数,两者相互耦合,难以分离.现有方法一般采用近似解耦模型,分步估计出角度和距离参数.然而,在近似解耦过程中,不可避免地引入了系统模型误差,导致定位性能严重下降.为了应对上述挑战,提出了一种基于非均匀网格的稀疏表示近场源定位方法,将复杂的近场源定位问题直接建模成一个较低维度的稀疏信号恢复问题,并利用稀疏贝叶斯学习(Sparse Bayesian learning,SBL)方法实现对稀疏信号的自适应恢复,从而避免引入近似误差,显著提高了参数估计的准确性.所提方法中的非均匀网格仅含有较少的网格点,极大降低了计算复杂度;各网格点之间的角度和距离均不相同...

Full description

Saved in:
Bibliographic Details
Published in数据采集与处理 Vol. 40; no. 1; pp. 187 - 196
Main Authors 李一, 傅海军, 戴继生
Format Journal Article
LanguageChinese
Published 江苏大学电气信息工程学院,镇江 212013%东华大学信息科学与技术学院,上海 201620 2025
Subjects
稀疏贝叶斯学习
sparse signal recovery
grid refinement
sparse Bayesian learning(SBL)
近场源定位
near-field sources localization
网格细化
稀疏表示
稀疏信号恢复
sparse representation
Online AccessGet full text

Cover

More Information
Summary:TN911.7; 近场源的阵列流型包含角度和距离参数,两者相互耦合,难以分离.现有方法一般采用近似解耦模型,分步估计出角度和距离参数.然而,在近似解耦过程中,不可避免地引入了系统模型误差,导致定位性能严重下降.为了应对上述挑战,提出了一种基于非均匀网格的稀疏表示近场源定位方法,将复杂的近场源定位问题直接建模成一个较低维度的稀疏信号恢复问题,并利用稀疏贝叶斯学习(Sparse Bayesian learning,SBL)方法实现对稀疏信号的自适应恢复,从而避免引入近似误差,显著提高了参数估计的准确性.所提方法中的非均匀网格仅含有较少的网格点,极大降低了计算复杂度;各网格点之间的角度和距离均不相同,有效克服了字典矩阵中相邻基之间相关性高的缺陷;额外引入网格优化技术,进一步解决了粗糙网格可能导致的失配问题.仿真结果证实了所提方法的优越性.
ISSN:1004-9037
DOI:10.16337/j.1004-9037.2025.01.014