خودکالیبراسیون شکل آرایه با استفاده از روش های مبتنی بر برازش زیرفضا

نوع مقاله: مقاله پژوهشی

نویسندگان

دانشگاه شیراز

چکیده

جهت­یابی منابع سیگنال و پرتوسازی از مهمترین مسائل در پردازش آرایه­ای هستند که برای آنها روش­های متعددی ارائه شده است. عملکرد همه­ این روش­ها وابسته به مهیا بودن اطلاعاتی درباره پاسخ آرایه است. از جمله­ این اطلاعات، مکان واقعی عناصر آرایه نسبت به یکدیگر و بهره و فاز هر عنصر و ضرایب تزویج متقابل میان عناصر آرایه است. در عمل آنچه که در اختیار ما قرار دارد تنها مقادیر نامی این متغیرهاست که معمولاً با مقادیر واقعی تفاوت دارد. بسته به اینکه پاسخ واقعی آرایه تا چه حد از مقدار نامی خود متفاوت باشد، کیفیت جهت­یابی و پرتوسازی می­تواند به­صورت قابل توجهی تنزل یابد. برای کاهش این تنزل کیفیت، لازم است که متغیرهای مجهول، تخمین زده شوند. برخی از انواع روش­های ارائه­شده برای تخمین این متغیرها را روش­های خودکالیبراسیون می­نامند. در این مقاله عملکرد چهار روش­ خودکالیبراسیون برای تخمین شکل آرایه با استفاده از شبیه­سازی بررسی و با یکدیگر مقایسه می­شود. البته پیش از بررسی عملکرد این چهار روش، سعی شده است که با دست­کاری در ساختار این روش­ها بتوان در عملکرد آن­ها بهبود ایجاد کرد. در این مقاله همچنین یک روش خودکالیبراسیون بر پایه جست و جوی گرادیانی ارائه­شده و عملکرد آن با استفاده از شبیه­سازی­های متنوع بررسی و با روش­های دیگر مقایسه شده است.

کلیدواژه‌ها


عنوان مقاله [English]

Array Shape Self-Calibration Using Subspace Fitting Methods

نویسندگان [English]

  • farzad eskandari
  • Mahmoud karimi
shiraz university
چکیده [English]

Estimating the direction of arrival and beamforming are among the most important issues in array signal processing for which a variety of methods have been proposed. With few exceptions, these methods require an exact knowledge of array response including the knowledge of sensors’ positions, sensors’ gain/phase responses and mutual coupling coefficients between sensors. There are uncertainties about these array response parameters as we usually have their nominal values which are different from the actual metrics. The performance of DOA estimation and beamforming algorithms degrade severely because of these uncertainties. To solve this problem and reduce the performance degradation, it is necessary to estimate these unknown parameters. In this paper, we use simulations to study and compare the performance of several so-called self-calibration methods in the presence of array shape error. However, before performance investigation, it is attempted to improve the performance of these methods by manipulating their structure. In addition, in this paper, a self-calibration method based on the gradient search is proposed. Various simulations are used to evaluate the performance of this method and compare it with other self-calibration methods.

کلیدواژه‌ها [English]

  • Direction-of-Arrival estimation
  • Array Response
  • Array Shape Self-Calibration
  • Subspace Fitting

[1]      M. Viberg and B. Ottersten, “Sensor Array Processing Based on Subspace Fitting,” IEEE Trans. on Signal Processing, vol. 39, no. 5, pp. 1110-1121, May 1991.

[2]      M. Viberg, “Subspace Fitting Concepts in Sensor Array Processing,” PhD Thesis, Linkoping University, Linkoping, Sweden, 1989.

[3]      B. E. Ottersten, “Parametric Subspace Fitting Methods for Array Signal Processing,” PhD Thesis, Stanford University, Stanford, 1989.

[4]      A. Gholipour, B. Zakeri, and Kh. Mafinezhad,       “Near-Field Source Localization in Non-homogeneous Envirements,” Journal of Radar,” vol. 4, no. 1, 2016.

[5]      A. J. Weiss and B. Friedlander, “Array shape calibration using sources in unknown locations- A maximum likelihood approach,” IEEE Trans. on Acoustics, Speech and Signal Processing, vol. 37, no. 12, pp. 1958-1966, Dec. 1989.

[6]      A. J. Weiss and B. Friedlander, “Array shape calibration using eigenstructure methods,” Signal Processing, vol. 22, no. 3, pp. 251-258, Mar. 1991.

[7]      M. Viberg and A. L. Swindlehurst, “A Bayesian approach to auto-calibration for parametric array signal processing,” IEEE Trans. on Signal Processing, vol. 42, no. 12, pp. 3495-3507, Dec. 1994.

[8]      S. Wan, “Parametric Array Calibration,” PhD thesis, Edinburgh University, Edinburgh, UK, 2011.

[9]      J. A. Fessler and A. O. Hero, “Space-alternating generalized expectation-maximization algorithm,” IEEE Trans. on Signal Processing, vol. 42, no. 10, pp.       2664-2677, Oct. 1994.

[10]      P. J. Chung and J. F. Bohme, “Comparative convergence analysis of EM and SAGE algorithms in DOA estimation,” IEEE Trans. on Signal Processing, vol. 49, no. 12, pp. 2940-2949, 2001.

[11]      B. Ottersten, M. Viberg, P. Stoica, and A. Nehorai, “Exact and Large Sample ML Techniques for Parameter Estimation and Detection in Array Processing,” In Radar Array Processing, Haykin, Litva, and Shepherd, editors, pp. 99-151, Springer-Verlag, Berlin, 1993.

[12]      H. L. Van Trees, “Optimum Array Processing,”      Wiley-Interscience, New York, 2002.

[13]      J. E. Dennis and R. B. Schnabel, “Numerical Methods for Unconstrained Optimization and Nonlinear Equations,” Prentice-Hall, Englewood Cliffs, New Jersey, 1996.

[14]      P. E. Gill, W. Murray, and M. H. Wright, “Practical Optimization,” Academic, London, 1981.

[15]      S. G. Nash and A. Sofer, “Linear and Nonlinear Programming,” McGraw-Hill, New York, 1996.

[16]      P. Stoica and A. Nehorai, “Performance study of conditional and unconditional direction-of-arrival estimation,” IEEE Trans. on Acoustics, Speech, and Signal Processing, vol. 38, no. 10, pp. 1783-1795, Oct. 1990.

F. Eskandari, “Array Shape Self-calibration Using Subspace Fitting Methods,” M.Sc Thesis, School of Electrical and Computer Shiraz University.(In Persian)