جهت‌یابی در حضور نویز نایکنواخت با استفاده از روش های مبتنی بر زیرفضا

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد دانشگاه شیراز

2 استاد دانشگاه شیراز

چکیده

در اکثر روش‌های جهت‌یابی منابع، مدل نویز محیطی معمولاً به‌صورت نویز سفید  فضایی یکنواخت در نظر گرفته می‌شود، اما در بسیاری از کاربردها ممکن است این نوع مدل‌سازی مناسب نبوده و موجب ایجاد خطای قابل‌توجه در جهت‌یابی گردد. یکسان نبودن توان نویز در خروجی حس‌گرهای آرایه که از آن با عنوان نویز نایکنواخت یاد می‌شود، از جمله حالت‌هایی است که در آن‌ها این مدل درست نیست. مهم‌ترین هدف این مقاله بررسی و مقایسه­ عملکرد روش‌های جهت‌یابی در حضور نویز نایکنواخت  با استفاده از شبیه‌سازی و ارائه­ یک روش جدید و مؤثر برای این کار است. الگوریتمی جدید با پیچیدگی اندک به‌منظور جهت‌یابی در حضور نویز سفید فضایی نایکنواخت ارائه خواهد شد و با استفاده از شبیه‌سازی، عملکرد آن در شرایط مختلف با روش­های مبتنی بر تکمیل ماتریس و روش‌های جهت‌یابی مبتنی بر تکرار مقایسه خواهد شد. این مقایسه­ها نشان می­دهند که روش پیشنهادی در عین سادگی و محاسبات کم، دارای عملکرد نسبی کاملاً خوب و مناسبی است.

کلیدواژه‌ها


عنوان مقاله [English]

Direction of Arrival Estimation in Presence of Nonuniform Noise Using Subspace Based Methods

نویسندگان [English]

  • Simin Alibani 1
  • Mahmood Karimi 2
1 Shiraz University
2 Shiraz University
چکیده [English]

In the most of DOA estimation methods, environmental noise model is considered to be uniform spatial white noise. However, in many applications this kind of modeling may not be appropriate and leads to considerable direction finding errors. Non-equal output noise power of array elements that causes nonuniform noise is one of these cases. The most important goal of this paper is the investigation and comparison of DOA estimation in presence of nonuniform noise using simulation as well as presenting a novel and effective method for DOA estimation in the mentioned situation. A novel low complexity algorithm for DOA estimation in presence of nonuniform spatial white noise is proposed. Additionally, the performance of the proposed method is simulated and compared with that of matrix completion based method and also iterative subspace estimation schemes for various parameters. The simulation results demonstrate that the proposed scheme achieves a considerable advantage over the existing schemes with remarkably lower complexity.

کلیدواژه‌ها [English]

  • Direction of Arrival Estimation
  • Subspace Based DOA Estimation
  • Nonuniform Noise
  • Low Rank Matrix Completion
   [1]      B. Liao, S. C. Chan, L. Huang, and C. Guo, “Iterative Methods for Subspace and DOA Estimation in Nonuniform Noise,” IEEE Trans. Signal Processing, vol. 64, no. 12, pp. 3008-3020, 2016.##
   [2]      M. Pesavento and A. B. Gershman, “Maximum-likelihood direction-of-arrival estimation in the presence of unknown nonuniform noise,” IEEE Transactions on Signal Processing, vol. 49, no. 7, pp. 1310-1324, 2001.##
   [3]      P. Stoica and R. L. Moses, “Spectral analysis of signals,” Upper saddle River, NJ: Prentice Hall, 2005.##
   [4]      P.Stoica and A. Nehorai, “MUSIC, maximum likelihood, and Cramer-Rao bound,” IEEE Transactions on Acoustics, Speech, and Signal Processing, vol. 37, no. 5, pp. 720-741, 1989.##
   [5]      J. Yin and T. Chen, “Direction-of-arrival estimation using a sparse representation of array covariance vectors,” IEEE Transactions on Signal Processing, vol. 59, no. 9, pp.   4489-4493, 2011.##
   [6]      M. Grant and S. Boyd, “CVX: Matlab software for disciplined convex programming,” version 2.1, 2017. http://cvxr.com/cvx/##
   [7]      B. Liao, “Matrix completion based direction-of-arrival estimation in nonuniform noise,” C. Guo, L. Huang, and  J.  Wen, In Digital Signal Processing (DSP), 2016 IEEE International Conference on, pp. 66-69, October 2016.##
   [8]      C. E. Chen, F. Lorenzelli, R. E. Hudson, and K. Yao, “Stochastic maximum-likelihood DOA estimation in the presence of unknown nonuniform noise,” IEEE Transactions on Signal Processing, vol. 56, no. 7, pp.  3038-3044, 2008.##
   [9]      E. J. Candès and  B. Recht, “Exact matrix completion via convex optimization,” Foundations of Computational mathematics, vol. 9, no. 6, p. 717, 2009.##
[10]      M. Davenport and  J. Romberg, “An overview of low-rank matrix recovery from incomplete observations,” IEEE Journal of Selected Topics in Signal Processing, vol. 10, no. 4, pp. 608-622, 2016.##
[11]      M. Malek-Mohammadi, M. Jansson, A. Owrang, A. Koochakzadeh, and M. Babaie-Zadeh, “DOA estimation in partially correlated noise using low-rank/sparse matrix decomposition,” In Sensor Array and Multichannel Signal Processing Workshop (SAM), 2014 IEEE 8th, pp. 373-376, June 2014.##
[12]      R. H. Keshavan, A. Montanari, and S. Oh, “Matrix completion from noisy entries,” Journal of Machine Learning Research, vol. 11, no. Jul, pp. 2057-2078, 2010.##
[13]      R. H. Keshavan, A. Montanari, and S. Oh, “Matrix completion from a few entries,” IEEE Transactions on Information Theory, vol. 56, no. 6, pp. 2980-2998, 2010.##
[14]      J. F. Cai, E. J. Candès, and Z. Shen, “A singular value thresholding algorithm for matrix completion,” SIAM Journal on Optimization, vol. 20, no. 4, pp. 1956-1982, 2010.##
[15]      B. Recht, “A simpler approach to matrix completion,” Journal of Machine Learning Research, vol. 12, no. Dec, pp. 3413-3430, 2011.##
دوره 7، شماره 1 - شماره پیاپی 21
بهار و تابستان 98
شهریور 1398
صفحه 65-77
  • تاریخ دریافت: 25 تیر 1397
  • تاریخ بازنگری: 18 اسفند 1397
  • تاریخ پذیرش: 14 اردیبهشت 1398
  • تاریخ انتشار: 01 شهریور 1398