微信公众号：EW Frontier
关注可了解更多的雷达、通信、人工智能相关代码。问题或建议，请公众号留言;
如果你觉得EW Frontier对你有帮助，欢迎加入我的知识星球或面包多，更多代码等你来学
知识星球：https://wx.zsxq.com/dweb2/index/group/15552518881412
面包多：https://mbd.pub/o/author-a2mYl2tsbA==/workQQ交流群：729981694
如有侵权请联系删除~
摘要
我们考虑的问题，估计到达方向（DoA）的期望源位于一个已知的感兴趣的区域中存在的干扰源和多径。我们提出了一种方法，之前的DoA估计，并依赖于生成一组参考导向矢量。导向矢量的生成模型是一个自由空间模型，这有利于许多DoA估计算法。然后，使用该组参考导向矢量来计算将来自不利环境的接收信号映射到没有干扰源和多径的参考域的函数。我们从理论上和经验表明，所提出的地图，这是类似的域自适应，改善了DoA估计，通过减轻干扰和多径效应。具体来说，我们证明了一个显着的改善精度时，所提出的方法是应用在三个常用的波束形成器：延迟和总和（DS），最小方差无失真响应（MVDR），和多信号分类（MUSIC）。
摘要
目标波达方向的估计是一个长期存在的问题。尽管在过去的几十年中被广泛研究，但它仍然被认为是一个吸引注意力和兴趣的活跃领域。DoA估计在广泛的领域中有许多应用，例如自动摄像机转向，电话会议系统[1]，扬声器分离[2]，雷达[3]，用于5G网络的智能传感器阵列[4]和自动驾驶汽车[5]，仅举几例。
目前，DoA估计中的两个主要挑战是干扰源和多径信道的存在。干扰源可能会掩盖期望源，而期望源和相控阵之间的多径信道可能会导致期望源的DoA估计的偏差。克服这些挑战的核心方法是在本地化之前了解环境。例如，这种方法首先在[6]中的声源定位中引入，其中考虑了潜在源位置的预定义网格。在通信信号的上下文中，在[7]-[9]中已经提出了基于指纹的类似方法。最近，在[10]中，这种方法被用于减轻多径该基于学习的方法将DoA估计公式化为分类问题。在[11]-[13]中还提出了基于流形学习的定位方法。然而，所有这些方法固有地依赖于环境，并需要标记的样品，即，与已知DoA相关联的信号测量。另一种最近的方法是基于黎曼几何[14]。该算法考虑混响环境中的干扰源，提出了一种基于黎曼几何的波束形成器设计和干扰抑制方法。然而，干扰源被假定为仅部分活动。还提出了用于超分辨率的方法[15]，[16]。然而，为了抑制干扰，它们需要识别不同的源，而这又需要并非总是手边的先验知识。近年来，随着深度学习（DL）的发展，许多基于DL的方法被引入鲁棒DoA估计[17]-[22]。。还提出了各种变体，例如结合到DL方法中的时间-频率屏蔽，以减轻噪声和干扰[23]-[25]。然而，基于DL的方法通常需要大量的数据集来训练模型，而这些数据集并不总是现成的。此外，DL方法通常表现出比经典信号处理方法更高的计算复杂度。
针对存在干扰源和多径的情况下，位于已知感兴趣区域内的期望源的DoA估计问题进行研究。利用已知感兴趣区域的先验知识和相控阵列的可用位置，我们能够在不需要任何标记样本（预记录信号）的情况下减轻不利条件。受机器学习中的域自适应和黎曼几何中的并行传输的启发，我们使用自由空间模型生成了一组模拟的导向向量。该集合用于构建应用于接收信号的映射，将它们从不利环境映射到参考环境，而不受干扰和多径的影响。随后，在参考环境中，我们对映射的信号而不是接收的信号采用所选择的DoA估计算法。
从广义上讲，我们的方法引入了两个新的观点来DoA估计。首先，我们的方法类似于领域适应（DA），这是机器学习中一个长期存在的问题，已经被广泛研究[26]-[30]。我们考虑复导向矢量躺在欧几里得空间CM，其中M是在相控阵列中的元素的数量，在其中我们指定两个域。参考域由模拟导向矢量定义，并表示没有多径和干扰源的自由空间环境。操作域由接收到的（有噪声的）信号确定。我们设计了一个地图，将接收到的信号从操作域的参考域，减轻多径和干扰的影响。
从几何的角度，我们研究了接收到的噪声信号的样本相关矩阵，并将它们与M ×M Hermitian正定（HPD）矩阵空间中的参考导向向量产生的模型相关矩阵一起考虑。我们表明，我们建立的映射可以类似地描述为配备仿射不变度量的HPD矩阵流形中的并行传输[31]-[35]。该映射说明了为理想协方差矩阵设计的原型DoA估计算法的固有缺点，例如，总体协方差矩阵源自仅具有单个源而没有干扰或多径的自由空间。然而，这些协方差矩阵在实践中往往不可用。因此，我们提出了一种方法，用于将现实世界的协方差矩阵从操作域映射到代表理想协方差矩阵的参考域。
论文的主要贡献如下。首先，我们介绍了一种新的方法，在不利的条件下，专注于干扰抑制的DOA估计。所提出的方法学习环境，而不需要预先记录的信号或事先访问它，使其适用于各种应用。所提出的方法的结果在一个线性映射，表现出低复杂性，是数学上易于处理。此外，它是一种通用的方法，可以应用于多种DoA估计方法。
其次，我们实验证明，该方法提高了DoA估计在环境中的干扰源和多路径时，使用基线波束形成器。在实验中，我们考虑了声学信号和射频（RF）信号，证明了我们的方法在广泛应用中的适用性。虽然我们的方法是通用的，并且适合多种下游DoA估计方法，但我们的重点是以下三种标准波束形成器：延迟和求和（DS）波束形成器[36]，[37]，最小方差无失真响应（MVDR）波束形成器[38]和多信号分类（MUSIC）波束形成器[39]-[41]。这三种波束形成器被认为是因为它们被广泛使用，并展示了不同的方法来估计DoA：统计方法（DS），最小化目标函数（MVDR），和子空间方法（MUSIC）。重要的是，我们的方法不限于这些波束形成器;我们还将其应用于[42]中提出的具有零截面的波束图案设计方法，并表明它会导致改进的结果。此外，我们研究了所提出的方法结合DS波束形成器的SRP，并表明它隐含地包括在干扰源的方向上的空值，这意味着在干扰源的方向上的样本相关矩阵的能量减少。
第三，我们对所提出的方法进行了理论分析。我们表明，我们建立的地图匹配的二阶统计的映射信号的导向矢量在参考环境中，代表模型通常由DoA估计方法考虑。此外，我们表明，对于等功率的期望和干扰源，并在某些条件下，DS波束形成器的SRP是更高的方向上的期望源比在方向上的干扰源。
文章插图
结论
这项工作认为，在干扰源和多径的存在下，所需的源的DoA估计。我们利用已知的感兴趣区域的先验知识和相控阵列的位置来计算在DoA估计之前应用于接收信号的映射。该映射被视为域自适应，使信号从噪声域适应到参考环境，从而减轻干扰源和多径。所提出的方法可以应用于各种DoA估计方法。我们从理论上和经验表明，所提出的方法提高了DOA估计使用三种常用的波束形成器的声学和RF信号。
