Analysis of Partially-Calibrated Sparse Subarrays for Direction Finding with Extended Degrees of Freedom

要約

この論文では、部分的に校正された複数の疎なサブアレイを使用した到来方向 (DOA) 推定の問題を調査します。
特に、部分的に校正された疎なサブアレイを含むシナリオに対する一般化共配列多重信号分類 (GCA-MUSIC) DOA 推定アルゴリズムを提示します。
提案された GCA-MUSIC アルゴリズムは、各サブアレイの差分共配列を利用し、その後、各サブアレイに関連付けられた信号サブスペースの交差に基づく特定の擬似スペクトル マージ ルールを利用します。
このルールは、サブ配列間の相互共分散について先験的な知識がないことを前提としています。
このようにして、各サブ配列の 2 次統計のみを使用して、高い自由度で方向を推定します。つまり、推定手順では、共配列の多重信号分類と疎配列のプロパティを保持して、物理センサーの数よりも多くのソースを推定します。
各サブ配列で。
数値シミュレーションにより、提案された GCA-MUSIC が他の同様の戦略よりも優れたパフォーマンスを有することが示されました。

要約(オリジナル)

This paper investigates the problem of direction-of-arrival (DOA) estimation using multiple partially-calibrated sparse subarrays. In particular, we present the Generalized Coarray Multiple Signal Classification (GCA-MUSIC) DOA estimation algorithm to scenarios with partially-calibrated sparse subarrays. The proposed GCA-MUSIC algorithm exploits the difference coarray for each subarray, followed by a specific pseudo-spectrum merging rule that is based on the intersection of the signal subspaces associated to each subarray. This rule assumes that there is no a priori knowledge about the cross-covariance between subarrays. In that way, only the second-order statistics of each subarray are used to estimate the directions with increased degrees of freedom, i.e., the estimation procedure preserves the coarray Multiple Signal Classification and sparse arrays properties to estimate more sources than the number of physical sensors in each subarray. Numerical simulations show that the proposed GCA-MUSIC has better performance than other similar strategies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google