APF-BSBL算法：有源欺骗干扰下高效DOA估计

本文主要探讨了在有源欺骗干扰环境下进行小样本方向-of-arrival (DOA) 估计的问题，这是一个关键的信号处理挑战，尤其是在雷达和通信系统中，因为有源欺骗者可以模拟目标信号以干扰接收器的定位能力。针对这一难题，作者提出了结合自适应极化滤波（APF）与块稀疏贝叶斯学习（BSBL）的新型DOA估计方法。 首先，APF作为一个有效的抗干扰工具被引入，其核心在于通过分析接收信号的极化特性，能够区分和削弱干扰信号，从而显著提升信噪比（SNR）。在有源欺骗干扰环境中，APF的这种自适应性特征对于抑制虚假信号尤其重要，因为它可以根据实时信号变化调整滤波策略，减小干扰对后续DOA估计的影响。 接着，作者构建了一个考虑有源欺骗干扰的稀疏贝叶斯模型。这个模型利用了相邻快拍之间的相关性信息，通过BSBL算法进行DOA估计。BSBL是一种迭代的统计学习方法，它假设信号在某些维度上是稀疏的，能够在噪声背景下精确地估计目标的方向。与传统的子空间类算法，如主成分分析（PCA）或最大似然估计（ML）相比，BSBL在处理复杂干扰场景时表现出更好的性能，因为它能更好地捕捉信号的结构信息。 仿真和实测数据分析结果显示，提出的APF与BSBL结合方法在对抗有源欺骗干扰的同时，提高了空间分辨率和DOA估计的准确性。这意味着在实际应用中，这种方法能够更准确地识别和定位真实目标，降低误判和漏检的风险。 总结来说，这篇文章的重要贡献在于提供了一种有效的方法来解决有源欺骗干扰下小样本DOA估计的问题，通过APF的干扰抑制和BSBL的稀疏模型，显著提升了DOA估计的性能，为信号处理领域的抗干扰技术提供了新的思路。关键词包括DOA估计、抗干扰、自适应极化滤波和块稀疏贝叶斯学习，这些概念共同构成了文章的核心研究内容。