广义类相关熵DOA估计：抗脉冲噪声新方法

"这篇论文提出了一种新的脉冲噪声环境下的波达方向估计方法，即基于广义类相关熵（GCAS）的MUSIC算法。该方法针对基于分数低阶统计量的波达方向估计方法在抗噪声和多源信号分辨上的不足，引入了GCAS的概念，以提高估计的性能。通过计算机仿真，在Alpha稳定分布噪声背景下，GCAS-MUSIC方法显示出了优于基于分数低阶统计量的MUSIC方法的抗噪声能力和分辨率。该研究受到了相关熵理论的启发，并得到了国家自然科学基金的支持。" 在信号处理领域，波达方向估计（DOA）是一项重要的任务，它涉及到确定多个声源或电磁辐射源相对于接收器阵列的方向。传统的DOA估计算法，如MUSIC（Multiple Signal Classification），依赖于高阶统计量，但在脉冲噪声或非高斯噪声环境下可能会表现不佳。分数低阶统计量（FLOM）被用于改进MUSIC算法，以应对这些挑战，但其在特定噪声类型下的性能仍有限。 广义类相关熵（GCAS）是这篇论文提出的新统计量，它是在相关熵概念的基础上发展而来的。相关熵是一种衡量两个随机变量之间相似度的度量，而GCAS则进一步扩展了这一概念，以适应更广泛的噪声环境，特别是脉冲噪声。通过使用GCAS，可以更有效地捕捉信号的结构信息，从而提高在复杂噪声背景下的DOA估计精度。 GCAS-MUSIC算法的核心在于利用GCAS统计量来构建虚拟传感器阵列的协方差矩阵，这种方法对于非高斯噪声，尤其是Alpha稳定分布的噪声，有更好的稳健性。Alpha稳定分布是一种广泛存在于实际信号中的噪声模型，尤其适用于描述脉冲噪声。通过计算机仿真的验证，GCAS-MUSIC在Alpha稳定分布噪声环境下展示了其优越的抗噪声性能和多源分辨能力。 这项工作的创新点在于提出了GCAS这一新的统计工具，并成功地将其应用于DOA估计，提高了算法在非高斯噪声环境下的性能。这对于未来在类似复杂环境下的信号处理和源定位具有重要价值。此外，由于得到了国家自然科学基金的资助，这表明该研究具有较高的学术意义和应用前景。