分布信号源与稳健阵列处理：DOA估计算法深度解析

本文主要探讨了人工智能与机器学习在阵列信号处理中的关键应用——波达方向估计（DOA Estimation）的稳健算法研究。首先，针对分布信号源中的非恒模分布信号，作者深入分析了其阵列接收模型，并提出了一种基于近似最大似然估计（Approximate Maximum Likelihood Estimation, AML）的方法，通过增强算法的鲁棒性，使其在处理这类信号时更加有效。 其次，研究焦点转向宽带信号源的DOA估计问题，特别关注了相干信号子空间（Coherent Signal Subspace, CSM）算法中的聚焦技术。通过阵列流形插值（Array Manifold Interpolation, AMI）的思想，引入了旋转信号子空间（Rotationally Synchronized Subspace, RSS）和修正全局最小二乘（Modified Global Least Squares, MTLS）聚焦准则，进而发展出了两种新的聚焦变换方法——CRSS（Consistent Rotational RSS）和CMTLS（Consistent Modified TLS），不仅提高了算法的稳健性，还提升了实时性能。 接着，文章深入研究了循环平稳信号源的DOA估计，特别关注算法对循环频率估计误差的抗干扰能力。通过对循环平稳信号模型的建立，分析了循环频率误差对波束形成算法BFx（如BFar和MVar）的影响，并通过迭代优化算法对这些算法进行了改进，提高了它们在面对循环频率误差时的稳健性。 最后，针对SaS（Squarely Symmetric, 非高斯）分布噪声环境，作者关注了如何降低算法的复杂度并保持实时性。在假设噪声为柯西分布的前提下，作者分析了最大似然估计的运算复杂性，通过将多维非线性最优问题转化为一维次优搜索问题，成功降低了计算负担，尽管可能带来一定的性能损失，但整体上提升了算法的实用性和效率。 这篇论文涵盖了多个关键技术点，包括分布信号源处理、宽带信号源的聚焦策略、循环平稳信号源的稳健处理以及在非高斯噪声环境下的优化算法设计，对于提升阵列信号处理在实际应用中的性能具有重要意义。