哈尔滨工业大学学报  2019, Vol. 51 Issue (11): 40-46  DOI: 10.11918/j.issn.0367-6234.201904021
0

引用本文 

孟祥天, 李享, 闫锋刚, 薛敬宏. 实值闭式求根快速阵列测向算法[J]. 哈尔滨工业大学学报, 2019, 51(11): 40-46. DOI: 10.11918/j.issn.0367-6234.201904021.
MENG Xiangtian, LI Xiang, YAN Fenggang, XUE Jinghong. Fast array direction finding algorithm based on real-valued closed-form rooting[J]. Journal of Harbin Institute of Technology, 2019, 51(11): 40-46. DOI: 10.11918/j.issn.0367-6234.201904021.

基金项目

国家自然科学基金(61501142);哈尔滨工业大学(威海)学科建设引导基金(WH20160107)和威海市科技发展计划项目

作者简介

孟祥天(1994—),男,硕士研究生

通信作者

闫锋刚,yfglion@163.com

文章历史

收稿日期: 2019-04-02
实值闭式求根快速阵列测向算法
孟祥天, 李享, 闫锋刚, 薛敬宏     
哈尔滨工业大学(威海) 信息科学与工程学院, 山东 威海 264209
摘要: 谱峰搜索类多重信号分类MUSIC(multiple signal classification,MUSIC)算法作为测向算法中的经典算法,由于具有良好的参数估计性能,因此被广泛使用.但由于庞大的计算量,提高了测向系统的复杂度以及研发成本.相比之下,利用多项式求根获取目标信源方位信息的求根MUSIC(root multiple signal classification,root-MUSIC)算法降低了测向的计算复杂度.但由于root-MUSIC算法涉及复系数多项式求根运算,因此其计算量依然很大.为进一步有效降低算法的计算量,本文基于空间谱函数的极值处导数为零这一性质,提出一种基于实系数多项式闭式求根的快速阵列测向算法.所提算法利用坐标映射关系,在新的坐标系u域内构造一个与传统z域root-MUSIC算法同阶次的实系数求根多项式.同时,由于多项式的根关于实轴对称,利用Bairstow算法进一步将该实系数多项式分解为若干个二次多项式,最后利用一元二次方程求根公式直接给出对目标信源方位信息的估计结果.理论分析和仿真实验表明:新算法相比于传统root-MUSIC算法极大降低了计算量,提高了测向速度,同时保持了相同的估计精度.
关键词: DOA估计     实系数多项式     坐标映射     Bairstow算法    
Fast array direction finding algorithm based on real-valued closed-form rooting
MENG Xiangtian, LI Xiang, YAN Fenggang, XUE Jinghong     
School of Information Science and Engineering, Harbin Institute of Technology, Weihai, Weihai 264209, Shandong, China
Abstract: Multiple signal classification (MUSIC) algorithm by peak searching is a classical algorithm in direction finding algorithm, which has been widely used because of its good parameter estimation performance, while it needs huge amounts of calculation, which increases the complexity of the direction finding system and the development cost. In contrast, root-MUSIC algorithm that utilizes polynomial rooting to obtain the target source direction information can reduce the computational complexity of the direction finding. However, root-MUSIC algorithm involves complex-valued coefficient polynomial rooting operation, and its complexity is still high. To further effectively reduce complexity, a novel fast array direction finding algorithm based on the real-valued coefficient polynomial closed root finding was proposed. By utilizing coordinate mapping technique as well as the fact that the derivatives with respect to the extreme values of the MUSIC spectrum equal to zero, a new polynomial in the domain with the same order as root-MUSIC in the domain was constructed. Since roots of the polynomial were found symmetric about the real axis, the new polynomial could be further decomposed into several quadratic polynomials by exploiting Bairstow's method. Consequently, the target source direction information could be estimated by finding the roots of those quadratic polynomials with closed forms. Theoretical analysis and numerical simulation results show that the calculation complexity of the proposed method was significantly reduced compared with the standard root-MUSIC, and the direction finding speed was improved as the estimate accuracy remained the same.
Keywords: DOA estimation     real coefficient polynomial     coordinate mapping technique     Bairstow's method    

多重信号分类(Multiple Signal Classification,MUSIC)是应用于测向系统中信号波达方向(direction-of-arrival,DOA)估计的著名算法[1-2],该算法基于已知的信号源个数,利用噪声与信号子空间的正交性构造具有“超分辨力”的空间谱函数[3-4],并通过谱峰搜索获取DOA.通常,谱峰搜索的计算量异常庞大[5],因此MUSIC算法的工程应用效果并不是十分理想[6-8].为降低计算量,学者提出了求根MUSIC(root-MUSIC)算法[9],该算法是高效派生算法的典型代表[10-11],具有良好的分辨性能.后来,一种利用酉变换对协方差矩阵进行实值分解的方法被提出[12].此方法在实值DOA估计中被广泛采用,但由于算法所构造的是复系数多项式,在阶次较高的情况下,获取信源DOA的求根过程中涉及复数运算,计算复杂度较高[13-14].在root-MUSIC算法的基础之上,文献[15]基于阵列的范德蒙结构,提出了一种利用接收数据构造多项式并求根的方法,保证了在快拍数较少的情况下也能正常工作.

本文提出的基于实系数多项式闭式求根的DOA估计(Real-Coefficient root-MUSIC,RC-root-MUSIC)算法则利用变换域的思想,进一步将复系数的求根多项式转化为同阶次的实系数求根多项式,降低了计算复杂度.最后在利用实值运算进行信源DOA的求解时,运用了Bairstow快速算法[16],在保证计算精度的前提下提高了计算效率,从而为root-MUSIC算法的工程化推进提供了理论依据.

1 信号模型及相关算法 1.1 信号模型

假设XOY平面存在M个相互独立的阵元,以半波长等间距放置并组成均匀线阵(uniform linear array,ULA)模型.考虑空间中存在N个远场窄带信号并且通道附加高斯白噪声,定义DOA为信号与阵列法线的夹角[2],如图 1所示.则阵列接收数据为

图 1 阵列模型 Fig. 1 Array model
$ \boldsymbol{X}(t)=\boldsymbol{A}({\theta}) \boldsymbol{S}(t)+\boldsymbol{N}(t), $

式中:$\boldsymbol{X}(t) \in \mathbb{C}^{M \times 1}$为数据接收矢量,$\boldsymbol{S}(t) \in \mathbb{C}^{N \times 1}$是空间信号矢量,$\boldsymbol{N}(t) \in \mathbb{C}^{M \times 1}$为噪声信号矢量,$\boldsymbol{A}({\theta})\in \mathbb{C}^{M \times N}$为空间导向矢量矩阵并且每一列的导向矢量可定义为

$ \mathit{\boldsymbol{\alpha }}\left( {{\theta _i}} \right) = {\left[ {1, {{\rm{e}}^{{\rm{ - j}}{{\rm{ \mathsf{ τ} }}_{{\rm{1i}}}}}}, \cdots , {{\rm{e}}^{{\rm{ - j}}{{\rm{ \mathsf{ τ} }}_{{\rm{Mi}}}}}}} \right]^{\rm{T}}}, i \in [1, N]. $

式中$\mathrm{j} \triangleq \sqrt{-1}$为复数运算标志,τki为时延.它的表达式为

$ {{\rm{ \mathsf{ τ} }}_{{\rm{ki}}}} = \frac{{2{\rm{ \mathsf{ π} }}({\rm{k}} - 1){\rm{d}}\sin {{\rm{ \mathsf{ θ} }}_i}}}{\lambda }. $

式中:d=λ/2,λ为入射信号的波长.

阵列接收数据协方差矩阵定义为[1-2]

$\boldsymbol{R}=E\left[X X^{\mathrm{H}}\right]=\boldsymbol{A} \boldsymbol{R}_{\mathrm{s}} \boldsymbol{A}^{\mathrm{H}}+\boldsymbol{\sigma}_{\mathrm{n}}^{2} \boldsymbol{I}.$

式中: Rs为信号协方差矩阵,σn2为高斯白噪声功率.对R进行特征值分解,可得

$ \mathit{\boldsymbol{R}} = \sum\limits_{{\rm{i}} = 1}^N {{\lambda _{\rm{i}}}} {\mathit{\boldsymbol{e}}_{\rm{i}}}\mathit{\boldsymbol{e}}_{\rm{i}}^{\rm{H}} + \sum\limits_{{\rm{j}} = N + 1}^M {{\lambda _{\rm{j}}}} {\mathit{\boldsymbol{e}}_{\rm{j}}}\mathit{\boldsymbol{e}}_{\rm{j}}^{\rm{H}}. $

式中:λi, i=1, 2, …, N为矩阵RN个大特征值,λj, j=N+1, …, M为(M-N)个小特征值,由λiλj分别对应的特征向量eiej构成了矩阵

$\left\{\begin{array}{l}{\boldsymbol{U}_{\mathrm{s}} \triangleq\left[\boldsymbol{e}_{1}, \boldsymbol{e}_{2}, \cdots, \boldsymbol{e}_{\mathrm{N}}\right]}, \\ {\boldsymbol{U}_{\mathrm{n}} \triangleq\left[\boldsymbol{e}_{\mathrm{N}+1}, \boldsymbol{e}_{\mathrm{N}+2}, \cdots, \boldsymbol{e}_{\mathrm{M}}\right]}.\end{array}\right.$

UsUn的列向量分别张成了信号子空间和噪声子空间,并且span(Us)⊥span(Un)以及span(Us)=span(A).

1.2 MUSIC算法

根据信号与噪声两者子空间的正交性,在信号DOA方向有aH(θ)Un=0,进一步可以通过‖aH(θ)Un‖得到MUSIC空间谱函数

$ {f_{{\rm{MSUIC}}}}(\theta ) = \frac{1}{{{\alpha ^{\rm{H}}}(\theta ){\mathit{\boldsymbol{U}}_{\rm{n}}}\mathit{\boldsymbol{U}}_{\rm{n}}^{\rm{H}}\alpha (\theta )}}. $ (1)

通过在[-π/2, π/2]进行遍历搜索,找出式(1)的极大值点θ即为信源DOA.

1.3 root-MUSIC算法

根据上述阵列和信号模型,root-MUSIC算法定义如下多项式

$ f_{\text {root }}(z)=\boldsymbol{p}^{\mathrm{H}}(z) \boldsymbol{U}_{\mathrm{n}} \boldsymbol{U}_{\mathrm{n}}^{\mathrm{H}} \boldsymbol{p}(z). $

式中z=ejw,导向矢量p(z)为

$\boldsymbol{p}(z)=\left(1, z, z^{2}, \cdots, z^{\mathrm{M}-1}\right)^{\mathrm{T}}, $

froot(z)求根即可求得信号DOA.考虑到式中含有z*项,做如下修正

$f_{\text {root }}(z)=z^{\mathrm{M}-1} \boldsymbol{p}^{\mathrm{T}}\left(z^{-1}\right) \boldsymbol{U}_{\mathrm{n}} \boldsymbol{U}_{\mathrm{n}}^{\mathrm{H}} \boldsymbol{p}(z).$ (2)

此时,多项式froot(z)的阶数为2(M-1).由于具有埃尔米特属性,则其具有关于单位圆对称的M-1对共轭根,这M-1对根中有N对根分布在单位圆上.在实际应用中,考虑误差的存在,再得到N对靠近单位圆的根后,可按式(3)求解信号DOA

$ {\theta _{\rm{i}}} = \arcsin \left( {\frac{\lambda }{{2{\rm{ \mathsf{ π} d}}}}\arg \left( {{z_{\rm{i}}}} \right)} \right), i \in [1, N]. $ (3)

root-MUSIC以多项式求根代替谱峰搜索,求解过程计算量减小.

2 实系数多项式闭式求根的快速DOA估计 2.1 实系数多项式RC-root-MUSIC算法

在root-MUSIC算法中,根据式(2)令froot(z)=0并求根即可获得信号DOA.但多项式展开后涉及复数计算,复杂度较高.为方便计算,先对式(2)进行移项处理

$f_{\text {root }}(z)=\boldsymbol{p}^{\mathrm{H}}(z) z^{\mathrm{M}-1} \boldsymbol{U}_{\mathrm{n}} \boldsymbol{U}_{\mathrm{n}}^{\mathrm{H}} \boldsymbol{p}(z).$

然后令pH(z)zM-1=pT(z)J,其中变换矩阵J

$\boldsymbol{J}=\left[\begin{array}{ccccc}{0} & {0} & {\cdots} & {0} & {1} \\ {0} & {0} & {\cdots} & {1} & {0} \\ {\vdots} & {\vdots} & {} & {\vdots} & {\vdots} \\ {0} & {1} & {\cdots} & {0} & {0} \\ {1} & {0} & {\cdots} & {0} & {0}\end{array}\right]_{\mathrm{M} \times \mathrm{M}}.$ (4)

此时,root-MUSIC算法的表达式可等价为

$f_{\text {root }}(z)=\boldsymbol{p}^{\mathrm{T}}(z) \boldsymbol{J} \boldsymbol{U}_{\mathrm{n}} \boldsymbol{U}_{\mathrm{n}}^{\mathrm{H}} \boldsymbol{p}(z).$ (5)

由于式(5)为复系数表达式,直接进行求根运算,计算相当复杂.考虑到如果能够将复系数表达式实值化,那么将为降低root-MUSIC算法的计算量提供了可能.基于此分析,引入新的变量u来进行坐标系的转换,为后续的系数实值化进行预处理.变量u定义如下

$ u(z) = - {\rm{j}}\frac{{z - {\rm{j}}}}{{z + {\rm{j}}}}. $ (6)

该变换将root-MUSIC谱函数froot(z)从传统的z域转换到u域,其反变换为

$ z(u) = - {\rm{j}}\frac{{u - {\rm{j}}}}{{u + {\rm{j}}}}. $ (7)

显然,对于给定的z域DOA有唯一的u域DOA与其对应,则以u域和以z域得到的DOA具有相同的物理意义.

对于半波长ULA,w=π sin (θ).当θ∈[0, π/2]时,根据z=ejw及欧拉公式ejw=cos(w)+jsin(w)可知,z∈[1, -1],对应z平面的上半圆,根据式(6)映射到u平面实轴上对应u∈[-1, 1].同理当θ∈[-π/2, 0]时,u平面上映射区间为u∈(-∞, -1]∪[1, +∞),如下图 2所示.

图 2 坐标轴的转换关系 Fig. 2 Coordinate transformation relationship

为进一步将复系数表达式转换为实系数表达式,将式(7)代入导向矢量p(z)中,可以得到u域中p(u)|z(u)的每一个元素

$\boldsymbol{p}_{\mathrm{m}}(u)=z^{\mathrm{m}-1}=(-\mathrm{j})^{\mathrm{m}-1}\left(\frac{u-\mathrm{j}}{u+\mathrm{j}}\right)^{\mathrm{m}-1}, m \in[1, M].$

定义新的变量φ(u)

$\begin{array}{c}{\varphi_{\mathrm{m}}(u)=p_{\mathrm{m}}(u) \times(u+\mathrm{j})^{\mathrm{M}-1}=} \\ {A \times(u-\mathrm{j})^{\mathrm{m}-1}(u+\mathrm{j})^{M-\mathrm{m}}}.\end{array}$ (8)

式中A=(-j)m-1.可以看出由φm(u), m∈[1, M]组成的φ(u)为M-1阶多项式,式(9)将φ(u)用矩阵简化为

$ \varphi (u) = \mathit{\boldsymbol{Cv}}(u). $ (9)

式中:CM×N维系数矩阵.对于半波长ULA阵列,C可以一次计算获得.v(u)为范德蒙向量

$ \boldsymbol{v}_{\mathrm{m}}(u)=u^{\mathrm{m}-1}. $ (10)

根据式(8)中φ(u)和导向矢量p(u)的关系,p(u)可进一步表示为

$ \boldsymbol{p}(u)=(u+\mathrm{j})^{1-\mathrm{M}} \boldsymbol{C} \boldsymbol{v}(u). $ (11)

将式(11)代入式(4)中可得u域中的root-MUSIC谱函数fRC-root(u)

$ \begin{array}{c}{f_{\mathrm{RC}-\text { root }}(u)=\boldsymbol{p}^{\mathrm{T}}(u) \boldsymbol{JU}_{\mathrm{n}} \boldsymbol{U}_{\mathrm{n}}^{\mathrm{H}} \boldsymbol{p}(u)=} \\ {(u+\mathrm{j})^{2(1-\mathrm{M})} \times \boldsymbol{v}^{\mathrm{T}}(u) \times \boldsymbol{C}^{\mathrm{T}} \boldsymbol{J} \boldsymbol{U}_{\mathrm{n}} \boldsymbol{U}_{\mathrm{n}}^{\mathrm{H}} \boldsymbol{C} \boldsymbol{v}(u)}.\end{array} $

此时,当u=-jfRC-root(u)=0.根据式(7)可知z=-∞,故舍去.从而获得修正后的fRC-root(u)

$ f_{\mathrm{RC}-\text { root }}(u)=\boldsymbol{v}^{\mathrm{T}}(u) \boldsymbol{C}^{\mathrm{T}} \boldsymbol{J} \boldsymbol{U}_{\mathrm{n}} \boldsymbol{U}_{\mathrm{n}}^{\mathrm{H}} \boldsymbol{C} \boldsymbol{v}(u). $ (12)

可以看出式(12)是一个关于u的2(M-1)阶多项式.根据多项式求根的性质,一个2(M-1)阶多项式有2(M-1)个根,这些根可能为实根或复根.如果这个多项式是实系数多项式或虚系数多项式,那么它的复根将以共轭根对的形式呈现.

而在传统root-MUSIC算法中,多项式的根关于单位圆镜像对称,根据式(6)中z域和u域的转换关系可知,z域的单位圆映射到u域后为实轴.因此,在u域中这些多项式的根关于实轴呈共轭对称,如图 3所示.由此可以推出,式(12)中fRC-root(u)为实系数多项式或虚系数多项式.

图 3 不同坐标系下根的分布情况 Fig. 3 Roots distribution in different coordinate systems

为进一步讨论fRC-root(u)中系数的实虚问题,根据根的分布情况,式(12)可做如下变换:

$ \begin{array}{c}{\boldsymbol{Y}=\boldsymbol{C}^{\mathrm{T}} \boldsymbol{J} \boldsymbol{U}_{\mathrm{n}} \boldsymbol{U}_{\mathrm{n}}^{\mathrm{H}} \boldsymbol{C}}, \\ {f_{\mathrm{RC}-\mathrm{root}}(u)=\boldsymbol{v}^{\mathrm{T}}(u) \boldsymbol{Y} \boldsymbol{v}(u).}\end{array} $ (13)

以下根据M的奇偶性,可分两种情况对式(13)进行化简.

情况1:阵元数M为奇数时,Y

$ \mathit{\boldsymbol{Y}} = {\left( {\begin{array}{*{20}{c}} {{y_{11}} + {\rm{j}}{z_{11}}}& \cdots &{{y_{{\rm{ \mathsf{ ξ} \mathsf{ η} }}}} + j{z_{{\rm{ \mathsf{ ξ} \mathsf{ η} }}}}}\\ \vdots & \ddots & \vdots \\ {{y_{{\rm{ \mathsf{ η} \mathsf{ ξ} }}}} + {\rm{j}}{z_{{\rm{ \mathsf{ η} \mathsf{ ξ} }}}}}& \cdots &{{y_{{\rm{MM}}}} + {\rm{j}}{z_{{\rm{MM}}}}} \end{array}} \right)_{{\rm{M}} \times {\rm{M}}}}. $ (14)

式中:zξξ=0, ξ∈[1, M],yξη=yηξzξη=-zηξ.由于在计算中式(14)的虚部被抵消,v(u)为实向量,此时式(12)中fRC-root(u)为实系数多项式.为减少计算量,式(12)可简写为

$ f_{\mathrm{RC}-\mathrm{root}}(u)=\boldsymbol{v}^{\mathrm{T}}(u) \operatorname{Re}\left\{\boldsymbol{C}^{\mathrm{T}} \boldsymbol{J} \boldsymbol{U}_{\mathrm{n}} \boldsymbol{U}_{\mathrm{n}}^{\mathrm{H}} \boldsymbol{C}\right\} \boldsymbol{v}(u), $ (15)

情况2:阵元数M为偶数时,Y

$ \mathit{\boldsymbol{Y}} = {\left( {\begin{array}{*{20}{c}} {{y_{11}} + {\rm{j}}{z_{11}}}& \cdots &{{y_{{\rm{ \mathsf{ ξ} \mathsf{ η} }}}} + {\rm{j}}{z_{{\rm{ \mathsf{ ξ} \mathsf{ η} }}}}}\\ \vdots & \ddots & \vdots \\ {{y_{{\rm{ \mathsf{ η} \mathsf{ ξ} }}}} + {\rm{j}}{z_{{\rm{ \mathsf{ η} \mathsf{ ξ} }}}}}& \cdots &{{y_{{\rm{MM}}}} + {\rm{j}}{z_{{\rm{MM}}}}} \end{array}} \right)_{{\rm{M}} \times {\rm{M}}}}. $

式中:yξξ=0, ξ∈[1, M],yξη=-yηξzξη=zηξ.由上述变换同理可知,式(12)中fRC-root(u)为虚系数多项式.对等式两遍取虚部

$ f_{\mathrm{RC}-\mathrm{root}}(u)=\boldsymbol{v}^{\mathrm{T}}(u) \operatorname{Im}\left\{\boldsymbol{C}^{\mathrm{T}} \boldsymbol{J} \boldsymbol{U}_{\mathrm{n}} \boldsymbol{U}_{\mathrm{n}}^{\mathrm{H}} \boldsymbol{C}\right\} \boldsymbol{v}(u). $ (16)

此时,式(16)为实系数多项式,具有和式(13)相同的解,并且式(15)和式(16)均为2(M-1)阶.至此,z域中的复系数多项式在经过坐标轴变换后全部转化为u域中实系数多项式.最后根据式(17)可以得到传统的角度域和u域的关系

$ w=(-\mathrm{j}) \times \ln \left(-\mathrm{j} \times \frac{u-\mathrm{j}}{u-\mathrm{j}}\right). $ (17)

如前文所述,RC-root-MUSIC的中心思想就是将复数运算转化为同阶次的实数运算,极大减少了计算量.而在实际应用中可以继续利用Bairstow快速求根法对实系数多项式进行求解.

2.2 实系数多项式求解的Bairstow算法

RC-root-MUSIC算法虽然减少了计算量,但是所构造的实系数多项式具有和复系数多项式相同的阶数.当2(M-1)较大时,求根运算依旧十分复杂.考虑到实系数多项式具有关于实轴对称的根,而Bairstow算法通过利用收敛的二次因子可以对实系数多项式进行快速求根.由此分析,假设:x1=α+jβx2=α-jβ是RC-root-MUSIC中关于实轴对称的共轭根,则可构造一个二次因子x2+μx+ν,使x1, x2为二次因子的两个解.设n阶实系数多项式为

$ P(x) = \sum\limits_{k = 0}^n {{a_{\rm{k}}}} {x^{\rm{k}}}. $

通常,实系数多项式除以一个二次因子时余项为一个线性项,即多项式可以改写为

$ \begin{aligned} P(x)=& \sum\limits_{k=0}^{n} a_{{\rm k}} x^{{\rm k}}=\left(x^{2}+\mu x+\nu\right) Q(x)+R(x)=\\ &\left(x^{2}+\mu x+\nu\right)\left(\sum\limits_{k=0}^{n-2} b_{{\rm k}} x^{{\rm k}}\right)+R(x). \end{aligned} $ (18)

式中:Q(x)为P(x)除以二次因子x2+μx+ν的商,R(x)=Cx+D为余数.同时,式中各系数关系[16]可通过式(19)至式(22)求出:

$ b_{\mathrm{n}}=b_{\mathrm{n}-1}=0, $ (19)
$ b_{\mathrm{k}}=a_{\mathrm{k}+2}-\mu b_{\mathrm{k}+1}-\nu b_{\mathrm{k}+2}, $ (20)
$ C=a_{1}-\mu b_{0}-\nu b_{1}, $ (21)
$ D=a_{0}-\nu b_{0}. $ (22)

从上述公式可以看出,若给定μν的值,则可求得CD.因此,可把CD看作μν的函数,即定义C=C(μ, ν),D=D(μ, ν).Baristow法就是利用牛顿法求解μν,即构造雅克比矩阵求解其偏导数.为得到μν中偏导数项,对P(x)关于变量μ求导,有

$ \frac{\partial P}{\partial \mu}=\left(x^{2}+\mu x+\nu\right) \frac{\partial Q}{\partial \mu}+x Q+\frac{\partial C}{\partial \mu} x+\frac{\partial D}{\partial \mu}=0. $

为方便化简进行移项,可得

$ -x Q=\left(x^{2}+\mu x+\nu\right) \frac{\partial Q}{\partial \mu}+\frac{\partial C}{\partial \mu} x+\frac{\partial D}{\partial \mu}. $ (23)

同理对P(x)关于变量ν求导

$ \frac{\partial P}{\partial \nu}=\left(x^{2}+\mu x+\nu\right) \frac{\partial Q}{\partial \nu}+Q+\frac{\partial C}{\partial \nu} x+\frac{\partial D}{\partial \nu}=0. $

并进行移项,可得

$ -Q=\left(x^{2}+\mu x+\nu\right) \frac{\partial Q}{\partial \nu}+\frac{\partial C}{\partial \nu} x+\frac{\partial D}{\partial \nu}. $ (24)

为求解出系数再次用Q(x)除以二次因子x2+μx+ν

$ Q(x) = \left( {{x^2} + \mu x + \nu } \right)\left( {\sum\limits_{i = 0}^{n - 4} {{f_i}} {x^i}} \right) + (Gx + H). $ (25)

利用待定系数法将式(24)与式(25)联立,可得其系数的内部关系如下:

$ \begin{array}{l}{\frac{\partial C}{\partial \nu}=-G}, \\ {\frac{\partial D}{\partial \nu}=-H}.\end{array} $

由假设可知,x1, x2x2+μx+ν=0的两个解,将其带入式(25)可进一步化简为

$ Q\left(x_{1, 2}\right)=G x_{1, 2}+H. $ (26)

将式(26)代入式(23)中得:

$ -x_{1}\left(G x_{1}+H\right)=\frac{\partial C}{\partial \mu} x_{1}+\frac{\partial D}{\partial \mu}. $ (27)
$ -x_{2}\left(G x_{2}+H\right)=\frac{\partial C}{\partial \mu} x_{2}+\frac{\partial D}{\partial \mu}. $ (28)

由二次多项式根与系数的性质,得知:

$ x_{1}+x_{2}=-\mu, $ (29)
$ x_{1} x_{2}=\nu. $ (30)

将式(27)至式(30)联立并求解方程组,可将CD中所有关于μν的偏导数全部求出,结论如下:

$ \begin{array}{c}{\frac{\partial C}{\partial \mu}=\mu G-H}, \\ {\frac{\partial D}{\partial \mu}=\nu G}.\end{array} $

由于Bairstow法仅限于实值运算并且每次仅求解多项式的一对共轭根,因此将其应用于RC-root-MUSIC算法中将具有重要的工程意义.根据上述性质,借助实系数多项式求根的方法可以快速估计信号DOA,这就是本文提出的RC-root-MUSIC算法,具体实施步骤如下

步骤一:对阵列协方差矩阵R进行特征值分解,得到信号子空间和噪声子空间;

步骤二:根据式(5)构造矩阵J,并根据式(9)至式(10)构造矩阵C以及范德蒙向量v

步骤三:根据式(15)或(16)构造实系数多项式并利用Bairstow算法对其求根;

步骤四:从所有根中找出接近实轴的N对共轭对称根,根据式(17)求解出对应w的值;

步骤五:根据wθ的对应关系,求解信号的波达角;

3 计算量分析

首先分析经典MUSIC和root-MUSIC算法的计算量.由于这两种算法均包含协方差矩阵计算和特征值分解的步骤,两者的实值总计算量共为4×M2(N+M)[4],其中ο(·)为实数运算.通过文献[5]可知,复数的运算量通常是实数的4倍,因此,总计算量为4×M2(N+M).再分别考虑不同经典算法进行求解DOA时的不同计算量,MUSIC算法是通过谱峰搜索获得信源DOA,其计算量与在角度范围[-π/2, π/2]内的搜索总点数J成正比(一般情况下,JM3).而root-MUSIC则是通过多项式求根代替谱峰搜索,计算量与多项式的阶数成正比.

接下来考虑所提出的RC-root-MUSIC,协方差矩阵的计算和特征值分解均已考虑,这里不再详细赘述.RC-root-MUSIC的计算量主要体现在求根多项式的构建上,以奇阵元为例.式(24)中JC可以通过离线求得,单元ο(6M3-6NM2)给出了构造RC-root-MUSIC算法中的实系数多项式的计算量.对算法所构造的2(M-1)阶多项式进行求根,其计算量为ο((2M-2)3).可以得出结论见表 1.

表 1 不同算法的计算量分析 Tab. 1 Computational complexity analysis of different algorithms

通过RC-root-MUSIC与root-MUSIC的计算量分析可以看出,RC-root-MUSIC的计算量远小于root-MUSIC.当阵元数M较大时,RC-root-MUSIC计算量的优势更加突出.

4 仿真及分析 4.1 root-MUSIC和RC-root-MUSIC效率对比

为进一步确认RC-root-MUSIC相比于root-MUSIC性能的优越性,本实验主要比较不同阵元数下两种算法的仿真时间.假设采用ULA阵型,两个入射信号的方向为10°和45°,信噪比SNR为15 dB,快拍数为300.

root-MUSIC与RC-root-MUSIC的200次蒙特卡洛实验运行总时长的对比如下表 2所示.为准确比较算法的运算速度,两种算法中均包含的协方差矩阵R以及特征分解不在考虑范围之内.由表 2可以看出,RC-root-MUSIC算法运算速度在大阵元情况下明显优于root-MUSIC算法.

表 2 运算速度对比表 Tab. 2 Comparison of calculation speed
4.2 root-MUSIC和RC-root-MUSIC算法中根的分布情况

本实验主要验证root-MUSIC和RC-root-MUSIC在不同坐标系下根的分布情况.假设采用8阵元的ULA阵型,两个入射信号的方向为10°和45°,SNR为15 dB,快拍数为300.

图 4z域中root-MUSIC所构造多项式的根分布情况.由式(10)可知阵元数为8的情况下应拥有M-1=7对根,并且每对共轭根关于单位圆呈镜像对称,含有DOA信息的根位于单位圆附近.

图 4 z域中root-MUSIC根的分布 Fig. 4 Roots distribution map for root-MUSIC in the z domain

图 5u域中RC-root-MUSIC所构造多项式的根分布情况.由式(31)可知有M-1=7对关于实轴对称的根,含有DOA信息的根位于实轴附近,因此RC-root-MUSIC算法可以准确估计信号源的个数.

图 5 u域中RC-root-MUSIC根的分布 Fig. 5 Roots distribution map for RC-root-MUSIC in the u domain
4.2 root-MUSIC和RC-root-MUSIC精度对比

本实验用于分析信噪比和快拍数在不同范围内对估计精度的影响.假设采用8阵元的ULA阵列,两个入射信号的方向为10°和45°,蒙特卡洛试验次数为200次.实验中采用均方根误差RMSE来描述角度估计的精度RRMSE

$ {R_{{\rm{RMSE}}}} = \sqrt {\frac{1}{{200}}\sum\limits_{{\rm{i}} = 1}^{200} {{{\left( {{\theta _i} - \theta } \right)}^2}} } . $

式中θi代表第i次蒙特卡洛实验得到的角度估计值.同时,引入MUSIC算法、求根MUSIC算法、酉求根MUSIC算法、ESPRIT算法[18]、实值求根MUSCI算法(RV-root-MUSIC)[19]以及非限制克拉美罗下界(Unconditional Cramer-Rao Lower Bound,CRLB)[17]来衡量估计的性能.其中,RV-root-MUSIC算法利用协方差矩阵实虚部分离原理,构建了一个2(M-1)阶实系数求根多项式,由于和本文所提出的RC-root-MUSIC算法具有相似性,因此作为性能仿真中的对比算法.

图 6图 7可见,本文提出的RC-root-MUSIC和经典的root-MUSIC算法具有相同的估计精度.原因在于RC-root-MUSIC算法采用的是坐标系变换的方法,其核心是坐标映射的关系.将式(15)改写为u=f(z),即u可以看作是z的函数.在RC-root-MUSIC算法中,先对u进行求解,然后将结果反带回z,因此可以得出RC-root-MUSIC和root-MUSIC具有相同的解的结论,从而两者具有相同的估计精度.

图 6 θ1信噪比对估计精度的影响 Fig. 6 Influence of SNR θ1 on estimate accuracy
图 7 θ1快拍数对估计精度的影响 Fig. 7 Influence of snapshots number θ1 on estimate accuracy

图 6中当信噪比在20 dB~40 dB的时候,root-MUSIC、RC-root-MUSIC,U-root-MUSIC和MUSIC的RMSE呈直线下滑的趋势4种算法的RMSE优于ESPRIT算法和RV-root-MUSIC算法并且均逐渐趋近于CRLB.而图 7中可以得到相同的结论,root-MUSIC和RC-root-MUSIC两种算法的RMSE相同并趋近于CRLB.从性能图中可以看出,本文所提出的RC-root-MUSIC算法具有和传统求根类算法相同的估计精度,同时优于新颖的RV-root-MUSIC算法.

5 结语

本文在分析了高效超分辨算法中典型代表root-MUSIC算法的优缺点之后,先提出实系数多项式root-MUSIC算法,即RC-root-MUSIC算法,利用变换矩阵以及坐标系之间的映射,将复系数求根多项式转化为实系数求根多项式进行求解.再利用Bairstow算法,把一个复杂的实系数多项式逐步分解为多个一元二次多项式,实现了降次从而加快了求根的效率.最后通过计算机仿真,证明了所提出的算法保持了相同的DOA估计精度,降低了计算复杂度,并极大减少了计算时间,为root-MUSIC算法在工程应用中提供了强有力的理论依据.

参考文献
[1]
SCHMIDIT R O. Multiple emitter location and signal parameter estimation[J]. IEEE Trans. on Antennas and Propagation, 1986, 34(3): 243. DOI:10.1109/TAP.1986.1143830
[2]
王永良. 空间谱估计理论与算法[M]. 北京: 清华大学出版社, 2004: 18.
WANG Yongliang. Theory and algorithm of spatial spectrum estimation[M]. Peking: Tsinghua University Press, 2004: 18.
[3]
YAN Fenggang, JIN Ming, QIAO Xiaolin. Low-complexity DOA estimation based on compressed MUSIC and its performance analysis[J]. IEEE Trans. on Signal Processing, 2013, 61(8): 1915. DOI:10.1109/TSP.2013.2243442
[4]
YAN Fenggang, LIU Shuai, WANG Jun, et al. Real-valued root-MUSIC for DOA estimation with reduced-dimension EVD/SVD computation[J]. Signal Processing, 2018, 152: 1. DOI:10.1016/j.sigpro.2018.05.009
[5]
YAN Fenggang, CAO Bin, LIU Shuai, et al. Reduced-complexity direction of arrival estimation with centro-symmetrical arrays and its performance analysis[J]. Signal Processing, 2018, 142: 388. DOI:10.1109/TSP.2013.2243442
[6]
徐丽琴, 李勇. 单基MIMO雷达低复杂度求根MUSIC角度估计方法[J]. 系统工程与电子技术, 2017, 39(11): 2434.
XU Liqin, LI Yong. Low-complexity root-MUSIC algorithm for angle estimation in monostatic MIMO radar[J]. Systems Engineering and Electronics, 2017, 39(11): 2434. DOI:10.3969/j.issn.1001-506X.2017.11.07
[7]
LIU Mingqian, ZHANG Junlin, TANG Jie, et al. 2-D DOA robust estimation of echo signals based on multiple satellites passive radar in the presence of alpha stabledistribution noise[J]. IEEE Access, 2019, 7: 16032. DOI:10.1109/ACCESS.2019.2894997
[8]
闫锋刚, 沈毅, 刘帅, 等. 高效超分辨波达方向估计算法综述[J]. 系统工程与电子技术, 2015, 37(7): 1465.
YAN Fenggang, SHEN Yi, LIU Shuai, et al. Overview of efficient algorithms for super-resolution DOA estimation[J]. Systems Engineering and Electronics, 2015, 37(7): 1465. DOI:10.3969/j.issn.1001-506X.2015.07.01
[9]
BARABELL A. Improving the resolution performance of eigenstructure-based direction finding algorithms[C]. IEEE Conference on Acoustics, Speech and Signal Processing, Boston, 1983: 336. DOI: 10.1109/ICASSP.1983.1172124
[10]
JENS S, FLORIAN R, MARTIN H, et al. Performance analysis of multi-dimensional ESPRIT-type algorithms for arbitrary and strictly non-circular sources with spatial smoothing[J]. IEEE Trans. on Signal Processing, 2017, 65(9): 2262. DOI:10.1109/TSP.2017.2652388
[11]
SHU Feng, QIN Yaolu, LIU Tingting, et al. Low-complexity and high-resolution DOA estimation for hybrid analog and digital massive MIMO receive array[J]. IEEE Trans. on Communications, 2018, 66(6): 2487. DOI:10.1109/TCOMM.2018.2805803
[12]
MARIUS P, ALEX B, MARTIN H. Unitary root-MUSIC with a real-valued eigen-decomposition: A theoretical and experimental performance study[J]. IEEE Trans. on Signal Processing, 2000, 5(48): 1306. DOI:10.1109/78.839978
[13]
QIAN Cheng, HUANG Lei. Improved unitary root-MUSIC for DOA estimation based on pseudo-noise resampling[J]. IEEE Signal Processing Letters, 2014, 21(2): 140. DOI:10.1109/LSP.2013.2294676
[14]
LI Jianfeng, LI Dong, JIANG Defu, et al. Extended-aperture unitary root-MUSIC based DOA estimation for coprime array[J]. IEEE Communications Letters, 2018, 22(4): 752. DOI:10.1109/LCOMM.2018.2802491
[15]
何子远, 龚耀寰, 杨峰. 多项式求根法估计来波DOA[J]. 电波科学学报, 2008, 23(3): 407.
HE Ziyuan, GONG Yaohuan, YANG Feng. DOA estimation based on polynomial rooting method[J]. Journal of Radio Science, 2008, 23(3): 407. DOI:10.3969/j.issn.1005-0388.2008.03.004
[16]
郑士明. 同时求解多项式所有二次因子的迭代法[J]. 计算数学, 1980, 2(3): 229.
ZHENG Shiming. An iteration methodfor finging all quadratic factors of polynomial simultaneously[J]. Journal of Computational Mathematics, 1980, 2(3): 229.
[17]
Stoica P, Nehorai A. Performance study of array signal processing research: the parametric approach[J]. IEEE Signal Processing Magazine, 1996, 13: 67. DOI:10.1109/79.526899
[18]
Roy R, Kailath T. ESPRIT-estimation of signal paramaters via rotational invariance techniques[J]. IEEE Trans. on Signal Processing, 1989, 37(7): 984. DOI:10.1109/29.32276
[19]
YAN Fenggang, SHEN Yi, JIN Ming. Fast DOA estimation based on a split subspace decomposition on the array covariance matrix[J]. Signal Processing, 2015, 115: 1. DOI:10.1016/j.sigpro.2015.03.008