单快照场景下二维波达方向估计的无网格方法——基于矢量化解耦Gridless SPICE的均匀矩形阵求解

《Chinese Journal of Electronics》：Gridless Methods for Two-Dimensional Direction-of-Arrival Estimation in Single-Snapshot Scenario

　　

摘要：二维（2D）波达方向（Direction-of-Arrival, DOA）估计在单快照超分辨场景中是无人机（Unmanned Aerial Vehicle, UAV）雷达探测中的关键难题。现有算法主要分为基于原子范数最小化（Atomic Norm Minimization, ANM）与基于增强矩阵技术两类。ANM类方法需已知噪声功率先验知识，而增强矩阵类方法因重构增强矩阵导致阵列孔径损失。针对上述问题，研究人员引入稀疏迭代协方差估计（Sparse Iterative Covariance-based Estimation, SPICE）的无网格版本（Gridless SPICE, GLS），提出以矢量形式求解2D DOA估计的GLS扩展方法——V-GLS（Vectorized GLS），其将噪声功率以矢量化原子形式进行估计并融入二阶统计量拟合，通过构建双层级Toeplitz（Two-Level Toeplitz, 2LT）矩阵约束，借助半定规划（Semi-Definite Programming, SDP）优化实现无网格求解且不损失阵列孔径。此外，研究人员巧妙将2D单快照接收信号向量重构为近似一维多快照数据矩阵，将二维DOA解耦为两个独立的一维DOA估计问题，进而提出解耦版GLS方法——D-GLS（Decoupled GLS），相比V-GLS因采用低维SDP具有更优计算效率。V-GLS与D-GLS均具备较强噪声鲁棒性且适用于多目标源估计。大量仿真实验验证了所提方法优于现有主流方法。

论文解读：单快照场景下基于无网格GLS的均匀矩形阵二维DOA估计方法

一、研究背景与意义

二维波达方向（2D Direction-of-Arrival, 2D DOA）估计是阵列信号处理的核心课题，广泛应用于雷达探测、声纳、无线通信及无人机（Unmanned Aerial Vehicle, UAV）反制等领域。传统2D多重信号分类（2D Multiple Signal Classification, 2D-MUSIC）与旋转不变技术（2D Estimation of Signal Parameters via Rotational Invariance Techniques, 2D-ESPRIT）需多快照数据，难以适用于UAV群探测中相干处理间隔（Coherent Processing Interval, CPI）短、仅有单快照可用的场景。现有单快照算法中，矩阵增强与矩阵束（Matrix Enhancement and Matrix Pencil, MEMP）法因构造增强矩阵造成阵列有效孔径缩减且需繁琐的二维角度配对；矢量原子范数最小化（Vectorized Atomic Norm Minimization, V-ANM）与解耦原子范数最小化（Decoupled ANM, D-ANM）虽能保持孔径，但要求已知噪声功率或忽略噪声项，在低信噪比下性能严重退化。无网格稀疏迭代协方差估计（Gridless Sparse Iterative Covariance-based Estimation, GLS）在一维DOA估计中可同时估计信号子空间与噪声功率且无需噪声先验，具备较强抗噪性。为此，研究人员将一维GLS拓展至二维URA（Uniform Rectangular Array, 均匀矩形阵）单快照场景，提出V-GLS与D-GLS两种无网格方法，旨在兼顾孔径不损失、免噪声先验知识与较高计算效率，发表于《Chinese Journal of Electronics》。

二、主要关键技术方法

研究人员采用M×N元均匀矩形阵（URA）接收K个远场窄带源的单快照信号模型，阵元间距为半波长（d=λ/2），导向矢量由方位角φ与俯仰角θ经正弦投影变量u=sinθ·cosφ、v=sinθ·sinφ的Kronecker积构造。关键技术包括：（1）基于协方差拟合准则（Covariance Fitting Criterion，源自SPICE框架）建立含噪声对角矩阵与双层级Toeplitz（Two-Level Toeplitz, 2LT）正半定矩阵的参数化协方差重构模型；（2）V-GLS通过将真实协方差建模为秩-K 2LT矩阵加对角噪声功率向量，转化为含辅助标量变量的线性矩阵不等式SDP（Semi-Definite Programming）问题，求解后做Vandermonde分解得配对的(u_k,v_k)；（3）D-GLS将单列接收矢量重塑为M×N矩阵，视其为N次快拍的伪多快照数据构造近似采样协方差，分别对行、列方向建立一维Toeplitz约束的低维SDP，解出各自频率后经内积最大化的导向矢量匹配完成角度配对；（4）克拉美罗下界（Cramér-Rao Lower Bound, CRLB）推导作为性能基准，蒙特卡洛仿真对比MEMP、V-ANM、D-ANM及矢量降秩近似（Vectorized Rank-Augmented Method, V-RAM）方法验证性能。

三、研究结果

SECTION II. Problem Reformulation（问题重构）

研究人员给出URA下单快照接收模型x=A(θ,φ)s+n，理论无噪协方差R=E{xx^H}具秩-K 2LT结构。因单快照无法获可靠样本协方差（xx^H含噪且可能秩亏），故需重构满足2LT约束的低秩正半定矩阵以逼近真实信号协方差，ANM通过原子范数凸松弛实现但该式在含噪时需预设噪声功率σ2，限制了实用性。

SECTION III. Proposed Methods（所提方法）

• •
  1. Vectorized GLS (V-GLS)：将含噪协方差建模为R?=T_2L+diag(σ)，其中T_2L∈?^MN×MN为2LT矩阵，σ为各阵元噪声功率。基于加权协方差拟合构造目标函数min tr(R?)+‖x‖?2·x^HR??1x，引入Schur补等价变形为SDP。用SDPT3求解T_2L后做Vandermonde分解直接得到天然配对的(u_k,v_k)，再由θ_k=arcsin√(u_k2+v_k2)、φ_k=arctan(v_k/u_k)反算2D DOA。该方法不需噪声先验，保持全阵列孔径，但SDP变量维度O(MN)计算量较大。
• •
  2. Decoupled GLS (D-GLS)：将向量x按列重排为矩阵X?∈?^M×N=A(u)·diag(s)·A^T(v)，其样本协方差R??=(1/N)X?X?^H≈A(u)P_vA^H(u)具与理想行方向协方差相同信号子空间（当K<min(M,N)时秩相等）。同理取X?=X?^H构造R??。分别对行、列方向建立一维Toeplitz矩阵F(u)、F(v)加对角噪声约束的低维SDP（变量维度O(max(M,N))），解得F(u)、F(v)后分别Vandermonde分解得{u_k}与{v_k}。因解耦丢失自然配对，设计基于X?经SVD及导向矢量内积最大匹配的配对算法完成(u,v)对应。D-GLS较V-GLS计算效率显著提升，但近似重构引入微小性能损失。
• •
  3. Cramér-Rao Lower Bound (CRLB)：推导单快照模型下2D DOA参数估计的CRLB表达式，作为后续仿真性能参照基准。

SECTION IV. Simulation（仿真验证）

• •
  多目标分辨实验（SNR=10 dB, M=N=12, K=8）：仅V-GLS与D-GLS成功分辨全部8个源；MEMP受孔径缩减最多辨6个；V-ANM与V-RAM受噪声影响出现偏差；D-ANM部分点不稳定。
• •
  RMSE随SNR变化（K=1）：V-GLS与D-GLS RMSE最接近CRLB且低于对比方法，证实高估计精度。
• •
  角度分辨力测试（固定SNR=20 dB, K=2变Δθ/Δφ）：V-GLS与D-GLS在仰角/方位角小间隔下RMSE低于对比法，V-GLS在极小仰角间隔略优，表明强空间邻近源分辨力。
• •
  阵元数影响（K=1, SNR=20 dB）：随M=N增大各法RMSE下降，V-GLS最优，D-GLS与其他方法相当。
• •
  源数影响（K=1~5）：V-GLS与D-GLS在多源情形下RMSE增长最缓，明显优于对比方法。
• •
  运行时间对比：MEMP最快（无SDP）；D-GLS在SDP类方法中耗时最少，V-GLS快于同维矢量SDP法（V-ANM、V-RAM）。

四、讨论与结论总结

研究人员指出，V-GLS与D-GLS成功将一维GLS推广至二维单快照URA DOA估计，两者均通过协方差拟合自动估计噪声功率免除先验需求，利用2LT或一维Toeplitz约束SDP实现无网格超分辨且保持阵列孔径不折损。V-GLS直接求解2LT矩阵并经Vandermonde分解获得天然配对二维角参数，精度最高但计算复杂度O((MN)3SDP缩放)；D-GLS通过信号矩阵重构成近似多快照形式解耦为两个一维SDP，复杂度降至O((max(M,N))3)，配合专门设计的夹角最大化配对算法恢复配对关系，以轻微近似误差换取显著加速。仿真表明二者在估计精度、多源处理能力、低SNR鲁棒性及空间邻近源分辨力上均优于MEMP、V-ANM、D-ANM与V-RAM。结论为：所提V-GLS与D-GLS适用于UAV群雷达单快照超分辨定位，兼顾无网格高精度与一定实时性；未来工作将致力于进一步平衡计算效率与估计精度以超越现有方法局限。