未知互耦条件下基于类牛顿方法的到达方向估计

《IEEE Transactions on Sustainable Energy》：DOA Estimation via a Newton-Like Method Under Unknown Mutual Coupling

　　

摘要：众所周知，阵列元之间的互耦会对到达方向估计（DOA）产生显著的负面影响。为实现未知互耦条件下的到达方向估计，本文提出了一种低计算复杂度的类牛顿方法。首先，基于信号子空间建立块稀疏模型，并依据该块稀疏模型构建拉格朗日函数。其次，由于该拉格朗日函数的 Hessian 矩阵不能始终保证正定，且其 Hessian 矩阵逆的计算复杂度极高，因此传统牛顿法不再适用。基于此，本文提出类牛顿方法以实现互耦条件下的到达方向估计，并利用矩阵求逆引理降低计算复杂度。最后，与现有阵列互耦条件下的 DOA 估计方法相比，仿真结果验证了所提方法的有效性。

该论文发表于《IEEE Transactions on Sustainable Energy》，研究主题聚焦于未知阵列互耦条件下的到达方向估计（DOA, direction of arrival estimation）问题。DOA估计是阵列信号处理中的核心问题，在雷达、通信、声呐等领域具有重要应用价值。传统子空间分解方法如多重信号分类（MUSIC, multiple signal classification）在理想阵列条件下具有良好性能，但在低信噪比、快拍数不足以及阵列存在非理想因素时，性能会明显退化。尤其是阵列元之间的互耦（mutual coupling）会破坏理想阵列流形，导致基于理想导向矢量构建的模型失配，从而严重降低DOA估计精度。已有互耦条件下DOA估计方法主要包括预处理方法、互耦矩阵（MCM, mutual coupling matrix）与阵列流形矩阵乘积形变方法，以及块稀疏方法三类。前两类方法分别存在牺牲阵列孔径、依赖噪声子空间因而不适于相干信号等局限；现有块稀疏方法虽能结合信号子空间并适用于相干场景，但通常计算复杂度较高，难以兼顾估计精度与运算效率。因此，开展一种适用于未知互耦、兼具较高精度和较低复杂度的DOA估计方法具有明确必要性。

研究人员围绕这一问题，构建了基于信号子空间的互耦块稀疏模型，并在此基础上提出一种类牛顿（Newton-like）迭代求解框架。论文从互耦阵列接收信号模型出发，将互耦影响下的阵列流形表示为与DOA相关但与互耦系数解耦的块结构形式，再把空间域离散为多个角度网格，建立过完备字典上的块稀疏表示模型。由于真实入射方向在空间上是稀疏的，对应块信号仅在少数网格位置上非零，因此问题可转化为块稀疏恢复。为避免直接求解^l_F,0范数最小化这一 NP-hard 问题，研究人员采用指数函数对块稀疏计数项进行平滑近似，并进一步构造带拟合误差项的拉格朗日函数。针对传统牛顿法受限于 Hessian 矩阵不总是正定、且复值块矩阵情形下 Hessian 维度巨大、求逆开销极高的问题，论文设计了基于映射 ζ(Bˉ) 的新下降方向，建立类牛顿迭代更新策略，并用矩阵求逆引理将原本高维逆矩阵运算转化为较低维矩阵求逆，从而显著降低复杂度。最终，论文通过多组仿真对比说明，该方法在未知互耦条件下能够有效实现DOA估计，并在精度、稳定性和计算效率方面表现出明显优势。

研究人员开展该研究所采用的关键技术方法主要包括以下几个方面：首先，基于信号子空间分解，从采样协方差矩阵特征分解得到信号子空间 U_s，并利用互耦矩阵与导向矢量乘积的特殊结构，构造与互耦系数解耦的块阵列流形；其次，通过空间离散化建立过完备字典，形成块稀疏表示模型；再次，采用指数平滑函数逼近^l_F,0混合范数，构建拉格朗日优化目标；最后，设计基于映射 ζ(Bˉ) 的类牛顿迭代方法，并通过回溯搜索（backtracking）确定步长，同时利用矩阵求逆引理降低每步迭代的计算复杂度。该研究未涉及样本队列来源，主要依据理论建模与数值仿真完成验证。

在研究结果部分，论文首先在“Signal Model”中建立了未知互耦条件下的阵列接收信号模型。研究人员假设阵列为均匀线阵，阵元间距为半波长，互耦矩阵 C 为 Toeplitz 矩阵。通过将互耦作用下的导向矢量 C a(θ_q) 分解为 Λ(θ_q)Ω(θ_q)Γ(θ_q) 的形式，研究人员证明互耦影响可以被等价写入块结构模型中，其中 Λ(θ_q) 仅与角度有关，而 Ω(θ_q) 与 Γ(θ_q) 含有互耦相关信息。进一步结合信号子空间表达式 U_s=?B，可将其重写为 U_s=A?B?，从而把原始DOA估计问题转化为块稀疏恢复问题。通过对空间区域进行网格划分，最终得到 U_s=AˉBˉ 的块稀疏模型，为后续优化奠定了数学基础。该部分的核心结论是：未知互耦条件下的DOA估计可以通过一个基于信号子空间的块稀疏模型来统一描述。

在“Proposed Method”部分，研究人员给出了核心算法设计。首先，为实现DOA估计，需要恢复块稀疏信号 Bˉ，再根据各块 Frobenius 范数 ∥Bˉ_n∥_F 的大小选取前 Q 个峰值位置作为DOA估计结果。考虑到直接最小化^l_F,0范数的困难，论文以指数函数 f_σ(α)=e^?α2/2σ2 近似零范数计数函数，并建立目标函数 L_σ(Bˉ)=?F_σ(Bˉ)+λ∥U_s?AˉBˉ∥_F²。研究人员指出，若采用传统牛顿法，则不仅 Hessian 可能非正定，而且对于复值矩阵变量，Hessian 的维数达到 2NQ?Q×2NQ?Q，逆矩阵求解代价极高。因此，论文构造了映射 ζ(Bˉ)，并证明 ζ(Bˉ)?Bˉ 是目标函数的下降方向。通过梯度表达式 G(Bˉ)=?L_σ(Bˉ)/?Bˉ，可以将下降方向写成类似牛顿步的形式，即负的“Hessian-like”矩阵乘以梯度，从而形成类牛顿更新机制。该部分的核心结论是：在无法直接应用标准牛顿法的情况下，基于 ζ(Bˉ) 的类牛顿迭代仍能保证目标函数沿更新方向下降，并适合求解未知互耦下的块稀疏恢复问题。

随后，论文进一步在“Proposed Method”中分析了计算复杂度降低机制。研究人员指出，类牛顿方向中的主要开销来自矩阵 [W(Bˉ)/σ²+2λAˉ^HAˉ]^?1 的计算，其原始复杂度为 O((NQ?)³)，在大网格场景下难以接受。为此，论文利用矩阵求逆引理，将高维逆矩阵转换为维度仅为 M×M 的矩阵 Z 的求逆问题。由此，算法的主要复杂度降为 O((NQ?)M²)+O((NQ?)MQ)，显著优于直接求逆方案。该结果说明，所提方法不仅在优化路径上接近牛顿型方法，而且在数值实现层面具有明显的低复杂度优势。

在“Simulation Comparison”部分，研究人员通过8组仿真实验验证了方法性能。第1组实验比较不同信噪比（SNR, signal-to-noise ratio）下的RMSE。结果表明，在?8 dB至8 dB范围内，所提方法的RMSE随SNR升高逐渐降低，并在4 dB附近取得最优DOA估计性能。与 SR、BSR、RWS、FOCUSS 以及 WBSS 等方法相比，所提方法整体精度更优，仅在利用先验信息的 WBSS 方法面前略逊，但WBSS计算时间更长。研究人员还指出，由于真实DOA与离散网格之间存在0.1°偏差，RMSE会出现饱和现象，这也解释了其与 Cramer-Rao 下界（CRLB, Cramer-Rao lower bound）之间的差距。

第2组实验比较不同快拍数下的RMSE。结果显示，随着快拍数增加，所提方法的RMSE持续下降，并在约300个快拍时达到当前网格设置下的最优水平，整体表现与WBSS相当且优于其他方法。研究人员将这一现象归因于快拍数增大后采样协方差矩阵更接近理论协方差矩阵，所提取的信号子空间 U_s 也更接近真实信号子空间。

第3组和第4组实验分别比较不同SNR和不同快拍数条件下的分辨成功概率（PR, probability of resolution）。结果表明，所提方法的PR随SNR和快拍数增大而提升；除WBSS外，在全部测试条件下，所提方法均优于其他对比算法，并在4 dB时达到成功概率为1。该结果说明所提方法不仅精度较高，而且在不同噪声和数据量条件下具有较强稳定性。

第5组实验检验不同互耦系数个数下的性能。研究人员设置 P=1、P=2 和 P=3 三种互耦情形，结果显示互耦系数数目越多，估计性能总体越易退化；P=1 时性能相对最佳，P=3 时相对较差。这说明互耦程度增加会加大DOA估计难度，但所提方法在不同互耦长度下仍保持有效。

第6组实验考察不同DOA间隔对估计性能的影响。研究人员固定一个信号方向，改变另一个信号的入射角位置，结果表明，当两个信号间隔较大时，RMSE更低，估计性能更好。该实验说明所提方法更适用于角度间隔较大的目标场景。

第7组实验比较计算时间。结果显示，所提方法与FOCUSS在运行时间上明显快于 SR、BSR 和 RWS，且略快于FOCUSS。研究人员认为，这主要归因于所提方法具有较低的单次迭代复杂度，因此在当前参数设置下具备更高计算效率。

第8组实验比较不同网格尺寸下的计算时间。结果表明，在0.2°至1°的不同网格划分下，所提方法始终保持较快运算速度，整体快于 SR、BSR、RWS、FOCUSS 和 WBSS，并与FOCUSS相当。该结果进一步支持论文关于低复杂度特性的理论分析，也表明所提方法对网格密度变化具有较好的计算适应性。

在讨论部分，论文实际上围绕方法优势与适用边界给出了较明确说明。研究人员强调，所提方法的核心优点在于同时利用了信号子空间和块稀疏先验，在未知互耦条件下避免了对噪声子空间正交性的强依赖，因此能够适应更广泛的场景。同时，类牛顿下降方向规避了传统牛顿法对Hessian正定性的要求，并通过矩阵求逆引理显著压缩了运算成本。论文也指出，该方法的性能与空间网格设置密切相关，过粗网格会带来失配误差并限制RMSE继续下降，而更密集网格虽然可提升精度，但会增加计算负担。此外，信号源数估计的准确性对该方法尤为关键，因为信号子空间的提取直接依赖源数；若源数估计错误，则信号子空间和后续稀疏模型都会偏离真实情况，进而显著影响DOA估计性能。这些讨论均来自正文分析与仿真解释，反映出该方法在精度、稳定性、复杂度之间取得了较为均衡的设计。

研究结论部分可翻译为：本文提出了一种用于稀疏信号恢复并实现未知互耦条件下DOA估计的类牛顿方法。在所提方法中，首先基于信号子空间建立了关于阵列互耦的块稀疏模型；其次，基于映射 ζ(Bˉ) 设计了一种类似牛顿法的新梯度方向，并利用矩阵求逆引理降低其计算复杂度；最后，通过仿真验证了该方法在DOA估计精度方面的优势。

总体而言，该论文的主要学术贡献在于：将未知互耦DOA估计建模为信号子空间上的块稀疏恢复问题；提出适用于非正定Hessian场景的类牛顿优化框架；并通过矩阵求逆引理将高维求逆问题转化为低维计算，从而实现较优精度、较高稳定性与较低复杂度的统一。这些结果表明，所提方法为互耦阵列条件下的高效DOA估计提供了一种具有实用价值的优化思路。