浅海非高斯噪声下基于变分贝叶斯推断的波达角估计

冯晓; 周明章; 张学波; 叶焜; 王俊峰; 孙海信

doi:10.11999/JEIT211284

浅海非高斯噪声下基于变分贝叶斯推断的波达角估计

doi: 10.11999/JEIT211284

1.
厦门大学信息学院厦门 361005
2.
西北师范大学兰州 730070
3.
天津理工大学集成电路科学与工程学院天津 300384

基金项目: 国家自然科学基金(61971362)

详细信息

作者简介:
冯晓：女，1987年生，博士生，研究方向为水声阵列信号处理

周明章：男，1995年生，博士生，研究方向为水声通信

张学波：男，1986年生，副教授，研究方向为水声阵列信号处理

叶焜：男，1996年生，博士生，研究方向为水声阵列信号处理

王俊峰：男，1979年生，助理教授，研究方向为水声通信

孙海信：男，1977年生，教授，研究方向为水声通信与信号处理

通讯作者:
张学波　xuebo_zhang@sina.cn

中图分类号: TN929.3; TN911.7
计量
- 文章访问数: 909
- HTML全文浏览量: 501
- PDF下载量: 145
- 被引次数: 0
出版历程
- 收稿日期: 2021-11-17
- 修回日期: 2022-02-28
- 录用日期: 2022-03-03
- 网络出版日期: 2022-03-07
- 刊出日期: 2022-06-21

Variational Bayesian Inference Based Direction Of Arrival Estimation in Presence of Shallow Water Non-Gaussian Noise

1.
College of Information, Xiamen University, Xiamen 361005, China
2.
Northwest Normal University, Lanzhou 730070, China
3.
College of Integrated Circuit Science and Engineering, Tianjin University of Technology, Tianjin 300384, China

Funds: The National Natural Science Foundation of China (61971362)

摘要

摘要: 传统基于高斯统计特性的波达角(DOA)估计方法在高斯背景噪声中可以获得较好的估计性能，然而受脉冲噪声影响的浅海环境噪声不再服从高斯分布，若直接利用传统波达角估计方法会引入较大误差。为提升非高斯噪声环境下的波达角估计性能，该文提出一种浅海非高斯噪声下的基于变分贝叶斯推断的波达角估计方法。首先利用信号与脉冲噪声的稀疏性构建多测量向量稀疏信号恢复(SSR)模型；其次，考虑信号的共稀疏特性与脉冲噪声的独立稀疏性，构建层次化贝叶斯估计框架；然后利用变分贝叶斯推断估计信号与噪声的后验概率估计。稀疏信号模型中考虑离网格误差，利用根稀疏贝叶斯估计实现离网格误差修正，解决离网格误差引起的基失配问题；最后通过迭代更新获得较为精确的波达角估计，同时消除脉冲噪声的影响。仿真结果表明：所提方法在非高斯噪声环境下具有较好的波达角估计性能，同时对于脉冲噪声具有较强的抗干扰特性。
- 波达角估计 /
- 贝叶斯估计 /
- 变分贝叶斯推断 /
- 脉冲噪声
Abstract: Conventional Direction Of Arrival (DOA) estimators achieve satisfactory performance with the common assumptions of Gaussian noise. However, the impulsive noise exists in the shallow water extensively and does not follow the Gaussian distribution, which induce undesirable biases and degrade the performance of the conventional estimators. In the paper, a new DOA estimation method based on variational Bayesian inference in presence of shallow water non-Gaussian noise is proposed to improve the DOA estimation performance. Firstly, the multiple measurement vectors Sparse Signal Representation (SSR) model is formulated utilizing the sparsity of signal and impulsive noise. After that, the hierarchical Bayesian estimation framework is formulated which considers the common sparsity of signal and the independent sparsity of impulsive noise. Subsequently, the variational Bayesian inference is utilized to achieve the posterior estimations for the signal and impulsive noise. The SSR model incorporates the off-grid bias, and the root sparse Bayesian learning realizes to refine the bias and mitigate the basis mismatches. At last, the accurate DOA estimation is achieved through iterative updates and the effects of impulsive noise are mitigated. Simulations are used to verify that the proposed estimator achieves superior performance compared with state-of-art benchmarks.
- Direction Of Arrival (DOA) estimation /
- Sparse Bayesian learning /
- Variational Bayesian inference /
- Impulsive noise

HTML全文

1. 引言

紫外(UltraViolet, UV)波长在200～280 nm的波段，由于臭氧分子的强烈吸收作用，使得该波段的紫外光在近地面几乎衰减为零，称该波段为“日盲区”^[1]。无线紫外光通信主要利用该波段的紫外光作为载体，通过大气分子、气溶胶等微粒的散射作用进行信息的传递^[2]，具有非直视(Non-Line-Of-Sight, NLOS)、高保密性、低窃听率、抗干扰能力强等优点，特别适用于无人机编队飞行、海军舰艇编队、陆军装甲编队、导弹车车队在无线电静默和复杂环境下的军事隐秘通信^[3,4]。但由于紫外光的散射通信以及大气湍流的偏折作用，大气信道衰减严重、接收信号微弱、具有高路径损耗等，使得紫外光通信传输距离有限^[5]。因此，通过多跳中继方式来延长无线紫外光通信距离成为研究的热点。

目前已有学者对紫外光多跳中继通信进行了相关研究，文献[6]在紫外光通信网中通过多跳中继方式增加了通信范围，并节省了功率消耗。文献[7]研究了紫外光多跳中继通信中节点连通问题，适当调整节点密度、发射功率和数据速率，使得紫外光多跳中继通信网络中中继孤立节点存在的概率趋近于零。文献[8]针对紫外光通信中光源器件发射功率受限和大气信道衰减严重造成传输距离近的问题，提出采用多跳中继方式构建紫外光长距离通信链路，提高了系统功率利用率。文献[9]研究结果表明，选择合适的无线紫外光通信系统配置对提高多跳中继通信系统性能是至关重要的。

上述研究都是建立在节点等距离分布下的性能研究，而对于紫外光多跳中继通信系统中节点随机分布的最优跳数问题研究较少。文献[10]为减少无线传感器网络节点的能量消耗，使用紫外光作为信息载体，在等距离分布下得出了使能量消耗最低的最优跳数表达式。但研究未考虑紫外光通信系统配置问题，而紫外光通信的整体性能高度依赖于系统配置，特别是收发仰角^[9]。因此，本文基于无线紫外光非直视单次散射模型，研究了车队中车辆在随机分布状态下无线紫外光多跳中继通信的收发仰角与最优跳数的关系，根据信道容量和路径损耗得出两者之间的近似表达式，并分析了不同收发仰角下的系统性能。

2. 无线紫外光多跳中继通信系统模型

2.1 无线紫外光非直视单次散射模型分析

由于大气对紫外光强散射作用，使紫外光通信信道能够构成非直视通信链路。实际中紫外光通信是多次散射的，但在短距离通信中，单次散射传输为主^[11]，因此本文以单次散射模型作为研究基础。紫外光单次散射模型如图1所示^[12]，β_T是发射仰角，β_R是接收仰角，θ_T是发散角，θ_R是接收视场角，V是有效散射体，θ_S是散射角，r是收发端基线距离。

图 1 无线紫外光非直视单次散射通信模型

下载: 全尺寸图片幻灯片

发射端T_X以β_T和θ_T的角度向空间发射光信号，光信号在有效散射体V内散射后，接收端R_X以β_R和θ_R的角度进行光信号接收，则紫外光单次散射通信的接收光功率为^[12]

$\begin{split} {P_r}=\,& \frac{{{P_{\rm{t}}}{A_{\rm{r}}}{K_{\rm{s}}}{P_{\rm{s}}}{\theta _{\rm{R}}}\theta _{\rm{T}}^2\sin ({\beta _{\rm{T}}}+{\beta _{\rm{R}}})}}{{32{{\rm{\pi }}^3}r\sin {\beta _{\rm{T}}}\left(1 - \cos \dfrac{{{\theta _{\rm{T}}}}}{2}\right)}} \\ & \cdot \exp \left[ { - \frac{{{K_{\rm{e}}}r(\sin {\beta _{\rm{T}}}+\sin {\beta _{\rm{R}}})}}{{\sin ({\beta _{\rm{T}}}+{\beta _{\rm{R}}})}}} \right] \end{split}$

(1)

其中，P_t是发射光功率，A_r是接收孔径面积，K_s是大气散射系数，P_s是散射角θ_s的相函数，K_e是大气信道衰减系数，且K_e=K_a+K_s, K_a是大气吸收系数。

非直视紫外光散射通信的路径损耗可表示为发射光功率与接收光功率的比值，如式(2)所示

$\begin{split} L=\frac{{{P_{\rm{t}}}}}{{{P_{\rm{r}}}}}=\,& \frac{{32{{\rm{\pi }}^3}r\sin {\beta _{\rm{T}}}\left(1 - \cos \dfrac{{{\theta _{\rm{T}}}}}{2}\right)}}{{{A_{\rm{r}}}{K_{\rm{s}}}{P_{\rm{s}}}{\theta _{\rm{R}}}\theta _{\rm{T}}^2\sin ({\beta _{\rm{T}}}+{\beta _{\rm{R}}})}} \\ & \cdot \exp \left[ {\frac{{{K_{\rm{e}}}r(\sin {\beta _{\rm{T}}}+\sin {\beta _{\rm{R}}})}}{{\sin ({\beta _{\rm{T}}}+{\beta _{\rm{R}}})}}} \right] \end{split}$

(2)

式(2)为路径损耗计算表达式，只适用于收发仰角较小的状态，当收发仰角较大时，不再适用于分析非直视紫外光散射通信。而在实际应用中当通信距离小于1 km时，通常采用路径损耗简化公式^[13]

$L=\xi {r^\alpha }$

(3)

其中， $\xi$ 是路径损耗因子， $\alpha$ 是路径损耗指数，其都是与收发仰角有关的参数。

2.2 无线紫外光多跳中继节点随机分布结构模型

本文研究的紫外光多跳通信结构模型，考虑1维N跳网络结构且每跳的距离是随机性的，其无线紫外光多跳中继节点随机分布模型如图2所示，当 ${r_1}={r_2}= ··· ={r_N}={d / N}$ 时，即为等距离分布。紫外光多跳中继通信系统有一个源节点S，一个目的节点D, N–1个中继节点R_i (i=1, 2, ···, N–1)，且R_i随机分布在S到D的距离范围内。假设所有节点采用半双工通信方式，考虑经典N跳时分解码转发协议，每个中继节点R_i接收R_i–1发送的信息，并解码转发到R_i+1节点。

图 2 无线紫外光多跳中继节点随机分布模型

下载: 全尺寸图片幻灯片

假设中继节点位置是独立随机变量，并设X_i是第i个中继节点在S到D间的随机位置，则X_i的概率密度函数为^[14]

$f({X_i}) = \left\{ \begin{aligned} &\frac{1}{{r\delta }},\ \ r\left(i - \frac{\delta }{2}\right) \le {X_i} \le r \left(i + \frac{\delta }{2}\right)\\ &0,\quad {\text{其他}} \end{aligned} \right.$

(4)

其中，r=d/N是等分距离，d是S到D的实际距离， $\delta \in \left[ {0,1} \right]$ 是随机偏移范围，其表征中继节点位置的随机性或者不确定性。

定义 ${r_i}={X_i} - {X_{i - 1}}(i=2,3, ··· ,N - 1)$ ，特别地， ${r_1}={X_1}$ , ${r_N}=d - {X_{N - 1}}$ ，则r_i的累积分布函数表示为

对于i=1或N时，

$F({r_i})=\left\{ \begin{aligned} & 0,\qquad {r_i} \le r \left(1 - \frac{\delta }{2}\right) \\ & \frac{1}{{r\delta }}\left({r_i} - r\left(1 - \frac{\delta }{2}\right)\right),\\ & \qquad \ \ \; r\left(1 - \frac{\delta }{2}\right) \le {r_i} \le r\left(1+\frac{\delta }{2}\right) \\ & 1,\qquad {r_i} \ge r\left(1+\frac{\delta }{2}\right) \end{aligned} \right.$

(5)

对于i=2, 3, ···, N–1时，

$F({r_i})=\left\{ \begin{aligned} & 0, \quad\quad {r_i} \le r(1 - \delta ) \\ & \frac{1}{2}{\left(\frac{1}{{r\delta }}\right)^2}{\left[ {{r_i} - r(1 - \delta )} \right]^2},\\ & \quad\quad \ \ \; r(1 - \delta ) \le {r_i} \le r \\ & \frac{1}{2}{\left(\frac{1}{{r\delta }}\right)^2}{\left[ {r(1+\delta ) - {r_i}} \right]^2},\\ & \quad\quad \ \ \; r \le {r_i} \le r(1+\delta ) \\ & 1, \quad\quad {r_i} \ge r(1+\delta ) \end{aligned} \right.$

(6)

3. 无线紫外光多跳中继节点随机分布最优跳数分析

根据紫外光NLOS单次散射模型，其紫外光通信在量子极限条件下的信噪比为^[12]

${\gamma _{{\rm{SNR}} }}=\frac{{{\eta _f}{\eta _r}{P_{\rm{t}}}\lambda }}{{2{\rm{hc}}BL}}=\mu {\xi ^{ - 1}}{r^{ - \alpha }}$

(7)

其中， $\mu =\dfrac{{{\eta _f}{\eta _r}{P_{\rm{t}}}\lambda }}{{2{\rm{hc}}B}}$ , ${\eta _f}$ 和 ${\eta _r}$ 分别表示滤光片透过率和光电倍增管(Photo Multiplier Tube, PMT)探测效率， $\lambda$ 是紫外波长，h是普朗克常数，c是光速， $B=\dfrac{{{K_{\rm{e}}}{\rm{c}}}}{{2{\rm{\pi }}}}$ 是紫外光通信信道带宽。

利用香农公式可以计算出紫外光NLOS通信的信道容量^[12]，则紫外光单跳通信的频谱效率为

${\eta _{\rm{sh}}}={\log _2}(1+\mu {\xi ^{ - 1}}{d^{ - \alpha }})$

(8)

在源节点到目的节点等距离分布N跳通信传输时，假设在任何时间点上只有一个节点进行传输，即在接收端无干扰，且每个节点在1/N时间传输相同的信息量，则每跳频谱效率是单跳通信的N倍，其等距离分布的频谱效率为

${\eta _{\rm{eq}}}=\frac{1}{N}{\log _2}\left( {1+\mu {\xi ^{ - 1}}{{\left(\frac{d}{N}\right)}^{ - \alpha }}} \right)$

(9)

从式(9)可以看出频谱效率与跳数和收发仰角有关，因此研究使用近似理想路径路由计算方法^[15]，通过最大化频谱效率得到紫外光多跳中继通信系统节点等距离分布下的最优跳数近似表达式为

${N_{\rm{op}}}={\rm{argmax}} {\eta _{{\rm{eq}} }} \approx {\left[ {{{\left( {\frac{{{2^\varepsilon } - 1}}{\gamma }} \right)}^{{1 / \alpha }}}} \right]_+}$

(10)

其中， $\varepsilon =\dfrac{{\alpha +w( - \alpha {{\rm{e}}^{ - \alpha }})}}{{\ln 2}}$ 是仅取决于路径损耗指数的常数， $w( \cdot )$ 是郎伯W函数的主分支^[16], $\gamma =\mu {\xi ^{ - 1}}{d^{ - \alpha }}$ 是单跳情况下的接收信噪比。

从式(10)可以看出最优跳数受到收发仰角的影响，在基于等距离分布的分析下，对中继节点随机分布时最优跳数进行了分析。在节点随机分布时，系统性能将取决于N跳中最长的一跳^[17]，则在此情况下频谱效率度量将是最长一跳距离上的平均值，如式(11)所示

$\overline \eta =\mathop {\rm{E}}\limits_{{r_{\max }}} \left[ {\frac{1}{N}{{\log }_2}(1+\mu {\xi ^{ - 1}}r_{\max }^{ - \alpha })} \right]$

(11)

其中， ${r_{\max }}=\mathop {\max }\limits_{i=1, \cdots ,N} {r_i}$ , ${\rm{E}}\left[ \cdot \right]$ 是期望算子。

为了求解节点随机分布下最优跳数值，需要求得 $\overline \eta$ 的闭合表达式，由式(5)和式(6)的累积分布函数可得

$r \le {r_{\max }} \le r(1+\delta )$

(12)

对式(11)应用Jensen不等式 ${\rm{E}}[f(x)] \ge f({\rm{E}}[x])$ ，则式(11)变换如式(13)所示

${\rm{E}}\left[ {{{\log }_2}(1 + \mu {\xi ^{ - 1}}r_{\max }^{ - \alpha })} \right] \ge {\log _2}(1 + \mu {\xi ^{ - 1}}{({\rm{E}}\left[ {{r_{\max }}} \right])^{{ - \alpha }}})$

(13)

根据式(13)，联合式(11)和式(12)求解得到 $\overline \eta$ 的上下界

$\begin{split} & \frac{1}{N}{\log _2}(1+\mu {\xi ^{ - 1}}\left( {\frac{d}{N}(1+\delta ){)^{ - \alpha }}} \right) \le \overline \eta \\ & \le \frac{1}{N}{\log _2}\left( {1+\mu {\xi ^{ - 1}}{{(\frac{d}{N})}^{ - \alpha }}} \right) \end{split}$

(14)

根据等距离分布最优跳数近似值的分析过程，求解式(14)的 $\overline \eta$ 下界最大化，即节点随机分布的最优跳数近似求解式如式(15)所示

$N_{\rm{op}}^{'} \approx {\left[ {{{\left( {\frac{{{2^\varepsilon } - 1}}{{{\gamma ^{'}}}}} \right)}^{{1 / \alpha }}}} \right]_+}$

(15)

其中， ${\gamma {'}}=\mu {\xi ^{ - 1}}{d^{ - \alpha }}{(1+\delta )^{ - \alpha }}$ 是最大距离单跳情况下节点随机分布的接收信噪比。

在节点随机分布情况下，通过式(15)求解得到的最优跳数值是源节点到目的节点多跳中继通信中的最大值。当 $\delta =0$ 时，式(15)等于式(10)，最优跳数值达到最小值，即紫外光通信链路的频谱效率有最大值。

4. 仿真结果及分析

4.1 仿真实验参数设置

通常在车队中车辆与车辆之间的距离根据车速应保持在30～100 m，而整个车队的最大距离不超过1～3 km^[18]。基于此参数规定和最优跳数的分析，对节点等距离分布和随机分布的两种情况进行了仿真分析。其仿真实验的主要参数见表1。

表 1 系统主要仿真参数

参数	数值
紫外波长	260 nm
PMT探测效率	0.3
滤光片透过率	0.6
吸收系数	0.802×10^–3 m^–1
米氏散射系数	0.284×10^–3 m^–1
瑞利散射系数	0.266×10^–3 m^–1
普朗克常数h	6.6×10^–34

下载: 导出CSV

| 显示表格

4.2 节点等距离分布最优跳数仿真分析

在车队中车辆等间隔匀速运动时，通常满足节点等距离分布状态，即 $\delta =0$ 。根据不同收发仰角下 $\xi$ 和 $\alpha$ 的取值分析^[14]，在P_t=30 mW, d=500 m和等距离分布情况下，本文对β_T<β_R, β_T=β_R和β_T>β_R 3种不同状态的收发仰角的单跳通信、多跳通信和最优跳通信进行了仿真，在d=500 m的多跳通信中，设定最大通信跳数为9跳，即车队有10辆车辆，其他仿真参数如表1所示，分析了3种通信方式的性能。从图3、图4和图5可以看出，当发射功率大于18 mW时，针对不同的收发仰角求得的最优跳数值都要比单跳通信和9跳通信获得较好的通信传输能力。

图 3 β_T=10°, β_R=40°的3种通信方式对比

下载: 全尺寸图片幻灯片

图 4 β_T=β_R=30°的3种通信方式对比

下载: 全尺寸图片幻灯片

图 5 β_T=40°, β_R=20°的3种通信方式对比

下载: 全尺寸图片幻灯片

另外，对比分析了相同最优跳数值下的不同收发仰角的频谱效率。从图6(a)和图6(b)可以看出，在相同最优跳数值下，紫外光通信的收发仰角对通信传输能力有着较大的影响。并且在紫外光多跳中继通信系统中，当有相同跳数时，使用小发射仰角和大接收仰角，能够使紫外光多跳通信系统获得更好的通信性能。

图 6 相同N_op下的不同收发仰角频谱效率

下载: 全尺寸图片幻灯片

基于等距离分布模型的分析结果，将本文等距离分布下的最大频谱效率计算方法与最优能量计算方法进行对比分析。在β_T<β_R的紫外光几何结构配置下，不同方法下最优跳数和通信传输能力的对比情况如图7和图8所示。从图7可以看出两种方法的效果能够基本达到一致。当发射仰角固定时，增大接收仰角角度，其最优跳数随着通信距离的增加，最大频谱效率计算方法比最优能量计算方法的跳数值多一个数量级。

图 7 最优跳数对比

下载: 全尺寸图片幻灯片

图 8 两种方法传输能力对比

下载: 全尺寸图片幻灯片

图8是根据图7中d=600 m时的最优跳数的分界点值的性能对比。此时，最大频谱效率计算方法最优跳数为6，最优能量计算方法最优跳数为5。从图8可以看出，当采用小功率传输时，最大频谱效率计算方法的通信传输能力优于最优能量计算方法，同时也达到节约功率的需求。在等距离分布模型下，当源节点到目的节点的通信距离确定时，根据无线紫外光通信的收发仰角得到适当的中继数，能够使整体通信传输能力达到最大。

4.3 节点随机分布最优跳数仿真分析

当车队在行驶中根据路况和调配信息，随时调整车速，此过程导致车队处于非匀速状态，不再满足等距离分布。本节对节点随机分布下的最优跳数进行了仿真分析。主要仿真参数如表1所示，在发射功率P_t=30 mW, S到D的距离d=500 m下，对比分析了不同随机偏移范围下的不同收发仰角的频谱效率与跳数的关系。从图9(a)、图9(b)、图9(c)和图9(d)可以看出，在紫外光多跳通信系统中，随着 $\delta$ 的增加系统总体性能呈下降趋势。并且不同收发仰角在不同随机偏移范围下，都存在一个使总体系统的频谱效率下界达到最大值的最优跳数值。通过图9进一步可以看出在紫外光中继通信系统中，使用小发射仰角和大接收仰角系统配置，能够使紫外光多跳通信系统获得更好的传输能力。

图 9 不同距离移位范围的频谱效率

下载: 全尺寸图片幻灯片

为进一步说明随机分布模型的实际应用，本文在P_t=30 mW和 $\delta =0.2$ 下，对比分析了β_T<β_R和β_T>β_R下的收发端距离变化的频谱效率与跳数的关系，如图10所示。从图10可以看出，频谱效率随着跳数的增加存在最大值，并且随着S到D距离的增加，当达到最优跳数时，频谱效率不再随着跳数的增加有较大的变化。进一步说明当紫外光长距离通信时，并不是跳数越多其通信性能就越好。

图 10 不同S到D距离的频谱效率

下载: 全尺寸图片幻灯片

5. 结束语

本文针对车队中车辆在等距离和随机分布状态下的最优跳数进行了研究。基于非直视紫外光单次散射模型、信道容量和路径损耗，依据使频谱效率最大化原则，得出计算收发仰角与频谱效率的近似关系表达式。通过分析等距离分布最优跳数，求得随机分布的最优跳数近似表达式。仿真结果表明，收发仰角影响着紫外光多跳中继通信系统的最优跳数。不同随机偏移范围和不同收发仰角都对应特定的最优跳数，与最优能量计算方法相比，最大频谱效率计算方法在发射功率小于25 mW时有更好的信息传输能力，并达到节约功率的需求。在紫外光长距离通信时，选取合适的中继数及小发射仰角和大接收仰角的几何结构配置，不仅能够提高车队间无线紫外光多跳中继通信系统的传输能力，也满足车队间保持稳定可靠的隐秘通信需求。

图 1 不同噪声下的空间谱估计

下载: 全尺寸图片幻灯片

图 2 不同GSNR下的DOA估计性能比较

下载: 全尺寸图片幻灯片

图 3 不同SNR下的DOA估计性能比较

下载: 全尺寸图片幻灯片

图 4 浅海噪声样本示例

下载: 全尺寸图片幻灯片

图 5 浅海噪声下的仿真DOA估计RMSE

下载: 全尺寸图片幻灯片

表 1 浅海噪声参数拟合

噪声模型	参数	1	2	3	4	5	6
${{{\rm{S}}\alpha {\rm{S}}} }$ 噪声	$\alpha$	1.3401	1.4369	1.3767	1.5134	1.1419	1.6236
	$\chi$	0.0224	0.0455	0.0308	0.2085	0.0538	-0.0021
	$\gamma$	0.8838	0.9349	0.9543	0.8637	1.1959	0.6863
	$\psi$	0.0478	0.0567	0.0376	0.1197	0.1803	-0.0253
GMM噪声	$\mu$	0.0828	0.0735	0.0838	0.0962	0.1430	0.0632
	$\sigma _1^2$	1.7591	1.8785	1.9661	1.4830	2.9481	1.0192
	$\kappa$	132	91.2	76.78	35.6	91.32	145

下载: 导出CSV

参考文献(31)

[1]	WU Wenqian, GAO Xiqi, SUN Chen, et al. Shallow underwater acoustic massive MIMO communications[J]. IEEE Transactions on Signal Processing, 2021, 69: 1124–1139. doi: 10.1109/TSP.2021.3050037
[2]	CHEN Wen, ZHANG Wen, WU Yanqun, et al. Joint algorithm based on interference suppression and Kalman filter for bearing-only weak target robust tracking[J]. IEEE Access, 2019, 7: 131653–131662. doi: 10.1109/ACCESS.2019.2940956
[3]	ZHANG Xuebo, WU Haoran, SUN Haixin, et al. Multireceiver SAS imagery based on monostatic conversion[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2021, 14: 10835–10853. doi: 10.1109/JSTARS.2021.3121405
[4]	ZHANG Xuebo, YANG Peixuan, TAN Cheng, et al. BP algorithm for the multireceiver SAS[J]. IET Radar, Sonar & Navigation, 2019, 13(5): 830–838. doi: 10.1049/iet-rsn.2018.5468
[5]	ZHANG Xuebo, YANG Peixuan, and DAI Xuntao. Focusing multireceiver SAS data based on the fourth-order legendre expansion[J]. Circuits, Systems, and Signal Processing, 2019, 38(6): 2607–2629. doi: 10.1007/s00034-018-0982-6
[6]	ZHANG Xuebo, YING Wenwei, YANG Peixuan, et al. Parameter estimation of underwater impulsive noise with the Class B model[J]. IET Radar, Sonar & Navigation, 2020, 14(7): 1055–1060. doi: 10.1049/iet-rsn.2019.0477
[7]	ZHANG Xuebo, YING Wenwei, and YANG Bo. Parameter estimation for class a modeled ocean ambient noise[J]. Journal of Engineering and Technological Sciences, 2018, 50(3): 330–345. doi: 10.5614/j.eng.technol.sci.2018.50.3.2
[8]	ZHOU Mingzhang, WANG Junfeng, FENG Xiao, et al. On generative-adversarial-network-based underwater acoustic noise modeling[J]. IEEE Transactions on Vehicular Technology, 2021, 70(9): 9555–9559. doi: 10.1109/TVT.2021.3102302
[9]	MAHMOOD A, CHITRE M, and VISHNU H. Locally optimal inspired detection in snapping shrimp noise[J]. IEEE Journal of Oceanic Engineering, 2017, 42(4): 1049–1062. doi: 10.1109/JOE.2017.2731058
[10]	CHITRE M A, POTTER J R, and ONG S H. Optimal and near-optimal signal detection in snapping shrimp dominated ambient noise[J]. IEEE Journal of Oceanic Engineering, 2006, 31(2): 497–503. doi: 10.1109/JOE.2006.875272
[11]	WANG Shuche, HE Zhiqiang, NIU Kai, et al. New results on joint channel and impulsive noise estimation and tracking in underwater acoustic OFDM systems[J]. IEEE Transactions on Wireless Communications, 2020, 19(4): 2601–2612. doi: 10.1109/TWC.2020.2966622
[12]	PELEKANAKIS K and CHITRE M. Adaptive sparse channel estimation under symmetric alpha-stable noise[J]. IEEE Transactions on Wireless Communications, 2014, 13(6): 3183–3195. doi: 10.1109/TWC.2014.042314.131432
[13]	TSAKALIDES P and NIKIAS C L. The robust covariation-based MUSIC (ROC-MUSIC) algorithm for bearing estimation in impulsive noise environments[J]. IEEE Transactions on Signal Processing, 1996, 44(7): 1623–1633. doi: 10.1109/78.510611
[14]	LIU T H and MENDE J M. A subspace-based direction finding algorithm using fractional lower order statistics[J]. IEEE Transactions on Signal Processing, 2001, 49(8): 1605–1613. doi: 10.1109/78.934131
[15]	ZENG Wenjun, SO H C, and HUANG Lei. ℓ_p-MUSIC: Robust direction-of-arrival estimator for impulsive noise environments[J]. IEEE Transactions on Signal Processing, 2013, 61(17): 4296–4308. doi: 10.1109/tsp.2013.2263502
[16]	王汗青, 王平波, 王树宗. 基于SαS分布的水声信号自适应波束形成算法[J]. 船海工程, 2012, 41(4): 165–167. doi: 10.3963/j.issn.1671-7953.2012.04.045 WANG Hanqing, WANG Pingbo, and WANG Shuzong. Adaptive beam-forming algorithm for underwater acoustic signal based on α-Stable distribution[J]. Ship &Ocean Engineering, 2012, 41(4): 165–167. doi: 10.3963/j.issn.1671-7953.2012.04.045
[17]	ZHA Daifeng and QIU Tianshuang. Underwater sources location in non-Gaussian impulsive noise environments[J]. Digital Signal Processing, 2006, 16(2): 149–163. doi: 10.1016/j.dsp.2005.04.008
[18]	MADADI Z, ANAND G V, and PREMKUMAR A B. 3-D source localization in shallow ocean with non-Gaussian noise using a linear array of acoustic vector sensors[C]. 2012 11th International Conference on Information Science, Signal Processing and their Applications (ISSPA), Montreal, Canada, 2012: 1353–1358.
[19]	SHI Yunmei, MAO Xingpeng, QIAN Cheng, et al. Robust relaxation for coherent DOA estimation in impulsive noise[J]. IEEE Signal Processing Letters, 2019, 26(3): 410–414. doi: 10.1109/LSP.2018.2889913
[20]	ZHANG Jiacheng, QIU Tianshuang, and LUAN Shengyang. Robust sparse representation for DOA estimation with unknown mutual coupling under impulsive noise[J]. IEEE Communications Letters, 2020, 24(7): 1455–1458. doi: 10.1109/LCOMM.2020.2983038
[21]	SHI Yunmei, MAO Xingpeng, ZHAO Chunlei, et al. Underdetermined DOA estimation for wideband signals via joint sparse signal reconstruction[J]. IEEE Signal Processing Letters, 2019, 26(10): 1541–1545. doi: 10.1109/LSP.2019.2937381
[22]	GEMBA K L, NANNURU S, and GERSTOFT P. Robust ocean acoustic localization with sparse Bayesian learning[J]. IEEE Journal of Selected Topics in Signal Processing, 2019, 13(1): 49–60. doi: 10.1109/JSTSP.2019.2900912
[23]	TIPPING M E. Sparse Bayesian learning and the relevance vector machine[J]. The Journal of Machine Learning Research, 2001, 1: 211–244. doi: 10.1162/15324430152748236
[24]	DAS A. Real-valued sparse Bayesian learning for off-grid direction-of-arrival (DOA) estimation in ocean acoustics[J]. IEEE Journal of Oceanic Engineering, 2021, 46(1): 172–182. doi: 10.1109/JOE.2020.2981102
[25]	DAS A. Deterministic and Bayesian sparse signal processing algorithms for coherent multipath directions-of-arrival (DOAs) estimation[J]. IEEE Journal of Oceanic Engineering, 2019, 44(4): 1150–1164. doi: 10.1109/JOE.2018.2851119
[26]	DAS A and SEJNOWSKI T J. Narrowband and wideband off-grid direction-of-arrival estimation via sparse Bayesian learning[J]. IEEE Journal of Oceanic Engineering, 2018, 43(1): 108–118. doi: 10.1109/JOE.2017.2660278
[27]	DAI Jisheng and SO H C. Sparse Bayesian learning approach for outlier-resistant direction-of-arrival estimation[J]. IEEE Transactions on Signal Processing, 2018, 66(3): 744–756. doi: 10.1109/TSP.2017.2773420
[28]	TZIKAS D G, LIKAS A C, and GALATSANOS N P. The variational approximation for Bayesian inference[J]. IEEE Signal Processing Magazine, 2008, 25(6): 131–146. doi: 10.1109/msp.2008.929620
[29]	WAN Qian, DUAN Huiping, FANG Jun, et al. Robust Bayesian compressed sensing with outliers[J]. Signal Processing, 2017, 140: 104–109. doi: 10.1016/j.sigpro.2017.05.017
[30]	YANG Zai, XIE Lihua, and ZHANG Cishen. Off-grid direction of arrival estimation using sparse Bayesian inference[J]. IEEE Transactions on Signal Processing, 2013, 61(1): 38–43. doi: 10.1109/tsp.2012.2222378
[31]	DAI Jisheng, BAO Xu, XU Weichao, et al. Root sparse Bayesian learning for off-grid DOA estimation[J]. IEEE Signal Processing Letters, 2017, 24(1): 46–50. doi: 10.1109/lsp.2016.2636319

施引文献

资源附件(0)

访问统计

图(5) / 表(1)

计量

文章访问数: 909
HTML全文浏览量: 501
PDF下载量: 145
被引次数: 0

1. 引言
2. 无线紫外光多跳中继通信系统模型
2.1 无线紫外光非直视单次散射模型分析
2.2 无线紫外光多跳中继节点随机分布结构模型
3. 无线紫外光多跳中继节点随机分布最优跳数分析
4. 仿真结果及分析
4.1 仿真实验参数设置
4.2 节点等距离分布最优跳数仿真分析
4.3 节点随机分布最优跳数仿真分析
5. 结束语

1. 引言
2. 无线紫外光多跳中继通信系统模型
2.1 无线紫外光非直视单次散射模型分析
2.2 无线紫外光多跳中继节点随机分布结构模型
3. 无线紫外光多跳中继节点随机分布最优跳数分析
4. 仿真结果及分析
4.1 仿真实验参数设置
4.2 节点等距离分布最优跳数仿真分析
4.3 节点随机分布最优跳数仿真分析
5. 结束语

参考文献(31)

施引文献

资源附件(0)

访问统计

姓名
邮箱
手机号码
标题
留言内容
验证码

留言板

浅海非高斯噪声下基于变分贝叶斯推断的波达角估计

doi: 10.11999/JEIT211284

通讯作者:
张学波　xuebo_zhang@sina.cn

计量

Variational Bayesian Inference Based Direction Of Arrival Estimation in Presence of Shallow Water Non-Gaussian Noise

1. 引言

2. 无线紫外光多跳中继通信系统模型

2.1 无线紫外光非直视单次散射模型分析

2.2 无线紫外光多跳中继节点随机分布结构模型

3. 无线紫外光多跳中继节点随机分布最优跳数分析

4. 仿真结果及分析

4.1 仿真实验参数设置

4.2 节点等距离分布最优跳数仿真分析

4.3 节点随机分布最优跳数仿真分析

5. 结束语

计量

目录

1. 引言

2. 无线紫外光多跳中继通信系统模型

2.1 无线紫外光非直视单次散射模型分析

2.2 无线紫外光多跳中继节点随机分布结构模型

3. 无线紫外光多跳中继节点随机分布最优跳数分析

4. 仿真结果及分析

4.1 仿真实验参数设置

4.2 节点等距离分布最优跳数仿真分析

4.3 节点随机分布最优跳数仿真分析

5. 结束语

留言板

浅海非高斯噪声下基于变分贝叶斯推断的波达角估计

doi: 10.11999/JEIT211284

通讯作者: 张学波 xuebo_zhang@sina.cn

计量

出版历程

Variational Bayesian Inference Based Direction Of Arrival Estimation in Presence of Shallow Water Non-Gaussian Noise

1. 引言

2. 无线紫外光多跳中继通信系统模型

2.1 无线紫外光非直视单次散射模型分析

2.2 无线紫外光多跳中继节点随机分布结构模型

3. 无线紫外光多跳中继节点随机分布最优跳数分析

4. 仿真结果及分析

4.1 仿真实验参数设置

4.2 节点等距离分布最优跳数仿真分析

4.3 节点随机分布最优跳数仿真分析

5. 结束语

计量

出版历程

目录

1. 引言

2. 无线紫外光多跳中继通信系统模型

2.1 无线紫外光非直视单次散射模型分析

2.2 无线紫外光多跳中继节点随机分布结构模型

3. 无线紫外光多跳中继节点随机分布最优跳数分析

4. 仿真结果及分析

4.1 仿真实验参数设置

4.2 节点等距离分布最优跳数仿真分析

4.3 节点随机分布最优跳数仿真分析

5. 结束语

通讯作者:
张学波　xuebo_zhang@sina.cn