无网格DOA估计：结构化协方差与SBL网格细化技术

1. 项目概述

在阵列信号处理领域，波达方向(DOA)估计一直是个经典问题。传统基于网格的方法存在"网格失配"问题，而无网格方法通过连续参数空间建模能有效解决这一痛点。这个项目实现了两种创新性无网格DOA估计方案：基于最大似然估计(MLE)的结构化协方差恢复方法和稀疏贝叶斯学习(SBL)网格细化技术。

实测表明，相比传统MUSIC和Capon算法，我们的方法在低信噪比(SNR)、小快拍数场景下仍能保持优异的估计精度。特别是在信号源角度间隔小于瑞利限时，仍可实现稳定分辨。

2. 核心算法原理

2.1 结构化协方差恢复方法

传统DOA估计依赖样本协方差矩阵，但在小样本情况下会出现性能恶化。我们通过构建如下结构化协方差模型：

R(θ) = A(θ)PA^H(θ) + σ^2I

其中：

• A(θ) = [a(θ1),...,a(θK)] 为阵列流形矩阵
• P = diag(p1,...,pK) 为信号功率矩阵
• σ^2 为噪声功率

通过最大似然估计求解以下优化问题：

min ||R̂ - R(θ)||_F^2

其中R̂为样本协方差矩阵。我们采用交替优化策略：

1. 固定θ，更新P和σ^2
2. 固定P和σ^2，更新θ

2.2 SBL网格细化技术

稀疏贝叶斯学习通过层级先验构建稀疏模型：

p(y|α) = ∫ p(y|x)p(x|α)dx

其中α为超参数，控制x的稀疏性。我们采用以下迭代步骤：

1. 初始化：在粗网格上构建字典矩阵A
2. E-step：计算后验均值μ和协方差Σ
3. M-step：更新超参数α
4. 网格细化：在非零支撑附近加密网格
5. 重复2-4直至收敛

3. MATLAB实现详解

3.1 结构化协方差恢复实现

matlab复制function [theta_est, P_est, sigma2_est] = structured_cov_doa(X, theta_init)
    % X: N x M 数据矩阵 (N阵元, M快拍)
    % theta_init: 初始角度猜测
    
    [N, M] = size(X);
    R_hat = X*X'/M;  % 样本协方差
    
    % 交替优化
    max_iter = 100;