燕學(xué)智， 溫艷鑫， 劉國紅， 陳建

吉林大學(xué) 通信工程學(xué)院， 長春 130022

燕學(xué)智， 溫艷鑫， 劉國紅*， 陳建

吉林大學(xué) 通信工程學(xué)院， 長春 130022

針對寬帶信號的波達(dá)方向(DOA)估計(jì)問題，在稀疏框架下提出一種近似0范數(shù)約束的寬帶信號DOA估計(jì)新算法。首先對寬帶信號進(jìn)行預(yù)處理，得到同一參考頻率點(diǎn)下的接收數(shù)據(jù)，然后對其協(xié)方差矩陣元素進(jìn)行加和平均運(yùn)算，得到一個(gè)低維的觀測向量，并在稀疏框架下進(jìn)行稀疏表示，最后利用截?cái)?函數(shù)設(shè)定權(quán)值，構(gòu)造逼近0范數(shù)約束的稀疏重構(gòu)方法，進(jìn)而重構(gòu)信號，獲得寬帶信號的DOA估計(jì)。仿真結(jié)果表明，相比于傳統(tǒng)的寬帶信號DOA估計(jì)算法，所提算法具有更高的分辨率和估計(jì)精度。

信號處理； 寬帶信號； 稀疏重構(gòu)； DOA估計(jì)；0范數(shù)

近年來，信息技術(shù)飛速發(fā)展，人們對信息的傳播速度及信息容量的要求也越來越嚴(yán)格。寬帶信號因其攜帶信息量大、抗干擾能力強(qiáng)等優(yōu)點(diǎn)，得到越來越多的重視。作為寬帶通信技術(shù)領(lǐng)域的一項(xiàng)重要內(nèi)容，寬帶信號波達(dá)方向(DOA)估計(jì)技術(shù)已成為陣列信號處理領(lǐng)域的熱點(diǎn)研究問題之一[1-4]。

目前，寬帶信號的高分辨率DOA估計(jì)方法主要有兩類：基于非相干信號的處理方法(Incoherent Signals-subspace Method， ISM)[5]和基于相干信號的處理方法(Coherent Signals-subspace Method， CSM)[6]。ISM[5]的主體思想是把寬帶信號分解為不同頻率的若干窄帶信號，然后對每一個(gè)窄帶信號進(jìn)行處理，最后對所有窄帶信號的數(shù)據(jù)進(jìn)行融合，得到寬帶信號的DOA估計(jì)。該算法處理過程簡單，能較好地處理寬帶非相干信號，但未能綜合利用寬帶信息，計(jì)算復(fù)雜度較高。Wang和Kaveh在1985年提出了CSM[6]，利用聚焦變換的思想，將不同頻率點(diǎn)下的窄帶數(shù)據(jù)變換到同一參考頻率點(diǎn)下，消除各窄帶數(shù)據(jù)之間的相關(guān)性，然后運(yùn)用ISM進(jìn)行DOA估計(jì)。該算法分辨率較高，但在信噪比較低、快拍數(shù)有限或信源空間間隔小的情況下估計(jì)效果不佳。

陣列接收信號的空域稀疏性為信源的DOA估計(jì)問題提供了新思路，即在稀疏重構(gòu)的框架下估計(jì)信源入射角度。近年來，稀疏重構(gòu)方法已廣泛應(yīng)用于窄帶DOA估計(jì)[7-11]，并已擴(kuò)展至寬帶信號[12-14]。其中，具有代表性的1-SVD算法[9]是對接收數(shù)據(jù)進(jìn)行奇異值分解，得到信號子空間，并利用二階錐歸化求解優(yōu)化問題。但該算法計(jì)算復(fù)雜度高，且未綜合考慮寬帶信號各子頻數(shù)據(jù)的聯(lián)合稀疏性，在此基礎(chǔ)上，文獻(xiàn)[12-13]提出了寬帶1-SVD算法的拓展算法，實(shí)現(xiàn)了寬帶信號的聯(lián)合稀疏重構(gòu)，降低了計(jì)算復(fù)雜度，但在重構(gòu)過程中，所選懲罰函數(shù)的約束不公平，對大系數(shù)懲罰重于小系數(shù)，導(dǎo)致有偏估計(jì)，影響估計(jì)精度。

1 寬帶信號模型

考慮一個(gè)由M個(gè)陣元組成的均勻線陣，P個(gè)不相關(guān)的寬帶信號以不同的方位角θp(p=1,2,…,P)入射到陣列，假設(shè)各信源在相同的頻帶區(qū)間[fL,fH]上，則第m個(gè)陣元的接收數(shù)據(jù)可表示為

(1)

式中：sp(t)為第p個(gè)信源；dm為第m個(gè)陣元到參考陣元的距離；c為信號的傳播速度；θp為第p個(gè)待估計(jì)的信源角度；nm(t)為第m個(gè)陣元上均值為零、方差為σ2且與各信源互不相關(guān)的噪聲數(shù)據(jù)。

在時(shí)域建立寬帶信號處理模型較為困難，考慮從頻域建立，將觀測時(shí)間內(nèi)的接收數(shù)據(jù)等分為W個(gè)子段，然后對每個(gè)子段數(shù)據(jù)進(jìn)行K點(diǎn)快速傅里葉變換(FFT)變換，則陣列接收數(shù)據(jù)可以表示成K個(gè)不同中心頻率的窄帶數(shù)據(jù)，每個(gè)窄帶信號的采樣點(diǎn)數(shù)為W，即

X(fk)=A(fk,θ)S(fk)+N(fk)k=1,2,…,K

(2)

式中：X(fk)=[X1(fk)X2(fk) …XM(fk)]T，S(fk)=[S1(fk)S2(fk) …SP(fk)]T，fL≤fk≤fH，分別為M×W維和P×W維的矩陣；A(fk,θ)為M×P維的方向矩陣，其表達(dá)式為

A(fk,θ)=

[a(fk,θ1)a(fk,θ2) …a(fk,θP)]

其中：A(fk,θ)的列矢量為M×1的導(dǎo)向量，θ=[θ1θ2…θP]。A(fk,θ)中第p個(gè)信源的陣列流型為

a(fk,θp)=

[1 e-j2πfkd1sin θp/c… e-j2πfkdM-1sin θp/c]T

由此可見，寬帶信號模型本質(zhì)上是對陣列接收信號進(jìn)行頻域采樣，得到對應(yīng)于不同頻率的一系列窄帶數(shù)據(jù)。

2 DOA估計(jì)

基于相干信號的處理方法，其主要思想是將寬帶數(shù)據(jù)分解為頻率不同的若干子帶數(shù)據(jù)，然后把各個(gè)頻率點(diǎn)的數(shù)據(jù)通過聚焦變換，轉(zhuǎn)換成同一頻率點(diǎn)下的數(shù)據(jù)，最后運(yùn)用ISM進(jìn)行DOA估計(jì)。該方法的不足是，在快拍數(shù)少、信噪比較低或信源空間間隔較小時(shí)，不能準(zhǔn)確估計(jì)出信源入射角度。而基于稀疏重構(gòu)的寬帶1-SVD算法及其拓展算法在稀疏重構(gòu)過程中，所選懲罰函數(shù)約束不公平，會導(dǎo)致有偏估計(jì)。針對上述問題，本文提出一種新的基于稀疏重構(gòu)的寬帶信號DOA估計(jì)算法，對寬帶數(shù)據(jù)進(jìn)行預(yù)處理及聚焦變換后，對得到的協(xié)方差矩陣元素進(jìn)行加和平均運(yùn)算，得到集中噪聲能量的低維觀測向量，在稀疏框架下進(jìn)行稀疏表示，并利用TLP懲罰函數(shù)構(gòu)建加權(quán)系數(shù)，增強(qiáng)信號稀疏性，逼近0范數(shù)重構(gòu)信號，獲得更好的估計(jì)精度與角度分辨率。

2.1 觀測模型的建立

假設(shè)第k個(gè)窄帶數(shù)據(jù)的頻率fk對應(yīng)的變換矩陣為T(fk)，則通過對X(fk)作聚焦變換，可得到變換后的數(shù)據(jù)Y(fk)為

Y(fk)=T(fk)X(fk)=

T(fk)A(fk,θ)S(fk)+T(fk)N(fk)=

A(fc,θ)S(fk)+T(fk)N(fk)

(3)

聚焦后相關(guān)數(shù)據(jù)的協(xié)方差矩陣為

(4)

式中：

令

則最終可得

Ry=A(fc,θ)RSAH(fc,θ)+RN

(5)

式中：gk為與信噪比成比例的歸一化權(quán)值，假設(shè)為1；fc為參考頻率。變換矩陣T(fk)應(yīng)滿足的條件為

k=1,2,…,K

s.t.T(fk)TH(fk)=I

(6)

式(6)的解不唯一，這里，選擇

T(fk)=Q(fc)QH(fk)

(7)

參考頻率點(diǎn)的選取十分關(guān)鍵，它的取值應(yīng)使式(8)的聚焦誤差最?。?/p>

k=1,2,…,K

s.t.T(fk)TH(fk)=I

(8)

使得式(8)聚焦誤差最小的條件為

(9)

(10)

Ry的展開表達(dá)式為[15-16]

(11)

式中：

式中：δ(·)為狄拉克函數(shù)；Pp為第p個(gè)信源的能量；Y=[Y(f1)Y(f2) …Y(fK)]；可以看出，Ry(m1,m2)=Ry(n1,n2)，m1-m2=n1-n2；m1,m2,n1,n2∈[1,M]。這表現(xiàn)了Ry的特殊性，且只在主對角線上包含噪聲能量，從而可以通過加和平均變換得到一個(gè)低維的觀測向量，令y為一個(gè)(2M-1)×1的向量，其第i(1≤i≤2M-1)個(gè)元素為

(12)

y的矩陣形式為

y=B(fc,θ)P+σ2I2M-1

(13)

式中：

B(fc,θ)=[b(fc,θ1)b(fc,θ2) …b(fc,θP)]

b(fc,θp)=[ej2πfcdM-1 sin θp/c… 1 …

e-j2πfcdM-1 sin θp/c]T

P=[P1P2…PP]T

I2M-1為(2M-1)×1的向量，它的第M個(gè)元素為1，其他均為0，即新模型只在第M個(gè)元素上包含噪聲，達(dá)到了集中噪聲能量及降維的目的，提高了重構(gòu)精度。

2.2 基于稀疏重構(gòu)的DOA估計(jì)

(14)

(15)

(16)

(17)

式中：W(j-1)=diag(w1,w2,…,wQ)為由TLP懲罰函數(shù)構(gòu)造的加權(quán)向量，即

(18)

式中：ε為遠(yuǎn)小于1的數(shù)；τ為一個(gè)閾值。此時(shí)，式(17)可寫為

(19)

式(16)～式(19)可以借助凸優(yōu)化工具包(如SeDuMi[22]，CVX[23])求解。

(20)

式中：Un為Ry的噪聲子空間，對應(yīng)Ry的M-P個(gè)小特征值。

表1 本文所提算法Table 1 The proposed algorithm

3 仿真實(shí)驗(yàn)

考慮一個(gè)陣元數(shù)為M=8的均勻線陣，假設(shè)寬帶非相關(guān)入射信號具有相同的中心頻率f0=108Hz和信號帶寬Bw=107Hz，相對帶寬為10%，陣元間距d=c/2fH。通過窄帶疊加法產(chǎn)生寬帶信號模型。噪聲為零均值的高斯過程，與信號具有相同的帶寬且與信號相互獨(dú)立，采樣頻率為fs=2fH，信號帶寬被分解為K=8個(gè)子帶。先以1° 間隔對-90°～90° 的空間進(jìn)行粗網(wǎng)格劃分，再在估計(jì)出的角度附近作更細(xì)化分[24]。

DOA估計(jì)的均方根誤差(RMSE)通過200次獨(dú)立的蒙特卡羅仿真實(shí)驗(yàn)獲得，其定義為

(21)

實(shí)驗(yàn)1角度分辨率性能分析

考慮兩個(gè)空間間隔較小的信源，入射角度分別為15° 和20°，信噪比SNR=10 dB，快拍數(shù)L=512，圖1為不同算法的空間譜估計(jì)結(jié)果，可以看出，所提算法有兩個(gè)明顯的譜峰，分別對應(yīng)仿真條件設(shè)定的兩個(gè)寬帶信號的入射角度，能準(zhǔn)確分辨出兩個(gè)信號，角度分辨率較高；而CSM算法估計(jì)性能大幅下降，只有一個(gè)平緩的譜峰，且譜峰位置偏離信號入射角度，未能準(zhǔn)確估計(jì)出信源。圖2為入射角度為θ1=-10°，θ2=20°，信噪比SNR=-20 dB時(shí)不同算法的空間譜，容易看出，CSM算法譜峰十分平緩，較難準(zhǔn)確地分辨信號的入射角度，而所提算法在低信噪比下仍能很好地分辨信號，分辨性能優(yōu)于其他對比算法。圖3(a)為不同算法的角度分辨率隨SNR的變化關(guān)系，入射角度為θ1=10°，θ2=24°，快拍數(shù)L=512。圖3(b)為不同算法的角度分辨率隨角度間隔的變化關(guān)系，第1個(gè)信源的入射角度固定為θ1=-10°，第2個(gè)信源的入射角度θ2由-9° 以1° 間隔變化到5°，信噪比SNR=10 dB。每個(gè)SNR和角度間隔下均進(jìn)行200次獨(dú)立的蒙特卡羅實(shí)驗(yàn)?？梢钥闯觯?dāng)信噪比較低或信源空間間隔較小時(shí)，CSM算法角度分辨率較低，分辨性能大幅下降，而所提算法仍能以相對高的分辨概率準(zhǔn)確估計(jì)出信源DOA信息，具有更高的角度分辨率。

實(shí)驗(yàn)2角度估計(jì)精度性能分析

圖1 不同算法的空間譜Fig.1 Space spectrum of different algorithms

圖2 SNR=-20 dB時(shí)不同算法的空間譜 Fig.2 Space spectrum of different algorithms (SNR=-20 dB)

圖3 角度分辨率隨SNR和角度間隔的變化Fig.3 Angular resolution along with change of SNR and angle interval

考慮入射角度分別為θ1=-30° 和θ2=20°的兩個(gè)寬帶信號，信噪比SNR=10 dB，快拍數(shù)L=24，所提算法和CSM算法仿真結(jié)果如圖4所示，可以看出，所提算法和CSM算法在少快拍數(shù)情況下進(jìn)行DOA估計(jì)，所提算法具有較高的估計(jì)精度，而CSM算法空間譜較為平緩，幾乎無法分辨信源入射角度。

圖4 少快拍下不同算法的空間譜 Fig.4 Space spectrum of different algorithms under little snapshots

圖5 RMSE隨信噪比和快拍數(shù)的變化 Fig.5 RMSE along with change of SNR and snapshots

圖5(a)為不同算法DOA估計(jì)的RMSE隨信噪比的變化關(guān)系，采樣點(diǎn)數(shù)固定為L=512，信噪比SNR從-10 dB變化到10 dB。圖5(b)為不同算法DOA估計(jì)的RMSE隨快拍數(shù)的變化關(guān)系，信噪比固定為SNR=10 dB，快拍數(shù)L從128變化到1 024。每個(gè)SNR和快拍均進(jìn)行200次獨(dú)立的蒙特卡羅實(shí)驗(yàn)。可以看出，所提算法的RMSE曲線明顯低于CSM算法及文獻(xiàn)[13]的算法，說明所提算法在相同的信噪比或快拍數(shù)條件下，估計(jì)性能優(yōu)于對比算法，具有更高的估計(jì)精度及噪聲魯棒性。

4 結(jié) 論

針對寬帶信號的DOA估計(jì)問題，在稀疏信號重構(gòu)框架下提出了一種近似0范數(shù)約束的寬帶信號DOA估計(jì)新算法。

1) 算法的重構(gòu)計(jì)算復(fù)雜度與寬帶信號分頻處理時(shí)的子頻個(gè)數(shù)無關(guān)，可避免在稀疏重構(gòu)框架下進(jìn)行寬帶信號DOA估計(jì)時(shí)存在的重構(gòu)計(jì)算量大的問題。

3) 與CSM算法相比，所提算法在低信噪比、小樣本或信源空間間隔較小等場合，能夠獲得均方根誤差更小的DOA估計(jì)結(jié)果，具有更高的角度分辨率和估計(jì)精度。

[1] KRIM H, VIBERG M. Two decades of array signal processing research: The parametric approach[J]. IEEE Signal Processing Magazine, 1996, 13(4): 67-94.

[2] YADAR A K, SANTOSH S. Comparison of different wideband DOA estimation methods[C]//2015 IEEE International Conference on Computational Intelligence and Computing Research(ICCIC). Piscataway, NJ: IEEE Press, 2015: 1-4.

[3] 鄧佳欣, 廖桂生, 楊志偉, 等. 基于虛擬孔徑擴(kuò)展的子帶信息融合寬帶DOA估計(jì)[J]. 系統(tǒng)工程與電子技術(shù), 2016, 38(2): 245-250.

DENG J X, LIAO G S, YANG Z W, et al. Subband information fusion for wideband DOA estimation based on virtual array[J]. System Engineering and Electronics, 2016, 38(2): 245-250 (in Chinese).

[4] 金勇, 黃建國, 張立杰. 寬帶信號近似最大似然方位估計(jì)快速算法[J]. 航空學(xué)報(bào), 2008, 29(5): 1264-1268.

JIN Y, HUANG J G, ZHANG L J. DOA estimation fast algorithm for wideband sources[J]. Acta Aeronautica et Astronautica Sinica, 2008, 29(5): 1264-1268 (in Chinese).

[5] WAX M, SHAN T J, KAILATH T. Spatio-temporal spectral analysis by eigenstructure methods[J]. IEEE Transactions on Acoustics, Speech, and Signal Processing, 1984, 32(4): 817-827.

[6] WANG H, KAVEH M. Coherent signal-subspace processing for the detection and estimaton of angles of muliple wide-band sources[J]. IEEE Transactions on Acoustics, Speech, and Signal Processing, 1985, 33(4): 823-831.

[7] CUI W, QIAN T, TIAN J. Enhanced covariances matrix sparse representation method for DOA estimation[J]. Electronics Letters, 2015, 51(16): 1288-1290.

[8] 沈志博, 趙國慶, 董春曦, 等. 基于壓縮感知的頻率和DOA聯(lián)合估計(jì)算法[J]. 航空學(xué)報(bào), 2014, 35(5): 1357-1364.

SHEN Z B, ZHAO G Q, DONG C X, et al. United frequency and DOA estimation algorithm based on compressed sensing[J]. Acta Aeronautica et Astronautica Sinica, 2014, 35(5): 1357-1364 (in Chinese).

[9] MALIOUTOV D, CETIN M, WILLSKY A S. A sparse signal reconstruction perspective for source localization with sensor arrays[J]. IEEE Transaction on Signal Processing, 2005, 53(8): 3010-3022.

[10] TIAN Y, SUN X Y, ZHAO S S. Sparse-reconstruction-based direction of arrival, polarisation and power estimation using a cross-dipole array[J]. IET Radar, Sonar & Navigation, 2015, 9(6): 727-731.

[11] HYDER M M, MAHATA K. A robust algorithm for joint sparse recovery[J]. IEEE Signal Processing Letters, 2009, 16(12): 1091-1094.

[12] LIU Z C, WANG X L, ZHAO G H, et al. Wideband DOA estimation based on sparse representation—An extension of1-SVD in wideband cases[C]//IEEE International Conference on Signal Processing, Communication and Computing (ICSPCC). Piscataway, NJ: IEEE Press, 2013: 1-4.

[13] 趙永紅, 張林讓, 劉楠, 等. 一種新的基于稀疏表示的寬帶信號DOA估計(jì)方法[J]. 電子與信息學(xué)報(bào), 2015, 37(12): 2935-2940.

ZHAO Y H, ZHANG L R, LIU N, et al. A novel method of DOA estimation for wideband signals based on sparse representation[J]. Journal of Electronics & Information Technology, 2015, 37(12): 2935-2940 (in Chinese).

[14] 劉寅, 吳順君, 吳明宇, 等. 基于空域稀疏性的寬帶DOA估計(jì)[J]. 航空學(xué)報(bào), 2012, 33(11): 2028-2038.

LIU Y, WU S J, WU M Y, et al. Wideband DOA estimation based on spatial sparseness[J]. Acta Aeronautica et Astronautica Sinica, 2012, 33(11): 2028-2038 (in Chinese).

[15] TIAN Y, SUN X Y, ZHAO S S. DOA and power estimation using a sparse representation of second-order statistics vector and0-norm approximation[J]. Signal Process, 2014, 105: 98-108.

[16] 田野, 孫曉穎, 秦宇鏑. 基于兩步加權(quán)1范數(shù)約束的高分辨率波達(dá)方向和功率估計(jì)[J]. 電子與信息學(xué)報(bào), 2014, 36(7): 1637-1641.

TIAN Y, SUN X Y, QIN Y D. High-resolution direction of-arrival and power estimation using two-stage weighted1-norm penalty[J]. Journal of Electronics & Information Technology, 2014, 36(7): 1637-1641 (in Chinese).

[17] CANDES E J, TAO T. Decoding by linear programming[J]. IEEE Transactions on Information Theory, 2005, 51(12): 4203-4215.

[18] CANDES E J. The restricted isometry property and its implications for compressed sensing[J]. Comptes Redus Matematique, 2008, 346(9-10): 589-592.

[19] DONOHO D L, ELAD M, TEMLYAKOV V. Stable recovery of sparse overcomplete representation in the presence of noise[J]. IEEE Transactions on Information Theory, 2006, 52(1): 6-18.

[20] XU X, WEI X, YE Z. DOA estimation based on sparse signal recovery utilizing weighted1-norm penalty[J]. IEEE Signal Processing Letters, 2012, 19(3): 155-158.

[21] FAN J, LI R. Variable selection via nonconcave penalized likelihood and its oracle properties[J]. Journal of American Statistical Association, 2001, 96(456): 1348-1360.

[22] STURM J. Using SeDuMi 1.02, a MATLAB toolox for optimization over svmmetric cones[J]. Optimization Method and Software, 1999, 11(1-4): 625-653.

[23] GRANT M, BOYD S, YE Y. Cvx: Matlab software for disciplined convex programming[EB/OL]. (2008-06-07)[2016-08-26]. http://cvxr.com/cvx.

[24] 陳建, 田野, 孫曉穎. 基于陣列協(xié)方差矩陣向量稀疏表示的高分辨波達(dá)方向估計(jì)[J]. 吉林大學(xué)學(xué)報(bào): 工學(xué)版, 2014, 44(2): 485-489.

CHEN J, TIAN Y, SUN X Y. High resolution direction-of-arrival estimation based on a sparse representation of array covariance matrix column vectors[J]. Journal of Jilin University(Engineering and Technology Edition), 2014, 44(2): 485-489 (in Chinese).

(責(zé)任編輯： 蘇磊)

Broadband signal DOA estimation based on sparse representationand0-norm approximation

YANXuezhi,WENYanxin,LIUGuohong*,CHENJian

CollegeofCommunicationEngineering,JilinUniversity,Changchun130022,China

Based on0-norm approximation, an efficient algorithm is proposed to deal with the localization of the broadband signal under the sparse framework. First, by preprocessing broadband signal, the

data under the same frequency is obtained. Then a sum-average operation to array covariance matrix elements of the received data is made in order to get a low dimensional observation vector and the sparse representation of the new model under sparse framework is built. Finally, exploiting truncated1function as the weight coefficients to construct0-norm penalty sparse reconstruction method and then reconstruct the broadband signal to obtain DOA estimation. The simulation results demonstrate that comparing to the traditional broadband signal DOA estimate algorithms, the proposed algorithm is able to provide higher resolution and estimation accuracy.

signal processing; broadband signal; sparse reconstruction; DOA estimation;0-norm

2016-08-26；Revised2016-10-08；Accepted2016-12-12；Publishedonline2016-12-211128

URL：www.cnki.net/kcms/detail/11.1929.V.20161221.1128.002.html

s：NationalKeyResearchandDevelopmentProgramofChina(2016YFB1001304)；NationalNaturalScienceFoundationofChina(61171137)

2016-08-26；退修日期2016-10-08；錄用日期2016-12-12； < class="emphasis_bold">網(wǎng)絡(luò)出版時(shí)間

時(shí)間：2016-12-211128

www.cnki.net/kcms/detail/11.1929.V.20161221.1128.002.html

國家重點(diǎn)研發(fā)計(jì)劃 (2016YFB1001304)； 國家自然科學(xué)基金 (61171137)

*

.E-mailliugh10@mails.jlu.edu.cn

燕學(xué)智， 溫艷鑫， 劉國紅， 等． 基于稀疏表示和近似0范數(shù)約束的寬帶信號DOA估計(jì)J． 航空學(xué)報(bào),2017,38(6):320705.YANXZ,WENYX,LIUGH,etal.BoardbandsignalDOAestimationbasedonsparserepresentationand0-normapproximationJ.ActaAeronauticaetAstronauticaSinica,2017,38(6):320705.

http://hkxb.buaa.edu.cnhkxb@buaa.edu.cn

10.7527/S1000-6893.2016.320705

V247； TN911.7

A

1000-6893(2017)06-320705-08

*Correspondingauthor.E-mailliugh10@mails.jlu.edu.cn