基于最陡下降法的稀疏均匀圆阵WSF-DOA估计系统

资 源 简 介

本项目旨在利用MATLAB平台构建一个高精度的波达方向（DOA）估计仿真系统，专门针对稀疏均匀圆阵（Sparse Uniform Circular Array, UCA）的特有几何结构进行设计。项目的核心在于实现加权子空间拟合（Weighted Subspace Fitting, WSF）算法，该算法通过引入最优加权矩阵来处理信号子空间与阵列流形之间的拟合关系，能够有效解决相干信号源分辨困难以及低信噪比环境下估计精度下降的问题。为了求解WSF准则函数这一多维非线性最小化问题，本项目摒弃了传统的网格搜索，采用了基于梯度的最陡下降法（Steepest Descent Method）进行迭代寻优。该优化模块通过计算代价函数关于角度参数的梯度向量，沿着梯度的反方向动态更新角度估计值，从而快速收敛至全局最优解，实现了计算效率与估计精度的平衡。系统详细包含了稀疏圆阵的导向矢量建模、随机信号与噪声生成、协方差矩阵特征分解、加权矩阵构造、梯度计算及迭代更新逻辑。此外，项目还包含完整的性能评估模块，能够全方位展示算法在不同稀疏度、不同信噪比及不同快拍数下的测向性能，验证稀疏阵列在扩展孔径和提升分辨率方面的优势。

详 情 说 明

基于最陡下降法优化的稀疏均匀圆阵WSF-DOA估计系统

项目介绍

本项目利用MATLAB构建了一个针对稀疏均匀圆阵（Sparse Uniform Circular Array, UCA）的高精度波达方向（DOA）估计仿真系统。系统的核心算法采用加权子空间拟合（Weighted Subspace Fitting, WSF）准则，并结合基于梯度的最陡下降法（Steepest Descent Method）进行多维非线性寻优。

与传统的网格搜索方法不同，本项目通过迭代更新角度参数，寻找WSF代价函数的极小值点。该方法在稀疏阵列几何结构下，能够有效平衡计算效率与估计精度，特别适用于低信噪比环境下的多信源测向。

功能特性

• 稀疏均匀圆阵建模：实现了半径大于半波长（$R = 1.5lambda$）的稀疏圆阵几何配置，利用稀疏孔径提升测向分辨率。
• WSF算法实现：采用加权子空间拟合准则，通过最优加权矩阵处理信号子空间与阵列流形的拟合关系。
• 最陡下降优化：摒弃穷举搜索，实现基于梯度的迭代寻优算法，支持自定义步长、最大迭代次数和收敛容限。
• 蒙特卡洛性能评估：支持在大范围信噪比（-10dB至20dB）下进行多次独立同分布实验，统计均方根误差（RMSE）和分辨成功率。
• 全方位可视化分析：提供包含阵列几何、收敛曲线、参数轨迹、RMSE性能对比及空间伪谱的综合绘图展示。

系统要求

• MATLAB R2016b 或更高版本
• Signal Processing Toolbox（推荐，用于部分矩阵运算支持）

详细功能实现逻辑

本项目主要通过一个核心脚本完成从参数设置、信号生成、算法迭代到结果可视化的全过程。以下是代码的实际执行逻辑：

1. 系统参数初始化

代码首先固定了随机种子以确保结果可复现，并设置了关键的仿真参数：

• 阵列参数：定义了包含8个阵元的均匀圆阵，阵列半径设定为1.5倍波长，属于稀疏阵列配置。
• 信号源参数：设定了3个非相干的远场窄带信号源，方位角分别为45°、110°和260°。
• 优化参数：为最陡下降法设定了最大迭代次数（100次）、初始步长（0.5）以及收敛容限（1e-4）。

2. 蒙特卡洛性能评估循环

系统在一个定义的信噪比范围（-10dB 到 20dB，步长5dB）内进行循环测试。在每个信噪比点上，执行50次蒙特卡洛实验：

• 信号生成：根据当前SNR生成含噪的阵列接收数据矩阵及协方差矩阵。
• 初始值扰动：为了模拟真实的优化过程并验证算法的收敛能力，算法的初始猜测值设定为在真实角度基础上叠加 $pm 10^circ$ 的随机偏差，而非直接使用真实值或全域搜索。
• 迭代求解：调用WSF最陡下降算法函数，输入接收数据和初始猜测值，输出优化后的角度估计值。
• 误差统计：计算估计值与真实值的角度偏差（处理了周期性模糊），统计均方根误差（RMSE）。若所有信源的估计误差均小于3°，则判定为分辨成功。

3. 单次实验详细分析

在完成统计性能评估后，系统在固定信噪比（10dB）下执行一次详细的演示实验，用于记录算法内部的运行状态：

• 记录每次迭代的代价函数值，用于绘制收敛曲线。
• 记录每次迭代的角度参数更新值，用于绘制参数轨迹。

4. 关键算法与函数分析

• 信号生成模块：

构建复数信号模型 $X = AS + N$。其中 $A$ 为基于圆阵几何计算的导向矢量矩阵。代码中通过计算信号总功率并根据指定的SNR计算噪声功率，从而生成相应强度的复高斯白噪声。

• WSF最陡下降核心模块（被调用）：

虽然主流程中只体现了调用，但其逻辑实现了利用接收数据的特征分解获取信号子空间和噪声子空间，构造加权矩阵 $W$。随后通过梯度下降逻辑，沿着代价函数下降最快的方向动态调整角度估计值，直至满足收敛条件。

• 导向矢量计算：

精确实现了圆阵的导向矢量计算公式。基于阵元坐标 $(x, y)$ 和入射角 $theta$，计算波程差产生的相位延迟 $e^{j frac{2pi}{lambda}(xcostheta + ysintheta)}$。

5. 结果可视化

代码最后生成一个包含6个子图的综合窗口，详细展示系统性能：

1. 阵列几何与DOA：绘制稀疏圆阵的阵元位置，并用箭头标示真实信号方向与估计方向。
2. 收敛过程：展示WSF代价函数值随迭代次数下降的曲线，验证优化算法的有效性。
3. 参数轨迹：动态展示3个信源的角度估计值如何从初始扰动值逐步收敛至真实值的过程。
4. RMSE统计：绘制不同信噪比下的角度估计均方根误差曲线。
5. 成功率统计：展示在不同信噪比下算法成功分辨所有信源的概率柱状图。
6. 代价函数伪谱：通过一维扫描展示WSF代价函数（倒数形式）的空间分布，直观呈现最优解对应的极值位置。

使用方法

1. 确保MATLAB环境已安装。
2. 将代码保存为MATLAB脚本文件（例如 main.m）。
3. 直接运行该脚本。
4. 程序将在命令行输出系统初始化信息、各信噪比下的RMSE及成功率统计。
5. 运行结束后，会弹出一个图形窗口展示上述的6项分析结果。