【DOA估计】突破算力瓶颈！超快速线谱估计算法来袭，精度效率双在线【附MATLAB代码】-平芜编程栈

突破算力瓶颈！超快速线谱估计算法来袭，精度效率双在线

一、题目

超快速线谱估计

二、摘要

近年来，诸多研究通过稀疏估计技术的离网格扩展来解决线谱估计问题。这类方法的优势在于能自动估计模型阶数，因而优于传统线谱估计算法，但它们的计算时间均随问题规模至少呈三次方增长，这限制了其在大维度场景中的实际应用。为解决这一问题，本文提出一种低复杂度线谱估计算法，该算法同样借鉴了稀疏估计的思想。基于贝叶斯视角，本文证明信号协方差矩阵具有托普利兹（Toeplitz）结构，从而可采用超快速托普利兹矩阵求逆技术。实验表明，该算法的估计精度不低于现有方法，且计算速度提升了数个数量级。

三、引言

线谱估计（LSE）问题在研究领域已受到广泛关注逾40年。其核心原因在于，信号处理中的诸多基础问题均可转化为线谱估计问题，例如传感器阵列的波达方向估计、合成孔径雷达的方位角与距离估计、无线通信中的信道估计以及分子动力学中的原子系统模拟等。

在求解线谱估计问题时，传统方法包括子空间法（如MUSIC、ESPRIT），这类方法基于信号协方差矩阵的估计结果来求解频率，但其需额外结合模型阶数估计方法（如AIC、BIC、SORTE准则）。若已知模型阶数，子空间法性能优异，但模型阶数未知时，估计精度会显著下降。随机最大似然（ML）方法虽具有渐近有效性（问题规模趋于无穷时可达克拉美-罗界），但同样需要已知模型阶数。

受稀疏估计和压缩感知思想的启发，近年来出现了大量基于稀疏性的线谱估计算法。这类方法通过将频率限制在网格上，将线谱估计转化为有限稀疏重构问题，从而自动估计模型阶数，规避了传统方法中模型阶数与频率分离估计的问题。但网格粒度会导致精度与计算量之间的复杂权衡，为此研究者提出了离网格压缩感知方法，其在无噪声且满足最小分离条件下可保证频率恢复，但即使对于中等规模问题，计算量依然过大。

部分研究从贝叶斯视角出发，在随机ML模型中引入稀疏促进先验，实现了模型阶数的自动估计，且估计精度较高，但这类算法的每轮迭代计算复杂度随正弦分量数量呈三次方增长，导致分量数量增加时运行时间急剧上升。

针对上述问题，本文提出适用于完整测量向量场景的超快速线谱估计算法（Superfast LSE）。该算法基于现有贝叶斯方法的建模思路，核心创新在于计算层面的优化，融合了超快速托普利兹矩阵求逆、低复杂度卡彭波束形成、戈伯格-塞门库尔公式（Gohberg-Semencul formula）和非均匀快速傅里叶变换（NUFFT）等技术。其优势在于：可自动估计噪声方差、模型阶数等所有模型参数，每轮迭代计算复杂度为O(N log²N)（N为观测向量长度），且迭代次数少（通常少于20次），在大尺度问题中计算时间较现有方法降低数个数量级，同时不损失估计精度。此外，本文还提出适用于不完全测量向量场景的半快速算法（Semifast LSE），其每轮迭代复杂度为O(NÎK²+N log N)（ÎK为估计的正弦分量数），且收敛迭代次数少于同类算法。

四、方法简介

1. 核心建模思路

算法基于贝叶斯推断，构建包含Kmax（≥真实模型阶数K）个分量的估计模型，通过二进制激活变量z控制分量的激活/失活，有效模型阶数由激活分量数量决定。观测模型为y=A(θz)αz+w，其中A(θ)=ΦΨ(θ)，Ψ(θ)为傅里叶向量构成的矩阵，Φ为测量矩阵（完整数据时为单位矩阵，不完全数据时为对角矩阵的行子集），w为高斯白噪声。

2. 目标函数与优化方法

通过边际似然推导目标函数L，采用块坐标下降法最小化L，实现变量（z,θ）和模型参数（β,γ,ζ）的估计：

激活变量z：通过单最可能替换（SMLR）检测器实现分量的激活与失活，激活时需满足信噪比与方差约束，避免伪分量；
频率θ与分量方差γ：采用有限记忆BFGS（L-BFGS）算法优化，通过对角近似初始化海森矩阵提升收敛速度；
激活概率ζ：基于激活分量数量与Kmax的比值更新，约束ζ≤1/2以促进稀疏；
噪声方差β：通过期望最大化（EM）算法优化，利用上界最小化保证目标函数不递增。

3. 低复杂度计算实现

完整数据场景（Superfast LSE）：利用协方差矩阵的托普利兹结构，基于戈伯格-塞门库尔公式实现超快速求逆，结合NUFFT、FFT等技术，将每轮迭代复杂度降至O(N log²N)；
不完全数据场景（Semifast LSE）：基于伍德伯里矩阵求逆公式分解C⁻¹，结合NUFFT计算关键矩阵，每轮迭代复杂度为O(NÎK²+N log N)；
多测量向量（MMV）扩展：将单测量向量模型推广至多观测场景，保持模型结构与优化逻辑一致，计算复杂度扩展为O(N log²N+GN log N)（G为观测向量数）。