Resumen

En este trabajo se propone una máquina vectorial de relevancia (RVM) basada en el filtrado espacial para separar las fuentes coherentes y estimar sus direcciones de llegada (DOA), con los parámetros del filtro y las estimaciones DOA inicializadas y refinadas a través del aprendizaje bayesiano disperso. El RVM se utiliza para explotar la dispersión espacial de las señales incidentes y obtener una mejor adaptabilidad a escenarios muy exigentes, como una baja relación señal-ruido (SNR), instantáneas limitadas y fuentes espacialmente adyacentes, y los filtros espaciales se introducen para mejorar la convergencia global del RVM original en el caso de fuentes coherentes. El método propuesto se adapta a una geometría de array arbitraria, y los resultados de la simulación muestran que supera a los métodos existentes en cuanto a rendimiento de estimación del DOA.

• Materias:Redes de telecomunicaciones Radiofrecuencia Radar Teoría de Antenas Dieléctricos
• Subjects:Telecommunications networks Radio frequency Radar Antenna theory Dielectrics
• Palabras claves:fuente coherente, aprendizaje bayesiano disperso, escenario muy exigente, geometría de array arbitraria, los métodos propuestos se adaptan, rendimiento de la estimación doa, máquina vectorial de relevancia, estimaciones doa, rvm, filtro espacial
• Keywords:coherent source, sparse bayesian learning, much demanding scenario, arbitrary array geometry, proposed methods adapts, doa estimation performance, relevance vector machine, doa estimates, rvm, spatial filter