Orthogonal Least Squares with Integrated Information Theoretic Criteria for Joint Number of Targets and DoA Estimation

Resumen Técnico: Mínimos Cuadrados Ortogonales con Criterios Teórico-Informáticos Integrados para la Estimación Conjunta del Número de Objetivos y la DoA

Planteamiento del Problema
En aplicaciones de radar que utilizan arreglos de antenas, estimar la dirección de llegada (DoA) de múltiples objetivos es una tarea fundamental. Aunque los estimadores de Máxima Verosimilitud (MV) pueden teóricamente alcanzar el Límite Inferior de Cramér-Rao (LICR), su complejidad computacional crece exponencialmente con el número de objetivos, volviéndolos inadecuados para operaciones en tiempo real. Los métodos voraces, como los Mínimos Cuadrados Ortogonales (OLS), ofrecen una alternativa computacionalmente eficiente al seleccionar iterativamente las DoA. Sin embargo, las implementaciones estándar de OLS suelen requerir que el número de objetivos ($K$) sea conocido a priori. En la práctica, $K$ es un parámetro desconocido que debe estimarse a partir de los datos.

Los enfoques existentes para estimar $K$ a menudo dependen de reglas de parada de umbral fijo basadas en la energía residual, las cuales son difíciles de ajustar ya que los umbrales óptimos dependen de niveles variables de ruido y señal. Alternativamente, los Criterios Teórico-Informáticos (ITC), como el Criterio de Información de Akaike (AIC) y el Criterio de Información Bayesiano (BIC), proporcionan un marco principiado para la selección del orden del modelo al equilibrar un término de verosimilitud contra una penalización de complejidad. No obstante, la aplicación directa de ITC requiere estimaciones de parámetros MV para cada orden de modelo candidato, lo que reintroduce el costo computacional prohibitivo de las búsquedas multidimensionales.

Metodología
Este artículo propone un marco que integra la selección del orden del modelo ITC directamente en el procedimiento de estimación voraz OLS para estimar conjuntamente el número de objetivos y sus DoA. Los autores desarrollan tres estrategias algorítmicas distintas:

1. ITC-OLS de Rango Disjunto: Este enfoque desacopla las tareas. Primero, el número de objetivos se estima utilizando un ITC basado en rango aplicado a la matriz de covarianza muestral de las señales recibidas. Esta estimación determina el número de iteraciones para un procedimiento OLS estándar posterior que estima las DoA.
2. ITC-OLS de Selección Conjunta: Este método integra el proceso de selección directamente. En lugar de requerir estimaciones MV completas para cada candidato $k$, el algoritmo utiliza las estimaciones OLS voraces en cada paso. Para compensar el hecho de que las estimaciones OLS no son estimaciones MV, se introduce una función objetivo ITC modificada. Esta función incluye un "parámetro de corrección MV" ($\sigma^2_c$), interpretado como un nivel mínimo de varianza de ruido. El algoritmo añade iterativamente un nuevo ángulo de objetivo solo si reduce el valor de la función objetivo ITC, utilizando efectivamente el ITC como un criterio de parada dinámico.
3. ITC-OLS Híbrido de Rango y Selección: Este enfoque combina las fortalezas de los dos anteriores. Primero estima un conteo preliminar de objetivos ($\hat{K}$) utilizando el ITC basado en rango. Luego, el procedimiento OLS se fuerza a seleccionar al menos $\hat{K}$ objetivos. Para las iteraciones más allá de $\hat{K}$, el algoritmo cambia a la lógica de selección conjunta basada en ITC, añadiendo más objetivos solo si mejoran la función objetivo. Este diseño busca aprovechar la robustez de los métodos basados en rango en bajas relaciones señal-ruido (SNR) mientras utiliza la precisión de los métodos basados en selección en SNRs más altos.

Los tres algoritmos se derivan bajo los marcos tanto AIC como BIC. El modelo del sistema asume una configuración de radar pasivo que utiliza tramas de datos desconocidas de Multiplexación por División de Frecuencia Ortogonal (OFDM) desde un punto de acceso, donde el receptor no decodifica los símbolos transmitidos.

Contribuciones Clave
El artículo realiza las siguientes contribuciones específicas:

• Algoritmos Nuevos: La propuesta de tres algoritmos (disjunto, conjunto e híbrido) que combinan exitosamente la estimación del número de objetivos ITC con la estimación de DoA OLS.
• Parámetro de Corrección MV: La introducción de un parámetro ($\sigma^2_c$) dentro de la función objetivo ITC. Esto permite el uso de estimaciones OLS voraces en lugar de estimaciones MV computacionalmente costosas. El parámetro controla la compensación entre la tasa de aciertos y la tasa de falsas alarmas, particularmente en SNRs altos donde los métodos voraces podrían sobreajustarse detectando objetivos espurios.
• Aplicación Práctica: La aplicación de estos métodos a un escenario de radar pasivo utilizando datos OFDM desconocidos, demostrando la viabilidad sin decodificación de símbolos.
• Análisis de Rendimiento: Una evaluación numérica exhaustiva que muestra que el algoritmo híbrido supera consistentemente a las otras variantes y a un método de referencia de umbral fijo.

Resultados
Las simulaciones numéricas, realizadas sobre 10.000 ejecuciones de Monte-Carlo, evaluaron los algoritmos utilizando la estadística J de Youden (la diferencia entre la tasa de aciertos y la tasa de falsas alarmas). Los hallazgos clave incluyen:

• Superioridad del Enfoque Híbrido: El algoritmo ITC-OLS híbrido logró el mejor rendimiento general a través de niveles variables de SNR, números de objetivos y anchos de banda (número de subportadoras). Aprovechó con éxito la complementariedad de las estrategias basadas en rango y basadas en selección.
• AIC vs. BIC: En el escenario evaluado, las variantes basadas en AIC superaron consistentemente a las variantes basadas en BIC.
• Regímenes de SNR:
  • En baja SNR, el método basado en rango disjunto fue superior porque el método basado en selección tendía a detenerse demasiado pronto debido a la dominancia del ruido en la función objetivo.
  • En SNR media a alta, los métodos conjunto e híbrido mejoraron el rendimiento a medida que aumentaba la calidad de las estimaciones de ángulo OLS.
• Ajuste de Parámetros: Se encontró que el parámetro de corrección MV $\sigma^2_c$ es crítico en SNRs altos para prevenir la sobreestimación. Se identificaron valores óptimos alrededor de $-35$ dB para AIC y $-45$ dB para BIC. Se encontró que estos valores son robustos frente a variaciones en el número de símbolos, subportadoras y objetivos, aunque pueden requerir ajuste para diferentes tamaños de arreglos de antenas.

Significado
El artículo afirma que su principal significado radica en cerrar la brecha entre la eficiencia computacional de los métodos voraces OLS y el rigor estadístico de la selección del orden del modelo ITC. Al eludir la necesidad de búsquedas exhaustivas MV, los métodos propuestos permiten la estimación conjunta en tiempo real del conteo de objetivos y la DoA. El enfoque híbrido, en particular, ofrece una solución robusta que se adapta a diferentes regímenes de ruido sin requerir ajuste manual de umbrales, abordando una limitación conocida de las reglas de parada de umbral fijo en sistemas de radar prácticos.