SR-TL1: A Square-Root TL1-Norm Framework for Robust SMV DoA Estimation under Highly-Coherent Dictionaries

技术摘要：用于稳健 SMV 波达方向估计的 SR-TL1 框架

问题陈述
本文解决了在存在高度相干过完备字典以及角度相关阵列缺陷的情况下，使用单次测量向量（SMV）进行波达方向（DoA）估计的挑战。现有的最先进方法在这些设定下面临显著局限性：

• 无网格方法（例如原子范数最小化）：通常假设理想的阵列流形，当存在角度相关误差时会失效。
• 经典子空间方法（例如 MUSIC、ESPRIT）：在单快照条件下性能严重退化，因为当阵列单元具有不同的天线方向图或使用稀疏阵列时，依赖于子阵列平移不变性的空间平滑技术会变得无效。
• 极大似然估计（MLE）：通常假设理想的流形，并且需要先验知识来确定源的数量，这在单次快照情况下难以确定。
• 稀疏恢复方法：虽然基于网格的方法（如稀疏贝叶斯学习 SBL 和 L1-范数 LASSO）可以适应角度相关的缺陷，但它们存在特定的缺点。SBL 由于矩阵求逆而导致计算成本高昂。基于 LASSO 的方法在处理高字典相干性（由降低网格失配的精细角度采样引起）时表现挣扎，并且需要手动调节正则化超参数，而该参数强烈依赖于未知的噪声方差。

方法论
作者提出了 SR-TL1，一个将平方根 LASSO 公式与**变换 L1-范数（TL1-norm）**相结合的稀疏恢复框架。

1. 信号模型：该框架将接收信号 $y$ 建模为受加性白噪声和角度相关增益-相位缺陷影响的导向矢量的线性组合。导向量通过互耦合矩阵和角度相关复系数向量进行了修正。
2. 优化公式：核心目标函数结合了数据拟合项（L2-范数）的平方根与非凸的 TL1-范数惩罚项：
   $$\hat{c} = \arg\min_x \|y - Dx\|_2 + \kappa R(x; \alpha) + \frac{\tilde{\rho}}{2}\|x\|_2^2$$
   这里，$R(x; \alpha)$ 是 TL1 正则项，它根据超参数 $\alpha$ 在 L1-范数和 L0-范数行为之间进行插值。$\tilde{\rho}$ 项确保了算法迭代的有界性。
3. 算法求解：
   • DCA（差分凸算法）：由于该问题是非凸的，作者采用了 DCA。他们将目标函数分解为两个凸函数的差（$f(x) - g(x)$）。在每次迭代中，利用次梯度对非凸部分进行线性化，从而产生一系列凸子问题。
   • ADMM（交替方向乘子法）：由 DCA 生成的凸子问题使用 ADMM 进行高效求解。
   • 高效实现：为了解决 ADMM 更新中大规模矩阵（$N \times N$）求逆的计算瓶颈，作者利用了字典格拉姆矩阵（$D^H D$）的低秩特性。通过利用字典的紧凑奇异值分解（SVD），他们推导出了闭式更新规则，将每次迭代的计算复杂度降低至 $O(MN)$，其中 $M$ 是阵列大小，$N$ 是字典长度。
4. 收敛性：论文提供了关于应用于该特定非凸问题的 DCA 序列收敛至目标函数驻点的理论保证。

核心贡献

• 新颖框架：引入了 SR-TL1 框架，该框架结合了平方根 LASSO 的噪声方差无关性和 TL1-范数在高度相干字典下的卓越恢复性能。
• 超参数鲁棒性：该框架显著降低了正则化参数 $\kappa$ 对噪声方差水平的敏感度，解决了经典 LASSO 和 TL1 方法在单快照场景中的主要局限。
• 算法效率：开发了通过 DCA 和 ADMM 实现的简单闭式更新规则，并结合了利用字典低秩特性的高效实现，从而实现了 $O(MN)$ 的复杂度。
• 理论保证：为应用于该特定非凸问题的 DCA 序列提供了收敛性证明。

实验结果
该框架在不同噪声方差和高度相干字典设置（互相关系数 $\mu(D) \approx 0.9986$）下，针对包括 SBL、平方根 LASSO、经典 LASSO、TL1、L1L2-范数和极小极大凹惩罚（MCP）在内的基准方法进行了评估。

• 检测率（$P_d$）与虚警率（$P_{fa}$）：与 LASSO 和 TL1 相比，SR-TL1 展示了更宽的正则化参数 $\kappa$ 有效调节范围。它在广泛的噪声方差范围内保持了高检测率（$P_d \approx 0.9$）和低虚警率，在中高信噪比（SNR）机制下优于平方根 LASSO 和 TL1。
• RMSE：角度均方根误差（RMSE）与最先进的方法具有竞争力。虽然 SBL 在极高信噪比下显示出最低的 RMSE，但其表现出较高的虚警率。SR-TL1 在低信噪比区域提供了更干净的光谱以及比其他基准方法更好的性能。
• 视觉验证：重建的光谱表明，即使在其他方法无法区分信号源的高噪声方差条件下，SR-TL1 也能有效抑制噪声峰值并保留真实的信号成分。

意义与主张
本文声称，SR-TL1 为具有阵列缺陷和高字典相干性的实际场景下的 SMV DoA 估计提供了一种稳健的解决方案。其主要意义在于将正则化参数与噪声方差解耦，从而简化了在难以估计噪声的单快照设定下的调优过程。作者断言，该框架实现了与 SBL 相当的竞争性恢复性能，但在检测率与虚警率之间具有更有利的权衡，同时保持了适用于大型字典的计算效率。这项工作被视为阵列信号处理领域的一项实用进展，特别是在理想阵列假设不再成立的情况下。