[pt] ALGORITMOS DE SENSORIAMENTO COMPRESSIVO PARA ESTIMAÇÃO DE DIREÇÃO COM ARRANJOS LINEARES NÃO-UNIFORMES

• Ano de defesa: 2020
• Autor(a) principal: WESLEY SOUZA LEITE
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: MAXWELL
• Palavras-chave em Português: [pt] ESTIMACAO DE PARAMETROS; [pt] SENSORIAMENTO COMPRESSIVO; [pt] ARRANJO NAO UNIFORME; [pt] SISTEMAS DE ARRANJOS DE SENSORES; [pt] ESTIMACAO DE DIRECAO; [en] PARAMETER ESTIMATION; [en] COMPRESSIVE SENSING; [en] NON UNIFORM ARRAYS; [en] SENSOR ARRAY SYSTEMS; [en] DIRECTION FINDING
• Link de acesso: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=49485&idi=1; https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=49485&idi=2; http://doi.org/10.17771/PUCRio.acad.49485

[pt] O problema de estimação de direção (DoA) de chegada é um importante tópico de pesquisa em áreas como radar, sonar, sismologia, vigilância eletrônica e comunicações sem fio. Este trabalho teve como principal resultado o desenvolvimento de um novo algoritmo que combina o método da máxima verossimilhança (ML) estocástica com o algoritmo ganancioso de busca ortogonal (OMP), comumente empregado em recuperação esparsa com Sensoriamento Compressivo (CS). Muito embora técnicas ML sejam consideradas ótimas em termos de erro médio quadrático, atingindo o limitante inferior de Cramér-Rao (CRLB), o menor limitante inferior para a variância do estimador, estas técnicas demandam de modo significante, às vezes inexequível, os recursos computacionais. Por outro lado, a partir de uma variante esparsa da equação de aquisição de dados, o problema de encontrar a solução mais esparsa possível de sistemas de equações subdeterminados com o algoritmo OMP tem sido empregado de modo satisfatório para encontrar as estimativas de direção, porém com muitas oportunidades de melhoria em casos com cenários sujeitos a condições severas. Por exemplo, cenários com acoplamento eletromagnético (EM), baixa razão sinal-ruído (SNR) e um número limitado de amostras temporais disponíveis. O estimador de direção proposto, baseado em coarranjo diferença, denominado OMP com Máxima Verossimilhança Baseado em Lista (LBML-OMP), apresentou uma melhora significativa no processo de estimação em comparação com técnicas tradicionais e modernas, tais como: OMP, Técnica de Limiar Iterativa (IHT) e Classificação de Múltiplos Sinais Espacialmente Suavizados (SS-MUSIC). A técnica proposta utiliza uma lista de candidatos gerada a partir da solução do algoritmo OMP original e decide pelo melhor a partir de uma busca limitada utilizando o estimador ML estocástico, o que justifica seu uso em cenários práticos. Para a amostragem dos sinais no ambiente, arranjos lineares não-uniformes clássicos e modernos foram empregados, tais como Arranjos Aninhados de Segunda Ordem (NAQ2), Arranjos Aninhados de Segunda Ordem Aperfeiçoados (SNAQ2), Arranjos de Redundância Mínima (MRA) e Arranjos Coprimos (CPA). Além disso, a estimação foi realizada considerando-se o efeito do acoplamento EM e ruído. Ainda, um novo modelo para estimação de direção em coarranjo diferença foi desenvolvido. Este modelo considera o número de amostras temporais finitas (não-assintótico) e mostrou melhora significativa quando do seu emprego no processo de estimação de direção de todos os algoritmos considerados, não apenas o LBML-OMP, evidenciando fontes secundárias de erro no modelo original estabelecido. De forma a complementar o trabalho, um algoritmo de atenuação de ruído chamado OMP aleatorizado (RandOMP) foi utilizado para aumentar a precisão da estimação em cenários com condições de ruído severas. Neste sentido, as contribuições deste trabalho estão relacionadas principalmente ao desenvolvimento de um novo algoritmo e um novo modelo de transformação em coarranjo diferença de modo a melhorar as estimativas de direção das fontes com arranjos lineares não-uniformes. Além disso, enfatiza-se o emprego de diferentes geometrias para as simulações, tornando-se evidente o impacto da posição dos sensores nas curvas de raiz quadrada do erro médio quadrático (RMSE).