本发明涉及无线定位，特别涉及一种基于增广music的半被动智能反射表面辅助下的doa估计方法。
背景技术：
1、随着现代无线通信系统的快速发展，精确的目标定位和方向估计技术在许多领域中具有重要意义，例如无人驾驶、雷达、无线通信及智能交通等。传统的方向估计方法主要基于多重信号分类(multiple signal classification，music)算法，该方法在阵列天线结构下实现了良好的方向估计性能。然而，该方法在复杂环境下面临诸多挑战，如多径效应、非视距传播、以及低信噪比场景的性能下降问题。
2、近年来，半被动智能反射表面的引入为无线通信和定位领域提供了新的可能性。半被动智能反射表面通过对反射信号进行编程式调控，可以显著增强信号的传播路径，尤其是在存在遮挡或信号衰落的情况下。然而，传统的music算法未能充分利用半被动智能反射表面系统中的角度相关信息，尤其是被动反射阵元(passive reflecting elements，pres)所包含的潜在角度信息，导致doa(direction of arrival，波达角)估计性能未能达到理论最优。
3、为了解决上述问题，近年来提出了基于原子范数最小化(atomic normminimization，anm)的方法。anm利用信号的稀疏特性，通过凸优化技术重构目标信号。然而，anm方法的计算复杂度较高，且在实际应用中需要对优化参数进行精细调整，这对实时处理能力提出了较高要求。特别是在半被动智能反射表面辅助的系统中，anm算法在高精度估计方面表现优异，但其复杂度使其在大规模系统中不具备实际推广性。
4、在此背景下，为了弥补music和anm算法各自的不足，亟需一种既能够充分利用半被动智能反射表面辅助系统中的角度信息，又能在保证计算复杂度适中的情况下提高doa估计精度的新算法。
技术实现思路
1、本发明提供一种基于增广music的半被动智能反射表面辅助下的doa估计方法，能够结合传统music算法的低复杂度特点，同时通过对半被动智能反射表面辅助系统中蕴含信息的有效利用，显著提升了复杂环境中的doa估计性能。此外，通过引入自适应加权机制，进一步优化了信号的利用效率，在平衡精度与复杂度方面表现突出。
2、本发明实施例提供一种基于增广music的半被动智能反射表面辅助下的doa估计方法，包括以下步骤：
3、步骤1，构造半被动智能反射表面辅助的doa估计模型，获取所述半被动智能反射表面辅助的doa估计模型中主动传感器阵列的接收信号；
4、步骤2，计算所述主动传感器阵列的接收信号的协方差矩阵，对协方差矩阵进行特征分解得到特征值、信号子空间、噪声子空间，根据分解的特征值估计噪声功率；
5、步骤3，计算所述主动传感器阵列的接收信号的gram矩阵，对gram矩阵进行特征分解得到特征值、信号子空间、噪声子空间，根据分解的特征值估计噪声功率；
6、步骤4，利用步骤2和步骤3得到的噪声子空间、信号子空间以及噪声功率估计值构造代价函数，对所述代价函数进行谱峰搜索得到波达角估计结果。
7、可选地，在本发明的一个实施例中，在步骤1中，所述半被动智能反射表面辅助的doa估计模型中配备的被动反射阵列与主动传感阵列均为均匀线阵，且阵元数分别为mr和ms，基站与被动反射阵列之间的信道表示为：
8、
9、其中，上标h表示共轭转置，表示信道损耗，λ为信号波长，db2r为基站与智能反射表面之间的距离，θb2r和分别表示被动反射阵列上的波达角与基站的离开角，ar和ab分别表示被动反射阵列和基站的阵列响应矢量；
10、对于一个阵元间距为半波长的均匀线阵，在给定角度θ时，阵列响应矢量的第i个元素表示成ej(i-1)πsinθ，其中j表示虚数单位，被动反射阵列到目标k，再到主动传感阵列的信道表示为：
11、
12、其中，θk表示主动传感阵列上第k个目标的波达角，as表示主动传感阵列的阵列响应矢量，表示被动反射阵列到目标k再到主动传感阵列的信道损耗，dk表示智能反射表面与目标k之间的距离，γk为目标k的雷达截面积；
13、假设目标均在智能反射表面的远场，被动反射阵列、主动传感阵列以及基站上阵列的阵元间距均为半波长，智能反射表面每次快拍均会调整一次波束，总共t次快拍，则被动反射阵列在第t次快拍时的相移矢量为：
14、
15、其中，上标t表示转置，表示被动反射阵列第i个阵元的相移；
16、主动传感阵列在第t个快拍时刻接收到的回波信号表示为：
17、
18、其中，表示由构成的对角阵，表示基站的发射功率，s(t)为单位功率的发射信号，n(t)为圆加性高斯白噪声矢量，其每个元素都服从复正态分布表示噪声功率，w为波束成形矢量，且满足||w||2＝1，||||表示l2范数；
19、为了最大化主动传感阵列的接收信号功率，基站将波束对准智能反射表面，即则有：
20、
21、其中，k表示远场目标个数，
22、将主动传感阵列接收到的t个快拍的回波信号都堆叠起来得到的接收信号为：
23、
24、其中，
25、
26、可选地，在本发明的一个实施例中，在步骤2中，计算所述主动传感器阵列的接收信号的协方差矩阵
27、
28、对协方差矩阵进行特征分解得到特征值λi、信号子空间us、噪声子空间un的估计值，噪声功率的估计值为：
29、
30、其中，表示特征值λi的估计值。
31、可选地，在本发明的一个实施例中，在步骤3中，计算所述主动传感器阵列的接收信号的gram矩阵为：
32、
33、对gram矩阵进行特征分解得到特征值μi、信号子空间vs、噪声子空间vn的估计值，噪声功率的估计值为：
34、
35、其中，表示特征值μi的估计值。
36、可选地，在本发明的一个实施例中，在步骤4中，构造代价函数为：
37、
38、
39、其中，表示矩阵的第(i,j)个元素，分别表示协方差矩阵特征分解得到的特征值λi、信号子空间us、噪声子空间un的估计值，分别表示gram矩阵特征分解得到的特征值μi、信号子空间vs、噪声子空间vn的估计值，上标*表示共轭，和分别表示协方差矩阵和gram矩阵得到的噪声功率；
40、当θ＝θk时，所述代价函数取得极值，对所述代价函数进行谱峰搜索，峰值对应的坐标为波达角估计结果。
41、本发明实施例的基于增广music的半被动智能反射表面辅助下的doa估计方法，充分利用了半被动智能反射表面辅助系统中蕴含的角度信息，与传统music算法相比提升了doa估计精度。本发明通过设计自适应加权框架，本发明所提算法实现了更高效的信息提取。本发明与anm方法相比，本发明所提算法在保持较低计算复杂度的同时，同样达到了接近crb的性能。本发明在各种发射功率和快拍数情况下，本发明所提算法均表现出鲁棒的方向估计能力。
42、本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。