信号处理中的多维参数配对方法：从原理到公式

信号处理中的多维参数配对方法：从原理到公式

一、引言

在雷达、通信、电子对抗、生物医学等众多信号处理领域中，多维参数估计是一个核心问题。以二维频率估计和波达方向（DOA）估计为例，我们需要同时估计信号的多个维度参数——如二维频率$(f_1,f_2)$、方位角和俯仰角等。

在现有的多维参数估计算法中，基于子空间的方法（如2D-MUSIC、2D-ESPRIT、2D-MP等）因其优良的分辨性能而备受关注。其中，ESPRIT类算法通过对协方差矩阵进行特征分解，分别得到各组包含待估计参数信息的特征值，避免了MUSIC算法中高维谱峰搜索带来的巨大计算量。

然而，ESPRIT类算法存在一个固有的难题：多维特征分解是相互独立进行的，直接得到的各维度估计结果并不会自动一一对应，因此需要额外的步骤对估计结果进行配对。这就是本文要讨论的多维参数配对问题。

二、问题模型与数学描述

2.1 多维信号模型

考虑一个包含$K$个信号分量的二维信号模型：

$$x(m,n)=\sum _{k=1}^K{a}_k\exp \{j{\varphi }_k+j2\pi f_{1k}m+j2\pi f_{2k}n+{\alpha }_{1k}m+{\alpha }_{2k}n\}+w(m,n)$$

其中：

• $a_k$为第$k$个信号的幅度
• ${\varphi }_k$为初始相位
• $f_{1k}$和$f_{2k}$分别为两个维度上的频率
• ${\alpha }_{1k}$和${\alpha }_{2k}$为相应的衰减因子
• $w(m,n)$为加性高斯白噪声

我们的目标是从观测数据$x(m,n)$中估计出每一对$(f_{1k},f_{2k})$，并确保它们正确地一一对应。

2.2 数据矩阵的构造

为了进行子空间分解，首先需要构造分块Hankel矩阵：

X=[X0X1⋯XM−PX1X2⋯XM−P+1⋮⋮⋱⋮XP−1XP⋯XM−1]X = \\begin{bmatrix}
X_0 & X_1 & \\cdots & X_{M-P} \\\\
X_1 & X_2 & \\cdots & X_{M-P+1} \\\\
\\vdots & \\vdots & \\ddots & \\vdots \\\\
X_{P-1} & X_P & \\cdots & X_{M-1}
\\end{bmatrix}X=​X0​X1​⋮XP−1​​X1​X2​⋮XP​​⋯⋯⋱⋯​XM−P​XM−P+1​⋮XM−1​​​

其中每个块矩阵$X_m$是大小为$Q\times (N-Q+1)$的Hankel矩阵：

Xm=[x(m,0)x(m,1)⋯x(m,N−Q)x(m,1)x(m,2)⋯x(m,N−Q+1)⋮⋮⋱⋮x(m,Q−1)x(m,Q)⋯x(m,N−1)]X_m = \\begin{bmatrix}
x(m,0) & x(m,1) & \\cdots & x(m,N-Q) \\\\
x(m,1) & x(m,2) & \\cdots & x(m,N-Q+1) \\\\
\\vdots & \\vdots & \\ddots & \\vdots \\\\
x(m,Q-1) & x(m,Q) & \\cdots & x(m,N-1)
\\end{bmatrix}Xm​=​x(m,0)x(m,1)⋮x(m,Q−1)​x(m,1)x(m,2)⋮x(m,Q)​⋯⋯⋱⋯​x(m,N−Q)x(m,N−Q+1)⋮x(m,N−1)​​

2.3 奇异值分解与信号子空间

对数据矩阵$X$进行奇异值分解（SVD）：

$$X=U_1{\Sigma }_1{V}_1^H=U_{S1}{\Sigma }_{S1}{V}_{S1}^H+U_{N1}{\Sigma }_{N1}{V}_{N1}^H$$

其中$U_{S1}$、${\Sigma }_{S1}$、$V_{S1}^H$对应信号子空间，$U_{N1}$、${\Sigma }_{N1}$、$V_{N1}^H$对应噪声子空间。

信号源数$K$可以通过信息论准则（如AIC准则）确定：

$$\text{AIC}(K)=-\lg \left\{\frac{{\prod }_{i=K+1}^{PQ}{\sigma }_i^{1/(PQ-K)}}{\frac{1}{PQ-K}{\sum }_{i=K+1}^{PQ}{\sigma }_i}\right\}(PQ-K)I+K(2PQ-K)$$

三、多维参数配对问题的本质

3.1 ESPRIT算法的分维处理

ESPRIT类算法的核心思想是利用阵列的旋转不变性，将多维参数估计分解为多个独立的一维估计问题。

对信号矩阵进行分解：

$$X=S_{L1}A{S}_{R1}^T+N$$

其中$A=\text{diag}\{{\alpha }_k\exp (j{\varphi }_k)\}$为对角矩阵，$S_{L1}$和$S_{R1}$包含待估计的参数信息：

SL1=[Θ2Θ2Φ1⋮Θ2Φ1P−1],SR1=[Θ1Θ1Φ2⋮Θ1Φ2M−P]S_{L1} = \\begin{bmatrix}
\\Theta_2 \\\\
\\Theta_2 \\Phi_1 \\\\
\\vdots \\\\
\\Theta_2 \\Phi_1^{P-1}
\\end{bmatrix}, \\quad
S_{R1} = \\begin{bmatrix}
\\Theta_1 \\\\
\\Theta_1 \\Phi_2 \\\\
\\vdots \\\\
\\Theta_1 \\Phi_2^{M-P}
\\end{bmatrix}SL1​=​Θ2​Θ2​Φ1​⋮Θ2​Φ1P−1​​​,SR1​=​Θ1​Θ1​Φ2​⋮Θ1​Φ2M−P​​​

其中${\Phi }_1$和${\Phi }_2$为旋转因子矩阵，其特征值分别包含两个维度的参数信息。

3.2 配对问题的数学根源

设${\Phi }_1$的特征值为$\{{\lambda }_{1k}{\}}_{k=1}^K$，${\Phi }_2$的特征值为$\{{\lambda }_{2k}{\}}_{k=1}^K$。由于ESPRIT算法对两个维度分别进行独立的特征分解：

$${\Phi }_1{v}_{1k}={\lambda }_{1k}{v}_{1k},k=1,2,\cdots ,K$$

$${\Phi }_2{v}_{2k}={\lambda }_{2k}{v}_{2k},k=1,2,\cdots ,K$$

特征分解得到的两组特征值$\{{\lambda }_{1k}\}$和$\{{\lambda }_{2k}\}$各自按数值大小（或其他默认顺序）排列。但第$k$个${\lambda }_{1k}$并不天然对应第$k$个${\lambda }_{2k}$——它们可能来自不同的信号源。如果直接配对，就会产生错误的参数组合。

更具体地说，假设真实的参数对为$({\lambda }_{1k},{\lambda }_{2k})$，但独立排序后可能得到$({\lambda }_{1i},{\lambda }_{2j})$其中$i\ne j$，这就是参数失配（mismatch） 问题。

四、主流参数配对方法

4.1 基于特征值分维的配对方法

这是近年来提出的一种结构简单、无需模糊参数的配对方法。

核心思想：对包含待估计参数信息的多维特征值进行线性组合，构造判断矩阵，再根据矩阵维数的对应关系完成配对。

具体步骤：

设两个维度上估计出的特征值分别为$\{{\lambda }_{1k}\}$和$\{{\lambda }_{2k}\}$，构造线性组合：

$${\mu }_k=\alpha {\lambda }_{1k}+\beta {\lambda }_{2k}$$

其中$\alpha$和$\beta$为预先选择的组合系数。

进一步构造判断矩阵$J$，其元素为：

$$J_{ij}=|{\lambda }_{1i}-{\lambda }_{2j}|$$

或更一般地：

$$J_{ij}=f({\lambda }_{1i},{\lambda }_{2j})$$

其中$f(\cdot )$为某种距离度量或相似性度量。

配对的准则是：寻找使判断矩阵$J$满足某种最优性条件的排列$\pi$，使得：

$$\pi =\arg \underset{\pi }{\min }\sum _{k=1}^K{J}_{k,\pi (k)}$$

即寻找一个最优匹配，使总体“距离”最小。

该方法的优点在于：

• 结构简单，计算复杂度低
• 不存在模糊参数
• 在特定条件下具有较高的鲁棒性
• 能实现参数的自动配对

4.2 基于特征值和差的配对方法

另一种经典的配对方法基于如下基本原理：

两个表出矩阵特征值的和差，等于表出矩阵和差的特征值。

设两个表出矩阵为$A$和$B$，其特征值分别为$\{{\lambda }_i^A\}$和$\{{\lambda }_i^B\}$。根据线性代数理论：

$$\text{eig}(A+B)=\{{\lambda }_i^A+{\lambda }_i^B\}$$

$$\text{eig}(A-B)=\{{\lambda }_i^A-{\lambda }_i^B\}$$

这里关键在于：等式右边的特征值天然是按照配对后的顺序排列的。因此，通过计算$A+B$和$A-B$的特征值，就可以获得配好对的${\lambda }_i^A$和${\lambda }_i^B$。

具体来说：

$${\lambda }_i^A=\frac{{\text{eig}}_i(A+B)+{\text{eig}}_i(A-B)}{2}$$

$${\lambda }_i^B=\frac{{\text{eig}}_i(A+B)-{\text{eig}}_i(A-B)}{2}$$

这种方法不需要求解特征向量，仅通过特征值的代数运算即可完成配对，非常适合硬件实现（如FPGA中的CORDIC算法和脉动阵架构）。

4.3 基于矩阵束的配对方法

矩阵束（Matrix Pencil）方法是另一种能实现自动配对的参数估计技术。

将二维频率估计问题转化为两个矩阵束的特征值问题：

$$(A-\lambda B)v=0$$

$$(C-\mu D)u=0$$

关键技巧是：求出两个矩阵束的公共特征向量，然后以此为基础同时求出两个矩阵束的特征值。

具体而言，构造矩阵束使得它们共享相同的特征向量矩阵$V$：

$$AV=BV{\Lambda }_1$$

$$CV=DV{\Lambda }_2$$

其中${\Lambda }_1=\text{diag}\{{\lambda }_{1k}\}$和${\Lambda }_2=\text{diag}\{{\lambda }_{2k}\}$是对角矩阵。由于$V$是公共的，${\Lambda }_1$和${\Lambda }_2$的对角元素天然按相同顺序排列，从而实现了自动配对。

4.4 基于联合对角化的配对方法

联合对角化（Joint Diagonalization）是另一种有效的配对策略。

构造一组数据矩阵$\{M_1,M_2,\cdots ,M_L\}$，寻找一个非奇异矩阵$V$使得：

$$V^H{M}_{l}V={\Lambda }_l,l=1,2,\cdots ,L$$

其中每个${\Lambda }_l$都是对角矩阵。

由于同一个$V$同时对所有矩阵进行对角化，各个矩阵的特征值按照相同的列顺序排列，因此不同维度参数之间的配对关系由$V$的列索引自然确定。

这种方法每步迭代具有精确的最小二乘闭式解，能够消除多阶段算法的累积误差。

4.5 基于PARAFAC分解的自动配对

平行因子分析（PARAFAC）是一种处理多维数据张量分解的方法，其三线性模型为：

$$x_{ijk}=\sum _{f=1}^F{a}_{if}{b}_{jf}{c}_{kf}+e_{ijk}$$

写成矩阵形式：

$$X_i=A{D}_i(B)C^T,i=1,2,\cdots ,I$$

其中$D_i(B)$表示由$B$的第$i$行构成的对角矩阵。

PARAFAC分解的核心优势在于：通过交替最小二乘（ALS）迭代求解得到的因子矩阵$A$、$B$、$C$，其列索引天然对应同一个信号源。因此，不同维度参数的配对关系由因子矩阵的列索引自动确定。

五、总结

多维参数配对问题是ESPRIT类子空间算法中的一个核心挑战，其根源在于分维独立处理时各维度特征值的排序不一致。

本文介绍了四种主流的多维参数配对方法：

在实际应用中，应根据具体场景（如信噪比条件、实时性要求、硬件资源限制等）选择合适的配对方法。随着通感一体化、MIMO雷达等新兴应用的发展，多维参数配对技术仍将是信号处理领域的重要研究方向。