面向脉冲噪声下三维到达角稳健定位的迭代重加权工具变量估计器

一、 研究团队与发表信息

本项研究由Ngoc Hung Nguyen (IEEE会员)、Kutluyıl Doğançay (IEEE高级会员) 和Ercan Engin Kuruoğlu (IEEE高级会员)合作完成。Nguyen与Doğançay均来自澳大利亚南澳大学工程学院，Kuruoğlu来自意大利国家研究委员会信息科学与技术研究所“A. Faedo”。该研究成果以论文形式发表于信号处理领域权威期刊《IEEE Transactions on Signal Processing》第67卷第18期，于2019年9月15日正式出版。

二、 学术背景与研究目标

本研究属于信号处理，特别是源定位（Source Localization）领域，聚焦于三维空间中的到达角（Angle-of-Arrival, AOA）定位问题。AOA定位通过多个空间分布传感器接收到的信号方位角和仰角信息，估计未知辐射源的位置，在雷达、声呐、导航及无线通信等领域有广泛应用。

研究的核心动机源于实际环境中普遍存在的非高斯、脉冲性的（Impulsive）噪声挑战。传统AOA定位算法（如最大似然估计、伪线性最小二乘估计等）通常基于高斯噪声假设，依赖二阶统计量。然而，许多自然和人为噪声（如水下声学噪声、雷达杂波、室内混响、通信突发噪声等）具有显著的重尾（Heavy-tailed）特性，更适合用α稳定分布（α-stable distribution） 建模。α稳定分布是高斯分布的推广，其特点是在α < 2时方差无限，传统的基于最小二乘（L2范数最小化）的方法在此类噪声下性能会严重恶化。

为解决脉冲噪声下的稳健定位问题，研究者转向最小lp范数（Least lp-norm）估计准则（其中 1 < p < 2）。该准则通过最小化误差的p阶矩（与α稳定噪声的离散度最小化准则等价），对脉冲噪声的“野值”（Outliers）具有更强的鲁棒性。然而，最小lp范数问题通常没有闭式解，需要迭代求解。迭代重加权最小二乘算法（Iteratively Reweighted Least-Squares, IRLS） 是求解此类问题的经典方法，具有全局收敛性等优良特性。

本研究的主要目标是：在α稳定脉冲噪声环境下，开发一种能够克服传统方法偏差问题、且性能接近理论极限的稳健三维AOA定位估计算法。 具体而言，研究试图将伪线性估计（Pseudolinear Estimation）和工具变量（Instrumental-Variable, IV）技术融入IRLS框架，以解决直接应用IRLS到AOA定位所遇到的核心难题。

三、 研究详细工作流程

研究主要包含算法开发、理论分析和仿真验证三个核心部分，工作流程环环相扣。

1. 算法开发流程：从IRPLE到IRIVE

• 步骤一：问题建模与目标函数构建 首先，研究建立了包含N个传感器的三维AOA定位模型。每个传感器n测量得到包含α稳定噪声的方位角θ̃_n和仰角φ̃_n。为处理不同传感器的噪声强度差异，研究对测量值进行了归一化处理，使得归一化后的噪声具有相同的单位离散度。最终，定位问题被表述为最小化归一化测量向量ψ̃与真实角度函数ψ(s)之差的lp范数，即求解使目标函数J(s) = ||ψ̃ - ψ(s)||_p^p最小的源位置s。

• 步骤二：伪线性变换与IRPLE算法提出 由于原始角度测量方程关于源位置s是非线性的，无法直接应用IRLS。研究采用了正交向量法，将非线性的方位角和仰角方程转化为伪线性方程形式：A_θ s ≈ b_θ + η_θ 和 A_φ s ≈ b_φ + η_φ。其中，矩阵A和向量b由含噪声的测量值构成，噪声项η则是原始角度噪声的复杂函数，在小噪声假设下可近似为线性关系。通过这种变换，原始的lp范数目标函数被近似为关于伪线性方程的lp范数形式。 在此基础上，研究首次提出了迭代重加权伪线性最小二乘估计器（Iteratively Reweighted Pseudolinear Least-Squares Estimator, IRPLE）。该算法是IRLS在伪线性AOA定位问题上的直接应用：

  • 初始化：使用标准伪线性最小二乘估计（PLE）获得初始位置估计。
  • 迭代步骤：在每一步迭代k中，首先利用上一步的位置估计ŝ_{k-1}计算加权矩阵W。权重由估计的传感器-源距离、角度残差的(p-2)次幂以及已知的噪声离散度参数共同决定。然后，求解加权最小二乘问题：ŝ_k = (A^T W A)^{-1} A^T W b。

• 步骤三：IRPLE的偏差问题识别与分析 理论分析发现，IRPLE存在严重的估计偏差。其根源在于伪线性变换过程中，测量噪声“污染”了测量矩阵A，导致A与伪线性噪声向量η之间存在相关性。这种相关性使得IRPLE的估计期望值不等于真实源位置。研究通过严谨的数学推导（定理1），给出了IRPLE偏差的近似表达式，并证明该偏差在大样本量下不为零。这从理论上确认了IRPLE的固有缺陷。

• 步骤四：IRIVE算法创新性提出 为了克服IRPLE的偏差，研究创新性地提出了迭代重加权工具变量估计器（Iteratively Reweighted Instrumental-Variable Estimator, IRIVE）。工具变量法的核心思想是找到一个与噪声不相关（或近似不相关）的工具变量矩阵G，来替代原方程中与噪声相关的矩阵A。

  • IV矩阵构建：最优的IV矩阵是噪声无关的矩阵A^o，但其不可得。IRIVE使用上一迭代步骤得到的源位置估计来计算对应的方位角和仰角估计值，并用这些估计值构建IV矩阵G。随着迭代进行，位置估计越来越准，G越来越接近A^o。
  • SAM策略：为确保G与A有足够强的相关性以保持矩阵的良好条件数，研究引入了选择性角度测量（Selective-Angle-Measurement, SAM）策略。当某传感器的估计角度与测量角度偏差过大时，强制将该传感器对应的G矩阵行设置为A矩阵的对应行（即退化为测量值），但同时将其对应的权重除以一个大数κ以削弱其影响。这平衡了引入工具变量和保持矩阵相关性的需求。
  • IRIVE迭代公式：IRIVE的核心迭代步骤修改为：ŝ_k^{iv} = (G^T W A)^{-1} G^T W b。通过用G取代A参与求逆部分，有效地切断了偏差的传播路径。

2. 理论分析流程

• IRIVE性能理论证明：研究对提出的IRIVE进行了深入的理论性能分析。
  • 无偏性（定理2）：证明了在足够多的测量样本下，IRIVE是近似无偏的。关键点在于，当迭代收敛且估计准确时，IV矩阵G与噪声η近似不相关，从而使期望偏差趋近于零。
  • 协方差与效率（定理3及推论2）：推导出了IRIVE估计误差的理论协方差矩阵的闭合表达式。更重要的结论是，研究证明了IRIVE能够达到一般最小lp范数估计的理论协方差。这意味着IRIVE不仅克服了偏差，而且在所有无偏的最小lp范数估计器中是统计有效（Efficient） 的。此外，研究还讨论了范数阶数p的选择问题，指出p ≈ (α+1)/2是一个接近最优的选择。

3. 仿真验证流程

研究设计了全面且系统的蒙特卡洛仿真实验，以验证理论分析并比较算法性能。 * 比较对象：将IRIVE与IRPLE、基于Nelder-Mead（NM）单纯形法的lp范数求解器、以及在高斯噪声下性能良好的传统最小二乘类算法（PLE， 加权工具变量估计器WIVE）进行对比。 * 性能指标：采用估计偏差的范数（Bias Norm）和均方根误差（Root-Mean-Square-Error, RMSE）作为主要评价指标。 * 仿真场景：研究设置了多种仿真条件以检验算法的鲁棒性和普适性： 1. 噪声水平变化：改变α稳定噪声的离散度γ（用广义信噪比GSNR衡量）。 2. 源-传感器距离变化：改变目标源与传感器网络中心的距离。 3. 传感器数量变化：改变参与定位的传感器数量N。 4. 脉冲性程度变化：改变α稳定分布的特征指数α（α越小，脉冲性越强）。 5. 随机几何布局：在多个随机生成的传感器和源位置布局下测试。 6. 非均匀噪声：测试各传感器噪声离散度不相等的场景。 7. 参数敏感性：测试SAM策略中阈值参数β的选择对IRIVE性能的影响。 * 理论基准：同时计算并绘制了克拉美-罗下界（Cramér–Rao Lower Bound, CRLB） 和推导出的最小lp范数估计的理论协方差（Rcovar），作为RMSE性能的理论极限用于对照。

四、 主要研究结果

仿真结果有力支撑了理论分析，并清晰展示了各算法的性能优劣。

1. 传统最小二乘算法失效：正如预期，在高斯噪声下设计的PLE和WIVE在脉冲噪声环境中性能严重下降，偏差和RMSE远高于其他基于lp范数的算法，证实了在脉冲噪声下寻求稳健估计的必要性。

2. IRPLE存在固有偏差：仿真结果直观验证了理论分析。在所有测试场景中，IRPLE都表现出显著的、不随样本量增加而消失的估计偏差。这一偏差直接导致其RMSE性能恶化，远高于CRLB。结果与第III部分的理论偏差公式（定理1）相互印证。

3. IRIVE有效克服偏差并达到高效性：

   • 无偏性：在各类仿真条件下，IRIVE产生的估计偏差均接近于零，验证了其近似无偏的理论特性（定理2）。
   • 统计效率：IRIVE的RMSE曲线与理论推导的Rcovar以及CRLB非常接近。这表明IRIVE不仅无偏，而且其估计误差的方差达到了理论下界，是高效的估计器。这完美证实了推论2的结论。
   • 稳定性优势：与基于NM的lp范数求解器相比，IRIVE展现了卓越的稳定性。NM方法在低GSNR（高噪声）、强脉冲性（α较小）或传感器数量较少时容易发散。而IRIVE继承了IRLS良好的全局收敛特性，在NM失效的严峻条件下依然能够稳定工作并获得准确估计。

4. 参数与策略的有效性：

   • 归一化重要性：在非均匀噪声场景下，采用测量值归一化（等价于加权lp范数）的IRIVE性能明显优于未归一化的版本，强调了处理先验噪声差异信息的重要性。
   • SAM策略鲁棒性：参数敏感性分析表明，SAM阈值β在一定范围内（如30°至60°）对IRIVE性能影响不大，说明该策略具有较好的鲁棒性，易于应用。

五、 研究结论与价值

本研究的核心结论是成功提出了一种名为IRIVE的新型估计算法，该算法能够有效解决α稳定脉冲噪声下三维AOA定位的稳健估计问题。IRIVE巧妙地融合了最小lp范数估计的鲁棒性、IRLS算法的收敛稳定性、伪线性化的处理技巧以及工具变量法的偏差校正能力。

• 科学价值：

  1. 方法论创新：首次将工具变量技术系统地引入到最小lp范数估计框架中，为解决一类因模型变换导致噪声与回归变量相关的非线性稳健估计问题提供了新思路。
  2. 理论贡献：完成了对IRIVE无偏性和协方差的严格理论推导，并建立了其与一般最小lp范数估计理论最优性能之间的等价关系，为算法性能提供了坚实的理论保证。
  3. 解决核心难题：明确指出并成功解决了伪线性lp范数估计（IRPLE）中的固有偏差问题，这是该领域一个先前未被充分揭示和解决的关键难点。

• 应用价值： IRIVE算法为在强脉冲噪声环境中（如复杂电磁环境、水下探测、室内声学定位等）进行高精度的源定位提供了强有力的工具。其稳定的收敛特性和接近理论极限的性能，使其在实际工程应用中具有重要潜力。

六、 研究亮点

1. 重要的研究发现：首次在理论上证明并实验验证了基于伪线性方程和IRLS的AOA定位器（IRPLE）在脉冲噪声下存在不可避免的估计偏差，这深化了对该类算法局限性的认识。
2. 新颖的方法流程：提出的IRIVE算法是一个融合多种技术的创新性工作流程：通过伪线性化处理非线性→用IRLS实现lp范数最小化→用工具变量校正伪线性化引入的偏差→用SAM策略保证数值稳定性。整个流程设计巧妙，环环相扣。
3. 理论与实验的紧密结合：研究不仅提出了新算法，还提供了完整的偏差和协方差理论分析，并通过大量、多维度的仿真实验对理论结果进行了全面验证，形成了从问题提出、算法设计、理论证明到实验验证的完整研究闭环。
4. 对特殊研究对象的有效处理：研究直面α稳定分布（方差无限）带来的数学挑战，在Banach空间（而非Hilbert空间）的框架下进行推导，所有分析和结论都严格建立在分数低阶矩（Fractional Lower Order Moments）的基础上，确保了理论在脉冲噪声环境下的正确性。