本文献属于类型b：一篇学术综述论文。以下是根据文献内容撰写的详细学术报告。

本文作者为来自德国达姆施塔特工业大学的 Marius Pesavento、Minh Trinh-Hoang 以及瑞典布莱金厄理工学院的 Mats Viberg。该文于2023年6月发表在 IEEE Signal Processing Magazine 上，是该期刊“信号处理协会75周年纪念特刊”的一部分。文章的主题是回顾过去三十年来阵列信号处理领域，特别是波达方向（Direction-of-Arrival, DOA）估计研究的重要进展，并从现代优化与结构利用的全新视角，对这一领域的核心方法、发展趋势和未来挑战进行了系统性梳理与再诠释。

论文核心观点阐述

第一， 历史回顾与研究视角的重塑：从传统参数方法到现代优化框架。 文章开篇即指出，传感器阵列处理与DOA估计技术正因多天线硬件平台的普及和技术飞跃，在汽车雷达、毫米波室内定位、无人机监控及未来无线通信感知一体化等新兴应用中复兴。作者们以Krim和Viberg于1996年发表的经典综述《Two Decades of Array Signal Processing Research: The Parametric Approach》为起点，旨在回顾其后又一个三十年的研究历程。本文的核心论点是，过去三十年间DOA估计领域的许多重要进展，都可以统一置于一个“优化与结构利用”的视角下来理解。具体而言，绝大多数DOA估计方法都可以被归结为带有侧约束的优化问题，这些约束源于对测量系统结构（如阵列流形）的先验知识。然而，由于这些问题通常具有非线性和多峰性，直接求解极其困难。因此，该领域的研究主线演变为如何通过问题松弛、问题近似和结构利用这三种相互关联的策略，来开发计算高效且性能接近最优的估计算法。本文将各种经典与现代方法（如子空间类方法、稀疏优化方法）置于这一统一的框架下进行重新审视和关联，揭示了它们内在的逻辑联系与演变路径。

第二， 部分松弛（Partial Relaxation, PR）框架：一种连接传统与高性能估计的新范式。 部分松弛是本文重点阐述的一种新颖的优化框架，代表了近年来的重要方法论进展。其核心思想是：在基于多源信号模型（即同时考虑所有潜在源）的优化问题中，有选择性地保持部分阵列流形的精确结构，同时松弛其余部分的结构约束。典型做法是，在优化时仅维持一个待考察方向的导向矢量结构是精确的（对应于阵列流形），而将所有其他干扰源对应的导向矢量放宽为一个任意的复矩阵。这样，既不像单源近似方法那样完全忽略其他源的影响，也不像传统最大似然等多源方法那样对所有源都施加严格的流形约束，从而在计算复杂度和估计性能之间取得了出色的平衡。 文中以确定性最大似然（DML）和加权子空间拟合（WSF）等经典准则为例，展示了如何应用PR框架衍生出新的估计器（如PR-DML、PR-WSF）。理论分析与仿真表明，PR方法在低信噪比、少快拍数、以及源信号角度间隔较小时，能提供接近最优的“阈值性能”，且计算复杂度显著低于传统的多维搜索方法。PR框架的重要意义在于，它为理解许多已有估计器提供了新的见解，并作为一个通用的设计工具，能够从传统准则中系统地导出高性能的新算法。

第三， 稀疏优化技术的引入、贡献与局限性。 文章指出，21世纪后期稀疏优化技术被引入DOA估计领域，标志着该领域的又一次方法论飞跃。其基本思路是将连续角度空间的DOA估计问题，转化为在过完备基（离散化的角度网格）上的稀疏信号重构问题。通过施加$l{2,0}$或凸松弛后的$l{2,1}$混合范数等稀疏正则项，旨在从有限测量中恢复出具有稀疏行结构的源信号矩阵，其非零行索引即对应DOA。 稀疏方法（如$l_{2,1}$范数最小化、SPICE算法等）的主要优势在于对困难场景的鲁棒性。例如，在源信号高度相关甚至相干、可用快拍数极少、或信号源数量未知的情况下，基于样本协方差矩阵特征分解的传统子空间方法（如MUSIC）性能会严重下降甚至失效，而稀疏方法仍能工作。此外，稀疏方法天然地具备模型阶数（源数量）估计能力。 然而，本文特别强调了稀疏方法的局限性，这是对当前研究热潮的一种重要平衡观点。首先，基于网格的方法存在“离网格”偏差。其次，稀疏正则项本身会引入估计偏差。再者，其计算复杂度和内存需求通常高于传统子空间方法。最后，稀疏方法的理论性能保证通常依赖于源信号间的最小角间隔条件，而传统超分辨方法在足够高信噪比或快拍数下，原则上可以分辨任意接近的源。因此，文章提醒研究者需清醒认识两种技术路线的优缺点，根据实际场景选择合适的方法。

第四， 序列估计技术：应对多源估计的递进策略。 为了克服单源近似和PR方法在源数量增多时性能下降的问题（源于松弛或近似的累积误差），序列估计技术被广泛采用。文章回顾了匹配追踪（MP）、正交匹配追踪（OMP）和正交最小二乘（OLS）这三种密切相关的序列技术。它们的共同点是逐次估计各个源的DOA：在每次迭代中，固定之前已估计源的参数，并为当前待估源优化一个近似的目标函数。三者的区别在于对“ nuisance parameters”（如信号波形）的处理和更新策略不同：MP不更新；OMP在每次迭代后对所有已估源的波形进行联合更新；OLS则在当前迭代中联合优化新源的DOA和所有已估源的波形。 文章通过数值仿真表明，OLS相比OMP能减少误差传播，提高性能，但仍存在偏差。而将OLS与PR框架相结合（PR-DML-OLS），则能获得渐进无偏且均方根误差接近克拉美-罗下界（CRB）的优异性能。这部分内容展示了如何通过组合不同的优化策略（序列化+部分松弛）来设计更强大的估计算法。

第五， 不完全结构信息的利用：部分校准阵列与分布式处理。 在许多现代应用（如分布式传感器网络、大规模阵列）中，要求所有阵元完全校准并集中处理的传统假设变得不切实际。文章重点讨论了部分校准阵列的DOA估计问题，其中阵列被划分为多个完美校准的子阵列，但子阵列间的相对相位/位移未知。经典的ESPRIT算法及其推广（如多重不变ESPRIT）可以被重新解释为一种特定形式的流形松弛：仅利用子阵列间的位移不变性，而放松子阵列本身精确几何结构的约束。文中进一步将RARE算法（一种用于部分校准阵列的鲁棒估计器）重新诠释为广义的多重不变ESPRIT问题，通过求解一个降秩估计问题来获得DOA。这部分内容凸显了通过巧妙地利用系统中所存在的部分已知结构（如位移关系），而放松其他未知部分，从而实现参数估计的思想。

第六， 阵列构型的主动设计：从ULA到稀疏阵列与差合阵列。 传统均匀线性阵（ULA）可识别源的数量受限于物理阵元数。文章回顾了通过精心设计非均匀阵列构型来突破这一限制的研究路线，其核心思想是利用二阶统计量的特殊结构。对于非相干源信号，其理论协方差矩阵具有特定的结构（如Hermitian Toeplitz）。通过向量化操作，可以将协方差矩阵转换为一个虚拟的差合阵列的测量模型。虚拟差合阵列的孔径和自由度可以远大于物理阵列。 文章系统介绍了最小冗余阵列、嵌套阵列和互质阵列等先进的稀疏阵列设计。这些设计的共同目标是最大化虚拟差合阵列中连续滞后（即构成一个虚拟ULA的部分）的数量，从而将可识别源的数量从O(M)提升到O(M^2)量级。嵌套阵列能产生最大连续滞后的差合阵列，而互质阵列则在自由度、物理孔径和阵元最小间距（有助于减少互耦）之间提供了灵活的折衷。此外，还讨论了利用低秩矩阵补全等技术来填补虚拟阵列中的“空洞”，以进一步提升性能。这部分的主题是主动地、最优地设计测量系统的空间采样结构，从而从根本上增强其参数辨识能力，是结构利用思想的极致体现。

第七， 未来研究方向展望。 在结论部分，文章基于当前的成熟度与挑战，指出了几个富有潜力的未来研究方向：1) 大规模高维数据集中的谐波检索：如何将一维DOA估计方法高效、可扩展地扩展到多维参数估计（如用于大规模MIMO信道参数估计），克服“维度灾难”。2) 先验信息的融合：如何利用信号波形本身的特性（如恒模特性、时域相关性）或特殊的测量条件（如量化测量、单比特测量）作为额外先验，进一步提升估计性能或鲁棒性。3) 鲁棒性阵列处理：针对实际系统中的模型失配（如阵列校准误差、互耦、非均匀介质、冲击噪声等）设计鲁棒的估计算法。4) 模型驱动与数据驱动的结合：探索如何将数据驱动的机器学习方法，特别是深度算法展开等混合架构，与传统的模型驱动方法相结合，以利用数据自适应性地处理复杂场景，同时保持模型的可解释性和数据效率。

论文的意义与价值

本文不仅仅是一篇历史回顾，更是一篇具有深刻洞察力和框架性意义的综述。其核心价值在于： 1. 提供了统一的认知框架：首次明确地将过去三十年阵列信号处理领域纷繁多样的算法演进，统一到“优化与结构利用”这一核心视角下进行解读，清晰地勾勒出了“问题建模 -> 约束/结构利用 -> 松弛/近似求解”这一贯穿始终的技术发展逻辑链。 2. 建立了方法间的内在联系：通过PR框架、序列估计、稀疏重构、部分结构利用等多个主题的阐述，揭示了传统子空间方法、现代稀疏方法、ESPRIT类方法等看似不同的技术之间的内在联系与衍生关系，帮助读者建立起系统化的知识图谱。 3. 强调了权衡与批判性思维：文章没有一味推崇最新技术，而是客观分析了各类方法（尤其是传统方法与稀疏方法）的优势与局限，强调了在实际应用中根据场景需求进行权衡选择的重要性，体现了科学的批判精神。 4. 指明了前沿与方向：对部分松弛、网格less稀疏恢复、阵列构型设计等最新进展进行了梳理，并前瞻性地提出了多个未来研究方向，为领域内的研究者，尤其是新进入者，提供了清晰的研究地图和启发。 5. 兼具深度与可读性：作为一篇杂志特稿，文章在保持学术深度的同时，通过清晰的信号模型、优化问题列、表格对比和概念示意图，使复杂的概念易于理解，起到了极好的教育和引导作用。

这篇综述成功地将阵列信号处理这一成熟领域在过去三十年的精华浓缩于一文，并通过一个新颖而有力的视角进行了重新组织，使其不仅是对过去的总结，更是通往未来创新的桥梁。对于任何从事或希望了解传感器阵列处理、参数估计和优化理论的研究人员与工程师而言，本文都是一份不可或缺的权威参考和思想指南。