Estimation séquentielle des paramètres de localisation en champ proche à l’aide de l’approche Zero-Forcing

Dans cet article, nous nous intéresserons à la localisation de sources en champ proche à l’aide d’un ensemble de capteurs passifs. Pour des scénarios difficiles (forte corrélation entre les sources sous un faible Rapport Signal sur Bruit (RSB), ou pour des sources proches entre elles) l’extention de l’algortihme MUltiple SIgnal Classification (MUSIC) n’est plus fiable. Dans cette contribution, nous avons adapté et étendu l’algorithme séquentiel Zero-Forcing MUSIC (ZF-MUSIC), qui contourne la délicate recherche des maximums locaux propres à l’algorithme MUSIC, au Champ Proche (CP). Afin de le comparer avec l’algorithme Second-Order Statistics Weighted Prediction (SOS-WP), nous avons choisi une antenne linéaire uniforme. Cependant, le ZF-MUSIC CP peut être appliquer à toutes géométries d’antenne. En fin, nos simulations montrent que la variance de l’algorithme proposé est proche de la borne de Cramér-Rao même sous un faible RSB.In this paper, we consider the range and bearing estimation of near-field narrow-band sources from noisy data observed across a passive sensor array. For some difficult scenarios as for correlated and largely spaced sources at low Signal to Noise Ratios (SNR), or correlated and closely spaced sources, the Near FieLd (NFL) version of the MUltiple SIgnal Classification (MUSIC) algorithm is no longer reliable. In this paper, we adapt and extend the sequential Zero-Forcing MUSIC (ZF-MUSIC) algorithm, which avoid the delicate search of multiple maxima, to the NFL context. In order to compare the NFL ZF-MUSIC with the Second-Order Statistics Weighted Prediction (SOS-WP) algorithm, we assumed an uniform sampling in the spatial domain. However, the proposed algorithm can be exploited for general geometries. Finally numerical simulations show that the variance of the proposed algorithm is close to the Cramér-Rao bounds in difficult scenarios for sufficient SNR