Optimum filtering to improve the performance of DOA-ML estimators

Abordamos o problema de estimação de direção de chegada (DOA) de ondas planas usando um arranjo de sensores. Na literatura encontramos diversos estimadores para DOA, porém estamos considerando apenas os estimadores de Máxima Verossimilhança (ML) que geram candidatas à estimativa DOA e selecionam as melhores através do critério ML. Também estamos interessados em situações em que o espaçamento angular entre as fontes de sinal é pequeno e a relação sinal-ruído é baixa. Nesse caso temos uma degradação de desempenho associada ao efeito de limiar. Mostramos que este problema pode ser amenizado reduzindo o ruído presente na matriz de covariância dos dados recebidos (snapshots) utilizada para a seleção das candidatas. Propomos então modificar o processo de seleção de candidatas, utilizando uma nova matriz de covariância dos snapshots, calculada após uma filtragem ótima dos dados através de um filtro FIR multibanda. Propomos também modificar a função custo ML para adequá-la às dimensões da matriz de covariância filtrada e para isso apresentamos 3 opções de modificação. As simulações mostram que nossa proposta tem melhor desempenho que os métodos conhecidos, reduzindo significativamente a relação sinal-ruído de limiarWe approached the estimation of direction of arrival (DOA) of plane waves using an array of sensors. In the literature there are several DOA estimators, but we considered only the maximum likelihood (ML) estimators that generate candidates for DOA estimation and select the best one through an ML criterion. We also considered situations where the signal sources are spatially closely spaced and the signal-to-noise ratio is low. In these cases a performance degradation associated with the threshold effect occur. We demonstrated that we can improve the estimation performance by reducing the noise in the received data covariance matrix used to select the candidates. Then we proposed to modify the selection process using a new data covariance matrix, computed after an optimum multiband FIR filtering of the received data. We also proposed to modify the ML cost function to adapt it to the dimensions of the new covariance matrix and we considered 3 alternatives of modification. Some simulations showed that our proposal has better performance than known DOA methods, significantly reducing the threshold SN