本研究提出了一种基于改进贝叶斯方法的算法，用于提升压缩感知技术在目标方位估计中的精度和效率。通过优化模型参数及迭代过程，该方法能够在较少观测数据下实现更准确的目标定位，适用于雷达与无线通信领域。
贝叶斯压缩感知是一种结合了贝叶斯推断与压缩感知理论的技术，在信号处理领域中的信号恢复及参数估计问题上有着广泛应用。尤其在目标方位估计（Direction Of Arrival，简称DOA）中具有重要意义。此技术用于确定声波或电磁波源相对于接收器的方向，并应用于雷达、声纳、无线通信和地震波探测等多个领域。
压缩感知是一种相对较新的理论，突破了传统奈奎斯特采样定理的限制，表明只要信号本身是稀疏的或者可以被表示为稀疏形式，则可以用远低于奈奎斯特频率的采样率准确重建信号。在实际应用中，通过解决优化问题来恢复稀疏信号的方法包括基追踪（Basis Pursuit, BP）和匹配追踪（Matching Pursuit, MP）等。
贝叶斯方法是统计推断的核心工具之一，可以利用先验知识改善参数估计的准确性。压缩感知中的贝叶斯方法用于建模并推理信号的稀疏性特征，并且通常需要一种描述信号稀疏特性的先验概率分布（如高斯或拉普拉斯分布）。然后通过应用贝叶斯公式计算后验概率，从而进行信号估计。
然而，在DOA估计中使用传统的贝叶斯压缩感知方法可能会遇到“伪峰”的问题。这些不真实的峰值通常由噪声或其他干扰因素造成，并且会误导目标方位的估计，降低系统的检测能力和定位精度。
为了应对上述挑战，本段落提出了一种改进的贝叶斯压缩感知技术用于DOA估计。该方案对传统的先验模型进行了优化，引入了基于信号方差的噪声功率评估方法来抑制伪峰现象。通过这种方法可以提高DOA估计的准确性和鲁棒性。
文章首先概述了问题背景和意义，并详细介绍了改进后的贝叶斯压缩感知模型及其有效性验证实验结果。尽管文中未提及完整的技术细节，但其展示了如何将贝叶斯理论与压缩感知相结合以优化DOA估计，为实际工程应用提供了重要研究方向和技术支持。
5星
