이질적 잡음 환경에서의 희소 베이지안 DOA 추정

본 연구는 장시간 관측 환경에서 잡음 특성이 시간·공간에 따라 변동하는 현상을 고려하지 못하는 기존 DOA(방향 도착) 추정 방법들의 한계를 지적한다. 이를 해결하기 위해 저자들은 이질적(heteroscedastic) 잡음 모델을 도입하고, 다중 스냅샷(MMV) 배열 데이터를 대상으로 Sparse Bayesian Learning(SBL) 프레임워크를 확장한다. 1. **이질적 잡음 모델 정의** - 각 스냅샷 l에 대해 y_l = A x_l + n_l 로 표현되는 선형 모델을 사용한다. - 잡음 n_l 은 제로 평균 복소 가우시안이며, 공분산 Σ_nl = diag(σ_1l²,…,σ_Nl²) 로, 센서와 스냅샷마다 독립적인 분산을 갖는다. - 세 가지 제약 조건을 제시한다: (I) 전역 동질(σ² 고정), (II) 시간만 이질(센서별 동일하지만 스냅샷마다 변동), (III) 완전 이질(센서·시간 모두 변동). 2. **소스 신호 사전 확률** - 소스 벡터 x_l 은 제로 평균 복소 가우시안이며, 각 DOA m에 대한 파워 γ_m 을 하이퍼파라미터로 두어 행렬 Γ = diag(γ_1,…,γ_M) 로 표현한다. - γ_m = 0이면 해당 DOA는 비활성(희소성)으로 간주한다. 3. **Stochastic Maximum Likelihood** - 관측 데이터 Y =