| Title: |
Estimation des DOA avec un réseau d’antennes coprime en présence d’erreurs de gain et de phase des capteurs |
| Authors: |
Mendil, Hamza; Wang, Yide; Charge, Pascal; Le Magoarou, Luc |
| Contributors: |
Institut d'Électronique et des Technologies du numéRique (IETR); Université de Rennes (UR)-Institut National des Sciences Appliquées - Rennes (INSA Rennes); Institut National des Sciences Appliquées (INSA)-Institut National des Sciences Appliquées (INSA)-CentraleSupélec-Centre National de la Recherche Scientifique (CNRS)-Nantes Université - Ecole Polytechnique de l'Université de Nantes (Nantes Univ - EPUN); Nantes Université - pôle Sciences et technologie; Nantes Université (Nantes Univ)-Nantes Université (Nantes Univ)-Nantes Université - pôle Sciences et technologie; Nantes Université (Nantes Univ)-Nantes Université (Nantes Univ); ANR-22-PEFT-0005,NF-YACARI,Beyond 5G mmWave Circuits, Antennas and RIS(2022) |
| Source: |
Journées Nationales Microondes (JNM 2026) ; https://hal.science/hal-05514685 ; Journées Nationales Microondes (JNM 2026), May 2026, Lille, France. pp.sciencesconf.org:jnm2026:690368 |
| Publisher Information: |
CCSD |
| Publication Year: |
2026 |
| Collection: |
Université de Nantes: HAL-UNIV-NANTES |
| Subject Terms: |
[SPI.TRON]Engineering Sciences [physics]/Electronics; [SPI]Engineering Sciences [physics]; [SPI.OTHER]Engineering Sciences [physics]/Other |
| Subject Geographic: |
Lille; France |
| Description: |
National audience ; Les réseaux linéaires coprimes (CLAs) permettentd’estimer un nombre de sources supérieur aunombre de capteurs, contrairement aux réseaux linéairesuniformes (ULAs). Cependant, les méthodes de sousespaceet les approches parcimonieuses fonctionnent ensupposant une connaissance exacte de la géométrie du réseau,notamment des gains et phases des capteurs. En pratique,ces paramètres sont souvent perturbés par rapportà leurs valeurs nominales, ce qui dégrade fortement lesperformances des algorithmes d’estimation des directionsd’arrivées (DOAs). Dans cet article, nous proposons uneapproche basée sur Sparse Bayesian Learning (SBL) permettantd’estimer à la fois les DOA et les erreurs de gainet de phase du réseau. Nous introduisons également unenouvelle formule de mise à jour des perturbations afin deréduire la complexité calculatoire, ainsi qu’un mécanismeCFAR (Constant false-alarm rate) améliorant la précisionde l’estimation des DOA. |
| Document Type: |
conference object |
| Language: |
English |
| Availability: |
https://hal.science/hal-05514685 |
| Accession Number: |
edsbas.21EFF82 |
| Database: |
BASE |