상호 결합 효과를 고려한 희소 베이즈 학습 기반 방향 탐지 방법

본 논문은 균일 선형 배열(Uniform Linear Array, ULA) 시스템에서 발생하는 두 가지 주요 비이상 현상, 즉 안테나 간의 미지의 상호 결합(mutual coupling)과 방향 그리드화에 따른 오프‑그리드(off‑grid) 오류를 동시에 고려한 고해상도 방향 탐지 기법을 제안한다. 기존의 고전적 방법들—DFT 기반 저해상도 스펙트럼, MUSIC, ESPRIT—은 다중 신호 분리와 해상도 면에서 한계를 보이며, 특히 배열이 완벽하게 보정되지 않은 경우 성능이 급격히 저하된다. 최근에는 압축 센싱(Compressed Sensing, CS)과 희소 베이즈 학습(Sparse Bayesian Learning, SBL)을 이용해 신호의 공간적 희소성을 활용하는 접근법이 제안되었지만, 이들 역시 그리드 기반 모델에 의존해 그리드 간격이 작아야 정확도가 보장되고, 그리드가 촘촘해질수록 계산 복잡도가 급증한다. 또한, 대부분의 연구는 배열이 이상적이라고 가정하고 상호 결합을 무시하거나 사전에 보정된 상태만을 다루었다. **1. 시스템 모델** N개의 안테나가 등간격 d로 배치된 ULA에 K개의 신호가 입사한다. 각 신호는 입사각 θ_k와 복소 파워 s_k(t)를 갖으며, 수신 신호는 y(t)=C·A·s(t)+n(t) 으로 표현된다. 여기서 C∈ℂ^{N×N}는 대칭 토플리츠 형태의 상호 결합 행렬이며, A는 전통적인 스티어링 행렬, n(t)은 AWGN이다. C를 직접 추정하기 어려우므로, 첫 열 벡터 c=