Filtragem ótima para melhorar o desempenho de estimadores ML-DOA

Em [1] propomos melhorar o desempenho de alguns estimadores de direção de chegada (DOA) usando arranjo de sensores. Consideramos os estimadores baseados no critério da máxima verossimilhança (ML) que geram candidatas à estimativa DOA e selecionam as melhores candidatas através do critério ML. Nossa proposta modifica o processo de seleção de candidatas usando uma nova matriz de covariância dos dados recebidos, calculada após uma filtragem ótima destes dados para redução de ruído. Este trabalho é uma continuidade de [1], com novas propostas de função custo. Resultados de simulações indicam uma melhoria do desempenho na estimação DOA para pequenos valores da relação sinal-ruído, com uma consequente atenuação do efeito de limiar.