[pt] Em sistemas de comunicações móveis, a modulação digital em fase (PSK)é amplamente utilizada em esquemas de transmissão em rádio-propagação. Trabalhos anteriores consideraram alguns métodos baseados no critério de máxima verossimilhança (MV) para estimação de direção-de-chegada de sinais genéricos que atingem um conjunto (array) de sensores. Esta tese propõe um novo estimador MV para a direção-de-chegada, desenvolvido especificamente para sistemas de comunicação PSK. Dois modelos de transmissão são concebidos para estimação dos parâmetros: um mais idealizado, considerando todas as portadoras alinhadas no tempo com o receptor, e outro que considera este desalinhamento na forma de retardo. O número de parâmetros a serem conjuntamente estimados é significativamente reduzido ao se calcular o valor esperado dos sinais medidos no array de antenas com relação µas fases de modulação (dados de informação). O desempenho do estimador em vários cenários simulados é apresentado e comparado ao desempenho do estimador MV clássico desenvolvido sem considerar uma estrutura específica para o sinal. Limitantes de Cramér-Rao para os cenários de portadora única também são calculados. O método proposto se mostra mais robusto por apresentar melhor desempenho que o estimador MV clássico em todas as simulações. / [en] In mobile communication systems, phase shift keying (PSK) modulation is widely used in digital transmission schemes. Previous works have considered several maximum likelihood (ML) methods for the direction-of-arrival (DOA) estimation of generic signals reaching a phased-array of sensors. This thesis proposes a new ML DOA estimator designed to be used in PSK communication systems. Two transmission models are considered for parameter estimation: a simpler one, considering all carrier clocks time-aligned with the receiver clock, and another that considers this misalignment as a delay for each carrier. The number of parameters to be jointly estimated is significantly reduced when the expected value of the antenna array measured signals with respect to the modulation phases is evaluated. The estimator performance in several simulation scenarios is presented and compared to the performance of a classic ML estimator designed for all sorts of signal models. Cramér-Rao bounds for single carrier scenarios are also evaluated. The proposed method robustly outperforms the classic ML estimator in all simulations.

[pt] A estimação de direção de chegada (DoA) é uma importante área de processamento de arranjos de sensores que é encontrada em uma ampla gama de aplicações de engenharia. Este fato, juntamente com o desenvolvimento da área de Compressed Sensing (CS) nos últimos anos, são a principal motivação desta dissertação. Nesta dissertação, é apresentada uma formulação do problema de estimação de direção de chegada como um problema de representação esparsa da sinal e vários algoritmos de recuperação esparsa são derivados e investigados para resolver o problema atual. Os algoritmos propostos são baseados na incorporação da informação prévia sobre o sinal esparso no processo de estimativa. Na primeira parte, nos concentramos no desenvolvimento de dois algoritmos Bayesianos , que se baseiam principalmente no algoritmo iterative hard thresholding (IHT). Devido ao desempenho inferior dos algoritmos convencionais de estimação de chegada em cenários com fontes correlacionadas, nós prestamos atenção especial ao desempenho dos algoritmos propostos nesta condição. Na segunda parte, o problema de otimização baseados na minimização da norma l1 é apresentado e um algoritmo bayesiano é proposto para resolver o problema chamado basis pursuit denoising (BPDN). Os resultados da simulação mostram que os estimadores Bayesianos superam os estimadores não Bayesianos e que a incorporação do conhecimento prévio da distribuição do sinal melhorou substancialmente o desempenho dos algoritmos. / [en] Direction of arrival (DoA) estimation is a key area of sensor array processing which is encountered in a broad range of important engineering applications. This fact together with the development of the Compressed Sensing (CS) area in the last years are the principal motivation of this thesis. In this dissertation, a formulation of the source localization problem as a sparse signal representation problem is presented and several sparse recovery algorithms are derived and investigated for solving the current problem. The proposed algorithms are based on the incorporation of the prior information about the sparse signal in the estimation process. In the first part, we focus on the development of two Bayesian greedy algorithms which are principally based on the iterative hard thresholding (IHT) algorithm. Due to the inferior performance of the conventional DoA estimation algorithm in scenarios with correlated sources, we pay special attention to the performance of the proposed algorithms under this condition. In the second part, the optimization problem using a l1 penalty is introduced and a Bayesian algorithm for solving the basis pursuit denoising problem is presented. Simulation results shows that Bayesian estimators which take into account the prior knowledge of the signal distribution outperform and improve substantially the performance of the non-Bayesian estimators.