No description available.

[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.