基于改进遗传算法的稀疏重构算法

稀疏重构算法中凸松弛法在恢复效率方面、贪婪追踪法在恢复精度方面存在不足,基于遗传算法迭代优化的思想,结合模拟退火以及多种群算法的优势,提出了基于模拟退火遗传算法和基于多种群遗传算法的启发式稀疏重构算法。所提算法均从传统遗传算法易陷入局部最优解的缺陷出发,分别通过保持个体间的差异性和提高种群多样性来搜索待求稀疏信号的全局最优解,并通过理论分析证明了所提算法参数选取及搜索策略的有效性。此外,以阵列信号处理中空间信源的波达方向（DOA）估计问题为例,验证所提算法的有效性。仿真结果表明,相较于正交匹配追踪OMP算法和基于l1范数奇异值分解的l1-SVD算法,所提算法提高了DOA估计的精度,且降低了运算复杂度,使其快速收敛至全局最优解。     

导向矢量失配情况下基于稀疏表示的波达方向估计算法

提出了一种传感器阵列导向矢量失配情况下的基于稀疏表示的信号源波达方向DOA估计算法。针对一些实际环境中噪声重尾现象严重的特点,采用合成圆对称广义高斯噪声分布对其进行模拟。考虑到实际环境中传感器自身运动以及外界环境因素的改变可能会导致传感器导向矢量产生波动,利用加权最小二乘法对波动生成的增益值进行最优估计。然后,构建信号模型的分数低阶矩FLOM矩阵,进行矢量化处理,以提高其数组维数。最后,利用稀疏表示方法重构信号模型,将信号源DOA估计转化为二阶锥规划问题进行求解,并采用奇异值分解降低运算量。仿真结果表明,本算法的信号源DOA估计具有很高的分辨率,且有效地避免了导向矢量失配对DOA估计产生的影响。     

基于COLD阵列的联合稀疏重构信号DOA估计方法

针对窄带和宽带两种情形,提出了一种基于同点正交磁环偶极子矢量天线（Co-centered orthogonal loop and dipole,COLD）阵列的联合稀疏重构信号波达方向（Direction-of-arrival,DOA）估计方法。该方法首先构造极化-空间域协方差矩阵,并对其第一列进行稀疏表示,在此基础上利用COLD阵列可视为相互垂直的磁环阵列和偶极子阵列这一特点,采用l2-范数约束下的凸优化（l1-范数）联合稀疏重构技术实现信号DOA估计。仿真实验表明,该方法较之现有方法具有分辨力高、估计精度高等优点。     

稀疏互质阵列的迭代加权l_1范数约束来波方向估计

在阵元数确定的情况下,稀疏互质阵列能增大阵列孔径。为利用阵列的互质关系形成具有更多自由度的互质差合成阵列,采用稀疏重构方法,提出一种迭代加权l_1范数约束波达方向(DOA)估计算法。通过矢量化对稀疏互质阵列进行孔径扩展,进而在相应的过完备基下获得观测模型的l_0范数约束稀疏重构,再用加权l_1范数约束代替l_0范数约束重构方法,采用多次迭代运算求取最优解实现DOA估计。实验结果表明,该算法能够更好地利用稀疏互质阵列的阵列孔径,提高测向精度,并且通过迭代运算来弥合l_1范数约束与l_0范数约束之间的差别,克服传统l_1范数约束类算法存在估计偏差的缺点。     

非共享多测量向量的稀疏表示分类模型

多测量向量的联合稀疏重构要求多个源信号共享相同的稀疏结构,但实际应用中较难得到具有完全相同的稀疏结构的测量信号。为了降低非共享稀疏结构对MMV模型联合稀疏重构的影响,文中提出了一种改进贪婪类联合稀疏重构算法的方法。该方法在每次迭代时并不要求各测量向量选择相同的表示原子,而是要求选择同一类的表示原子。改进后的算法可用于非共享多测量向量的稀疏表示分类。基于模拟数据和标准人脸库数据的实验结果表明,改进后的模型可有效提高稀疏表示的分类性能。     

一种基于预估计的稀疏表示DOA估计快速算法

稀疏表示DOA估计算法具有很高的分辨率,但是其计算量较大.为此,提出一种基于预估计的稀疏表示DOA估计快速算法.首先,利用阵列协方差矩阵特征向量的性质,通过DFT对入射信号进行DOA预估计;其次,利用预估计结果降低过完备字典的长度;最后,进行稀疏分解得到DOA估计的精确结果.由于采用的字典长度较短,该算法的计算量非常小.仿真实验结果表明,该算法具有较高的成功概率、较快的估计速度和较低的估计误差.因此,提出的算法在工程实际中应用前景广阔.     

基于协方差矩阵降维稀疏表示的二维波达方向估计

针对稀疏重构下二维波达方向（2D-DOA）估计存在计算量大的问题,提出一种基于协方差矩阵降维稀疏表示的二维波达方向估计方法。首先引入空间角构造流形矢量矩阵冗余字典,将方位角和俯仰角组合从二维空间映射到一维空间,降低了字典的长度和求解复杂度,并且能自动实现俯仰角和方位角配对;其次改进了样本协方差矩阵的稀疏表示模型,对该模型进行了降维处理;然后由协方差矩阵稀疏重构的残差约束特性得到约束残差项置信区间,避免采用正则化方法导致参数选取困难;最后通过凸优化包实现了二维波达方向的估计。仿真实验表明,待选取的协方差矩阵列数达到某个阈值（在只有两个入射信号情况下该值为3）时,可准确实现入射信号角的估计;当信噪比（SNR）较小（<5dB）时,该方法估计精度优于基于空间角的特征矢量算法;低快拍数（<100）下该方法估计精度略低于特征矢量法,但小间隔角度下估计精度与后者相当。     

基于互质阵的循环平稳信号低复杂度欠定DOA估计算法

针对现有大多数循环平稳信号DOA估计算法复杂度较高、估计精度低无法实现对有用信号的欠定估计问题,提出了一种基于互质阵的循环平稳信号低复杂度、欠定DOA估计算法.算法的主要思想是利用互质阵良好的稀疏特性,通过矢量化处理构造虚拟阵列模型,扩展阵列孔径,实现阵列自由度的提升.首先,算法构造了互质阵输出的循环自相关矩阵,然后进行矢量化处理得到最大连续虚拟阵元部分,给出其谱峰搜索的表达式.最后,为降低计算复杂度,对算法进行改进,应用多项式求根的方法直接求解DOA估计值.仿真结果表明,所提算法能实现对有用信号的欠定估计,计算复杂度较低,且相比于大多数的循环平稳信号DOA估计算法,所提算法估计自由度和估计精度有了进一步的提升.     

基于子空间和稀疏贝叶斯学习的低信噪比下波达角估计方法

为研究低信噪比条件下阵列信号处理中的波达角(Direction of arrival,DOA)估计问题,分析了低信噪比条件下信号子空间和噪声子空间的特征值表现,探讨了随机观测对子空间特征值的影响。提出了在低信噪比条件下对接收信号先进行子空间分离,后进行随机观测的降维处理方法,并将稀疏贝叶斯学习应用到DOA中,降低了DOA估计的复杂度,同时保证估计的精度。仿真实验表明,本算法在低信噪比条件下性能良好,对非相干源和相干源均有良好的估计性能。     

一种宽带信号DOA估计新方法

该文研究了信号稀疏分解在阵列信号处理中的应用，将信号非正交分解应用到阵列信号处理领域，突破了信号正交分解的思想．通过计算传感器阵列输出信号的稀疏分解，实现了信号空间谱的超分辨估计，提出了一种全新的宽带信号源波达方向（DOA：Direction of Arrival）估计算法。在较低信噪比情况下，该新算法的性能优于传统的波达方向估计算法，计算机仿真结果验证了算法的有效性。     

基于声矢量阵小样本数据的DOA估计研究

根据水下目标在其到达方位(DOA)搜索空间的稀疏性,采用稀疏分解理论实现了小样本、低信噪比条件下的声矢量阵DOA估计。通过分析,构造出基于声矢量阵阵列流型形式的过完备原子库,并采用正交匹配追踪算法得到目标的DOA估计。通过仿真,基于稀疏分解的声矢量阵DOA估计算法对单快拍数据进行处理,即可得到比较准确的DOA估计结果。对湖试数据进行了处理,验证了算法的有效性和优越性。     

用阻塞矩阵法实现弱信号二维DOA估计

基于矩形平面阵列,将一维阻塞矩阵推广至二维,提出了一种强干扰背景下弱信号的二维DOA估计算法。首先构造二维阻塞矩阵对阵列接收数据进行预处理,抑制掉已知方位强干扰,再进行弱信号的谱估计。算法提高了弱信号的检测概率和估计精度。理论分析和仿真实验表明了该算法的有效性和正确性。     

双二维矢量传感器垂直阵定向技术的研究

针对目前国内矢量传感器制造技术的现状,研究了很有实用价值的二维矢量传感器阵的定向方法.首先分析了二维矢量传感器接收信号的形式,推导得出单个二维矢量传感器有一定的三维空间定向能力;继而设计出一个双二维矢量传感器垂直阵,并针对此垂直阵提出了方位估计的3种算法:分测法、混测法和鉴测法;接着对定向算法进行仿真实验,验证了各种算...     

基于FFT的子孔径MUSIC波达方向估计

针对现 有的很多波达方向估计算法涉及到数据协方差矩阵的估计及其特征分解,甚至是求逆,导致 运算复杂度高的问题,提出了基于快速傅里叶变换的子孔径MUSIC波达方向估计算法 。首先将等距线阵的接收数据矢量均匀划分为4个子矢量,然后对各个子矢量分别求FFT。将 FFT的结果相干积累,并找到最大峰值点。最后,利用子矢量FFT的结果中与最大峰值点对应 的数据构造新的降维矢量,借助MUSIC算法进行波达方向估计。该方法避免了直接接收数据 的协方差矩阵估计和特征分解,有效地降低了运算量和计算复杂度,在阵元数和快拍数都较 多的情况下优越性尤为明显。计算机仿真验证了所提方法的有效性和优越性。     

基于改进块稀疏贝叶斯学习算法的波达方向估计

针对传统的基于稀疏表示的DOA估计算法单纯利用信号的空域稀疏性,导致在低信噪比时稀疏性能变差,影响信号稀疏重构效果的问题,使用分块稀疏理论对信号进行稀疏分解。随着目标增多及作战任务改变,DOA估计往往呈现目标群测向的特点,为了能够更好地利用信号的结构特征和统计特征,提出了基于空时联合的块稀疏DOA估计算法,使用块稀疏理论挖掘信号的内部结构,充分利用了信号的块内稀疏性和块间相关性,提高稀疏重构性能,进而对DOA估计效果有很大的提升。仿真实验表明,相比于经典的DOA方法,本方法有更好的估计效果。     

Block rank sparsity-aware DOA estimation with large-scale arrays in the presence of unknown mutual coupling

With the development of massive multiple-input mutiple-output (MIMO) technique, high-resolution direction-of-arrival (DOA) estimation has attracted great attention. A novel sparse signal reconstruction method based on the inherent block rank sparsity of the sub-matrix is proposed for high resolution DOA estimation with large-scale arrays under the condition of unknown mutual coupling. In the proposed method, by taking advantage of the banded symmetric Toeplitz structure of the mutual coupling matrix (MCM), a novel block representation model is firstly formulated by parameterizing the steering vector. Then, exploiting the inherent block sparsity characteristics of the sub-matrix, a reweighted nuclear norm minimization algorithm is proposed to reconstruct the sparse matrix, in which the weighted matrix is designed by using the spectrum of MUSIC-Like algorithm. Finally, the DOAs are achieved by searching the non-zeros blocks of the recovered matrix. The proposed method not only makes full use of the block rank sparsity characteristics of the sub-matrix and weighted matrix for enhancing the sparse solution, but also avoids the array aperture loss. Thus, the proposed method has superior estimation performance than the state-of-the-art algorithms under the condition of unknown mutual coupling. Especially, in the case of large-scale antennas, the advantage of the proposed method is more obvious. Some computer simulation results are performed to verify the advantage of our proposed method.