利用块稀疏特性的压缩感知麦克风阵列声源定位

与传统声源定位算法如相位变换加权、时延累加定位不同,压缩感知麦克风阵列声源定位算法可将声源定位转化为稀疏重构问题从而获得较高的性能。但在实际应用环境下,由于远场声源自身指向性、空间混响等原因,声源方向向量往往呈现块稀疏度结构,导致采用传统稀疏恢复算法如正交匹配追踪算法（Orthogonal matching pursuit,OMP）等进行压缩感知定位性能下降。本文在压缩感知声源定位算法中引入块稀疏似零范数,以压缩感知为基本框架,采用块稀疏似零范数稀疏恢复进行声源方向向量的重构,获取声源的方位。实验结果表明,相较于传统声源定位算法和基于OMP的压缩感知声源定位算法,本文算法具有更高的定位精度。     

基于压缩感知的多目标定位与功率估计

因传感器网络中定位问题具有的天然稀疏性,压缩感知理论被广泛应用于其中以减少数据采样量。然而,现有的基于压缩感知的定位技术往往需要目标的发射功率作为先验条件,这并不符合实际中目标完全未知的情况。基于此,提出了一种多目标定位和发射功率估计的方法,该方法将目标位置和功率信息建模成一个稀疏向量,从而将定位和功率估计问题转化为稀疏向量估计问题。该方法包括离线和在线两个阶段:离线阶段主要是部署一些射频发射器并测量接收信号强度值,从而构建感知矩阵;在线阶段中,通过部署少量传感器测量接收信号强度值,求解一个₁范数最优化问题便可精确地重构出稀疏向量。仿真结果验证了该多目标定位和功率估计方法的有效性和鲁棒性。     

浅谈基于时延估计算法的声源定位技术

声源定位算法的关键是在不同的收集时间延迟估计在阵元阵列的声信号.在时延估计算法中有两个重要的概念.即时间延迟和时间延迟估计.时间延迟估计是指使用信号处理和参数估计方法的原理以及声源信号的时延估计来进行测定,以确定声源信号的空间距离,空间定位和运行速度等相关参数.     

基于麦克风阵列的声源定位系统设计

从系统的角度对真实声场环境下基于到达时间差的声源定位算法进行了研究,搭建了基于麦克风阵列的声源定位系统,将LabVIEW应用于声源定位软件的开发,方便地完成信号的采集与处理,运用广义互相关函数法进行时延估计,结合平面四元十字阵模型建立方程组实现定位。该系统人机界面友好,具有较强的数据分析和处理能力,能及时跟踪声源的位置变化。     

基于压缩感知理论的WSN微震源定位节点设计

提出了一种基于压缩感知的WSN微震源数据压缩算法.利用WSN微震信息的可稀疏化表示,设计出与稀疏基相关性低的稀疏观测矩阵,保证了压缩数据的可重构性,介绍了整个WSN微震源定位节点的系统设计,包括采集、存储以及无线传输方式等.将该压缩感知算法在硬件系统中实现,可利用较少的数据采集实现微震源定位,从而大大提高了存储、采集及WSN的效率.实验结果表明,该算法的硬件实现在保证微震信息完整性的基础上,数据压缩率达到60％,具有十分重要的研究意义.     

基于压缩感知的多目标定位中的测量矩阵设计

根据传感器网络中定位问题天然的稀疏性,研究了基于压缩感知理论的多目标定位方法。首先将目标位置信息表示成一个稀疏向量,将定位问题转化为向量估计问题。通过部署少量传感器测量接收信号的强度值,求解一个₁范数最优化问题便可精确地重构出位置向量。相对于当前压缩感知定位中常用的稀疏随机测量矩阵,提出了一种改进的测量矩阵设计方法,指示传感器节点进行有规律、均匀的部署。仿真结果表明,相较于传统随机测量矩阵,改进测量矩阵在定位精确度和稳定性上都体现了巨大优势。     

基于分布式麦克风阵列的声源定位算法

为了提高相位变换加权的可控响应功率SRP-PHAT(Steered Response Power-Phase Transform)声源定位算法的性能,提出一种基于分布式麦克风阵列的改进算法。根据分布式麦克风阵列的特点,使用麦克风对接收信号的广义互相关GCC-PHAT(Generalized Cross-Correlation with Phase Transform weighting)函数的最大值来评价接收信号的质量。在传统SRP-PHAT算法的基础上,以该最大值为权重乘以每对麦克风接收信号的GCC-PHAT函数。该算法质量较高的麦克风对接收信号赋予了较大的权重,因而能提高定位性能。仿真结果表明,在信噪比低于10 dB,混响时间大于300 ms的条件下,改进算法的定位成功率比传统算法提高了2%~4%。     

基于贝叶斯压缩感知的自适应测量算法

针对传统压缩感知理论无法实现自适应压缩测量的不足,介绍了基于贝叶斯估计的压缩感知重构算法;建立了基于重构信号微分熵的自适应评价指标;构建了基于分块测量方式的自适应压缩测量算法。仿真分析了该算法用于随机阶跃信号的测量效果,实验结果表明：建立的自适应评价指标与被测信号重构误差具有相似的变化趋势,能有效反映随机测量进程,可以实现自适应压缩测量。正是在BCS理论的基础上,提出了一种根据以获取信息的不确定度,进而自适应实现压缩测量的算法,该算法运算简单,适用于实时信号的在线压缩测量。     

基于改进SL0压缩感知的WSN多目标定位

为提高定位的精度与速度,将改进的平滑[l0]（smoothed [l0],SL0）压缩感知算法应用于无线传感网络（WSN）定位中。首先通过感知区域的网格化,将定位问题转化为压缩感知问题,采用更陡峭的近似双曲正切函数去逼近[l0]范数,将压缩感知重构中的[l0]范数最小化问题转化为求解光滑函数最小值的最优化问题。其次,针对算法中因最速下降法“锯齿现象”导致的收敛速度慢、估计不精确等缺点,引入了混合优化算法,该算法结合了最速下降法和修正牛顿法的优点,提高了重构精度和速度。仿真结果表明,改进的SL0算法相对于匹配追踪（OMP）、基追踪（BP）、SL0算法等在定位精度与实时性上有了明显提高。     

基于压缩感知理论的声矢量阵方位估计方法

水下目标在方位估计搜索空间中具有稀疏性,基于声矢量传感器阵空间稀疏模型实现小样本条件下的方位估计,结合压缩感知(CS)理论框架下方位估计的特点,通过对平滑l0范数快速精确的求解来估计目标方位角,该方法具有运算速度快、高分辨的特点.通过实验仿真从运算时间、分辨力等方面与常规波束形成(CBF)算法和最小方差无失真响应(MVDR)算法进行比较分析,验证了该方法的可行性与有效性.     

基于无线传感器网络的自适应声源定位算法

基于声源能量的无线传感器网络（ WSNs）最大似然定位算法抗噪声干扰能力强,定位精度高,同时适用于多个目标定位,但是计算量大,不适用于实时定位。针对现有算法的缺点,提出了一种基于自适应迭代的最大似然定位算法。该算法将代价函数作为目标函数,在给定的梯度误差范围内自适应地搜索目标位置。为了提高算法的收敛速度和定位精度,提出了基于Sigmoid函数的变步长的搜索算法。仿真实验结果表明：与最大似然定位算法相比,自适应迭代算法运算量小,定位精度高,能满足对目标定位精度和速度要求较高的场合,具有一定的实际应用意义。     

基于四元十字阵的分布式声源定位实验研究

构建了基于测向交叉定位法的分布式声源定位实验系统。首先,利用四元十字阵节点通过到达时间差（TDOA）方法计算声源位置角度,然后,通过测向交叉定位法融合各节点角度,计算声源位置。通过该系统实验测试了测向交叉定位法在实际应用中的性能。该系统在声源距离阵元50m时定位误差为2．9m,声源距离阵元100m时,定位误差为5．8m。实验结果表明：测向交叉定位法在实际应用中能准确计算出声源位置,定位误差随麦克风与目标的距离增大而增大。     

基于观测矩阵优化的自适应压缩感知算法

为提高传统压缩感知（CS）恢复算法的抗噪性能,结合观测矩阵优化和自适应观测的思想,提出一种自适应压缩感知（ACS）算法。该算法将观测能量全部分配在由传统CS恢复算法估计的支撑位置,由于估计支撑集中包含支撑位置,这样可有效提高观测信噪比（SNR）;再从优化观测矩阵的角度推导出最优的新观测向量,即其非零部分设计为Gram矩阵的特征向量。仿真结果表明,随着观测数增大,Gram矩阵非对角元素的能量增速小于传统CS算法,并且分别在观测次数、稀疏度和SNR相同的条件下,所提算法的重构归一化均方误差低于传统CS恢复算法10 dB以上,低于典型的贝叶斯方法5 dB以上。分析表明,所提自适应观测机制可有效提高传统CS恢复算法的能量利用效率和抗噪性能。     

无线传感器网络基于压缩感知数据处理算法研究

无线传感器网络中的分布式数据处理处理时,会出现数据压缩率低和数据相关性差的特点,在数据采集和处理中采用分布式压缩感知算法.对基础矩阵和观测矩阵的合理建立,在满足无线传感器网络数据传输的可靠性同时,充分考虑数据之间的相关性,大大降低数据的冗余度,减少了数据量的传输.实验结果表明,在满足信号数据可靠性的同时,有效的增加了信号的压缩比,减少了节点数据采集量.     

基于压缩感知与能量聚合视觉传感器数据传输系统

为了保证视频数据的快速传输,并进行有效压缩,从而提升视频数据的传输质量,提出一种基于压缩感知与能量聚合的视觉传感器数据传输技术。该技术在提升视频数据传输率和压缩率的基础上,针对视觉传感器的高能耗问题,采用能量融合技术和能量约束方法来减少能量消耗,并采用了视觉传感器失真和功耗模型、视频数据传输模型,以及能量聚合模型进行分析。实验仿真数据结果表明：在提升视频数据的传输速率、压缩率,以及减少网络总体能量消耗上,提出的视觉传感器数据传输技术取得了较好的效果。     

基于小波树模型的CoSaMP压缩感知算法

无线传感网络存在网络带宽限制和传感器节点的能耗问题,实际应用中通常希望可以通过重构算法从采集的少量数据中还原出原始信息,压缩感知理论为上述问题提供了一个解决思路。利用压缩感知理论,对无线传感器网络中温度传感器的监测信号进行了压缩感知的应用研究。针对传统压缩采样匹配追踪(CoSaMP)算法中测量次数多、重构精度低等问题,利用信号的小波系数所形成的连通树的结构特性,提出了基于小波树模型的压缩采样匹配追踪算法。将该算法应用到无线传感器网络监测信号的压缩感知仿真实验中,与传统压缩采样匹配追踪算法的重构性能进行比较,结果表明该算法较传统压缩采样匹配追踪算法在一定范围内对无线传感器网络中的温度信号具有更好的压缩感知性能。     

基于差值信号稀疏模型的分布式压缩感知

利用无线传感器网络的空间相关性,构建了一种差值信号稀疏模型,该模型适用于对同一物理现象或事件进行监测的传感器网络应用。在差值信号稀疏模型的基础上,提出了一种适用于该模型的分布式压缩感知算法,该算法能够在节点间不通信的情况下实现对差值信号的编码。仿真结果表明,与单独重构相比,提出的算法可以用更少的观测值联合重构出信号群,以能量有效的方式满足了无线传感器网络的应用。