压缩感知信号盲稀疏度重构算法

研究压缩感知信号重构算法,提出了一种不需要精确知道信号稀疏度的先验知识,就能重构出目标信号的盲稀疏度迭代贪婪跟踪重构新算法.采用分段的方法来逐段估计、扩充目标信号的真实支撑域,并应用后向追踪思想,自适应地调整候选序列,以便每一次迭代时更加精确地估计真正的支撑域.理论分析与实验证明,算法性能超过了现有的迭代贪婪跟踪重构算...     

基于子空间匹配追踪的LFM信号的DOA估计

DOA估计是阵列信号处理中的热点。文中针对LFM信号的DOA估计算法采样数据量大,在低信噪比情况下估计效果不理想的问题,提出了基于子空间匹配追踪的LFM信号的DOA估计。该方法通过子空间匹配追踪算法将信号投影在子空间上,求出最大投影,最终估计出LFM信号的DOA。此外,改进后的空间匹配追踪算法,还解决了原算法收敛速度慢、会出现过匹配现象的问题。经仿真验证对比,该算法估计DOA的过程中匹配次数远小于匹配追踪的过程中,且在较低的信噪比下能估计出DOA。     

基于压缩感知超宽带信号盲稀疏度信道估计

鉴于超宽带(UWB)信道估计要求预先给出信道才能精确重构的不足,研究了基于压缩感知的盲稀疏度匹配追踪类算法用于信道重建.这种盲稀疏度方法根据迭代终止条件和字典中最优原子选择方式的不同,设置迭代终止阈值和阶段转换阈值,通过可变步长的增大逐步逼近稀疏度,实现精确重建.仿真结果表明,相同条件下,基于此思想经过改进算法可有效用于解决实际UWB信道估计,较改进前算法估计性能相当,是一种具有应用价值的盲稀疏度重构方法.     

基于压缩感知的LFM雷达转发干扰方法

首先指出压缩感知理论是突破目前超宽带系统干扰技术发展困境的方向之一,介绍了压缩感知理论在LFM信号处理中的应用,然后提出基于压缩感知的转发干扰系统结构和工作流程,给出了假目标欺骗干扰、密集假目标干扰和灵巧噪声干扰等三种干扰信号生成方法.最后对这三种方式进行仿真对比分析,结果表明了此干扰方法的可行性和有效性.     

LTE-A基于压缩感知的信道估计

针对在多普勒环境下LTE-A(改进的长期演进)系统时频域二维稀疏信道的特性,根据导频在时频域的分布以及二者之间的相关性,通过将搜索空间分解为时域上OFDM(正交频分复用)符号间和频域上子载波间范围,提出了一种基于OMP(正交匹配追踪)算法改进压缩感知的信道估计。仿真结果表明,改进的OMP算法较原始算法具有更低的MSE(均方误差)。     

稀疏L型阵中基于压缩感知的角度估计方法

利用二级Nested阵来构建稀疏L型阵列,针对此阵列,提出了基于压缩感知的角度估计方法。该方法通过计算接收数据的自相关协方差矩阵并向量化,然后进行重排序和去冗余,得到虚拟阵列的入射角信息。该虚拟阵列的长度远远大于实际物理阵列的长度,因而相比同物理阵元的均匀L型阵,阵列孔径和自由度明显增大。最后利用正交匹配追踪技术对虚拟阵列的l1范数约束问题进行求解,并完成二维角度的配对。计算机仿真表明,所提算法具有更高的信源分辨力,并且在高信噪比、高快拍数、大角度间隔条件下,具有更好的估计性能。     

基于压缩感知理论的稀疏孔径ISAR成像

在基于压缩感知理论的逆合成孔径雷达成像过程中,利用正交匹配追踪算法进行信号重构时存在重构精度较低、运算速度较慢的缺点,针对上述问题,提出了一种利用改进正交匹配追踪算法进行信号重构的稀疏孔径高分辨成像方法。首先,构造数据选择矩阵作为测量矩阵模拟回波缺失情况,然后利用稀疏基矩阵对回波信号进行稀疏表示,最后采取一种改进正交匹配追踪算法进行图像重构,相比于正交匹配追踪算法同时提高了运算速度和成像质量。通过仿真实验,在稀疏孔径数据随机缺失的情况下,改变数据缺失率,将该算法与距离-多普勒算法和正交匹配追踪算法的成像结果进行对比,验证了该算法的有效性和优越性。     

基于压缩感知的脉冲超宽带信号检测

传统的信号检测算法基于奈奎斯特采样定理来实现,这对于带宽极宽的超宽带(ultra-wideband,UWB)信号而言由于要求采样速率过高而很难用硬件去实现。为此,本文研究了基于压缩感知(compressive sensing,CS)的脉冲超宽带(impulse radio UWB, IR-UWB)信号检测问题,利用IR鄄UWB 信号在时域上的稀疏特性,设计了一种基于压缩感知的IR鄄UWB 信号检测框架,在此基础上提出了一种自适应加权正交匹配追踪检测算法。仿真结果表明,新算法不仅能够通过远少于奈奎斯特定理所要求的采样速率检测出IR-UWB 信号,而且与基于匹配追踪的压缩感知检测算法相比,新算法在低信噪比的情况下对IR-UWB 信号的检测效果更佳。     

基于压缩感知的信号重构

压缩感知是针对稀疏或可压缩信号,在采样的同时即可对信号数据进行适当压缩的新理论,采用该理论,可以仅需少量信号的观测值来实现精确重构信号。文中概述了CS理论框架及关键技术问题,介绍了信号稀疏表示、观测矩阵和重构算法。最后仿真实现了基于压缩感知的信号重构,并对正交匹配追踪(OMP)重构算法性能作了分析。     

基于稀疏系数位置和归一化残差的压缩感知信号检测

信号检测是压缩感知理论研究的重要内容。针对当前压缩感知信号检测算法没有充分利用稀疏系数幅值和位置信息的不足,提出了一种新的检测算法。该算法首先引入归一化残差变量,有效克服了稀疏系数幅值波动大的缺点;然后,利用不同测量矩阵确定的稀疏系数位置信息,基于正交匹配追踪( OMP)算法实现目标信号检测。实验结果表明,算法的检测性能随着信噪比的提高而增强,且与压缩比负相关,运算复杂度较正交匹配追踪算法和仅利用稀疏系数位置信息的算法相当但检测性能分别提高了4 dB和1 dB。     

基于压缩感知的宽带成像雷达Chirp信号回波的压缩和重构

针对宽带成像雷达chirp信号回波按照带通采样定理采样得到的数据量大所导致的存储压力大的问题,本文提出基于压缩感知的chirp信号回波压缩和重构方法,首先就回波是否可压缩,利用chirplet变换分析了chirp信号回波的稀疏性,在信号稀疏的基础上,应用chirplet变换给出了可应用于压缩感知的稀疏字典及其简化形式,并证明了所给出的简化形式稀疏字典满足信号重构的条件。最后给出了回波的压缩和重构方法并结合ISAR成像进行了数字实验,先在目标转动加平动模型下,进行了数据的压缩和重构,通过比较重构信号和原信号的时域波形、高分辨距离像和ISAR成像结果,验证了本文的方法。最后仿真分析了重构误差随信噪比的变化曲线,说明了本文的方法对信噪比的要求。      

一种稳健的盲稀疏度压缩感知雷达目标参数估计方法

针对压缩感知雷达(Compressive Sensing Radar, CSR)在感知矩阵和目标信息矢量失配时距离-多普勒参数估计性能下降的问题,该文提出一种稳健的盲稀疏度CSR目标参数估计方法。首先建立了CSR系统模型失配时的距离-多普勒2维参数稀疏感知模型,推导了以最小化感知矩阵相干系数(Coherence of Sensing Matrix, CSM)为准则的波形优化目标函数。其次提出了一种新的盲稀疏度CSR目标参数估计方法,通过发射波形,系统模型失配误差和目标信息矢量的相互迭代,逐步校正系统感知矩阵,最终以较高精度估计目标距离-多普勒参数。与传统CSR目标参数估计方法相比,该方法显著降低了CSR系统距离-多普勒参数的估计误差,改善了CSR目标参数估计的准确性和鲁棒性。计算机仿真验证了该方法的有效性。     

基于压缩感知的认知雷达参数估计

为了改善基于压缩感知技术的认知雷达(CR)目标参数估计的性能,研究了CR闭环反馈中的感知矩阵更新和稀疏目标场景重构.首先,根据等角紧框架和复Gram矩阵,构造胖矩阵情况下感知矩阵更新的目标矩阵;然后,将测量矩阵优化设计的最小二乘问题展开,利用Kronecher积推导测量矩阵更新的一步迭代公式;最后,引入阈值收缩函数去除迭代重加权最小二乘估计值中的无关小量,进而去除重构场景中的伪峰.计算机仿真实验验证了该算法的有效性.     

一种稀疏增强的压缩感知MIMO-OFDM信道估计算法

基于压缩感知(Compressed Sensing, CS)的信道估计可以达到减少导频的目的,但在频-时域信道矩阵到时延-多普勒域的稀疏变换中存在谱泄漏现象,影响了信道矩阵的稀疏性和估计的均方误差(MSE)性能。为此该文对信道的稀疏性进行研究,提出一种时域加窗的稀疏优化CS信道估计算法。通过对时域加窗,所提算法抑制了由离散截断导致的多普勒域泄漏,再据此设计出观测矩阵,以此方式增强信道在时延-多普勒域的稀疏性,并实现对稀疏的信道矩阵更为准确的重构,达到改善信道估计MSE性能的目的。仿真结果表明随信噪比的增大,加窗CS算法相比无窗CS算法有效改善了信道估计的性能。     

基于盲自适应KLT的蒸发波导压缩感知方法

蒸发波导既可促成微波通信、雷达等系统超视距工作,又可能造成异常盲区,因此获知蒸发波导的时空态势是夺取海上制电磁权的关键.若仅靠增大传感器布设密度提升感知分辨率,则费效比高且提升空间有限.压缩感知为从相对稀少的观测数据中获知蒸发波导态势提供了可能.本文提出盲自适应KLT（Karhunen-Loéve Transform）追踪算法,通过少量观测数据,充分挖掘蒸发波导的稀疏性,准确恢复出蒸发波导的分布.理论分析和实验表明,新方法总体性能优于基于DCT（Discrete Cosine Transform）和传统KLT的对照组性能,且新方法在节省九成采样资源的前提下,最终的重构结果能够达到重构信噪比30dB的水平,为海上长时间、大范围蒸发波导态势感知提供了压缩采集的基础.     

基于压缩感知的无源雷达超分辨DOA估计

波达方向(DOA)信息是目标定位过程中一个非常重要的量。但是在无源雷达中,目标回波通常掩盖在强直达波、多径干扰以及噪声的背景之下,因此很难对其进行DOA估计,特别是在多目标的情况下。该文提出一种基于压缩感知的无源雷达超分辨DOA估计方法,为了消除直达波和多径干扰以及提高目标回波的信噪比,首先进行时域干扰相消和距离-多普勒2维相关处理,最后在目标对应的距离-多普勒单元处进行方位向压缩感知稀疏重构,以获得目标的DOA信息。仿真分析表明,该文方法能够在无源雷达中进行有效的超分辨DOA估计。     

MIMO雷达中基于互协方差压缩感知的角度估计算法

将压缩感知(CS)理论应用到单基地集中式多输入多输出(MIMO)雷达的角度估计中,提出了MIMO雷达中基于互协方差CS的角度估计算法。首先进行降维变换降低复杂度,然后根据多快拍数据互协方差的特点,噪声影响被大大降低,最后构造字典并采用正交匹配追踪算法(OMP)进行压缩感知后期恢复。算法不再需要难以抉择的正则系数,并且利用了多快拍互协方差来估计波达角(DOA),对噪声有很强的鲁棒性,同时对相干目标也可准确估计。该算法的角度估计性能也优于现有文献的一些方法。仿真结果验证了算法的有效性。     

非合作跳频信号参数的盲压缩感知估计

针对非合作跳频通信系统采样速率高,先验信息少等问题,论文提出基于盲压缩感知重构理论参数估计算法。利用稀疏编码与正交基变换交替迭代的思想实现信号精确重构,并根据重构结果直接对跳频信号进行参数估计。与传统的压缩感知理论相比,盲压缩感知理论避免了对信号先验信息的需求,有效解决了非合作通信系统中先验信息少的问题。首先,建立信号模型,然后利用正交块对角盲压缩感知算法（Orthonormal Block Diagonal Blind Compressed Sensing,OBD-BCS）实现信号的重构,并估算出跳变频率及跳变周期。通过实验分析,该方法可以在低信噪比环境下恢复信号原始结构及信息,完成参数估计。      

基于DCS 的统计MIMO 雷达信号模型及参数估计

分布式压缩感知(Distributed Compressed Sensing, DCS)将单信号的压缩采样扩展到信号群的压缩采样,利用信号内相关性和互相关性对多个信号进行联合重构。统计多输入多输出(Multiple-Input Multiple-Output,MIMO)雷达系统通过多发多收配置,在发射机、目标以及接收机之间构成对目标的分布式探测系统。该文将DCS应用到统计MIMO 雷达中,通过对该场景中目标回波的延时在距离空间稀疏性的分析,提出联合所有接收信号重构目标场景的设想,建立了接收信号的联合稀疏模型,并实现了目标参数估计的联合重构算法。仿真结果表明与基于压缩感知(Compressed Sensing, CS)的算法相比,基于DCS 的算法在进一步降低采样数目的同时提高了参数估计精度,同时也验证了DCS-MIMO 雷达可以有效克服目标的雷达散射截面积(Radar Cross Section, RCS)起伏。