基于改进典范分解的嵌套阵列DOA估计

摘 要：为了避免在对嵌套阵列做DOA估计时进行空域峰值搜索,将典范分解应用于嵌套阵列,通过单次奇异值分解、双线性映射和张量分解得到阵列导向量矩阵和入射角。但现有典范分解算法只适用于无噪条件,通过两次奇异值分解改进了该算法,使其在无噪和有噪条件下均适用。仿真结果表明：在相同信噪比、快拍数情况下,基于改进典范分解的嵌套阵列DOA估计算法相比MUSIC、空间平滑算法具有更好的估计性能和更少的运算时间。     

一种快速张量分解算法及其在人脸识别中的应用

基于张量代数的人脸识别技术对姿态、光照和表情的变化具有很好的鲁棒性.本文在高阶奇异值分解的基础上,提出了一种基于特征空间的快速张量分解算法.首先使用传统的子空间学习方法对观测图像进行降维,然后在低维的特征空间对训练数据进行张量分解.通过在Weizmann人脸数据库上进行人脸识别实验,验证了本文方法的有效性.     

基于奇异值分解的红外弱小目标背景抑制

复杂背景的抑制是红外弱小目标检测技术的一个难题.为解决这个问题,提出了基于奇异值分解的背景抑制算法.从矩阵的角度出发,通过对原图像进行奇异值分解,将包含弱小目标信息的图像矩阵分解到一系列奇异值和奇异值矢量对应的子空间中,然后通过定义的偏差指数所确定的有效的奇异值来重构图像,从而达到背景抑制的目的.与二维最小均方误差算法比较,实验结果显示,该算法对红外弱小目标复杂背景从主观视觉和数值指标都具有良好抑制效果.     

声矢量阵张量分解MUSIC算法

矢量水听器同时、共点测量声场中的声压和振速分量,因此相对于声压水听器能够获取更多的声场信息,多重信号分类算法(MUSIC)是一种具有高分辩能力的方位估计算法,本文对声矢量阵接收信号三阶张量建模,并通过高阶奇异值分解得到信号张量子空间,从而结合MUSIC算法对声源进行方位估计。基于三阶张量奇异值分解得到的信号子空间相比于传统的矩阵奇异值分解得到的信号子空间能够更好地抑制噪声,并且体现了多维数据之间的关联关系,因此方位估计精度更高。计算机仿真结果表明:矢量阵张量分解MUSIC算法性能优于传统矢量阵MUSIC方法。      

基于OMP-SVD的多分量单频信号频率估计

压缩感知(CS)是稀疏信号处理的有力工具。研究了多分量单频信号经过压缩采样以及信号重构后的频率估计问题。首先以一个随机高斯矩阵对信号进行观测测量,得到观测值;然后基于正交匹配追踪(OMP)和奇异值分解(SVD)算法,利用这些观测值对原信号进行高精度重构;最后利用重构中得到的非零元素的位置信息估计了原信号频率,并与基于Levinson-Durbin的AR参数模型频率估计算法进行了性能对比。仿真证明了算法能够高效重构原信号,并精确估计原信号频率。     

准正交空时分组码系统的一种盲信道估计方法

空时分组码(STBC)系统的经典信道盲估计方法,如子空间法(SS)等,都是基于接收端样本自相关矩阵的特征值分解(EVD)或奇异值分解(SVD)来实现信道估计的,而基于QR分解的信道盲估计方法是一种性能优良的新算法.文中将该算法应用到准正交空时分组码系统的信道估计中,结合准正交空时分组码的特性提出了一种新的信道盲估计算法.与以上经典的信道盲估计算法相比,文中提出的算法的计算量大为降低.同时Monte-Carlo仿真表明,当信噪比较低时,该算法比子空间法有更好的性能.     

基于张量R-Tucker分解的BCI数据分类研究

张量分解作为一种高维数据分析工具能够结合多个模态的信息从而获取具有判别信息的特征,但是在高维空间上进行张量分解存在计算复杂度高的问题。为了解决该问题,研究借助随机奇异值分解速度快的特点,提出基于随机奇异值分解的张量Tucker分解（张量R-Tucker分解）,并将其用于BCICIV2b数据集的特征提取和分类中。实验结果显示：相比张量Tucker分解,张量R-Tucker分解特征提取速度提升22%,并且平均分类准确率达到80.93%,与现有基于矩阵的方法相比提高10.12%。     

一种改进的子空间语音增强方法

提出一种基于奇异值分解的子空间分解语音增强方法,该方法是利用最小值统计噪声估计法代替传统的VAD方法对噪声进行估计,并利用所得噪声和带噪语音构造的协方差矩阵得到纯净语音的协方差矩阵,并将特征值分解的时域约束和频域约束估计方法推广到奇异值分解方法中,通过奇异值分解、重构得到增强后的语音信息.试验表明:该方法具有较好的去噪效果.     

基于快速张量分解的波束空间MIMO雷达二维DOA估计算法

传统MIMO雷达由于采用全向发射模式导致目标增益损失严重,致使DOA估计算法性能较差.因此,本文提出基于波束空间MIMO雷达的张量模型和快速张量分解的二维DOA估计算法.波束空间MIMO雷达能够通过发射波束成形技术将发射能量集中到指定空域,弥补传统MIMO雷达的发射增益损失.通过高阶张量模型应用MIMO雷达多脉冲接收数...     

一种基于奇异值分解的改进信噪比盲估计算法

针对空间分解类信噪比(SNR)估计算法中子空间维数估计复杂度较高,低信噪比下估计偏差较大的问题,提出了一种改进的子空间维数估计算法。该算法首先利用样本自相关矩阵的奇异值序列进行后向差分得到梯度序列,对梯度序列每一项与后5项之和的比值进行搜索,最大比值所对应的奇异值序号作为信号子空间维数,最后计算信噪比。合适数据长度下的仿真结果表明：在信噪比-5 dB~20 dB范围内,常规通信信号的信噪比估计平均偏差小于0.5 dB,标准差小于1 dB;该算法提升了低信噪比下的估计性能,运算量较小,无需知道调制方式、载波频率、符号率等先验信息,在低信噪比时对信噪比时变的跟踪估计更为准确,且对复杂高阶调制信号同样适用。     

SVD降噪在载波同步技术中的研究

为了提升突发通信中载波频偏估计的性能,降低有效估计的信噪比门限,提出了一种基于奇异值分解去噪的频偏估计方法。首先,该方法将含噪信号根据相应映射转换成矩阵,并对该矩阵进行奇异值分解;其次,将较大的奇异值判定为信号特征予以保留,否则判定为噪声特征置零;接着,根据降噪后的奇异值重构矩阵,恢复成模拟信号;最后,将预处理后的信号进行M&M频偏估计。结果表明,相比于不去噪的频偏估计算法,该方法能够提升估计精度,降低信噪比门限,具有一定的实用性。     

Robust angle estimation method for noncircular targets in MIMO radar with mutual coupling

A robust angle estimation method for noncircular targets based on unitary tensor decomposition with mutual coupling in multiple-input multiple-output (MIMO) radar was proposed.Firstly,utilizing the banded symmetric Toeplitz structure of the mutual coupling matrix to eliminate the influence of unknown mutual coupling in tensor field.Then a special augmented tensor was constructed to capture the no circularity and its inherent tensor multidimensional structure of noncircular signals.And taking advantage of the centro-Hermitian characteristic of the augmented tensor to transform the sub-tensor into real-values tensor by the unitary transformation.Finally,the signal subspace estimation based on tensor was obtained by taking advantage of the higher-order singular value decomposition (HOSVD) technology,and then the direction-of-departure (DoD) and direction-of-arrival (DoA) estimation was obtained by utilizing the real-values subspace technology.Due to the consideration of both the noncircularity and multidimensional structure,the proposed algorithm has better recognition performance than the existing angle estimation methods.At the same time,the proposed algorithm only requires real-valued operations and has lower computational complexity.Simulation experiments verify the effectiveness and superiority of the proposed algorithm.     

基于奇异值分解的MIMO-OFDM系统角域MAP信道估计算法

最大后验概率信道估计算法应用于多输入多输出-正交频分复用(MIMOOFDM)系统时需要大规模的矩阵求逆和乘积运算,且系统数据传输效率随发送天线数的增加明显降低.为克服这些问题,提出了一种基于奇异值分解的角域最大后验概率信道估计算法.该算法通过期望最大化把(MIMO)信道估计问题简化为一系列独立的单输入单输出(SISO)问题,并使用奇异值分解避免了大规模矩阵求逆和乘积运算;通过多个OFDM符号联合估计信道提高了系统数据传输效率及算法的估计性能.仿真实验验证了此算法的有效性.     

基于张量四元数极化平滑的极化-DOA估计

为了解决相干信号的极化平滑算法在小快拍数和低信噪比条件下估计性能较差的问题,结合四元数的正交特性和协方差张量方法,提出了一种基于张量四元数的极化平滑多重信号分类（Multiple Signal Classification,MUSIC）解相干算法。首先,为了充分利用接收数据样本中的多维结构信息,建立了由张量四元数表示的柱面共形阵列极化平滑信号模型;其次,将平滑后的张量协方差矩阵通过高阶奇异值分解得到信号子空间;最后,通过极化秩亏MUSIC算法对入射相干信号分别进行二维波达方向（Direction of Arrival,DOA）估计和极化参数估计。仿真结果表明,该算法在小快拍数和低信噪比条件下具有更高的估计精度和分辨能力。     

一种新的双基地MIMO雷达快速多目标定位算法

针对双基地MIMO雷达目标定位问题,该文提出一种基于三阶张量分解的快速多目标定位算法。该算法首先将匹配滤波输出转化为三阶张量,并对其进行降维预处理,然后利用交替最小二乘(ALS)算法估计收发阵列流型矩阵和多普勒矩阵,最后通过谱估计算法恢复目标收发角和多普勒频率。同时利用线性搜索加快ALS算法的收敛速度。与现有算法相比,该算法避免了2维谱峰搜索和协方差矩阵估计,得到的目标三参数自动配对,不仅提高了估计性能,而且有效降低了运算量和存储量。仿真结果证明了所提算法的有效性和优越性。     

乘性和加性噪声中二维谐波频率估计

噪声中的谐波恢复问题是信号处理领域的一个典型问题,在众多领域中有着广泛的应用。本文主要研究零均值乘性和加性噪声并存下的二维谐波信号频率估计问题,提出了一种基于数据矩阵的奇异值分解和子空间的旋转不变性的零均值乘性和加性噪声中的谐波频率的估计方法。乘性噪声为零均值情形下传统的估计方法往往难以直接应用或估计失效。本文利用谐波模型信号特征,通过对观测信号进行平方运算构造了一个数据矩阵。通过对数据矩阵的特征值进行理论分析,结合子空间旋转不变性,得到了零均值乘性和加性噪声中的谐波频率和数据矩阵之间的一种内在关系。这个性质可以用于零均值乘性和加性噪声并存下的二维谐波信号频率估计,并且所得的二维频率能自动配对。仿真实验验证了本文所提算法的有效性。      

基于张量分解的双基地MIMO 雷达目标数估计

针对双基地多输入多输出(MIMO)雷达目标数估计问题,提出一种基于三阶张量分解的目标数估计算法。该算法首先将匹配滤波输出转化为三阶张量;然后,从张量的三个维度分别计算特征值,并通过迭代方法估计全局特征值;最后,利用全局特征值估计目标数。与传统基于矩阵分解算法相比,该算法充分利用了回波数据的多维结构特征,可有效改善特征值的估计精度,从而提高目标数的正确估计概率。仿真结果证明了所提算法的有效性和优越性。     

HOSVD-Based Subspace Algorithm for Multidimensional Frequency Estimation Without Pairing Parameters

In this paper, a new method for multidimensional frequency estimation of multiple sinusoids that combines the HOSVD （Higher-order singular value decomposition） subspace and projection separation approaches is presented. Frequency parameters in the first dimension are obtained by using the signal subspace of the first dimension which is extracted by the HOSVD decomposition. Subsequently, a set of projection separation matrices is constructed to project the measure tensor and separate the components of the received tensor into single ones. And then, the signal subspace of each dimension of separated measure tensor are estimated by the HOSVD decomposition and the desired multidimensional frequency pairing are automatically obtained. Simulation results are included to demonstrate the advantage of the proposed method over two existing methods in terms of performance as well computational load.