基于压缩感知的无线传感器网络多目标定位算法

目标定位是无线传感器网络的重要应用场景。该文提出了一种将压缩感知应用于无线传感器网络多目标定位的方法,把基于网格的多目标定位问题转化为压缩感知问题。应用多分辨率分析的思想,设计了迭代回溯的压缩感知算法,该方法的特点是可同时进行多目标定位,并且大大减少了网络通信的数据量从而延长网络寿命,代价是融合中心的算法复杂度的增加。仿真结果显示,采用迭代回溯算法定位精度提高了50%以上,具有较好的多目标定位效果。     

基于压缩感知的室内多目标无线定位算法

针对现存无线传感器网络定位算法中需要采集、存储和处理大量数据导致运算量较大与能耗过高的问题,提出了一种改进的基于贝叶斯压缩感知的多目标定位算法.该算法利用锚节点对监控区域的划分,结合贝叶斯压缩感知理论将多目标定位问题转换为稀疏信号重构的问题.针对传统观测矩阵难以实现的缺陷,该算法中改进观测矩阵的设计可实现且与稀疏变换基相关性较低,进而使得算法的重构性能较高,从而降低了定位的误差.仿真结果表明,与现有的一些方法相比,所提算法在保证较低的计算复杂度的情况下更加充分地利用了网络节点,有效提高了定位精度,同时具有较强的鲁棒性.     

基于LU分解的稀疏目标定位算法

针对基于orth的稀疏目标定位算法中orth预处理会影响原信号的稀疏性的问题,该文提出一种基于LU分解的稀疏目标定位算法。该算法通过网格化感知区域把目标定位问题转化为压缩感知问题,并利用LU分解法对观测字典进行分解得到新的观测字典。该观测字典有效地满足了约束等距性条件,同时对观测值的预处理过程不影响原信号的稀疏性,从而有效地保证了算法的重建性能,提升了算法的定位精度。实验结果表明,基于LU分解的稀疏目标定位算法的性能远优于基于orth的稀疏目标定位算法,目标的定位精度得到了较大地提升。     

无线传感器网络中基于压缩感知的动态目标定位算法

传统的动态目标定位算法需要采集、存储和处理大量数据,并不适用于能量受限的无线传感器网络。针对该缺陷,该文提出一种基于压缩感知的动态目标定位算法。该算法利用目标的运动规律设计稀疏表示基,从而将动态目标定位问题转化为稀疏信号恢复问题。针对传统观测矩阵难以实现的缺陷,该算法设计可实现且与稀疏表示基相关性低的稀疏观测矩阵,从而保证了算法的重构性能。该算法的特点是可利用较少的数据采集实现动态目标定位,从而大大延长无线传感器网络的寿命。仿真结果表明,该文所提出的基于压缩感知的动态目标定位算法具有较好的定位性能。     

利用压缩感知与多边测量技术的无线传感器网络定位算法

针对传统无线定位算法的缺点,该文提出了运用接收信号强度参数,将压缩感知技术和多边测量方法相结合的无线传感器网络定位方法。首先将基于网格的目标定位问题转化为压缩感知问题,判断目标是否位于网格中心。对于目标不在网格中心的情况,再用多边测量方法进行目标的精定位,并采用了基于接收信号强度的基站选择策略克服环境因素对定位算法的影响。与传统压缩感知方法相比,该文算法克服了未知目标只能在网格中心定位的局限性,降低了算法的复杂度,拓宽了算法的应用领域。仿真结果表明:与现有定位算法相比,该文算法在定位性能和算法复杂度上都体现了巨大优势。      

无线传感器网络中能量感知目标定位算法

在传感器网络中节点能量有限,因此设计出能量高效的目标定位算法对于延长网络生命期、增强网络健壮性有着非常重要的意义.提出了一种能量高效的目标定位算法,并提出了在节点稀疏情况下保证定位精确性的方法.仿真表明,使用文中提出算法的传感器网络能大大地降低能量损耗.     

无线传感器网络中面向压缩感知定位的动态字典算法

传统的压缩感知定位方法均假设目标准确落在某一预设的固定网格上。当目标偏离该网格,所采用的字典与真实稀疏表示字典之间存在失配,导致这些方法的定位性能大大降低。针对该问题,该文提出一种面向压缩感知定位的动态字典算法。该算法将真实稀疏表示字典建模为一个以网格为参数的动态字典,从而将定位问题转化为联合稀疏重构和参数估计问题。利用一阶泰勒展开对真实稀疏表示字典进行近似,将非凸的参数优化问题松弛为凸优化问题。仿真结果表明,相比于传统的静态字典算法,该文所提出的动态字典算法具有更好的性能。     

压缩感知的多参数链路故障定位算法

为了提高故障定位性能,降低单一判别参数在单位过程中的约束,该文提出一种基于压缩感知和信息熵差的多参数链路故障定位算法。该算法首先利用贝叶斯网络进行快速故障预测,其次引入参数故障覆盖范围,利用压缩感知进行故障筛选,最后定义参数故障信息熵差完成根源故障定位。仿真结果表明,该算法预测出的故障集合具有可压缩性,筛选后的故障集合保留了真实故障,定位时具有较高的故障检测率和较低的故障误检率。     

一种复域压缩感知目标方位估计方法

针对频域压缩感知目标方位估计方法的性能退化问题,本文通过对线列阵接收信号进行复解析变换,按预估方位在复域对各阵元信号进行时延补偿、相关和累积处理,构建复域感知矩阵和测量值,采用复域压缩感知方法实现空间谱合成和目标方位估计.数值仿真和实测数据处理结果表明,在同一检测概率下,相比频域压缩感知方法,该方法对输入信噪比的最低要求得到近10lgMdB(M为通道数)的降低,提升了对弱目标的检测能力.     

能量约束贝叶斯压缩感知检测算法

为了解决无线传感器网络在监测区域内遇到处理能力不足和能量受限问题,提出了一种能量约束贝叶斯压缩感知检测算法。算法在选择观测向量时不仅考虑了重构效果,同时还考虑了节点的能量,并利用改进的分簇算法选择最佳传输路径,以均衡整个网络的能量,防止某些节点由于能量消耗过快导致整个网络失效。实验表明,与传统的贝叶斯压缩感知直接检测相比,能量约束贝叶斯压缩感知检测算法在网络生存时间上有了很大的提高。     

Subspace Pursuit for Compressive Sensing Signal Reconstruction

We propose a new method for reconstruction of sparse signals with and without noisy perturbations, termed the subspace pursuit algorithm. The algorithm has two important characteristics: low computational complexity, comparable to that of orthogonal matching pursuit techniques when applied to very sparse signals, and reconstruction accuracy of the same order as that of linear programming (LP) optimization methods. The presented analysis shows that in the noiseless setting, the proposed algorithm can exactly reconstruct arbitrary sparse signals provided that the sensing matrix satisfies the restricted isometry property with a constant parameter. In the noisy setting and in the case that the signal is not exactly sparse, it can be shown that the mean-squared error of the reconstruction is upper-bounded by constant multiples of the measurement and signal perturbation energies.     

基于压缩感知的正则化子空间追踪算法

压缩感知理论是一种新的在采样的同时实现压缩的采样过程,只要被采样信号是稀疏或可压缩的,就可以保证精确重建。通过研究总结已有的贪婪追踪类重建算法,提出了一种正则化子空间追踪算法(Regularized Subspace Pursuit,RSP)。正则化正交匹配追踪算法(Regularized Orthogonal Matching Pursuit,ROMP)的正则化方法对原子的能量分级思想,对信号的重建精度和重建速度有很大影响。首先对该方法的不合理性进行改进,然后将改进的正则化步骤引入到子空间追踪算法(Subspace Pursuit,SP)中,最终达到对原始信号的快速精确重建。实验仿真表明,该算法比SP算法更高效,更具有实际应用意义。     

压缩感知多目标无源定位中的字典适配方法

该文针对压缩感知多目标无源定位在无线定位环境中的字典失配问题,提出基于变分期望最大化算法的字典适配方法。该方法首先根据鞍面模型建立无源字典,并将与定位环境相关的字典参数作为可调参数。然后,为目标位置向量建立两层的混合高斯先验模型以诱导其稀疏性。最后,利用变分期望最大化算法估计隐藏变量的后验分布以及优化字典环境参数,实现多目标位置估计和字典适配。仿真结果表明,相较于传统的压缩感知多目标无源定位方法,在变化的无线定位环境下,所提定位方法的性能优势尤为明显。

     

一种基于子空间追踪的宽带压缩频谱感知方法

频谱感知是认知无线电进行动态频谱管理的首要任务。为了克服传统频谱感知算法对采样速率的过高要求,本文将压缩感知理论中的子空间追踪(SP)重构算法应用于协作式宽带压缩频谱感知中,提出了基于SP的宽带压缩频谱感知方法。该方法首先通过SP重构算法恢复出信号频谱,然后根据所恢复的频谱确定认知用户的能量判决门限,进而利用能量检测算法最终判决出可利用的频谱空穴。仿真结果表明,该方法在低压缩比下具有良好的频谱检测能力,且计算复杂度降低。     

基于多维测量信息的压缩感知多目标无源被动定位算法

无源被动定位是入侵者检测、环境监测以及智能交通等应用的关键问题之一。现有的无源被动定位方法可通过信道状态信息获取多个维度上的测量信息,但是现有方案未能充分挖掘多个信道上的频率分集以提高定位性能。该文提出一种基于多维测量信息的压缩感知多目标无源被动定位算法,在压缩感知框架下利用多维测量信息的频率分集提高定位精度和鲁棒性。根据鞍面模型建立无源字典,将多目标无源被动定位问题建模成多测量向量联合稀疏恢复问题,并利用多维稀疏贝叶斯学习算法估计目标位置向量。仿真结果表明,该算法能有效利用多维测量信息提高定位性能。

     

单星多波束天线下基于压缩感知的多目标干扰定位

针对卫星干扰处理中的多目标定位问题,该文提出基于压缩感知的定位方法.该方法利用目标的空间稀疏性,以及多波束天线在不同信号源方向上的增益不同,仅需要测量接收信号强度便可实现多个干扰的位置识别.研究结果表明,定位性能与节点分布、目标个数、波束覆盖半径、判决门限有关.在给定参数及原对偶内点算法下,该方法可实现1～4个干扰源的空域定位,在信噪比为20 dB时定位精度达到7.7 km,优于经典的旋转干涉仪和空间谱估计测向方法.     

单星多波束天线下基于压缩感知的多目标干扰定位

针对卫星干扰处理中的多目标定位问题,该文提出基于压缩感知的定位方法.该方法利用目标的空间稀疏性,以及多波束天线在不同信号源方向上的增益不同,仅需要测量接收信号强度便可实现多个干扰的位置识别.研究结果表明,定位性能与节点分布、目标个数、波束覆盖半径、判决门限有关.在给定参数及原对偶内点算法下,该方法可实现1～4个干扰源的...     

一种联合Khatri-Rao子空间与块稀疏压缩感知的差分SAR层析成像方法

虽然采用压缩感知技术(Compressive Sensing, CS)的差分SAR层析成像方法实现了4维空间信息的重构,但是此方法仅利用了目标的稀疏特性并没有考虑目标的结构特性,因此对同时具有稀疏特性和结构特性的目标进行重构时其性能较差。针对这一问题,该文采用联合Khatri-Rao子空间和块压缩感知(Khatri-Rao Subspace and Block Compressive Sensing, KRS-BCS),提出一种差分SAR层析成像方法。该方法依据目标的结构特性和重构观测矩阵具有的Khatri-Rao积性质,将稀疏结构目标的差分SAR层析成像问题转化为Khatri-Rao子空间下的BCS问题,最后对目标进行块稀疏的l1/l2 范数最优化求解。相比CS差分SAR层析成像方法,该方法不仅保持了CS差分SAR层析成像方法的高分辨率特点,而且其重构精度更高性能更优。仿真数据和ENVISAT星载ASAR数据以及地面GPS实测数据的试验结果验证了该方法的有效性。     

基于贝叶斯压缩感知的子空间拟合DOA估计方法

经典加权子空间拟合算法需进行多维非线性优化,初始参数的难以设置和较大的计算量限制了其应用。结合压缩感知理论,本文提出了一种基于改进贝叶斯压缩感知的子空间拟合DOA估计新方法。该方法首先通过低复杂度的子空间分解算法PASTd估计信号加权子空间,进而基于入射信号的空域稀疏性,将信号子空间拟合建模为多测量值稀疏重构问题,并应用贝叶斯压缩感知算法进行求解。算法在贝叶斯压缩感知的迭代求解中引入了基于相对阈值判决的基消除机制,加快收敛速度的同时避免了矩阵奇异问题。仿真结果表明本文算法在低信噪比、小快拍情况下空间分辨率优于MUSIC和l1-SVD算法,可直接用于相干源的估计,并对信源数目的估计误差具有较强鲁棒性。      

超材料压缩感知成像技术

基于超材料和压缩感知理论设计了一套简便的快速成像系统,可用于毫米波及太赫兹(THz)成像,具有结构简单,成像速度快,在不同频段移植性强等优点。系统采用超材料结构互补(CELC)单元设计单通道成像口径,实现了对信息的物理层压缩。基于口径在不同频率辐射特性的不相关性,构造测量矩阵,以扫频方式实现对目标场景的稀疏测量,最后采用两步迭代阈值(TwIST)算法实现对目标场景的重构。已完成K波段、THz波段成像口径设计,以及K波段成像仿真实验,40 cm成像口径理论上具备4.6 cm的距离分辨力和1.3°的角度分辨力。