解卷积主动声呐目标回波高分辨时延估计技术

为提高浅海复杂海洋环境下的目标回波时延估计精度,增强主动声呐系统对目标的探测能力,该文基于稀疏表示理论和解卷积思想,提出一种高分辨目标回波时延估计技术.首先,引入Toeplitz算子,将发射信号的不同时延结果构造成时延字典矩阵,时延估计值存在于所求解的稀疏向量中.其次,利用交替方向乘子算法(ADMM)优化框架,求解全局最优解.最后,采用一种加权迭代策略设置正则化参数,进一步抑制多途信道的影响,解耦合出回波到达的时刻,获得高精度的目标回波时延估计结果.数值仿真和实验数据表明,该文提出的解卷积主动声呐目标回波高分辨时延估计技术可以在多途扩展严重的浅海声信道实现目标探测,在信道水池的实验环境下,时延估计分辨率可达0.056 ms.     

基于贪婪算法的高分辨信号源DOA估计

确定辐射源的来波方向(DOA)是阵列信号处理的重要研究内容,已经广泛应用于雷达、声纳和无线通信等领域。本文研究了远场窄带信号源的DOA高分辨估计问题。利用信号来波方向在空域具有稀疏性的特点,建立了远场窄带信号源的稀疏表示模型。根据协方差矩阵的特征值分解和贪婪匹配追踪算法原理提出了一种基于特征值分解的多重正交匹配追踪算法（EIG MOMP）。首先,利用特征值分解对阵列接收数据进行降维处理。这一降维操作使得问题转化为了一个具有多重观测向量（MMV）的欠定方程求解问题。接着利用MOMP算法对降维后的数据进行处理,最终得到信号的DOA估计值。该算法实现了在低信噪比下远场窄带信号源的高分辨DOA估计,并具有较低的运算复杂度。将本文提出的算法与传统的Capon算法、多重信号分类算法（MUSIC）以及正交匹配追踪算法（OMP）进行了对比。结果证明,该算法在低信噪比下能取得较好的DOA估计效果,可以针对任意的相干信号源,并且具有高分辨率的优点。      

多阶次分数阶傅里叶域特征融合的主动声呐目标稀疏表示分类方法

海洋环境噪声和混响干扰严重、目标可分性差是主动声呐目标分类识别中的瓶颈问题.针对这一问题,该文基于主动声呐目标回波信号模型和分数阶傅里叶变换(FRFT)原理,推导了多阶次FRFT域特征表征形式,建立了FRFT域稀疏表示模型,提出了一种多阶次FRFT域特征融合的主动声呐目标稀疏表示分类方法.该方法通过FRFT的能量聚集性和稀疏分解的残差去除过程,达到了抑制噪声和混响干扰的目的;通过多阶次FRFT域特征的融合,增加目标之间的可分性,进而实现海洋环境中低信混比条件下的主动声呐目标分类.实验结果表明,所提方法在信混比达到0 dB的条件下,分类准确率能够达到90％以上.     

多阶次分数阶傅里叶域特征融合的主动声呐目标稀疏表示分类方法

海洋环境噪声和混响干扰严重、目标可分性差是主动声呐目标分类识别中的瓶颈问题.针对这一问题,该文基于主动声呐目标回波信号模型和分数阶傅里叶变换(FRFT)原理,推导了多阶次FRFT域特征表征形式,建立了FRFT域稀疏表示模型,提出了一种多阶次FRFT域特征融合的主动声呐目标稀疏表示分类方法.该方法通过FRFT的能量聚集性...     

超宽带信号时延估计算法研究

研究定位中的超宽带(Ultra Wide-band,简称UWB)信号时延估计问题,给出UWB信号的模型,在研究传统的相关法、双谱法及MUSIC算法的基础上,提出一种改进的MUSIC算法.通过仿真实验,给出估计性能曲线,和传统的相关法、双谱法及MUSIC算法相比,仿真结果表明改进的MUSIC算法具有更好的估计性能.     

时延估计技术研究

时延是表征信号的一个重要特征参数,准确、迅速地估计时延及其他参数可以进一步确定信源距离、方位、速度等信息.因此,对时延参数的估计一直是信号处理领域中的十分活跃的研究课题.在分析时延估计发展现状的基础上,对时延估计理论和方法进行了归纳和总结,介绍了基于二阶统计量、高阶统计量的时延估计方法,以及近年来广泛应用的现代信号处理工具--分数阶Fourier变换及其在时延估计中的应用,并对各时延估计方法的性能进行了分析和比较,指出了时延估计的研究方向.     

动目标多径回波的时延、到达角和多普勒频率联合估计

动目标回波的时延、到达角与多普勒频率等参数,都是定位与跟踪目标所需的重要参数。本文针对动目标多径回波的参数估计问题,利用照射信号的周期重复性建立了具有旋转不变结构的阵列接收信号模型,并将PRO-ESPRIT算法应用于该信号模型,从而利用模型中的旋转不变因子及其对应的特征向量估计得到各多普勒频率、时延和到达角参数。这一方法对阵列形式没有特殊要求;与已有的联合估计方法相比,多参数联合估计时无需高维搜索或迭代,估得的对应相同回波的信号参数自动配对;在照射信号未知及存在相同多普勒频率参数的条件下,仍具适用性。计算机仿真结果证实了该方法的有效性。     

协方差矩阵稀疏表示在网格失配波达方向估计中的应用

该文利用了入射信号在空域的稀疏性,将波达方向（DOA）估计问题描述为在网格划分的空间协方差矩阵稀疏表示模型,并将其松弛为一个凸问题,从而提出了一种网格匹配下的交替迭代方法（AIEGM）。传统的基于稀疏重构的波达方向估计算法由于其模型的局限性,一旦入射角不在预先设定的离散化网格上,就会造成估计性能的急剧恶化。针对这个问题,该算法可以在离散化网格比较粗糙的前提下,通过交替迭代的方法求解一系列基追踪去噪（BPDN）问题,对于不在网格上的真实角度估计值进行修正,从而达到更精确的波达方向估计。仿真结果证明了AIEGM算法的有效性。      

未知波形信号的多径时延估计新方法

该文提出了一种从单个阵元接收数据中估计未知波形信号多径回波时延的新方法。该方法通过建立单阵元接收数据的频域信号模型,分析得出了利用该模型估计多径时延与利用阵列估计来波方向问题的相似性。进而,估计来波方向的ESPRIT算法被改造用于估计多径时延。文中还对通过信号模型估值存在的模糊问题进行了分析,并提出了解决办法。仿真实验结果证明了新方法的有效性。     

单光子激光雷达的时间相关多深度估计

单光子激光雷达广泛应用于获得三维场景的深度和强度信息。对于多表面目标,如激光经过半透明表面上时,一个像素上探测到的回波信号可能包含多个峰。传统方法在低光子或相对较高的背景噪声水平下无法准确估计多深度图像。因此,提出了一种单光子激光雷达时间相关多深度估计方法。该方法利用信号响应的时间相关性,对点云数据进行多深度快速去噪,能够从背景噪声中识别每个像素上来自多个表面的信号响应。并基于该信号响应集合的泊松分布模型,通过全变分正则化引入像素之间的空间相关性,建立多深度估计成本函数。使用快速收敛的交替方向乘子算法从成本函数中估计深度图像。实验结果表明,所提方法在距离约为1 km处的多深度目标上,相较于常规方法估计深度图像的均方根误差减少了至少27.05%,信号重建误差比提高了至少18.39%,同时数据量减少至原来的4%。证明该方法能够以更小的内存需求和计算复杂度提高单光子激光雷达的多深度图像估计性能。     

基于ADMM的低仰角目标二维DOA估计算法

针对面阵米波(VHF)雷达低仰角目标2维DOA估计问题,该文提出一种基于交替乘子法(ADMM)的快速2维DOA估计算法。该方法首先利用均匀面阵条件下方位、俯仰角无耦合的特性,将2维角度估计问题转化为两个1维角度估计问题,通过方位、俯仰维波束合成实现对目标信息提取;其次根据信号模型建立信号空域超完备表达式,利用ADMM方法完成对方位、俯仰角估计。该方法避免了2维联合估计复杂计算量,复杂度大大降低,且运算过程无需特征分解,进一步提高了运算效率。仿真结果表明了该算法的优越性。     

可重构智能表面辅助的毫米波信道估计算法

针对可重构智能表面(RIS)辅助的毫米波通信中信道状态信息难以获取问题,该文给RIS的部分器件配备射频链,以分开估计基站(BS)/用户(UE)到RIS之间的信道。根据该结构,提出一种低复杂度的信道估计算法。该算法首先采用解耦原子范数最小化(ANM)方法将信道的离开角和到达角的2维角度估计问题转化为两个1维的角度估计的半正定规划(SDP)问题;其次,利用交替方向乘子算法(ADMM)对该SDP问题进行求解,采用动量梯度下降法对信道矩阵参数进行更新以避免矩阵求逆运算,并通过对迭代步长和信道矩阵参数的联合优化以获得更加精准的信道估计值;最后利用信号的2维角度和信道矩阵参数得到路径增益估计。仿真结果表明,该算法达到了优良的信道估计性能,且在确保信道估计性能的系统参数设置下,该算法的复杂度较低。     

改进的互功率谱相位时延估计方法

互功率谱相位是一种常用的时延估计方法,该方法在弱噪声和中度以下混响的环境下,可以获 得比较精确的时廷估计值;但在低信噪比和强混响的环境下,该方法的性能急剧下降,针对这一问题,本文 提出了一种改进的互功率谱相位时延估计方法。计算机模拟结果表明,改进后的方法即使在低信噪比和强混 响的环境下,也可以获得令人满意的时延估计值。     

高分辨率条件下延时有源定标器SAR成像质量分析与校正

延时有源定标器是合成孔径雷达(Synthetic Aperture Radar, SAR)图像质量评估和辐射定标的关键设备,有源定标器延时技术的采用可以降低本地杂波的影响,提高测量精度。但其点目标成像质量不可避免地会受到延时的影响,尤其在高分辨率条件下更为严重。该文建立了高分辨率条件下延时对有源定标器点目标成像质量影响分析模型,定量地分析了不同延时对有源定标器点目标响应峰值功率、主瓣3 dB宽度、峰值旁瓣比和积分旁瓣比的影响程度,通过研究提出了一种延时影响的校正方法,仿真实验验证了该方法的正确性。     

基于凸松弛的图像选择性分割模型的快速算法

针对基于测地距离的图像选择性分割模型非凸的缺陷,该文结合凸松弛方法,提出凸松弛的选择性分割模型,并通过证明,给出凸松弛模型的解与原模型解之间的关系。然后,应用交替方向乘子法(ADMM),设计凸松弛模型的数值求解算法,并给出了该算法的收敛性。数值实验结果表明：该文所提算法的收敛速度不仅大大优于求解原模型的加性算子分裂算法,而且分割结果也更精确。     

基于变量节点更新的交替方向乘子法 LDPC惩罚译码算法

基于交替方向乘子法(ADMM)的改进惩罚函数LDPC译码算法能够提升译码性能,但其所需优化参数过多且性能提升有限。针对该问题,将该算法与其它带有惩罚函数的译码算法比较后发现,两者的不同之处仅在于译码算法中变量节点的更新规则不同。因此,该文通过构造一种新的变量节点的更新方法去减少优化参数数目并提升译码性能。实验仿真表明,相较于原有算法,该文所提算法有效减少了所需优化的参数数目,此外,所提算法的平均迭代次数更少且能实现约0.1 dB的性能提升。     

基于时延差方差加权的时延差估计方法

针对目标信源数未知时的时延差估计问题,该文提出一种基于时延差方差加权的时延差估计方法。该方法利用目标辐射信号频率单元对应时延差估计比较稳定,噪声频率单元对应时延差估计比较随机的特点,对各频率单元的时延差估计结果进行时延差方差加权,突出信号所占频率单元时延差估计结果,实现对目标信源数未知时的时延差估计。在该文仿真条件下,相比一般分频带互相关法,该方法对信噪比的鲁棒性提高了。理论分析和实验结果表明：该方法对信源数和信噪比的鲁棒性好于一般分频带互相关法。     

面向物联网隐私数据分析的分布式弹性网络回归学习算法

为了解决基于集中式算法的传统物联网数据分析处理方式易引发网络带宽压力过大、延迟过高以及数据隐私安全等问题,该文针对弹性网络回归这一典型的线性回归模型,提出一种面向物联网(IoT)的分布式学习算法。该算法基于交替方向乘子法(ADMM),将弹性网络回归目标优化问题分解为多个能够由物联网节点利用本地数据进行独立求解的子问题。不同于传统的集中式算法,该算法并不要求物联网节点将隐私数据上传至服务器进行训练,而仅仅传递本地训练的中间参数,再由服务器进行简单整合,以这样的协作方式经过多轮迭代获得最终结果。基于两个典型数据集的实验结果表明：该算法能够在几十轮迭代内快速收敛到最优解。相比于由单个节点独立训练模型的本地化算法,该算法提高了模型结果的有效性和准确性;相比于集中式算法,该算法在确保计算准确性和可扩展性的同时,可有效地保护个体隐私数据的安全性。