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。     

基于贝叶斯压缩感知的FD-MIMO雷达Off-Grid目标稀疏成像

传统压缩感知(CS,Compressive Sensing)成像方法一般假定目标精确位于事先划定的成像网格上,实际中由于散射点空间位置是连续分布的,因此偏离网格(Off-grid)问题必然存在.这会引起真实回波测量值与默认系统观测矩阵之间失配,导致传统CS成像方法性能恶化.本文基于频率分集多输入多输出(FD-MIMO,Frequency Diverse Multiple-Input Multiple-Output)雷达,针对Off-grid目标提出了一种基于贝叶斯压缩感知的稀疏自聚焦(SAF-BCS,Sparse Autofocus Imaging Method Based on Bayesian Compressive Sensing)成像算法.该算法依据最大后验(MAP,Maximum A Posteriori)准则,利用变分贝叶斯学习技术求解含有Off-grid目标的稀疏像.与传统稀疏重构方法相比,所提方法充分利用了目标先验信息,可自适应调整参数,能够更好地反演稀疏目标,同时具有校正Off-grid目标的网格位置偏差以及估计噪声功率等优势.仿真结果表明SAF-BCS算法对网格划分不敏感,具有稳健的成像性能.     

复合正则化联合稀疏贝叶斯学习的高光谱稀疏解混算法

将稀疏贝叶斯学习引入线性混合像元分解中,提出一种基于复合正则化联合稀疏贝叶斯学习的高光谱稀疏解混算法.在多观测向量的稀疏贝叶斯框架下,对各参数建立概率模型,经贝叶斯推断得到基于L2,1正则化的联合稀疏贝叶斯解混模型,并将丰度向量的非负与和为一约束加入到凸优化的目标函数中,通过变量分离法将复合正则化问题分解成多个单一正则化问题交替迭代求解,并利用参数自适应算法对正则化参数进行更新.模拟数据和真实数据的实验结果表明,该算法比贪婪算法和凸优化算法能获得更高的解混精度,并且适用于端元个数较多和信噪比较低的高光谱数据.     

组合字典下超宽带穿墙雷达自适应稀疏成像方法

针对现有超宽带穿墙雷达稀疏成像算法大多只采用点目标稀疏基表示模型和稀疏优化的正则化参数不能被自适应调整以及目标位置不在划分网格上带来虚假像的问题,该文提出一种基于贝叶斯证据框架的自适应稀疏成像方法。该方法首先利用组合字典独立稀疏表示场景中的点目标和扩展目标,然后在建立的偏离网格稀疏表示模型的基础上分层最大化各参数的似然函数,用第1层推理结合共轭梯度算法估计组合字典的各稀疏表示系数,用第2层推理估计正则化参数和目标的偏离网格量,最终通过迭代优化参数的设置得到问题的求解。仿真和实验结果表明,该方法不仅同时自适应增强穿墙场景中的点目标和扩展目标,还消除了偏离网格目标引起的虚假像。     

基于稀疏贝叶斯学习的无源雷达高分辨成像

针对无源雷达压缩感知成像,该文提出一种基于稀疏贝叶斯学习的高分辨成像算法。基于一次快拍模式下的无源雷达回波模型,文中首先考虑目标散射系数的统计特性及其对微波频率的依赖关系,将无源雷达成像转化为MMV(Multiple Measurement Vector)联合稀疏优化问题;然后对目标建立了级联形式的稀疏先验模型,并利用稀疏贝叶斯学习技术进行求解。相比之前基于目标确定性假设的稀疏恢复方法,所提算法更好地利用了目标的统计先验信息,具有能够自适应调整参数(目标模型参数和未知噪声功率)和高分辨反演目标等优点。仿真结果验证了该算法的有效性。     

结合SBL的双脉冲频控阵雷达离网目标定位方法

目标定位是雷达信号处理中一个具有重要理论意义与实际意义问题。为解决频控阵雷达传统的目标定位算法存在计算量大、目标真实位置偏离空间离散采样网格等问题。本文将频控阵雷达特性与离网稀疏贝叶斯模型结合提出了基于稀疏贝叶斯学习的双脉冲频控阵雷达离网目标定位算法。频控阵雷达发送两个脉冲,其频率偏移量分别为零和非零,然后基于离网稀疏贝叶斯模型估计目标的方位角与斜距。这种方法可以理解为当频控阵雷达以零频偏发射脉冲时,在角度域中检测目标,然后通过适当选择非零频率偏移量在距离域中对目标定位。仿真结果表明,即使在较粗糙的采样网格下,该算法也能保持较高的估计精度,显示了其优于传统算法的优势,证明了该方法的有效性与可靠性。      

MIMO雷达三维成像自适应Off-grid校正方法

在压缩感知成像算法中,真实目标点一般不会恰好落在预先划定的网格点上,这种网格偏离(Off-grid)问题会带来真实回波与测量矩阵之间的失配,严重降低雷达成像的性能。针对多输入多输出(MIMO)雷达3维成像的网格失配问题,该文提出一种自适应的Off-grid校正方法,基于Off-grid目标的稀疏回波模型构造贝叶斯概率密度函数,采用最大后验概率(MAP)方法求解含有失配偏差的稀疏像。与传统方法相比,该方法可以充分利用失配参数的先验信息,自适应地更新参数,降低了失配误差的影响,并能实现对稀疏目标和噪声功率的高精度估计。仿真结果表明,该方法可以有效地实现对网格失配的优化,具有精确且稳定的成像性能。     

结合K-均值聚类的无源目标定位技术

基于压缩感知的无源目标定位算法利用目标对无线链路的链路遮挡和阴影效应对其位置进行估计,将目标定位问题转化为信号的稀疏重构问题,可以实现低成本定位,但该算法定位误差较大,且抗干扰性差。针对这一问题,提出了结合K-均值聚类算法的无源目标定位技术,以基于变分贝叶斯推理的重构算法为基础多次定位,然后以此作为数据集,并结合网格修剪机制进行聚类操作。仿真结果表明,所提方法有效提高了定位精度,有较强的鲁棒性。     

基于信号稀疏表示的Chirp信号参数估计方法

单自由度多分量线性调频信号的参数估计是SAR/ISAR成像中的重要问题。文中在一组含参数的过完备基上展开信号,提出了一种基于信号稀疏表示估计单自由度多分量线性调频信号参数的新方法。并将该方法应用于目前流行的BP算法、FOCUSS算法和稀疏贝叶斯学习算法中,分析比较了以上算法的估计性能。仿真实验结果验证了该方法的有效性,并表明稀疏贝叶斯学习算法具有更好的稀疏表示能力,从而可以更有效地估计信号参数。     

基于空域稀疏性的自适应频谱检测算法

现有的频谱检测算法没有充分利用信号在角度维的稀疏性质。该文根据角度维的稀疏特性建立信号模型,通过稀疏贝叶斯学习(Sparse Bayesian Learning, SBL)算法解决稀疏信号的重构问题,并在迭代过程中引入二元假设检验思想,推导出一种自适应门限的选取策略,把传统的重构算法转化为一个针对不同来波方向的信号检测问题。该算法能够在恒虚警概率下对多信号进行全盲检测,同时实现信号来波方向的精确估计。实验结果证明,自适应判决方法能够有效地提高稀疏重构算法的重构精度,降低运算复杂度,参数估计精度和信号检测性能相比于现有算法得到明显的提升。     

基于网格部分细化的DOA估计方法

计算复杂度和估计精确度一直是波达方向(DOA)估计研究的重点。现有基于压缩感知的DOA估计算法与传统算法相比具有一定优势,但这些稀疏信号重建模型都是将角度空间等间距划分,仍存在算法计算复杂度较高和估计精确度较低的问题。针对这些问题,提出一种对角度空间网格进行部分细化的DOA估计方法。该方法包括裂变过程和学习过程,裂变过程通过产生新网格点对角度空间进行细化,学习过程通过迭代不断逼近波达方向。仿真结果表明,提出的算法耗时较少,而且在非常稀疏的初始网格划分的条件下(初始间隔为20°),仍可以获得较高的估计精确度。     

仅依赖连通度的压缩感知多目标定位方法

提出仅依赖连通度的多目标定位方法,将多目标定位问题转化为基于压缩感知的稀疏向量重构,解决室内参照物高密度分布的目标定位问题。定位方法仅以连通度为观测值,运用最小化l1-范数法求解目标位置。当观测数据压缩为1 bit时,提出半正定松弛和不动点迭代法结合的目标求解算法。根据仿真实验结果,与MDS-MAP、DV-Hop和RSS-CS方法进行比较得出,仅连通度的非1-bit和1-bit量化的CS定位方法的平均定位误差小于1个网格,且2种方法占用的比特数只相当于RSS定位方法占用比特数的 和 。     

Node Localization Based on Improved PSO and Mobile Nodes for Environmental Monitoring WSNs

In this paper, a novel iterative localization algorithm based on improved particle swarm optimization (PSO) is proposed for monitoring environment like lakes, rivers or other water bodies. The first step of this algorithm is to get the position of some unknown nodes by using improved PSO algorithm. The second step is to locate other nodes by using these unknown nodes in first step as new anchor nodes. The localization problem of island node in sparse distributed grid is solved by introducing adaptive mobile node in this paper. The simulation results show that the algorithm has the advantages of small location error and little influence by environmental factors.     

基于稀疏训练点和指纹重构的室内可见光三维定位算法

目前构建基于机器学习的室内可见光定位模型主要依赖于光电二极管和指纹数量,为了降低指纹采集的复杂度,提高定位精度,提出一种基于指纹矩阵稀疏重构的室内三维可见光定位算法。该算法利用极限学习机训练稀疏采样点,采用奇异值分解和交替方向乘子法求解稀疏指纹矩阵的重构问题。该算法可以有效降低指纹的采样率,同时可以基于极限学习机算法较强的泛化能力提高定位速度和定位精度。在此基础上,由于可见光的多径反射等因素的影响,定位区域的边界定位误差大于内部定位误差,通过引入一种边界修正定位算法,可以有效降低边界定位误差。仿真和实验结果表明,与传统的机器学习算法相比,该算法在减少其所需指纹数量的同时,具有更高的定位速度和精度。     

基于贝叶斯压缩感知的子空间拟合离格DOA估计

针对传统的基于稀疏贝叶斯学习（Sparse Bayesian Learning,SBL）的波达方向估计算法对噪声鲁棒性不高的问题,提出了一种基于SBL的子空间拟合离格波达方向(Direction of Arrival,DOA)估计方法。首先对接收数据的协方差矩阵进行特征分解,获得信号的加权子空间,构造等价信号的稀疏表示模型并利用贝叶斯学习算法进行参数求解。同时对于网格划分带来的建模误差问题,采用了离格贝叶斯推导（Sparse Bayesian Inference,SBI）算法进行求解,利用期望最大化算法迭代更新相应的参数。仿真结果表明,相对于传统的DOA方法,该方法具有更好的估计精度。     

DOA Estimation Using Block Variational Sparse Bayesian Learning

In Direction-of-arrival (DOA) estimation, the real-valued sparse Bayesian algorithm degrades the es-timation performance by decomposing the complex value into real and imaginary components and combining them independently. We directly use complex probability density functions to model the noise and complex-valued sparse direction weights. Based on the Multiple measurement vectors (MMV), block sparse structure for the direction weights is integrated into the variational Bayesian learning to provide accurate source direction estimates. The pro-posed algorithm can be used for arbitrary array geome-tries and does not need the prior information of the in-cident signal number. Simulation results demonstrate the better performance of the proposed method compared with the real-valued sparse Bayesian algorithm, the Orthogo-nal matching pursuit (OMP) and l1 norm based complex-valued methods.     

Learning Sparse Overcomplete Codes for Images

Images can be coded accurately using a sparse set of vectors from a learned overcomplete dictionary, with potential applications in image compression and feature selection for pattern recognition. We present a survey of algorithms that perform dictionary learning and sparse coding and make three contributions. First, we compare our overcomplete dictionary learning algorithm (FOCUSS-CNDL) with overcomplete independent component analysis (ICA). Second, noting that once a dictionary has been learned in a given domain the problem becomes one of choosing the vectors to form an accurate, sparse representation, we compare a recently developed algorithm (sparse Bayesian learning with adjustable variance Gaussians, SBL-AVG) to well known methods of subset selection: matching pursuit and FOCUSS. Third, noting that in some cases it may be necessary to find a non-negative sparse coding, we present a modified version of the FOCUSS algorithm that can find such non-negative codings. Efficient parallel implementations in VLSI could make these algorithms more practical for many applications.