基于加权l1范数稀疏信号表示的DOA估计

为了在小样本、低信噪比以及高信源相关性的条件下都能对波达方向(direction of arrival,DOA)进行精确估计,基于压缩感知理论,利用目标信号空间分布的稀疏性,提出了基于加权l_1范数稀疏信号表示的DOA估计算法.该算法对l_1-奇异值分解(singular value decomposition,SVD)算法进行改进,对接收矩阵进行预处理,根据子空间的正交性确定加权矩阵,以加权l_1范数作为最小化的目标函数进行优化得到稀疏信号,进而得到信号的DOA.仿真结果表明,通过加权处理的l_1范数下稀疏信号重构方法能有效抑制偏差,在低信噪比下能够准确稳定地估计出DOA,并且能够提高估计精度.     

一种基于稀疏重建的高分辨力方向估计方法

该文针对高分辨力是源定位技术的重要目标,充分利用目标信号在空间域内的稀疏特性,提出了一种基于稀疏重建算法的波达方向估计方法.基于数据相关矩阵建立系统方程,以增加采样数和稀疏度的比值,并将系统维度降至最低.源的空间稀疏性由1-范数约束,通过凸优化算法重建信号的空间谱.此外,采用了局部网格细化方法,增加分辨力的同时降低对计...     

信号稀疏分解降噪在DOA估计中的应用

提出了一种基于稀疏分解的阵列信号降噪方法。该算法是通过匹配跟踪（MP）的稀疏分解对阵列接收信号进行降噪,然后结合一般的MUSIC算法实现DOA估计。首先将对阵列接收数据分阵元通道独立进行基于MP分解的降噪处理,在不改变阵列流型的前提下,达到了对阵列信号降噪的效果,且在实际算法中分析了MP分解迭代终止阈值的确定。通过仿真分析证实了信号MP分解降噪的方法应用于DOA估计中的可行性。仿真结果显示,在低信噪比环境中,基于MP分解降噪后的MUSIC估计方法取得了更好的估计性能,因此证实了该算法的有效性。     

采用加权L1范数稀疏模型构造DOA估计的方法

在以GPS辐射源发出信号作为探测信号的无源雷达系统中,针对回波通道内强干扰低信噪比情况下的多目标波达方向(DOA)估计问题,根据GPS辐射信号以及无源雷达系统特点,提出一种采用改进加权L1范数的约束模型构造DOA估计的方法。先采用批处理抵消算法(extensive cancellation algorithm,ECA)估计目标信号的时延和多普勒频移等参数,消除直达波和多径干扰,然后利用改进权值的L1范数作为约束条件,建立稀疏模型进行DOA估计,在低信噪比环境中无需估计干扰参数,以较低的计算复杂度进行准确DOA估计。仿真结果表明:该方法减少了计算复杂度,在相同配置下运行时间比MUSIC-like方法降低了1.18 s;同时也提高了准确性,其均方误差较MUSIC-like方法和Candes方法降低了0.5°~3.7°,低信噪比环境下分辨概率较MUSIC-like方法和Candes方法提高了0.4~0.6。     

基于改进MUSIC算法的二维DOA估计方法

提出了一种改进的二维MUSIC算法,该算法通过重构阵列接收数据协方差矩阵来降低入射信号源间的相关性,抑制信号子空间向噪声子空间的扩散,从而解决用MUSIC算法估计相干信号源到达方向(DOA)时的漏估计问题.该方法不仅对相关信号源的DOA估计有好的特性,也可以提高非相关信号源的DOA估计特性,而且计算量也没有大的增加.仿真试验证明了改进算法的有效性.     

非平稳噪声下稀疏表示的DOA估计算法

为提高非平稳噪声下远场非相干窄带信号波达方向（DOA）的估计精度,提出了一种基于稀疏重构的DOA估计算法.采用类协方差差分算法构造差分矩阵,抑制非平稳噪声的影响;基于类旋转不变子空间参数估计算法基本原理构造稀疏表示模型与权函数;利用加权l₁范数对模型求解,实现DOA估计.仿真结果表明,与传统的协方差差分算法、噪声协方差矩阵估计算法、秩迹最小化算法以及稀疏重构算法相比,所提算法不仅能较好地抑制非平稳噪声的影响,而且在低信噪比、低快拍数情况下具有较强的稳健性和较高的估计精度.     

一种采用协方差矩阵稀疏表示的DOA估计方法

提出一种新的基于样本协方差矩阵稀疏表示的联合波达方向估计方法.该方法对传统的基于协方差矩阵稀疏表示的模型进行改进,仅利用协方差矩阵的部分信息来进行波达方向估计,无须已知噪声功率,以极小的孔径损失换取算法的稳健性.虽然是基于样本统计信息(即协方差矩阵)的波达方向估计方法,但是其原理与传统的角度高分辨估计方法(MUSIC,CAPON)不同,该算法对具有任意相关性的信号源能进行有效的波达方向估计,不需要进行去相关处理,且具有很高的分辨力及估计精度.     

DOA矩阵方法及其性能分析

为了在小样本、低信噪比以及高信源相关性的条件下都能对波达方向（direction of arrival,DOA）进行精确估计,基于压缩感知理论,利用目标信号空间分布的稀疏性,提出了基于加权l₁范数稀疏信号表示的DOA估计算法.该算法对l₁-奇异值分解（singular value decomposition,SVD）算法进行改进,对接收矩阵进行预处理,根据子空间的正交性确定加权矩阵,以加权l₁范数作为最小化的目标函数进行优化得到稀疏信号,进而得到信号的DOA.仿真结果表明,通过加权处理的l₁范数下稀疏信号重构方法能有效抑制偏差,在低信噪比下能够准确稳定地估计出DOA,并且能够提高估计精度.

     

稀疏贝叶斯假设检验准则下的二维波达方向估计

为了降低均匀圆阵列二维波达方向估计的计算量,提出一种基于稀疏贝叶斯假设检验的波达方向估计算法。根据"粗扫描"+"细扫描"思想,将角度空间重新构建新的冗余字典,运用贪婪类算法粗略构造新的稀疏重构模型,结合稀疏贝叶斯假设检验准则,快速求解超参数,实现二维波达角的估计。实验结果表明,该算法具有较高的估计精度以及较好的检测性能。     

一种基于L1范数的目标源测向算法

在高维信号处理中,为了有效地估计信号的角度,提出了基于L1范数的二阶锥规划算法(L1-SVD).该算法将稀疏重构用于目标源测向技术,在窄带信号的模型基础上,引进稀疏域模型,将一个高维信号的角度估计问题抽象成欠定方程组求解问题.经Matlab仿真验证,与其他最小范数法以及经典多重信号分类算法相比,该算法在较大的信噪比范围内都能取得较低的重构误差和较高的成功概率,对相关性较大的信号也能进行识别.这证明了该算法能够有效地实现目标源测向.     

Pulse Signal Recovery Method Based on Sparse Representation

Pulse signal recovery is to extract useful amplitude and time information from the pulse signal contaminated by noise.It is a great challenge to precisely recover the pulse signal in loud background noise.The conventional approaches,which are mostly based on the distribution of the pulse energy spectrum,do not well determine the locations and shapes of the pulses.In this paper,we propose a time domain method to reconstruct pulse signals.In the proposed approach,a sparse representation model is established to deal with the issue of the pulse signal recovery under noise conditions.The corresponding problem based on the sparse optimization model is solved by a matching pursuit algorithm.Simulations and experiments validate the effectiveness of the proposed approach on pulse signal recovery.     

基于信号稀疏表示的信源数目和DOA联合估计算法

波达方向估计是阵列信号处理的一个重要问题.基于阵列信号的联合稀疏表示模型,首先根据阵列结构建立过完备原子库,然后将阵列接收数据分解到最佳原子上,实现了空域信号DOA的高分辨估计;通过将阵列接收数据进行奇异值分解和采用粗略搜索与精细估计相结合两种方法提高了运算速度.相对于传统算法,本文算法不需要已知信源数目的先验信息,同...     

基于频域模型的DS-CDMA UWB信号DOA的估计方法

推导出了DS-CDMA UWB（direct sequence code division multiple access ultra wide bandwidth）阵列信号的频域模型,在此基础上提出了2种基于该频域模型到达角的估计方法：前者方法建立在二阶统计量的基础上;后者以四阶累积量为基础。仿真结果表明,这2种方法都能准确估计超宽带信号的到达角,但前者算法的复杂度低。     

矢量重构解相干的波达方向估计新方法

针对相干信号波达方向(Direction of Arrival, DOA)估计问题,提出一种新的矢量重构解相干方法——变参考阵元数据互相关矢量重构算法。算法依次改变阵列参考阵元,求得所有阵元接收数据与对应参考阵元接收数据之间的互相关信息,并以此作为重构矩阵的列矢量构造一个等效协方差矩阵,然后基于MUSIC和ESPRIT算法,估计相干信号的波达方向。数学推导和理论分析表明,重构的矩阵能对相干信号完全解相干。算法不损失阵列孔径,在低信噪比和少量快拍数据条件下,估计性能要优于Toeplitz矩阵重构算法和前后向空间平滑算法。     

基于压缩采样匹配追踪的稀疏度和稀疏信道联合估计

原始的压缩采样匹配追踪算法依赖于已知稀疏度,因此本文研究了一种稀疏度和稀疏信道联合估计算法。首先提出了一种新的稀疏向量的替代,能够在有限长度的训练序列下,达到较好的稀疏度和信道估计效果。然后通过对稀疏信道估计中的噪声分量的分析,提出了一种稀疏度估计算法,结合信道估计最终给出了一种稀疏度和稀疏信道联合估计算法。仿真结果表明：新的稀疏向量的替代在稀疏度和信道估计方面都有明显的优势,并且提出的稀疏度和稀疏信道联合估计算法在性能上好于mCoSaMP算法。     

一种新的稀疏重构的DOA估计算法

为提高低信噪比和较少快拍数条件下远场窄带信号波达方向的估计精度,提出一种新的基于加权l₁范数的稀疏重构波达方向的估计算法．该算法首先采用前后向空间平滑技术获得阵列输出数据协方差矩阵;其次构造出改进Capon算法空间谱函数中的倒谱系数矢量,设计得到符合加权l₁范数的权值矩阵;最后通过奇异值分解对接收数据进行降维处理,获得基于稀疏重构的加权l₁ 范数约束问题模型．仿真结果表明,在低信噪比或快拍数较少的情况下,该算法能够有效地抑制空间谱伪峰和保证较强的稳健性,且信源不需要进行相关处理,仍能获得很高的估计精度．