电磁矢量阵中基于PARALIND分解的相干DOA估计算法

将电磁矢量传感器阵列参数估计问题与平行线性相关剖面模型(Parallel profiles with linear dependencies, PARALIND)相结合,利用PARALIND分解,提出了一种线性电磁矢量阵中相干信号波达方向(Direction of arrival, DOA)估计算法。该算法能够实现对电磁矢量阵中相干信源的角度估计,同时能得到相应的相干系数矩阵,其估计过程无需谱峰搜索,对均匀线阵以及非均匀线阵都适用。该算法角度估计性能优于传统的前后向平滑借助旋转不变性进行信号参数估计(Forward backward spatial smoothing-estimation of signal parameters via rotational invariance techniques, FBSS-ESPRIT)算法和前后向平滑传播算子(Forward backward spatial smoothing-propagator method, FBSS-PM)算法,且对于角度相隔较近的相干信源,该算法也能进行有效的辨识与估计。     

电磁矢量互质阵中基于降维Capon的DOA和极化估计算法

将传统电磁矢量均匀阵列推广为电磁矢量互质阵列,突破了阵元间距不大于半波长的限制。提出了电磁矢量互质阵列中基于降维Capon的波达方向（Direction of arrival,DOA）和极化联合估计算法。该算法无需假设已知极化信息,且只需一维搜索,避免了多维搜索,可实现DOA和极化参数自动配对;与相同阵元数的均匀阵列相比,明显提高了角度估计性能,并拓展了天线孔径,具有相对较高的自由度,且降低了运算复杂度。相同阵列及参数条件下,本文算法的角度估计性能优于ESPRIT算法和三线性分解算法。     

基于压缩感知理论的声矢量阵方位估计方法

水下目标在方位估计搜索空间中具有稀疏性,基于声矢量传感器阵空间稀疏模型实现小样本条件下的方位估计,结合压缩感知(CS)理论框架下方位估计的特点,通过对平滑l0范数快速精确的求解来估计目标方位角,该方法具有运算速度快、高分辨的特点.通过实验仿真从运算时间、分辨力等方面与常规波束形成(CBF)算法和最小方差无失真响应(MVDR)算法进行比较分析,验证了该方法的可行性与有效性.     

单电磁矢量传感器DOA和极化的同时估计

针对单个电磁矢量传感器,提出基于四阶累积量的极化域虚拟ESPRIT二维波达方向(DOA)和极化参数同时估计算法。该方法借助累积量操作提取信号在极化域的旋转不变结构,并利用虚拟ESPRIT方法同时估计信号的二维DOA和极化参数,它可以分辨多个极化域可分的非高斯信号。给出的仿真结果验证了算法的可行性和有效性。     

基于无网格压缩感知的DOA估计算法

应用传统的压缩感知理论对天线阵列信号的波达方向(Direction-of-arrival,DOA) 进行估计,存在基的失配问题。基于交替方向乘子法 (Alternative Direction Method of Multiplier,ADMM) 的无网格压缩感知(Grid-less Compressive Sensing) 技术能够解决该问题,但仍存在收敛速度慢的缺陷。针对该缺陷, 提出带自适应惩罚项的ADMM (ADMM with adaptive penalty,AP-ADMM)算法,即根据输入信号的噪声功率,自适应地选择惩罚项的初始值;同时在算法迭代求解的过程中,自适应地对目标函数的惩罚项进行调整。与传统算法相比,在保证收敛精度和DOA的恢复成功概率的条件下,带自适应惩罚项的ADMM算法收敛速率明显加快。仿真结果验证了新算法的有效性。     

基于压缩感知平行因子分解的电力系统谐波与间谐波频率估计方法

电力系统中的电力电子设备所产生的谐波数量日益增加,谐波问题是一个备受关注的话题。本文通过引入压缩感知理论和平行因子模型,提出了一个用于谐波和间谐波的频率估计算法。先从信息发送终端中获取数据,然后使用欧拉公式将正弦信息转化为空域信息构造多时延输出并建立为平行因子模型,再对模型进行压缩后进行平行因子分析。最后将所得的数据经过贪婪算法重构,再进行频率值的估计。与传统的平行因子计算比较,该计算具有压缩过程,计算工作量相对较小,对数据存储容量需求也较少。所提计算的频谱估计性能与传统的平行因子分解算法（Parallelfactorization,PARAFAC）非常接近,而且也比采用旋转不变技术的信号参数估计算法（Estimating signal parameter via rotational invariance techniques,ESPRIT）更加精确。     

基于压缩感知的DOA估计方法研究

压缩感知是近年来应用数学界提出的一套关于稀疏信号采集和重构的新理论,它突破了传统奈奎斯特采样定理的限制,以远少于传统奈奎斯特采样定理所需的测量数据就能够精确恢复原信号或估计信号的相关参数。将压缩感知理论应用到DOA估计,可以解决传统DOA估计中高采样率、以及较多辐射源信号条件下难以定位的限制。研究了基于压缩感知理论的DOA估计方法,并利用MATLAB进行仿真,通过与传统MUSIC算法比较可知,基于压缩感知的DOA估计方法具有显著的优势。     

基于压缩感知的二维DOA估计

针对L阵列,提出基于压缩感知的二维波达方向估计新方法。定义方位角和俯仰角余弦乘积为空间合成角,利用等余弦网格划分空间合成角构造超完备的冗余字典,将子阵接收的单快拍数据矢量转化为冗余字典下的稀疏表示问题;采用单位列向量组合矩阵随机抽取的新方法构造高斯随机测量矩阵;通过改进正交匹配追踪算法求解二维波达角。指出所提出的算法比传统二维MUSIC算法在高信噪比、多快拍条件下估计性能更好,并且有一定的阵元节约效能。计算机仿真实验证明了以上结论。     

基于三维压缩感知的MIMO雷达角度估计算法

基于张量模型的参数估计是雷达信号处理的一个发展趋势,然而现有张量算法无法在估计精度和计算复杂度方面达到良好的折衷。为解决上述问题,提出一种三维压缩感知（Three-way compressive sensing,TWCS）的多输入多输出雷达角度估计算法。利用匹配滤波后的信号内部隐含的多维结构,将接收数据堆叠成一个三阶张量模型。为降低高维张量在存储和计算方面的复杂性,利用高阶奇异值分解对高维张量数据进行压缩。其次将压缩后的张量与三线性模型相联系,获取压缩的方向矩阵。利用目标角度在所处背景的稀疏性,设计两个过完备字典,采用优化的方法获取目标角度。由于利用了接收数据的多维结构,TWCS中参数估计的精度要优于传统的子空间算法。此外所提TWCS算法不需要额外配对计算,且能进一步获取目标的多普勒信息。最后,利用仿真实验验证TWCS算法的估计效果。     

基于压缩感知的信道估计技术

通信系统中的传统信道估计方法均基于多信道密集型假设,导致频谱利用率低下,压缩感知理论为解决这一问题提供了一种新的途径。本文介绍了压缩感知基本理论,探讨了压缩感知应用于信道估计的可行性,详细分析了压缩感知信道估计技术的MP算法、OMP算法、CoSaMP等几种重构算法。研究表明基于压缩感知理论的信道估计方法能利用较少的导频信号达到与传统方法相比拟的估计性能,从而提高频谱利用率。     

基于广义相位平滑的矢量阵列波达方向估计

研究如何利用信号的非圆性提高声矢量阵列信号波达方向(Directon of arrival,DOA)估计的精度.提出通过广义相位平滑预处理提高多重信号分类(Multiple signal classification,MUSIC)DOA估计方法特征子空间对数据协方差矩阵扰动的鲁棒性.该法适用于任意中心对称声矢量阵列,且无需子阵划分,不存在孔径损失,并可完成两个多径信号的解相干.仿真结果表明,广义相位平滑处理可明显改善恶劣条件下(低信噪比,小快拍教)基于MUSIC的非圆信号DOA估计精度.     

压缩感知在无线传感器网络数据采集中的应用

提出了一种无线传感器网络中基于压缩感知的数据采集方法。通过分析信号压缩观测过程,提出了适合在硬件资源有限的传感器节点中实现的循环稀疏伯努利观测矩阵CSBM(Cyclic-Sparse-Bernoulli Measurement),该矩阵使用循环稀疏矩阵与伪随机伯努利序列,采用结构化的方法构造,具有非零元素少、良好的伪随机性、硬件易于实现等优点。仿真实验表明,与其他类型的观测矩阵相比,CSBM矩阵在一定信号重构精度前提下具有更低的压缩采样比CSR(Compress Sampling Rate)。在无线传感器网络数据采集应用中,感知节点可以通过压缩观测得到更少的观测数据,能够大大减少网络通信数据量。     

基于空时扩展虚拟阵列的高分辨率多参数联合估计

针对雷达、声纳、移动通信等系统中对多个目标方位、速度与距离等信息同步提取的要求,文章通过对原始数据的时延补偿等处理,构造了具有时移旋转不变性的一组虚拟相关矩阵,提出了一种基于空时扩展虚拟传感器阵列的二维方位角、多普勒频率和相对时延联合估计的新方法。该方法对于噪声不敏感,可应用于低信噪比环境,具有较高的估计精度,且无需谱峰搜索,各参数在求解过程中自然配对,理论可同时处理的目标数目超过系统阵元数限制。算法对于传感器阵列的结构无特殊限制,可应用于任意常见阵列如均匀方阵、“L”阵、圆阵等等,具有很好的理论价值以及应用前景。理论分析与计算机仿真实验都证明了算法的有效性。     

A Compressed Sensing Based DV-Hop Location Algorithm for Wireless Sensor Networks

A compressed sensing based DV-hop location algorithm is presented to improve the performance of the conventional DV-hop location algorithm in WSNs （wireless sensor networks）. The sensor network can be divided into multiple grids. Compared with the grid number, the number of targets in the network is generally sparse. Therefore, the localization of the targets in the network can be transformed into a sparse signal reconstruction issue. Theoretical analysis and experimental results on the proposed algorithm show that it is able to greatly reduce the amount of data flow in the network, balance the load of communication, prolong the lifetime of the WSNs, and improve the target location accuracy, compared to the DV-hop location ones.     

可调分辨率的水下传感器网络压缩感知重构算法

针对水下传感器网络信息获取过程的特点和压缩感知精确重构原始信号的限制条件,提出一种可调分辨率的水下传感器网络压缩感知重构算法。 Sink节点根据获取到的随机观测向量的维度以及给定的分辨率调整策略,计算出重构分辨率,并根据重构分辨率及获取到的节点数据的位置信息处理随机观测向量,构造观测矩阵,最后,采用压缩感知重构算法重构待观测区域的原始物理信息。仿真结果表明,当节点的感知概率较小时,相比于固定分辨率的重构方案,可调分辨率的重构方案能显著提高重构精度。     

一种基于压缩感知的离格阵列测向方法

基于稀疏表示的阵列测向技术中的一系列高精度鲁棒性方法都基于网格假设,即假设入射信号来向无误差地落在网格上,这一假设与现实中信号来向落在连续角度域内相违背,所造成的网格偏差效应会带来模型失配,从而导致估计性能的恶化。针对这一问题,本文提出了一种基于泰勒展开的离格类信号模型,该模型允许信号来向偏离网格,从而消除了网格误差效应,减小了估计误差。同时采用一种交替迭代优化的方法对模型进行求解,并利用奇异值分解等方法降低计算量。该方法能够有效减小网格误差,提高估计精度。仿真结果验证了所提方法的有效性。     

利用块稀疏特性的压缩感知麦克风阵列声源定位

与传统声源定位算法如相位变换加权、时延累加定位不同,压缩感知麦克风阵列声源定位算法可将声源定位转化为稀疏重构问题从而获得较高的性能。但在实际应用环境下,由于远场声源自身指向性、空间混响等原因,声源方向向量往往呈现块稀疏度结构,导致采用传统稀疏恢复算法如正交匹配追踪算法（Orthogonal matching pursuit,OMP）等进行压缩感知定位性能下降。本文在压缩感知声源定位算法中引入块稀疏似零范数,以压缩感知为基本框架,采用块稀疏似零范数稀疏恢复进行声源方向向量的重构,获取声源的方位。实验结果表明,相较于传统声源定位算法和基于OMP的压缩感知声源定位算法,本文算法具有更高的定位精度。