基于空域平滑稀疏重构的DOA估计算法

该文提出一种基于空域平滑稀疏重构的DOA估计算法,利用空域平滑理论对协方差矩阵进行处理,然后通过KR积变换改变其结构,并对变换后的矩阵进行稀疏重构获得角度估计。此外,该文还给出了两种不同的目标函数误差求解方法。从仿真实验可以看出,该算法与传统的基于压缩感知理论的DOA估计算法对比,明显降低了运算量,且对于相干和非相干信号的处理性能均有所提高,在低角度间隔、低信噪比和低采样数条件下优势更为突出。     

基于压缩感知的阵元位置无源校准及DOA估计

文章针对阵元位置误差导致水听器阵列性能恶化的问题,提出一种适用于均匀线阵列的阵元位置无源校准方法。该方法综合远场阵列模型和宽带信号空间谱的特性,利用压缩感知技术,将阵元实际位置估计问题转化为稀疏信号的重建,建立了阵元位置误差模型,构建了相应的优化函数,并采用正交匹配追踪（Orthogonal Matching Pursuit,OMP）算法解算阵元实际位置。计算机仿真验证表明,基于压缩感知的方法能有效改善阵元位置误差造成的空间谱估计失效问题,可为目标方位角（Direction of Arrival,DOA）估计提供有效的技术支撑。     

一种基于导向矢量变换的DOA估计预处理方法

针对大多数空间谱估计算法在目标数量大于阵列自由度时失效这一问题,该文基于内插阵列变换思想,提出一种基于导向矢量变换的空域滤波方法。利用目标分布的先验信息,将观测空间划分为若干子空间,保证每一子空间内的目标数量小于阵列自由度;使用内插阵列变换方法,将整个观测空间的导向矢量变换为子空间的导向矢量,抑制子空间外的目标,从而将观测空间内大量目标的DOA估计问题转化为若干子空间内的常规DOA估计问题。计算机仿真结果验证了方法的有效性。     

基于时空处理的频率与二维DOA联合估计算法

提出了一种适用于任意阵列的频率与二维DOA联合估计算法.该算法同时利用空域采样与时域采样构造二维时空矩阵,基于2D-ESPRIT方法进行二维参数估计,仅需3个校准阵元就可通过M个阵元估计出M个独立信源的载波频率、方向角和仰角,无需二维谱峰搜索,计算量较小.仿真实验验证了算法的有效性.     

基于压缩感知的DOA估计稀疏化模型与性能分析

利用压缩感知理论解决阵列信号到达角(DOA)估计问题,具有对快拍数据量要求低、可处理相关源等优点。将压缩感知理论应用于信源DOA估计的一个关键问题是建立信源信号的稀疏化模型。该文在均匀线阵模型下系统分析了角度划分对DOA估计稀疏重构性能的影响,从对相关性的分析出发给出了信号的最优稀疏化模型。分析结果表明在实际应用中基于信源信号等正弦空间稀疏化的重构模型是最优的。实验对比了新的稀疏化模型与传统的等角度划分方式得到的流形矩阵的可重构性能,并进行了关于信号重构和信源DOA估计的详细实验分析,验证了所提模型的优越性。     

基于MT-BCS的可分离DOA估计算法

压缩感知理论的不断发展,为二维DOA估计问题提供了新的思路。然而传统的二维DOA估计方法,只是对一维估计的建模方法别无二致,这导致求解时存在计算复杂度高、分辨率低等问题。文中通过对二维DOA模型的重新建模,将多任务贝叶斯压缩感知理论应用于二维DOA估计问题中,从而提出基于多任务贝叶斯压缩感知的可分离二维DOA低的优点。     

基于降维噪声子空间的二维阵列DOA估计算法

为提高波达方向(Direction Of Arrival, DOA)的估计速度,该文基于子空间的正交性原理,利用噪声子空间及其共轭的交集进行奇异值分解(SVD)实现噪声子空间的降维,并基于降维噪声子空间与导向矢量及其共轭的双正交性提出一种2维阵列快速DOA估计算法。理论分析和仿真实验表明：该算法不受实际阵型的限制,能将传统MUSIC谱的角度范围压缩至原来的一半,从而将DOA估计的计算量降至传统方法的50%,并具有与MUSIC算法相当的角度分辨率。     

宽带接收机的窄带信号频率 和二维角度估计新方法

 针对宽带接收机对窄带信号进行频率和二维到达角(DOA)估计问题,本文提出了一种新的快速频率和角度估计方法,该方法首先利用参考频率进行DOA预估计,然后利用空域滤波有效地将频率和预估计DOA进行匹配,并根据天线阵列的结构特点利用信号的相应频率进行预估计DOA校准,获得了信号的准确频率和DOA估计值.最后的仿真分析验证了所提出方法的正确性和有效性.     

基于压缩感知的无源雷达超分辨DOA估计

波达方向(DOA)信息是目标定位过程中一个非常重要的量。但是在无源雷达中,目标回波通常掩盖在强直达波、多径干扰以及噪声的背景之下,因此很难对其进行DOA估计,特别是在多目标的情况下。该文提出一种基于压缩感知的无源雷达超分辨DOA估计方法,为了消除直达波和多径干扰以及提高目标回波的信噪比,首先进行时域干扰相消和距离-多普勒2维相关处理,最后在目标对应的距离-多普勒单元处进行方位向压缩感知稀疏重构,以获得目标的DOA信息。仿真分析表明,该文方法能够在无源雷达中进行有效的超分辨DOA估计。     

基于压缩感知DOA估计的稀疏阵列设计

根据格拉姆(Gram)矩阵优化测量矩阵的方法,给出了一种基于压缩感知波达方向(DOA)估计的均匀线阵的稀疏阵列设计方法.该方法不需要对阵列的输出数据进行压缩采样,直接利用稀疏阵列的输出数据,然后利用稀疏恢复算法求解DOA估计信息.实验仿真证明,相比于原均匀线阵,所提方法在阵元数目较少且信噪比较低的情况下具有更好的DOA估计性能.     

基于Golay互补序列的压缩感知稀疏信道估计算法

该文针对现有基于压缩感知的信道估计方法峰均功率比高、计算量大等问题,使用确定性格雷(Golay)序列作为训练序列对稀疏信道进行信道估计,在接收端实现了对信道冲激响应的估计,给出了估计模型和具体的算法推演,推导了该方法的峰均功率比,并与基于随机高斯序列的压缩感知信道估计方法的性能、峰均功率比和计算量进行了比较。仿真实验表明：格雷序列以及随机高斯序列两种序列都可以重构出稀疏信道非零抽头系数,但是格雷序列对稀疏信道冲激响应的确定性观测估计值的均方误差(MSE)和匹配度性能(Match Rate, MR)均优于随机高斯序列,计算量降低了许多,且在OFDM系统中峰均功率比大大降低。     

一种稀疏增强的压缩感知MIMO-OFDM信道估计算法

基于压缩感知(Compressed Sensing, CS)的信道估计可以达到减少导频的目的,但在频-时域信道矩阵到时延-多普勒域的稀疏变换中存在谱泄漏现象,影响了信道矩阵的稀疏性和估计的均方误差(MSE)性能。为此该文对信道的稀疏性进行研究,提出一种时域加窗的稀疏优化CS信道估计算法。通过对时域加窗,所提算法抑制了由离散截断导致的多普勒域泄漏,再据此设计出观测矩阵,以此方式增强信道在时延-多普勒域的稀疏性,并实现对稀疏的信道矩阵更为准确的重构,达到改善信道估计MSE性能的目的。仿真结果表明随信噪比的增大,加窗CS算法相比无窗CS算法有效改善了信道估计的性能。     

基于贝叶斯假设检验的压缩感知重构

为提高贪婪类算法的重构精度,该文提出一种贝叶斯假设检验匹配追踪算法。该算法首先建立了贝叶斯假设检验模型,用于在噪声污染下识别稀疏信号非零元素的下标;其次利用追踪算法的输出下标集作为该模型的候选集,并对候选集中的每个元素进行假设检验以剔除冗余下标;最后根据剔冗后的真实下标集,采用最小二乘法重构原始信号。仿真结果表明：在相同的实验条件下,与传统贪婪类算法相比,该算法不存在冗余下标,具有更强的抗干扰能力和更高的重构精度。     

基于压缩感知理论的图像优化技术

压缩感知(CS)理论是目前信息工程相关领域研究的前沿热点之一。它打破了传统的奈奎斯特采样定理,相比于其要求的最小采样频率,CS理论证明了能够从更低数目的采样中以高概率完整地恢复原始信号,在保证信息特征不丢失的前提下节省了数据采集和处理的时间成本。压缩感知理论本质上可以视为处理线性信号恢复问题的工具,因此在求解信号和图像的逆问题上有着显而易见的优势。图像退化问题便是其中之一,恢复相应的高质量图像的过程即为图像优化。为推动压缩感知理论的学术研究与实际应用,该文介绍了其基本原理与方法。根据图像优化技术的现存研究工作,分别从去噪、去模糊和超分辨三大主流方面研究了基于CS理论的优化技术。最后探讨了所面临的问题和挑战,分析了未来的发展趋势,为将来研究工作的展开提供借鉴与帮助。

     

基于空频域稀疏表示的宽频段DOA估计

该文提出一种基于空频域稀疏表示的宽频段波达方向(DOA)估计方法,解决稀疏表示方法在宽带接收机对窄带信号的频率和角度估计中的难题。用空间频率代替频率和方位角的 2 维组合构建过完备字典,字典的长度仅相当于窄带信号DOA估计的字典长度,却能覆盖整个无模糊频段,大大降低了稀疏分解的计算量。该方法首先在频域估计信号的准确频率,根据频域峰值的位置构建频域峰值协方差矩阵。对频域峰值协方差矩阵进行特征分解,利用主特征向量建立稀疏模型估计信号的DOA。算法在低信噪比下具有较高的估计精度,仿真实验和分析验证了该文方法的正确性和有效性。     

基于二进制序列族的压缩感知测量矩阵构造

构造确定性测量矩阵对压缩感知理论的推广与应用具有重要的意义。该文源于代数编码理论,提出一种基于二进制序列族的确定性测量矩阵构造算法。相关性是描述矩阵性质的重要准则,减小相关性可使重建性能提高。该文推导出所构造测量矩阵的相关性小于同条件下的高斯随机矩阵和伯努利随机矩阵。理论分析和仿真实验表明,该方式构造的测量矩阵的重建性能优于同条件下的高斯随机矩阵和伯努利随机矩阵;所构造矩阵可由线性反馈移位寄存器结构实现,易于硬件实现,有利于压缩感知理论的实用化。     

基于压缩感知的空时自适应动目标参数估计

该文针对空时自适应处理(Space-Time Adaptive Processing, STAP)中目标参数估计问题,提出一种基于压缩感知(Compressed Sensing, CS)技术的估计方法,该方法根据目标信号在空时域的稀疏特性,利用CS技术实现目标信号重构从而估计出目标参数。为了解决稀疏恢复有效性与参数估计精度之间的矛盾,该文构造较小维数的基字典以确保基字典中各原子向量之间相关性尽可能小,并将此时得到的目标参数作为粗估值;接着在以粗估结果为邻域的区间内进行局部寻优,得到精确的估计结果。仿真结果证实了所提方法的有效性。     

基于改进压缩感知的缺损光纤Bragg光栅传感信号修复方法

光纤光栅传感在实际的应用中,存在采样信号数据丢失问题,该文提出一种改进重构算法的压缩感知信号修复方法。根据缺损信号特征,选取与之匹配的观测矩阵与稀疏字典。基于压缩感知重构算法,提出匹配光纤布拉格光栅(FBG)信号特征的自适应阈值函数,同时增设阈值判决条件。分析了信号修复与传感测量精度的关系,采用重建信号的寻峰误差来验证信号的修复效果。仿真结果显示,在FBG光谱数据缺失30%的情况下,恢复信号的平均相对误差为10-6;均方根误差为0.0707,比对比算法低0.0232~0.1159;且系统平均运行时间远低于对比算法,表明采用该文算法修复缺损的FBG传感信号具有较高的重构精度与较好的实用性。