一种不依赖超参数的稀疏信号单快拍DOA估计方法

基于传感器阵列输出模型的稀疏重构, 研究了利用单快拍数据进行相干信号波达方向(direction-of-arrival, DOA)估计的问题。定义一个干扰协方差矩阵作为权矩阵, 通过加权最小二乘(weighted least squares, WLS)准则的迭代自适应求解, 实现单快拍DOA高精度估计算法, 简称WLS-IAE算法。详细分析了算法的计算复杂度, 并与经典的稀疏估计类算法进行比较。结果表明作为一种稀疏表示类估计方法, WLS-IAE算法不仅保持了在低信噪比、单快拍、信号相干、信号DOA角度间隔小等非理想条件下的良好估计性能, 而且无需选取超参数, 计算复杂度更低, 具有更强的实时性, 适用于快变目标信号DOA的实时跟踪测量, 具备潜在的工程实用价值。仿真实验验证了提出算法的有效性。     

基于改进正交匹配追踪算法的属性散射中心提取

属性散射中心模型是描述目标后向电磁散射特性的典型模型, 但其中传统的正交匹配追踪(orthogonal matching pursuit, OMP)算法提取模型时具有参数复杂度高、计算时间长等问题。对此提出一种基于稀疏字典的广义正交性的改进OMP算法, 快速定位模型位置参数值, 避免了正交匹配中的寻优过程, 从而降低算法的运算复杂度。通过对两类算法计算复杂度和计算精度进行多次蒙特卡罗实验比较得出,改进OMP算法提高了模型参数的估计精度与噪声鲁棒性, 且大幅降低了算法的运算复杂度, 相比于传统的OMP算法, 运算时间至少降低30%。     

贝叶斯模型下的OMP重构算法及应用

针对稀疏度先验信息缺失的条件下,正交匹配追踪(orthogonal matching pursuit, OMP)算法设置冗余稀疏度时,造成信号过重构、抗噪性能变差等问题,基于贝叶斯检验模型,提出了贝叶斯正交匹配追踪(Bayesian orthogonal matching pursuit, BOMP)算法。并推导了该算法估计信号的克拉美罗下界,最后将算法应用于逆合成孔径雷达(inverse synthetic aperture radar, ISAR)成像。理论分析和实验结果表明,由于该算法能够更加真实地估计信号支撑集,因而具有更好的重构精度、抗噪性能,同时降低了计算复杂度。     

基于空间约束加权条件稀疏表示高光谱图像分类

为了充分利用稀疏表示分类信息和高光谱图像的空间信息,提出结合马尔可夫随机场的加权条件稀疏表示高光谱图像分类算法。该算法对稀疏表示分解后的残差向量建立条件稀疏表示模型,在计算残差向量的类别归属时引入频段方差信息;利用光谱信息散度从信息熵的角度挖掘重构光谱中的类别鉴定信息;在期望最大化算法模型中,将条件稀疏模型与光谱信息散度模型相结合,使算法具备迭代自更新的能力;将马尔可夫随机场引入加权条件稀疏表示算法,在算法时间复杂度不变的情况下,对高光谱图像的空间信息予以提取。仿真结果表明,该算法能够有效地提高分类精度,且在不同试验数据下具备良好的稳定性。     

基于降维稀疏重构的相干信源二维DOA估计方法

直接将压缩感知(compressed sensing,CS)思想应用到相干信源二维波达方向(direction of arrival,DOA)估计中会带来高计算复杂度的问题。为了解决这一问题,提出了一种基于降维稀疏重构的二维DOA估计方法,该方法利用特殊阵列结构将二维冗余字典构建问题转化为一维冗余字典的构建,同时提出了一种基于子字典空间谱重构的配对算法,从而在极大降低算法计算复杂度的同时,提高了配对成功概率。仿真结果表明,该方法对相干信源具有接近于克拉美罗下界(Cramér Rao lower bound, CRLB)的估计性能,即使是在低信噪比、少快拍数和小角度间隔的情况下,仍有良好的估计性能。     

大规模MIMO系统中分布式压缩感知LMMSE信道估计

大规模多输入多输出(multiple input multiple output, MIMO)系统中，信道估计算法复杂度随着基站侧天线数量的增加而急剧增加, 针对需要在信道估计算法复杂度与算法性能之间进行折中的问题，提出分布式压缩感知线性最小均方误差(distributed compressed sensing linear minimum mean square error, DCS-LMMSE)算法。该算法利用信道的空时共稀疏性, 首先根据先验支撑集信息将接收信号分为密集部分和稀疏部分, 然后分别采用不同的算法进行初始信道估计, 最后采用奇异值分解代替信道相关矩阵求逆进一步降低DCS-LMMSE算法复杂度。所提算法与传统线性最小均方误差算法相比明显地降低了计算复杂度。仿真结果表明, 所提算法与纯压缩感知稀疏信道估计算法相比具有更好的性能。     

采用信号子空间稀疏表示的DOA估计方法

利用目标辐射源空间分布的稀疏性,提出了一种基于稀疏表示的多快拍联合波达方向(direction of arrival, DOA)估计方法。该方法首先利用采样数据矩阵大奇异值对应的左奇异向量估计信号子空间,然后采用加权迭代最小方差方法对信号空间进行稀疏表示。与传统的角度高分辨估计方法不同,该方法没有利用样本的统计信息,因而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。实验表明在该方法能准确的对目标源方位进行估计,且极大地降低了稀疏表示的计算量。     

稀疏阵列的鲁棒矩阵填充DOA估计算法

稀疏阵列布阵灵活,增大阵列孔径的同时还能减少阵元间耦合,但基于稀疏阵列的传统波达方向估计会导致角度模糊混叠,带来估计精度差和稳健性不足的问题。针对以上问题,提出一种适用于稀疏阵列波达方向估计的加权截断奇异值投影(weighted truncated singular value projection, WT-SVP)的鲁棒矩阵填充算法。在填充迭代过程中根据奇异值的大小分配权重,突出大奇异值包含的阵列信息,减少小奇异值中不必要的噪声信息,从而优化传统奇异值投影算法。该算法可以实现稀疏阵列的孔洞信息恢复,对不连续阵元充分利用,同时WT-SVP填充算法实现了稀疏阵列波达方向估计的高精度、高分辨以及在低信噪比、低快拍时的高鲁棒性。     

单次快拍波达方向矩阵法

提出了一种新的基于阵列系统单次快拍数据的相干信源二维波达方向(direction of arrival, DOA)快速估计方法--单次快拍波达方向矩阵法(single snapshot DOA matrix method, SS-DOAM)。该方法保持了原DOA矩阵法无需二维谱峰搜索和参数配对的优点,利用阵列系统结构特点,构建单次快拍数据矩阵,通过对单次快拍波达方向矩阵进行特征分解,解决了二维DOA估计问题并实现了相干信源完全解相干。由于该算法只利用一次快拍数据,不需要快拍累计和进行相关运算,计算复杂度大幅降低,适用于对二维DOA估计实时性要求高的应用背景。针对单快拍算法在低信噪比时估计误差较大的问题,进一步提出了利用同相数据叠加来改善估计精度的对策。仿真结果证明了该方法的有效性。     

低快拍下基于稀疏重构的大电磁矢量传感器阵列多维参数联合估计

大尺寸电磁矢量传感器(electro magnetic vector sensor, EMVS)比小尺寸EMVS辐射效率更高, 研究其参数估计算法有助于推动EMVS的实装化应用。针对大尺寸EMVS阵列研究了低快拍下参数估计问题, 提出基于稀疏重构的波达方向(direction of arrival, DOA)和极化参数联合估计算法。首先构造仅含DOA信息的低维块稀疏表示, 然后采用块正交匹配追踪算法恢复块稀疏信号, 最后利用得到恢复后的信号反推出DOA和极化参数估计值。仿真表明了该算法在低快拍下参数估计的有效性, 且计算量和精度均优于现有基于稀疏重构的小尺寸EMVS参数估计算法。     

A method based on Chinese remainder theorem with all phase DFT for DOA estimation in sparse array

This paper takes further insight into the sparse geometry which offers a larger array aperture than uniform linear array(ULA)with the same number of physical sensors.An efficient method based on closed-form robust Chinese remainder theorem(CFRCRT)is presented to estimate the direction of arrival(DOA)from their wrapped phase with permissible errors.The proposed algorithm has significantly less computational complexity than the searching method while maintaining similar estimation precision.Furthermore,we combine all phase discrete Fourier transfer(APDFT)and the CFRCRT algorithm to achieve a considerably high DOA estimation precision.Both the theoretical analysis and simulation results demonstrate that the proposed algorithm has a higher estimation precision as well as lower computation complexity.     

低分辨率ADC下MIMO-OFDM系统中的广义Turbo信号检测

针对高分辨率模数转换器(analog-to-digital converter,ADC)接收机给大规模多输入多输出(multiple input multiple output,MIMO)系统带来的硬件成本昂贵和高功耗问题,研究了低分辨率ADC在毫米波MIMO正交频分复用(orthogonal frequency di...     

基于压缩传感的MIMO-OFDM水声通信信道估计算法

充分利用水声信道的稀疏特征,提出一种基于压缩传感理论的多输入多输出正交频分复用(multiple-input multiple-output orthogonal frequency division multiplexing, MIMO-OFDM)水声通信系统信道估计算法。在MIMO-OFDM水声通信系统模型的基础上,考虑Doppler频移的影响设计符合压缩传感理论框架的过完备字典,利用一系列非正交基在过完备字典下描述待重建信号。通过对比分析基追踪降噪、丹茨格选择器以及正交匹配跟踪3种算法的信道估计性能,进一步证明了算法的有效性。仿真实验结果表明,基于压缩传感的稀疏信道估计算法具有优于传统最小二乘算法的信道估计精度,并且在最小二乘矩阵求逆奇异的情况下仍能准确地估计出信道参数;在计及Doppler频移的影响时,直接压缩传感估计优于补偿后的压缩传感估计方法。     

基于高斯噪声模型的马尔可夫网络构建算法

针对小样本集构建稀疏马尔可夫网络计算量大和求解精度不高的问题，提出一种基于高斯噪声模型的迭代噪声消减（iterative noise reduction，INR）算法。该算法首先利用回归误差的高斯特性筛选相关变量，然后通过boosting方法的自回归更新策略逐步改进学习能力，最后采用赤池信息准则（Akaike information criterion，AIC）避免出现过拟合。此外，给出了自回归更新公式，实现了可控的学习错误率并分析了计算复杂度。实验结果表明，INR能有效构建高维稀疏网络，在学习效率和精度方面具有明显优势。     

基于TLS-CS的外辐射源雷达超分辨DOA估计方法

针对外辐射源雷达中，传统基于压缩感知（compressed sensing，CS）的超分辨波达方向（direction of arriving，DOA）估计方法在阵列天线存在幅相误差时测角精度差和目标分辨性能低的问题，提出一种基于总体最小二乘（total least squares，TLS）-CS的超分辨DOA估计方法。首先，通过奇异值分解方法求解TLS信号模型来修正阵列天线的幅相误差；然后利用贪婪迭代追踪算法进行CS稀疏重构得到目标的方位信息。仿真分析表明，当阵列天线存在幅相误差时，本文所提方法具有良好的超分辨DOA估计性能。     

基于块稀疏矩阵恢复的MIMO雷达扩展目标高分辨成像算法

针对现有多输入多输出(multiple input multiple output, MIMO)雷达稀疏恢复成像算法中存在的运算量大、对扩展目标成像质量低的问题，提出一种基于块稀疏矩阵恢复的MIMO雷达扩展目标高分辨成像算法, 通过引入目标块稀疏特征, 提高对空间扩展目标的成像质量。首先, 通过构造距离向和方位向感知矩阵, 建立目标散射系数估计的块稀疏矩阵恢复模型。然后, 采用分块二维序列一阶负指数(sequential order one negative exponential, SOONE)函数对目标块稀疏特征进行提取。最后, 利用梯度投影算法对块稀疏矩阵范数优化问题进行求解, 在欠采样条件下得到目标高质量图像。相比于传统成像算法, 所提算法可以在实现对扩展目标高分辨成像的同时, 降低数据采样量, 且具有较高的准确性、鲁棒性和较低的运算量。仿真实验验证了所提成像算法的有效性。     

高分辨SAR目标成像方向性结构特征增强

针对传统稀疏特征增强的方式仅能完成对目标场景中特显点的增强,对复杂的目标结构特征无能为力的问题,考虑目标细节特征的复杂性,提出方向性结构全变分(directional total structure variation,DTSV)正则子进行结构先验表征,实现对成像目标复杂结构特征任意梯度变化的拟合,进而实现对结构特征的...