超宽带信号的一种带通采样与重建方法

针对超宽带无线通信中需要设计采样速率高达数十GHz高速模/数转换器的问题,提出了一种带通采样和总体最小二乘重建算法。该算法所要求的采样速率与信号新息率相当,远远低于传统香农采样理论所要求的奈奎斯特率。分析和仿真结果证明,所提出的采样和重建算法,能够准确地恢复原始超宽带信号,并具有良好的抗噪声性能。     

正交波形虚拟孔径MIMO雷达原理与性能讨论

多输入多输出 (multiple input multiple output,MIMO)雷达可在接收端形成奈奎斯特虚拟阵列,大大扩展了接收阵列的有效孔径。文章讨论了在发射或接收阵列稀疏布阵的情况下,虚拟孔径MIMO雷达的测角精度和抗干扰性能。分析表明,得益于奈奎斯特虚拟孔径的形成,MIMO雷达可获得比传统相控阵雷达更窄的有效接收波束宽度和更高的测角精度。对于转发干扰,较窄的接收波束宽度也使虚拟孔径MIMO雷达更容易规避主瓣干扰。而对于非转发的压制干扰,MIMO雷达具有与相控阵一致的抗干扰性能。此外,文章还讨论了将线性调频连续波(linear frequency modulated continuous wave,LFMCW)信号与虚拟孔径MIMO雷达相结合的可行性和性能优势。     

基于一维CNN参数优化的压缩振动信号故障诊断

针对一维卷积神经网络(convolutional neural network, CNN)参数多的特点,提出一种正交试验和粒子群优化算法相结合的参数优化方法,并将其应用于压缩振动信号故障诊断。压缩感知理论突破了奈奎斯特采样定理的限制,为大量振动信号的采集与传输提供一种有效途径。首先利用CNN“端-端”特性,建立了基于压缩信号的CNN故障诊断模型。利用正交试验进行参数范围的粗略评价,选择出最优方案。对最优方案中每个参数,利用多目标粒子群优化算法进行细化,得出精确的参数最优取值。选择齿轮箱实测信号和西储大学轴承信号作为研究对象。实验结果表明,经过优化后非劣粒子的输出特征分类明显, CNN诊断率有明显提高,也证明了对压缩信号直接进行故障诊断的可行性。     

基于一维CNN参数优化的压缩振动信号故障诊断

针对一维卷积神经网络(convolutional neural network, CNN)参数多的特点,提出一种正交试验和粒子群优化算法相结合的参数优化方法,并将其应用于压缩振动信号故障诊断。压缩感知理论突破了奈奎斯特采样定理的限制,为大量振动信号的采集与传输提供一种有效途径。首先利用CNN“端-端”特性,建立了基于压缩信号的CNN故障诊断模型。利用正交试验进行参数范围的粗略评价,选择出最优方案。对最优方案中每个参数,利用多目标粒子群优化算法进行细化,得出精确的参数最优取值。选择齿轮箱实测信号和西储大学轴承信号作为研究对象。实验结果表明，经过优化后非劣粒子的输出特征分类明显, CNN诊断率有明显提高，也证明了对压缩信号直接进行故障诊断的可行性。     

基于压缩感知的机动目标径向加速度估计

针对目前关于目标径向加速度估计的算法存在着采样频率过大及短时条件下精度不高的问题,提出了一种基于压缩感知（compressive sensing, CS）的机动目标径向加速度估计方法。该方法可以在不损失参数估计精度的条件下,用远低于奈奎斯特采样定理要求的采样速率进行采样。仿真实验验证了该方法有效性,并与基于分数阶傅里叶变换(fractional Fourier transform, FRFT)估计目标径向加速度方法进行了比较。仿真结果表明,该方法不仅所需的信号积累时长和采样速率大大降低,并且在估计精度方面也有明显的提高。     

基于Gabor框架的线性调频信号压缩采样与重构

针对线性调频信号在传统采集过程中存在的高采样频率问题, 提出了一种基于Gabor框架的线性调频信号压缩采样与重构方法。首先, 利用线性调频信号在Gabor变换下所具有的时频稀疏特性, 提出了基于Gabor框架的线性调频信号压缩采样系统。基于该采样系统, 分析了压缩采样系统工作过程, 建立了该系统压缩观测过程数学模型。随后, 分析了压缩采样系统重构模型, 将压缩采样重构问题转化为多观测向量重构问题。最后, 基于多维扩展的稀疏贝叶斯学习算法, 提出利用优化分类的方法来保证线性调频信号的精确重构。仿真实验结果表明, Gabor框架压缩采样系统有效降低了线性调频信号采样频率与采样点数, 在重构过程中, 本文提出的重构方法能够有效降低重构误差, 提高重构概率。     

基于轮廓预提取的直接信息采样与重构

现有直接信息采样（analog to information conversion, AIC）框架未考虑信号的轮廓在重构中占据特殊地位且对输入信号的有效性缺乏判断。针对这一问题,在压缩感知理论框架下,提出基于轮廓预提取的直接信息压缩采样理论。将输入信号的大轮廓用低速采样器件先行提取出来,再对输入信号的细节进行压缩采样。在重构算法方面,提出自适应分段正交匹配追踪算法以解决实时流信号的精确重构问题。从理论上分析了轮廓预提取直接信息压缩采样的有效性和可靠性。仿真结果表明,在同等条件下,通过引入少量轮廓信息的改进型AIC比传统AIC重构性能更好。     

多速率互质采样下的超分辨谱估计方法

针对稀疏频谱信号的获取和感知问题,提出了一种多速率互质采样下的超分辨谱估计技术。首先对信号进行多通道采样,建立起多速率互质采样下的接收信号模型,并推导了采样频率的最优选取准则。然后基于超分辨理论将不同采样速率下的基带混叠谱估计出来,并给出精确恢复的唯一性定理。在谱重构过程中,为了降低恢复算法的复杂度,又提出了一种支撑集缩减准则。以上方法既避免了栅格划分对重构模型的影响,也克服了有限长时域数据造成的频谱展宽效应,因此可以有效地提高谱估计的精度和分辨率。数据模拟实验验证了上述方法的正确性和有效性。     

宽带LFM信号的压缩感知测向算法

在采用均匀圆阵对宽带线性调频(linear frequency modulation, LFM)信号进行测向时,由于满足奈奎斯特采样所需采样数据量很大,加重了实时处理系统负担。针对这一问题,在小孔径圆阵环境下提出并构建了基于压缩感知理论的时差测向模型,以较少的观测点实现了信号的波达方向估计。研究结果表明,应用所提的基于压缩感知的分数时延估计法对宽带LFM信号测向时,能够获得与分数时延估计测向算法相似的测向精度,并且大量减少了数据的运算量,提高了算法的时间效率。     

基于非均匀采样的信号频率、幅值和相位检测

分析了单频和多频信号经非均匀采样的离散傅里叶频谱,推导出频率、幅值、相位的计算表达式,解决了目前文献中未提及的基于非均匀采样方法的幅值和相位检测问题。此外,提出一种基于多路并行非均匀采样的信号检测方法,通过合并多路非均匀采样信号频谱,使谱估计结果趋于原信号的真实频谱,进而实现信号检测。数值仿真显示,提出的方法可实现信号的频率、幅值、相位的精确检测,可以突破奈奎斯特频率限制、抗混叠能力强,且计算复杂性小。     

基于压缩感知的GPR成像算法

传统的探地雷达(ground penetrating radar, GPR)数据采集需要满足Nyquist采样定理,严重影响了GPR成像效率。基于压缩感知理论,稀疏信号可以在远低于Nyquist采样率的情况下通过求解l₁范数约束下的凸最优化问题得到精确恢复,克服了传统算法中数据采集的局限。将压缩感知理论应用于GPR成像,利用仿真数据系统分析了测量矩阵维度、信噪比、数据损失程度和目标密集度等因素对成像结果的影响。实验结果表明,与传统的GPR成像算法相比,压缩感知成像算法成像精度高,虚警少,对噪声和数据损失有一定的鲁棒性,可以大大节省数据存储空间和采集时间。     

在信号处理系统中选取A/D变换器的准则

本文从抽样定理和量化定理出发,导出了在信号处理系统中选A/D变换器的准则,该准则在工程上用处很大。     

宽带线性调频信号Stretch处理误差获取与补偿

宽带线性调频信号是宽带高分辨率雷达的一种信号形式,在实际应用中可采用Stretch处理来降低A/D采样速率的要求。先推导了系统有误差时线性调频信号Stretch处理的雷达接收回波数学模型,提出误差估计的方法,并针对Stretch处理的时变特性提出了线性调频信号Stretch处理的误差补偿方法。仿真实验表明该方法对宽带线性调频信号误差的估计与补偿是有效的。     

基于块稀疏贝叶斯学习的直扩通信窄带干扰检测与参数估计

现有基于Nyquist采样定理的直扩(direct sequence spread spectrum, DSSS)通信窄带干扰(narrowband interference, NBI)检测和参数估计方法存在应用受限于采样率较高的问题。针对这一问题,将压缩感知(compressive sensing, CS)应用于DSSS通信NBI的检测和参数估计,根据DSSS信号与NBI的不同压缩域特性以及NBI在频域表现出的分块稀疏特性,利用块稀疏贝叶斯学习(block sparse Bayesian leaning, BSBL)框架获取干扰检测和参数估计的特征量,通过对特征量的检测和参数估计实现对NBI的检测和参数估计。理论分析和仿真结果表明:所提方法能够在压缩采样条件下实现对DSSS通信中NBI的有效检测和参数估计,与传统方法相比具有显著优势,干扰检测和参数估计性能受干扰强度、干扰带宽以及压缩率变化的影响,干扰强度越强、干扰带宽越小、压缩率越大,干扰检测和参数估计效果越好。