基于稀疏贝叶斯重构的多跳频信号参数估计

针对宽带条件下多跳频信号的参数估计问题,利用多跳频信号在空间频率域上的稀疏性,提出了基于稀疏贝叶斯重构的空间频率估计方法.通过重构信号获得信号瞬时频率估计,在此基础上完成了波达方向信息估计.为了提高低信噪比条件下参数的估计性能,采用形态学滤波的方法对得到的时频图进行修正,在修正的时频图上完成了信号频率集和跳周期的精准估计.仿真实验表明:该算法在信噪比低于0dB的情况下仍能够取得良好的估计性能.     

基于STFT与SPWVD的跳频参数盲估计算法

为了降低欠定条件下多网台跳频信号参数盲估计误差,提出一种基于短时傅里叶变换(STFT)与平滑伪WVD分布(SPWVD)相结合的方法.该方法先对信号进行STFT,确定跳变时刻的粗估计范围,再对粗估计范围内的信号进行SPWVD,得到跳变时刻的精确估计,从而估计出跳周期.理论分析与仿真实验结果表明:所提算法在欠定条件下可有效估计出同步正交多网台跳频信号的各参数,与现有的基于时频稀疏性的时频图修正方法相比,在复杂度少量增加的前提下,参数估计误差大幅减小.当信噪比为-4dB时,跳周期、跳变时刻、载频相对估计误差降低了2个数量级,而复杂度只增加了6倍.     

基于多任务贝叶斯压缩感知的宽带频谱检测

针对认知无线网络中主用户信号在空频域的稀疏性,基于贝叶斯压缩感知(BCS)的信号重构通过层次化贝叶斯分析分级先验模型获得稀疏信号估计.将贝叶斯压缩感知应用于认知无线电宽带压缩频谱检测,利用多认知用户感知信号的时空相关性实现在多用户多任务传输条件下的稀疏信号重构与宽带压缩频谱检测.研究了基于期望最大化算法和相关向量机模型的多任务BCS参数估计.仿真结果表明:相比于传统单任务BCS重构方法,多任务BCS在节点能耗与网络带宽受限的条件下,通过对估计参数的合理优化,在较低压缩比区域可实现重构均方误差的快速收敛,且检测性能随着任务数的增加而提高.当感知数据相关性从25%增加到75%,且任务数一定时,所提方法的重构观测数明显下降,宽带频谱检测性能显著提高.     

模式耦合稀疏贝叶斯MIMO雷达成像

通过压缩感知稀疏恢复理论可利用少量MIMO雷达收发阵元实现对目标的高分辨成像。利用MIMO雷达目标图像的块稀疏特性,将模式耦合稀疏贝叶斯学习算法应用于MIMO雷达成像,首先建立MIMO面阵回波信号模型,引入模式耦合稀疏贝叶斯分层模型,将相邻系数通过共用超参数的方法耦合起来。通过贝叶斯推理得到雷达信号的估计式,再通过EM算法实现对超参数的迭代估计,进而实现对雷达信号的估计,直到信号满足误差允许范围,最后重构信号实现MIMO阵列高分辨成像。仿真实验表明,该方法的成像效果在图像的聚焦性能上优于传统的傅里叶、稀疏贝叶斯算法,在散射点重构上优于OMP算法。     

跳频信号的自适应谱图分析

基于跳频信号的多分量模型,分析了谱图(Spectrogram)和维格纳分布交叉项特点,提出了自适应谱图的跳频信号时频分析方法.该方法利用最大相关准则,自适应地变化窗函数长度,匹配跳频信号的局域化属性,进而获得较好的时频分辨率.算法性能与平滑伪维格纳分布(SPWVD:Smoothed Pseudo Wigner-Ville Distribution)进行了比较,通过理论研究和仿真分析表明,自适应谱图方法能够反映跳频信号的时频特征,改善了跳频信号的谱图分辨率,提高了参数的估计精度,具有很强的鲁棒性.     

宽带大规模MIMO-OFDM的联合差分信道估计方案

鉴于大规模多输入多输出正交频分复用(Massive MIMO OFDM)下行链路无线通信系统,提出一种基于空时共同稀疏性的信道估计重构算法。所提算法在子空间追踪(SP)算法的基础上,利用信道的时间相关性和多天线的共同稀疏性,同时考虑联合差分和结构稀疏进一步降低导频开销并提升估计性能。提出的联合差分结构化子空间追踪(Joint Differential Structured SP,JDSSP)算法特点如下:第一,算法在每一次迭代过程中同时对多个向量进行更新,对稀疏性进行结构化增强,提升算法的重构性能。第二,算法在进行重构过程中,并不是只处理当前时刻接收到的导频信号,而是联合前一帧的导频信号进行差分,进一步增强稀疏性,进而提升算法重构的精度。仿真结果表明,所提算法在降低导频开销的同时能够取得较好的参数估计性能。     

基于稀疏贝叶斯的多跳频信号二维波达方向估计

分析了现有跳频信号二维波达方向(DOA)估计算法的优缺点,提出了一种基于稀疏贝叶斯学习的跳频信号二维DOA估计算法.该算法利用L型阵列特点,将方位角、俯仰角和跳频率三维信息转换为一维空间频率信息,降低了冗余字典长度和稀疏求解难度.其次,经过奇异值分解降维处理,减少了矩阵运算维数,降低了算法复杂度,通过稀疏贝叶斯算法和快速傅里叶变换估计出空间频率和跳频率,利用Capon空间频率配对算法将空间频率和跳频率正确配对,计算出空间角.最后,由空间角几何关系解算出方位角和俯仰角.模拟结果表明,在低信噪比或低快拍数条件下,该算法DOA估计精度较高,且不易受空间频率间隔和跳频信号源相干性的影响.     

基于子空间拟合的块稀疏贝叶斯学习DOA估计

针对传统基于稀疏贝叶斯学习(sparse bayesian learning, SBL)的波达方向(direction of arrival,DOA)估计算法在低信噪比条件下性能不足的问题,提出了一种基于子空间拟合和块稀疏贝叶斯学习的离网DOA估计方法。首先对样本的协方差矩阵进行特征分解,获得信号的加权子空间,然后构造等价信号的稀疏表示模型并利用块稀疏贝叶斯算法进行参数求解,同时对于网格失配带来的建模误差,将空间域内的离散采样网格点作为动态参数,通过求解一个多项式,利用期望最大化算法迭代更新离散网格点的位置。仿真实验结果表明,相对于传统SBL算法,该方法具有更好的估计精度和空间分辨率。     

基于变分稀疏贝叶斯学习的DOA估计

针对传统稀疏贝叶斯学习的DOA估计算法复杂度较高、收敛速度较慢等问题,提出了一种基于变分稀疏贝叶斯学习的DOA估计算法。首先通过空间网格划分方式建立基于稀疏表示的DOA估计信号模型;其次在此模型基础上为未知待估计参数指定先验分布,得出稀疏信号的后验概率分布;然后利用变分贝叶斯学习算法,通过最小化KL散度寻求后验概率分布的近似分布;最后估计出未知参数,并得到信号的DOA估计值。根据MATLAB仿真图的结果,该算法成功估计出信号的DOA,并达到了预期效果。与传统稀疏贝叶斯学习算法相比,该算法单快拍下具有更高的DOA估计精度以及更快的收敛速度。     

实矩阵降维的稀疏贝叶斯跳频信号DOA估计

提出一种基于实数域矩阵降维的稀疏贝叶斯跳频信号到达角(DOA)估计算法.该算法通过酉矩阵变换将复数域信号稀疏表示转换至实数域,利用奇异值分解对实数域数据矩阵进行降维,降低了计算复杂度;通过改进稀疏贝叶斯算法中预设阈值的比较方式和噪声方差初始值的设置方法,减少算法迭代次数.仿真结果表明:在低信噪比或低快拍数条件下,该算法DOA估计精度优于传统的稀疏贝叶斯学习算法,所需计算时间更少,且不受跳频信源相干性影响.