收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

高维小样本阵列自适应信号处理方法研究

解虎  
【摘要】:近几十年来,阵列信号处理被广泛应用于雷达、声纳、无线通信、麦克风阵语音处理和医学成像等领域。首先,为了获取更高的分辨率、更强的干扰抑制能力和更远的探测距离,现代阵列采用的阵元数目越来越大,使得传统的自适应处理方法的计算复杂度显著增加,难以实时处理。其次,受到外部环境和硬件水平的限制,自适应阵列处理所需要的训练样本数目并没有同步得到提升。针对大规模阵列处理面临的高维小样本问题,我们从提高收敛速度和降低计算复杂度两个方面对阵列信号处理中的波达方向估计(DOA)、自适应波束形成和空时自适应处理方法进行了研究。本论文的主要研究内容和成果包括以下几个方面:1.利用目标辐射源空间分布的稀疏性,提出了两种基于稀疏表示的多快拍联合DOA估计方法。第一种方法利用采样数据矩阵大奇异值对应的左奇异向量近似信号子空间,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进而确定出目标方位。第二种方法对传统的基于协方差矩阵稀疏表示的模型进行改进,提出一种新的基于样本协方差矩阵稀疏表示的联合波达方向估计方法。该方法仅利用协方差矩阵的部分信息进行DOA估计,不需要估计噪声功率,以一个阵元的孔径损失换取算法的稳健性。与传统的角度高分辨估计方法不同,基于稀疏表示的DOA估计方法对具有相干性的信号源能进行有效估计,不需要进行去相关处理。2.通过对最优自适应波束形成权矢量构成进行分析,发现最优权仅位于低维的干扰加信号子空间中。根据经验,一般系统设定的所要抑制的干扰数目都远小于系统自由度。因此一旦干扰空间和信号导向矢量已知,只需求解一个低维的组合矢量即可求得自适应权矢量,同时也降低了算法的计算复杂度。我们首先构造一个完备的干扰加信号子空间(IPSS),然后对组合矢量进行稀疏约束,找到一组列数最小的信号加干扰子空间来构造自适应权。与传统的降秩方法不同,所提方法不需要已知干扰的数目,且对多种常见的不匹配情况稳健。3.非均匀杂波环境下,空时自适应处理的关键在于如何在样本较少时准确估计杂波协方差矩阵(CCM)。首先,根据杂波谱的稀疏性,采用少量样本可估计出杂波功率谱,进而估计出CCM。基于稀疏表示的杂波协方差矩阵估计方法仅利用少量样本即可达到较好的CCM估计效果,明显提高了空时自适应算法(STAP)的收敛速度。然而采用少量样本稀疏表示估计所得的杂波谱常出现伪峰,容易造成CCM估计偏差。利用杂波谱分布的特殊空时耦合性,通过杂波脊曲线拟合方法剔除杂波谱中的伪峰,有效提高了CCM估计精度。另外,该算法还可以对载机飞行参数(载机速度,偏航角等)进行估计。4.针对传统空时自适应处理计算量大的问题,提出一种基于权矩阵低秩逼近的快速空时自适应处理方法。与传统的低秩逼近算法不同,我们利用空时导向矢量特殊的Kronecker累积性,重新构造新的权矩阵,使得该权矩阵的行数与列数尽可能的相同或相近。采用低秩逼近方法对新构造的权矩阵进行表示,提高了自适应权的自由度,而且原二次优化问题被转化为一个双二次代价函数问题,可以采用双迭代方法进行求解。5.传统的降维降秩类空时自适应处理方法虽然提高了系统的收敛速度,降低了计算复杂度,但是不同的方位、多普勒需要重新计算自适应权,计算量依然很大。针对小样本情况,我们提出一种基于核方法的快速自适应处理方法,能有效的降低权更新的计算量。由于自适应权仅位于干扰加信号子空间且训练样本主要由干扰组成,通过训练样本和目标空时导向矢量的线性组合来构造自适应权。因而只需计算一个低维的组合矢量,避免了直接对协方差矩阵进行求逆,大幅降低了计算量。针对当样本数超过干扰自由度时,权矢量易受病态Gram矩阵求逆影响的问题,采用三种正则化方法解决病态求逆问题。


知网文化
【相似文献】
中国期刊全文数据库 前20条
1 李映;张艳宁;许星;;基于信号稀疏表示的形态成分分析:进展和展望[J];电子学报;2009年01期
2 赵瑞珍;王飞;罗阿理;张彦霞;;基于稀疏表示的谱线自动提取方法[J];光谱学与光谱分析;2009年07期
3 杨蜀秦;宁纪锋;何东健;;基于稀疏表示的大米品种识别[J];农业工程学报;2011年03期
4 史加荣;杨威;魏宗田;;基于非负稀疏表示的人脸识别[J];计算机工程与设计;2012年05期
5 高志荣;熊承义;笪邦友;;改进的基于残差加权的稀疏表示人脸识别[J];中南民族大学学报(自然科学版);2012年03期
6 朱杰;杨万扣;唐振民;;基于字典学习的核稀疏表示人脸识别方法[J];模式识别与人工智能;2012年05期
7 耿耀君;张军英;袁细国;;一种基于稀疏表示系数的特征相关性测度[J];模式识别与人工智能;2013年01期
8 张疆勤;廖海斌;李原;;基于因子分析与稀疏表示的多姿态人脸识别[J];计算机工程与应用;2013年05期
9 李正周;王会改;刘梅;丁浩;金钢;;基于形态成分稀疏表示的红外小弱目标检测[J];弹箭与制导学报;2013年04期
10 胡正平;赵淑欢;李静;;基于块稀疏递推残差分析的稀疏表示遮挡鲁棒识别算法研究[J];模式识别与人工智能;2014年01期
11 陈思宝;赵令;罗斌;;局部保持的稀疏表示字典学习[J];华南理工大学学报(自然科学版);2014年01期
12 王铿;张重阳;齐朗晔;;基于核距离的稀疏表示的交通标识识别[J];计算机应用与软件;2014年03期
13 单建华;张晓飞;;稀疏表示人脸识别的关键问题分析[J];安徽工业大学学报(自然科学版);2014年02期
14 栾悉道;王卫威;谢毓湘;张芯;李琛;;非线性稀疏表示理论及其应用[J];计算机科学;2014年08期
15 杨荣根;任明武;杨静宇;;基于稀疏表示的人脸识别方法[J];计算机科学;2010年09期
16 郑轶;蔡体健;;稀疏表示的人脸识别及其优化算法[J];华东交通大学学报;2012年01期
17 段菲;章毓晋;;一种面向稀疏表示的最大间隔字典学习算法[J];清华大学学报(自然科学版);2012年04期
18 李仲生;李仁发;蔡则苏;赵乘麟;;稀疏表示下的非监督显著对象提取[J];电子学报;2012年06期
19 段菲;章毓晋;;基于多尺度稀疏表示的场景分类[J];计算机应用研究;2012年10期
20 胡正平;李静;白洋;;基于样本-扩展差分模板的联合双稀疏表示人脸识别[J];信号处理;2012年12期
中国重要会议论文全文数据库 前3条
1 何爱香;刘玉春;魏广芬;;基于稀疏表示的煤矸界面识别研究[A];虚拟运营与云计算——第十八届全国青年通信学术年会论文集(上册)[C];2013年
2 樊亚翔;孙浩;周石琳;邹焕新;;基于元样本稀疏表示的多视角目标识别[A];2013年中国智能自动化学术会议论文集(第五分册)[C];2013年
3 葛凤翔;任岁玲;郭鑫;郭良浩;孙波;;微弱信号处理及其研究进展[A];中国声学学会水声学分会2013年全国水声学学术会议论文集[C];2013年
中国博士学位论文全文数据库 前10条
1 李进明;基于稀疏表示的图像超分辨率重建方法研究[D];重庆大学;2015年
2 王亚宁;基于信号稀疏表示的电机故障诊断研究[D];河北工业大学;2014年
3 姚明海;视频异常事件检测与认证方法研究[D];东北师范大学;2015年
4 黄国华;蛋白质翻译后修饰位点与药物适应症预测方法研究[D];上海大学;2015年
5 王瑾;基于稀疏表示的数据收集、复原与压缩研究[D];北京工业大学;2015年
6 王文卿;基于融合框架与稀疏表示的遥感影像锐化[D];西安电子科技大学;2015年
7 解虎;高维小样本阵列自适应信号处理方法研究[D];西安电子科技大学;2015年
8 李小薪;稀疏表示的分段匹配寻踪方法[D];华南理工大学;2009年
9 何艳敏;稀疏表示在图像压缩和去噪中的应用研究[D];电子科技大学;2011年
10 宋相法;基于稀疏表示和集成学习的若干分类问题研究[D];西安电子科技大学;2013年
中国硕士学位论文全文数据库 前10条
1 王道文;基于稀疏表示的目标跟踪算法研究[D];华南理工大学;2015年
2 李哲;基于稀疏表示和LS-SVM的心电信号分类[D];河北大学;2015年
3 孙雪青;Shearlet变换和稀疏表示相结合的甲状腺结节图像融合[D];河北大学;2015年
4 吴丽璇;基于稀疏表示的微聚焦X射线图像去噪方法[D];华南理工大学;2015年
5 赵孝磊;基于图像分块稀疏表示的人脸识别算法研究[D];南京信息工程大学;2015年
6 黄志明;基于辨别式稀疏字典学习的视觉追踪算法研究[D];华南理工大学;2015年
7 张铃华;非约束环境下的稀疏表示人脸识别算法研究[D];南京信息工程大学;2015年
8 贺妍斐;基于稀疏表示与自适应倒易晶胞的遥感图像复原方法研究[D];南京信息工程大学;2015年
9 杨烁;电能质量扰动信号的稀疏表示/压缩采样研究[D];西南交通大学;2015年
10 应艳丽;基于低秩稀疏表示的目标跟踪算法研究[D];西南交通大学;2015年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978