收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

基于稀疏表示的阵列信号空间谱估计方法研究

赵永红  
【摘要】:阵列信号空间谱估计技术的主要目的是通过阵列天线对感兴趣的目标信号的空域参数进行估计,而这正是无线电通信、雷达、声纳及电子侦察等许多领域的重要任务之一。近几年来,稀疏表示理论在信号处理领域得到广泛的关注,基本思想是在给定的冗余字典矩阵中用尽可能少的原子来表示信号,以获得信号更为简洁的表达方式,从而更容易获取信号中的有效信息。利用目标在整个空域角度上的稀疏性,可以将稀疏表示理论应用于阵列信号的空间谱估计中。研究表明,这类算法在少快拍、低信噪比下仍具有较好的估计性能以及分辨性能,并且可以直接处理相关信号而不要任何额外的去相关运算,这是传统空间谱估计方法所不具备的,因此将稀疏表示理论引入到阵列信号的空间谱估计,可以解决或者规避一些传统方法的不足,具有着十分重要的研究意义和实际应用价值。本文以阵列信号的空间谱估计技术为研究背景,主要分析解决现有稀疏表示类空间谱估计方法中存在的问题。在窄带信号方面,分析了基于协方差矩阵稀疏表示类方法在低快拍时性能下降的原因,并将快速最大似然(FML)算法引入其中以此来解决该问题,另外对于嵌套阵,建立了相应的off-grid模型并推导了基于稀疏贝叶斯学习(SBL)的稀疏重构迭代过程。在宽带信号方面,主要研究如何降低稀疏表示类宽带信号谱估计算法的计算量。本文的主要内容如下:1.针对L1-SRACV算法在低快拍时波达方向(DOA)估计性能严重下降的问题,提出一种改进的协方差矩阵稀疏表示的DOA估计方法。该方法首先利用FML算法估计协方差矩阵,以解决由于快拍数较低引起协方差矩阵小特征值不稳定的问题。然后建立了基于FML算法的稀疏优化模型,并求解得到稀疏空域谱曲线,由该曲线峰值对应的角度信息给出DOA估计结果。最后,为了进一步提高算法的性能,选择剔除协方差矩阵的对角元素,并对建立的DOA估计优化模型进行了修改。该算法相对于L1-SRACV算法,提高了估计精度和检测概率,尤其是在快拍数较少时可获得更低的均方根误差值。2.针对稀疏表示的on-grid模型误差问题,提出一种基于协方差矩阵稀疏贝叶斯学习的off-grid DOA估计方法。该方法首先利用矢量化运算,将嵌套阵接收数据的协方差矩阵矢量化,得到具有更大等效孔径的量测数据。然后建立该量测数据的off-grid稀疏优化模型,并将矢量化样本协方差矩阵与理论协方差矩阵的误差矢量白化。最后应用稀疏贝叶斯学习框架,推导所建模型稀疏重构的迭代过程,得到用于DOA估计的空间谱,由谱峰位置信息估计目标的波达方向。该方法不需要知道目标个数的先验信息,扩展了阵列的虚拟孔径,可实现目标个数大于阵元个数的DOA估计,提高了角度分辨率和估计精度。3.针对稀疏表示理论在宽带信号DOA估计中由于基矩阵维数过大而使算法存储量和重构计算量大的问题,提出一种基于直接数据域稀疏表示的宽带信号DOA估计方法。该算法用单一频点的基矩阵代替频率和角度联合构建的基矩阵,使基矩阵的列数仅相当于一个频点处冗余基矩阵的列数,大大降低了稀疏重构方法的存储量和重构计算量。该方法首先对各频点的频域数据进行聚焦处理,将不同频率的数据堆叠到参考频率上并建立参考频率处的基矩阵。然后建立聚焦后基于稀疏表示的宽带信号DOA估计模型,并采用奇异值分解(SVD)进一步降低算法的运算量。最后根据拟合残差的分布特性推导了残差门限的计算方法。该算法不仅适用于非相关信号,也可直接处理相关信号而不需要任何的去相关运算,降低了计算复杂度,更便于工程实现。4.宽带稀疏表示类DOA估计方法的计算复杂度限制了该类方法的实际应用,针对该问题,提出一种基于协方差矩阵稀疏表示的宽带DOA估计方法。该方法引入聚焦思想和加权子空间拟合(WSF)方法,不仅降低了基于稀疏表示类的宽带信号谱估计算法的计算量,而且提高了算法的估计性能。该算法首先将不同频点的阵列接收数据聚焦到参考频点处并计算各频点对应的协方差矩阵。其次根据各频点对应的协方差矩阵估计参考频点处的平均协方差矩阵。然后建立基于WSF方法的稀疏重构优化模型用于DOA估计。最后采用二阶锥规划(SOCP)对稀疏重构的优化模型进行求解,得到宽带信号的空间谱估计结果。另外所提算法根据WSF算法代价函数的近似分布特性推导出正则化参数选取的数学表达形式,并提出一种网格精细化方法。


知网文化
【相似文献】
中国期刊全文数据库 前16条
1 Fang LI;Jia SHENG;San-yuan ZHANG;;基于稀疏表示的拉普拉斯稀疏字典图像分类(英文)[J];Frontiers of Information Technology & Electronic Engineering;2017年11期
2 黄宏图;毕笃彦;侯志强;胡长城;高山;查宇飞;库涛;;基于稀疏表示的视频目标跟踪研究综述[J];自动化学报;2018年10期
3 刘嘎琼;;改进稀疏表示的人脸识别在高校管理中的应用[J];计算机与数字工程;2018年11期
4 余庆辉;朱晗琰;吴海霞;戈晓玲;潘逸炜;;基于类内稀疏表示的人脸识别[J];科技展望;2015年32期
5 滕升华;商胜楠;王芳;赵增顺;;一种基于复合稀疏表示的阿尔茨海默病的诊断方法[J];生物医学工程研究;2016年01期
6 黄宏图;毕笃彦;高山;查宇飞;侯志强;;基于局部敏感核稀疏表示的视频跟踪[J];电子与信息学报;2016年04期
7 张保庆;穆志纯;曾慧;;基于非负稀疏表示的遮挡人耳识别[J];计算机辅助设计与图形学学报;2014年08期
8 张石清;赵小明;楼宋江;闯跃龙;郭文平;陈盈;;一种局部敏感的核稀疏表示分类算法[J];光电子.激光;2014年09期
9 陈思宝;许立仙;罗斌;;基于多重核的稀疏表示分类[J];电子学报;2014年09期
10 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
11 王威;朱宗玖;陆俊;;基于字典学习和局部约束的稀疏表示人脸识别[J];电脑知识与技术;2018年05期
12 韦道知;黄树彩;赵岩;庞策;;非负谱稀疏表示的高光谱成像中的异常检测[J];红外与激光工程;2016年S2期
13 王科平;杨赞亚;恩德;;基于分类冗余字典稀疏表示的图像压缩方法[J];计算机工程;2017年09期
14 王学军;王文剑;曹飞龙;;基于自步学习的加权稀疏表示人脸识别方法[J];计算机应用;2017年11期
15 黄少煌;黄立勤;;改进的两阶段协作稀疏表示分类器[J];南阳理工学院学报;2016年02期
16 胡正平;高红霄;赵淑欢;;基于低秩分解的联合动态稀疏表示多观测样本分类算法[J];电子学报;2015年03期
中国重要会议论文全文数据库 前10条
1 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
2 杨宝;朱启兵;黄敏;;基于非负矩阵分解一稀疏表示分类的玻璃缺陷图像识别[A];第24届中国控制与决策会议论文集[C];2012年
3 田野;张立新;严涛;杨志梅;张茁;;基于稀疏表示的北斗导航卫星预失真滤波器设计方法[A];第九届中国卫星导航学术年会论文集——S08 测试评估技术[C];2018年
4 肖琼;黄永言;;稀疏表示在脑电信号处理中的应用研究现状[A];人-机-环境系统工程创立30周年纪念大会暨第十一届人-机-环境系统工程大会论文集[C];2011年
5 赵雪峰;孙成禹;;基于稀疏表示的地震多属性融合[A];2016中国地球科学联合学术年会论文集(十九)——专题40:油气田与煤田地球物理勘探[C];2016年
6 廖佳俊;刘志刚;蔡尚;姜江军;;基于非负—平滑约束的高光谱稀疏表示目标检测算法研究[A];国家安全地球物理丛书(十二)——地球物理与信息感知[C];2016年
7 蒙红英;柴昱洲;韩宇;;一种基于稀疏表示的JPEG-LS改进算法[A];第四届高分辨率对地观测学术年会论文集[C];2017年
8 柴汉超;郭翌;汪源源;曹万里;孙福康;;基于多尺度稀疏表示分割肾上腺肿瘤CT图像[A];仪器仪表学报(2015(增刊)第36卷)[C];2015年
9 余力;郭翌;汪源源;陈萍;;基于超声心动图序列的胎儿左心室分割[A];仪器仪表学报(2015(增刊)第36卷)[C];2015年
10 林哲;闫敬文;袁野;;基于稀疏表示和PCNN的多模态图像融合[A];创新驱动与转型发展,推动汕头腾飞——汕头市科协第七届学术年会优秀论文集[C];2014年
中国博士学位论文全文数据库 前10条
1 王秀红;基于稀疏表示的波达方向估计方法研究[D];哈尔滨工业大学;2017年
2 张岩;基于稀疏表示的油气地震勘探数据重建与去噪方法研究[D];东北石油大学;2018年
3 程增飞;基于压缩感知的阵列信号处理技术研究[D];西安电子科技大学;2017年
4 赵永红;基于稀疏表示的阵列信号空间谱估计方法研究[D];西安电子科技大学;2017年
5 任博;基于稀疏表示和流形学习的SAR图像分类算法研究[D];西安电子科技大学;2017年
6 王伟;基于帧级和段级稀疏表示的说话人识别研究[D];哈尔滨工业大学;2016年
7 涂淑琴;基于稀疏表示的RGB-D图像特征学习研究与应用[D];华南农业大学;2016年
8 李窦哲;基于L-DACS1数据链的航空电信网协同传输关键技术研究[D];天津大学;2017年
9 石保顺;基于自适应稀疏表示的压缩感知及相位恢复算法研究[D];燕山大学;2017年
10 刘梓;基于稀疏表示与鉴别分析算法的人脸图像分类研究[D];南京理工大学;2016年
中国硕士学位论文全文数据库 前10条
1 徐琴;基于压缩感知的交通标志识别[D];长安大学;2018年
2 阚丹会;基于结构稀疏的影像遗传学数据关联分析[D];长安大学;2018年
3 孟美玲;基于稀疏表示的高光谱图像目标检测研究[D];哈尔滨工程大学;2018年
4 王艳然;基于稀疏表示的遥感目标分类识别研究[D];长沙理工大学;2017年
5 张佳娥;基于稀疏表示的图像融合算法[D];长沙理工大学;2017年
6 孙邱鹏;基于稀疏表示的高光谱图像异常检测算法及其优化研究[D];哈尔滨工业大学;2018年
7 杨洪刚;基于稀疏表示和压缩感知的旋转机械故障识别方法[D];华南理工大学;2018年
8 沈子钰;压缩感知在超宽带信道估计中的应用研究[D];杭州电子科技大学;2018年
9 杨世诚;基于稀疏表示的低质量人脸图像识别的研究[D];华东师范大学;2018年
10 王博;基于超像素和稀疏表示的目标跟踪研究[D];河南师范大学;2018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