虚拟阵列Khatri-Rao积与子空间联合稀疏表示的DOA估计方法

利用目标信号在空域分布的稀疏性,该文提出了一种基于虚拟阵列Khatri-Rao(KR)积与信号子空间联合稀疏表示的单快拍DOA估计方法;该方法利用单次快拍的采样数据,构造出双向虚拟阵列数据,并对虚拟阵列数据的协方差矩阵进行KR积变换处理,然后对向量化后的数据进行顺序重构,利用重构矩阵的大奇异值对应的左奇异向量为估计信号子空间;最后,利用凸优化工具箱对稀疏模型进行二阶凸规划的优化求解,得到高精度的DOA估计值;仿真实验验证了算法的有效性,在低信噪比下比传统MUSIC和OMP算法具有更高的估计精度。     

基于渐进添边的准循环压缩感知时延估计算法

针对时延估计问题中压缩感知类算法现有测量矩阵需要大量数据存储量的问题,提出了一种基于渐进添边的准循环压缩感知时延估计算法,实现了稀疏测量矩阵条件下接收信号时延的准确估计.该算法首先建立压缩感知与最大似然译码之间的理论桥梁,然后推导基于低密度奇偶校验码的测量矩阵的设计准则,引入渐进添边的思想构造具有准循环结构的稀疏测量矩阵,最后利用正交匹配追踪算法正确估计出时延.对本文算法的计算复杂度与测量矩阵的数据存储量进行理论分析.仿真结果表明,所提算法在测量矩阵维数相同的条件下正确重构概率高于高斯随机矩阵和随机奇偶校验测量矩阵,相比于随机奇偶校验矩阵,在数据存储量相等的条件下,以较少的计算复杂度代价得到了重构概率的较大提高.     

基于弱选择正则化正交匹配追踪的图像重构算法

正则化正交匹配追踪算法由于重构效率高在信号重构中得到广泛应用,然而该算法需要以信号稀疏度为先验条件,若稀疏度水平估计不合适会造成重构结果不稳定.针对该问题,提出了一种基于弱选择正则化的正交匹配追踪算法.该算法可以实现在信号稀疏度未知的条件下,根据弱选择标准对算法中每次迭代产生的余量与观测矩阵之间的相关性进行判定,并且自适应地确定表示原信号的原子数目和原子候选集,进而通过正则化原则从候选集中快速有效地挑选出完成信号重构的最优原子组.数值实验表明,所提出算法和其它贪婪算法相比较,峰值信噪比提高0.5～1.5dB,最小均方差也明显降低,图像信号重构效果优于其它同类算法.     

基于弱选择正则化正交匹配追踪的图像重构算法

正则化正交匹配追踪算法由于重构效率高在信号重构中得到广泛应用,然而该算法需要以信号稀疏度为先验条件,若稀疏度水平估计不合适会造成重构结果不稳定.针对该问题,提出了一种基于弱选择正则化的正交匹配追踪算法.该算法可以实现在信号稀疏度未知的条件下,根据弱选择标准对算法中每次迭代产生的余量与观测矩阵之间的相关性进行判定,并且自适应地确定表示原信号的原子数目和原子候选集,进而通过正则化原则从候选集中快速有效地挑选出完成信号重构的最优原子组.数值实验表明,所提出算法和其它贪婪算法相比较,峰值信噪比提高0.5~1.5dB,最小均方差也明显降低,图像信号重构效果优于其它同类算法.     

基于分段信号相关累加的变速度多站联合直接定位方法

在低信噪比条件下,基于时延和多普勒频移的直接定位算法在解决宽带信号源定位时精度较差.针对此问题,提出了一种基于分段信号相关累加的变速度多站联合直接定位算法,并给出了其克拉美罗下界.该算法利用多个变速度的观测站对信号进行接收,然后将同一观测站接收的目标信号分割成多段不重叠的短时信号,采用最大似然估计器,联合各段信号的时延、多普勒频移信息对目标进行直接定位.算法充分利用了观测信号包含的定位信息,并利用观测站速度的变化增加了目标位置信息,解决了分段信号联合估计带来的定位模糊问题,使定位精度进一步提高,增加了算法的实用性.仿真实验表明,较之传统直接定位算法,本文算法定位精度更高,尤其在低信噪比条件下更能逼近克拉美罗界.     

基于探测信号叠加的推扫式压缩多光谱关联成像

针对推扫模式下多光谱关联成像重构图像模糊、信噪比低问题,提出了一种利用探测信号叠加提高重构图像信噪比的多光谱关联成像方案.该方案基于稀疏约束关联成像光谱相机实验系统,通过单次曝光获得一帧探测信号,对前后帧连续探测信号进行错位叠加,计算出系统总探测矩阵,结合标定测量矩阵,采用压缩感知算法得到待测目标物体重构图像.数值模拟和实验结果表明:适当延迟曝光时间可以提高系统重构图像质量;相同曝光时间条件下,利用探测信号错位叠加的推扫10帧重构图像信噪比明显高于单帧多光谱重构图像.     

低信噪比下的二维联合线性布雷格曼迭代快速超分辨成像算法

针对实际逆合成孔径雷达(ISAR)成像时带宽有限、方位孔径稀疏的小角度回波数据条件下,常规算法的成像分辨率不高等问题,基于压缩感知理论,提出了一种低信噪比条件下的二维联合布雷格曼迭代快速ISAR超分辨成像算法.首先,将雷达回波构建为距离频域-方位多普勒域的二维稀疏表示模型,在此基础上,将二维超分辨成像问题转换为二维联合压缩感知的稀疏重构问题;其次,为了避免重构时向量化操作带来的复杂度,提出了二维联合布雷格曼迭代算法,为实现快速重构,将加权残量迭代、估计停滞步长与感知矩阵条件数优化三种加快收敛速度的思想相结合,既利用了布雷格曼迭代在低信噪比条件下的重构能力又能保证快速成像.最后仿真实验结果表明在欠采样和低信噪比条件下本文算法能够缩短成像时间,且具备更好的噪声鲁棒性.     

基于小波变换的广义相关时延估计算法

为了估计两个在空间上分离的传感器所接收信号之间的时间延迟，本文结合小波变换的特点，提出了一个基于小波变换的广义相关时延估计算法并给出了它的时域和频域公式，此算法与直接互相关法相比，能对信号与噪声的假设条件放宽且在低信噪比下能有效估计时延。为了提高时延估计精度，在广义相关时延估计的基础上本文又提出了基于基小波的二次加权法。经仿真证明了这两种算法的有效性。     

基于基追踪去噪的水声正交频分复用稀疏信道估计

针对传统的l₂-范数信道估计精度低的问题, 提出了一种基于基追踪去噪(BPDN)的水声正交频分复用稀疏信道估计方法, 该方法针对水声信道的稀疏特性, 利用少量的观测值即可以很高的精度估计出信道冲激响应. 与贪婪追踪类算法相比, 基于BPDN算法的稀疏信号估计具有全局最优解, 采用l₂-l₁范数准则估计信号, 同时考虑了观测值含噪情况, 通过调整正则化参数控制估计信号稀疏度和残余误差之间的平衡. 仿真分析了导频分布、正则化参数等对BPDN 算法的影响以及BPDN算法与最小平方(LS)、正交匹配追踪(OMP)信道估计算法的性能. 湖试结果表明, 在稀疏信道下, 基于BPDN的信道估计方法明显优于LS和OMP信道估计方法.     

一种改进的非整数自适应时延估计方法*

针对基于时延估计的机电设备故障声定位中的低信噪比和脉冲噪声情况,用α稳定分布建模噪声,改进了非整数自适应时延估计方法。共变相关法对观测序列进行时延估计粗测,将得到的估计值作为非整数自适应时延估计器的初值;将共变相关法中共变序列作为时延估计器的输入信号,在最小平均p范数准则下迭代得到非整数时延估计值。共变序列保留了原始序列间的时延信息,削弱了不相关的噪声。计算机仿真对比实验验证了改进的方法在脉冲环境和低信噪比条件下有更好的性能。     

基于两级压缩感知的脉冲星时延估计方法

为了快速获得高精度的脉冲星累积脉冲轮廓时延估计,提出了一种基于两级压缩感知的时延估计方法.压缩感知主要包括三个部分:字典、测量矩阵、恢复算法,其中字典尺寸是影响压缩感知估计精度的重要因素.针对压缩感知中字典的原子数增加虽能提高估计精度但又带来计算量大的问题,该方法采用粗估计与精估计两级字典相结合,先利用粗估计字典原子间隔大的特点进行累积脉冲轮廓全相位估计,得到预估时延值,再利用精估计字典的原子间隔小且个数少适合局部估计的特点对累积脉冲轮廓进行精确时延估计.理论分析与实验结果表明:两级字典数据量比传统字典小两个数量级,在相同的时延估计精度下,该方法比传统压缩感知方法计算量大幅度减少,是一种能保持高估计精度并有效降低计算量的脉冲星时延估计方法.     

面向低信噪比的自适应压缩感知方法

在压缩感知工程应用中, 信号往往被噪声和干扰所影响, 常规的压缩感知方法难以达到理想的重构效果, 特别是低信噪比应用场景中, 稀疏重构往往会失效. 分析了压缩感知中噪声对重构性能的影响, 从理论上解释了压缩感知中的噪声折叠原理, 并在此基础上提出了一种基于方向性测量的自适应压缩感知方案. 该方案通过后端信号处理系统估计出噪声的相关信息并反馈至压缩感知前端, 前端根据反馈的噪声信息调整测量矩阵, 从而改变感知矩阵的方向, 自适应地感知稀疏谱, 从而有效地抑制信号噪声. 仿真实验表明, 所提的自适应压缩感知方法对稀疏信号重构性能有较大的提升.     

水声信号稀疏重构的高阶累积量波达方向估计

高阶累积量具有高斯噪声抑制和阵元扩展特性,将高阶累积量引入水声信号的方位估计中,提出了离格稀疏贝叶斯学习重构的高阶累积量测向算法。该方法利用高阶累积量对高斯噪声的自然盲性,计算阵列信号四阶累积量来滤除高斯噪声,使阵元在原来的结构上扩展了一倍;并构造出选择矩阵剔除了四阶累积量中的冗余项,能再一次的扩展阵元,得到的新观测模型具有更好的统计性能;最后利用空域稀疏性,推导出四阶累积量下的离格稀疏表示模型,采用贝叶斯学习解算出源信号的最大后验概率,实现了目标方位估计。数值仿真和海试实验数据表明,该方法在相邻声源方位间隔为4°的情况下分辨概率可达到95%以上,在信噪比大于-5 dB时目标方位估计的均方根误差在1°以内,可显著抑制背景噪声干扰,在多声源密集分布条件下也能准确、稳健的对水声目标方位进行估计。      

交叉验证多路径匹配追踪水声矢量阵稀疏方位估计

水下运动目标的高分辨DOA估计和目标的左右舷分辨问题一直是水声阵列信号处理中的一个核心问题。矢量阵相比于声压阵具有天然的左右舷分辨能力和更高的处理增益,近年来得到了广泛关注。Capon等一些传统高分辨处理方法存在不能解相干源、需要多快拍处理以及对阵列流行误差敏感等多种问题。针对水声阵列信号处理领域面临的以上问题,利用声呐工作场景中空间目标的稀疏性,本文提出了一种基于交叉验证技术的多路径匹配追踪（Multiplepath Matching Pursuit with Cross Validation,CV-MMP）声矢量阵稀疏DOA估计算法。该算法采用交叉验证技术可以在未知场景中目标个数的条件下实现稀疏DOA的估计,相比于常规的声矢量阵Capon算法而言,可以在小快拍数甚至单快拍数条件下实现多目标的稀疏DOA估计以及高分辨能力。仿真和海试试验数据处理验证了提出的算法的有效性。      

氢气拉曼光谱压缩感知方法分析研究

气体监测与我们的生活息息相关,氢气作为一种理想的研究模型更是受到广泛关注。拉曼光谱作为一种气体分析手段,具有无损非接触等优点。气体拉曼光谱测量存在的一个主要问题是拉曼散射信号弱。在一些特定场景下,需要信号采集时间较短,因此获得的拉曼光谱信噪比低。压缩感知方法作为一种新发展起来的信号处理手段,不仅可以压缩采样,缩短采样时间,而且可以降噪,提高信噪比,以更好地实现原始信号的恢复和重建。该研究以氢气和氘气为测量对象,分别采用洛伦兹函数设计原子构建字典OMP（orthogonal matching pursuit）算法重构和傅里叶变换滤波后多个正交基构建正交基字典OMP重构两种压缩感知方法分析氢同位素气体的拉曼光谱。通过对仿真数据和实际测量数据的处理,比对了两种压缩感知分析与小波软阈值、小波硬阈值和SG（Sawitzky-Golay）滤波处理的谱峰强度效果以及信噪比和均方根误差,证明洛伦兹函数设计原子构建字典OMP算法重构可以用于氢气拉曼光谱降噪。     

基于压缩感知估计的GIS击穿放电定位方法研究*

经典的空间谱估计方法,如多重信号分离(MUSIC)方法,对噪声敏感,难以在低信噪比环境中有效地进行波达方向估计。为提升在复杂电力环境中的气体绝缘金属封闭开关设备(GIS)击穿定位能力,该文提出了一种基于极化内插的压缩感知波达方向估计方法 CSP-DOA。该方法对传声器阵列接收到的数据进行建模,形成多测量矢量模型,结合压缩感知中稀疏重构技术进行波达方向估计;同时,该方法还采用极化内插技术解决了稀疏重构中的费网格问题,进一步提升了波达方向估计精度及计算效率。通过数值模拟对算法的定位效果进行了分析,仿真结果表明CSP-DOA方法对于击穿信号有更好的定位效果。结合可见光图像匹配实现了GIS击穿信源的二维可视化定位,在某高压大厅的GIS模型上进行耐压击穿定位试验研究,试验结果进一步验证了该文方法可较好的应用于GIS的击穿定位。     

改进的时序多重稀疏贝叶斯学习冰下水声信道估计方法

针对时序多重稀疏贝叶斯学习信道估计方法计算复杂度高且在低信噪比时估计精度低的问题,本文提出了一种改进的时序多重稀疏贝叶斯学习正交频分复用冰下水声信道估计方法。首先,采用奇异值分解方法对接收导频矩阵进行去噪;随后利用去噪后的接收导频矩阵结合最小二乘信道估计方法获得时序多重稀疏贝叶斯信道估计的超参数矩阵、感知矩阵等先验知识;最后,利用冰下水声信道的稀疏特性和多途结构较为稳定的特点,采用时序多重稀疏贝叶斯信道估计对不同符号的冰下水声信道进行联合重建。仿真结果显示,在能量系数为0.03时,改进方法信道估计均方误差相比较于原始方法至少降低了约2.87×10-5,运算时间至少下降了约为90%。第11次北极科学考察冰下试验结果显示,改进方法的平均原始误码率略微低于原始方法,平均运算时间降低约75%。研究结果表明,利用冰下水声信道的特点,改进方法可以实现高精度冰下水声信道估计,并且有效降低系统计算复杂度。      

An infrared image super-resolution reconstruction method based on compressive sensing

Limited by the properties of infrared detector and camera lens, infrared images are often detail missing and indistinct in vision. The spatial resolution needs to be improved to satisfy the requirements of practical application. Based on compressive sensing (CS) theory, this thesis presents a single image super-resolution reconstruction (SRR) method. With synthetically adopting image degradation model, difference operation-based sparse transformation method and orthogonal matching pursuit (OMP) algorithm, the image SRR problem is transformed into a sparse signal reconstruction issue in CS theory. In our work, the sparse transformation matrix is obtained through difference operation to image, and, the measurement matrix is achieved analytically from the imaging principle of infrared camera. Therefore, the time consumption can be decreased compared with the redundant dictionary obtained by sample training such as K-SVD. The experimental results show that our method can achieve favorable performance and good stability with low algorithm complexity.