基于稀疏贝叶斯学习的多跳频信号DOA估计方法

针对多跳频信号空域参数估计问题,该文在稀疏贝叶斯学习(SBL)的基础上,利用跳频信号的空域稀疏性实现了波达方向(DOA)的估计。首先构造空域离散网格,将实际DOA与网格点之间的偏移量建模进离散网格中,建立多跳频信号均匀线阵接收数据模型;然后通过SBL理论得到行稀疏信号矩阵的后验概率分布,用超参数控制偏移量和信号矩阵的行稀疏程度;最后利用期望最大化(EM)算法对超参数进行迭代,得到信号矩阵的最大后验估计以完成DOA的估计。理论分析与仿真实验表明该方法具有良好的估计性能并能适应较少快拍数的情况。

     

稀疏信号结构性噪声干扰下的感知矩阵优化

针对具有结构性噪声干扰的稀疏信号处理问题,该文提出一种基于贝叶斯理论的感知矩阵优化设计方法。结合具有加性干扰的稀疏信号模型,通过对感知矩阵进行能量约束,最小化信号的后验协方差矩阵的迹,实现感知矩阵的优化设计。仿真不同信号稀疏度和重构算法时,感知矩阵优化对信号重构误差和重构时间的影响;分析信号先验信息存在偏差时,感知矩阵优化对重构效果的影响。仿真结果表明,优化后的感知矩阵能够更好地获取稀疏信号中的重要信息,信号重构精度的均方误差减小约15～25 dB,重构时间减少约40%。

     

学生t量测分布下鲁棒粒子滤波算法的设计与实现

野值是一种异于总体数据的非高斯量测值,在实际传输中野值的加入常使信号出现厚尾特性。粒子滤波是基于贝叶斯框架的适用于非线性/非高斯系统的一种滤波方法。如果在量测噪声中存在野值会使粒子滤波的精度下降。该文利用学生t分布建模量测噪声模型,结合变分贝叶斯(VB)递推方法设计一种新颖的边缘粒子滤波(MPF-VBM),它在滤波同时可对量测噪声的包括均值在内的全部参数进行实时估计。进一步,利用该估计算法,在量测噪声时变条件下研究了噪声关联的粒子滤波算法(MPF-VBM-COR)。通过对典型单变量增长模型的仿真,验证了所提两种算法相比于已有算法在状态估计上具有更优越的鲁棒性。     

基于稀疏贝叶斯学习的低空测角算法

为解决米波雷达低空测角的精度问题,该文结合稀疏贝叶斯学习方法,利用相邻快拍稀疏结构的相似性,将多观测向量模型通过Kronecker积变换成具有块稀疏结构的单观测向量模型,同时通过矩阵变换解决了贝叶斯准则在复数域中的应用。通过稀疏贝叶斯学习的不断迭代恢复出了信号在感知矩阵下的系数矩阵,得到了信源的角度信息。仿真实验验证了该方法相对于广义MUSIC和M-FOCUSS算法具有更好的性能,并且分析了快拍数变化对算法性能的影响。     

无限最大间隔线性判别投影模型

针对具有多模分布结构的高维数据的分类问题,该文提出一种无限最大间隔线性判别投影(iMMLDP)模型。与现有全局投影方法不同,模型通过联合Dirichlet过程及最大间隔线性判别投影(MMLDP)模型将数据划分为若干个局部区域,并在每一个局部学习一个最大边界线性判别投影分类器。组合各局部分类器,实现全局非线性的投影与分类。iMMLDP模型利用贝叶斯框架联合建模,将聚类、投影及分类器进行联合学习,可以有效发掘数据的隐含结构信息,因而,可以较好地对非线性可分数据,尤其是具有多模分布特性数据进行分类。得益于非参数贝叶斯先验技术,可以有效避免模型选择问题,即局部区域划分数量。基于仿真数据集、公共数据集及雷达实测数据集验证了所提方法的有效性。     

一种基于压缩感知的地面运动目标检测方法

针对实际非均匀环境空时自适应处理(STAP)难以获取足够独立同分布样本的问题,该文提出一种基于压缩感知的运动目标检测方法。该方法首先将待检测距离门的回波数据变换至2维频率域进行能量积累,并构造相应2维频率域的冗余字典,然后利用贝叶斯压缩感知技术提取若干强静止散射点谱峰,估计杂波谱能量支撑区,最后通过基于加权的最小l1范数优化模型实现杂波抑制与运动目标检测。理论分析及仿真实验结果表明该方法具有较高的角度和多普勒分辨率,并且在低信噪比情况下也可以获得良好的检测效果。     

基于贝叶斯准则的闪光照相图像重建

针对闪光照相图像低信噪比的特点,研究了一种带约束的贝叶斯图像重建算法,较好地抑制了噪声对重建结果的影响,同时对细节信号具有较高的保持能力。该算法以贝叶斯重建为基础,在重建过程中考虑了闪光照相图像的受模糊影响比较严重的特点,引入了重建结果具有平滑性的先验信息进行约束,以提高重建结果的信噪比。通过在迭代过程中对重建结果进行平滑性约束以提高重建质量。数值模拟结果表明,该方法在闪光照相图像重建中具有较好的抗噪能力和边界保持能力。     

基于贝叶斯双变量模型和Contourlet变换相结合的红外图像去噪

提出了一种基于贝叶斯双变量模型(Bayesian Bivariate Model)和Contourlet变换相结合的红外图像去噪算法.首先对含有加性高斯白噪声污染的红外图像进行Contourlet变换,得到各尺度各方向上的Contourlet系数;然后用贝叶斯双变量模型去挖掘图像Contourlet系数的尺度间相关性;最后对处理后的系数进行Contourlet反变换重构,得到去噪后的图像.实验结果表明,该方法有效地捕获了红外图像的轮廓信息,提高了图像的峰值信噪比,改善了图像的视觉效果.     

联合人体模型与块生长的人群目标分割

人群目标的准确分割,是进行多相机联合目标跟踪与识别的关键。该文首先构造包含位置、尺寸、姿态信息的人体粗略姿态模型,并利用贝叶斯模型获得对应的目标模型。然后将前景区域利用分水岭算法划分为颜色分布一致的子块,通过位置和颜色约束解决遮挡目标的种子块选取问题。最后通过块生长获得每个目标区域。对于颜色相似子块,通过比较其产生的边缘能量确定其所属目标。实验结果表明,本文能够实现对人群目标较精确分割,且对背景噪声具有一定的抗干扰能力。     

MIMO-OFDM系统的低复杂度递推信道跟踪算法

该文针对时变多径信道下的MIMO-OFDM系统,基于变分贝叶斯原理,提出了一种新的联合信号检测和信道跟踪的低复杂度半盲贝叶斯迭代接收机。针对该接收机,基于递推变分期望最大化(RVBEM)算法,提出了一种RVBEM信道跟踪算法。由于RVBEM算法需要进行矩阵求逆,因此以该算法为基础推导得到了一种时频域联合递推的低复杂度信道跟踪(TF-LCRVBEM)算法。TF-LCRVBEM算法不仅完全避免了矩阵求逆运算,还通过合理的近似使得算法只具有线性复杂度。分析和仿真表明,在时变多径信道下,所提迭代接收机具有远优于传统接收机和接近理想接收机的性能。