非理想模型下压缩感知的理论研究与应用

发布时间：2017-05-21 16:18

  本文关键词：非理想模型下压缩感知的理论研究与应用，由笔耕文化传播整理发布。

【摘要】：在过去的5-10年中,通过压缩感知(CS)技术进行稀疏信号恢复一直是热门的研究领域。CS的主要思想是以低于奈奎斯特的采样率,从低维线性样本中恢复高维稀疏信号。CS需要一个非线性的重构方法来恢复稀疏信号,它比传统的奈奎斯特采样下的简单线性重构方法具有更大的计算代价。在给定准确的感知系统的情况下,现有的理论已经证明了感兴趣的稀疏信号可以通过凸松弛(1?最小化)或者其他方法准确重构。然而,实际情况中感知系统不可能精确已知,因此,对非理想CS模型下的信号恢复性能亟待研究。另外,在基于稀疏表示的测向和频率估计的应用中,针对真实的来波方向/频率值可能不在离散化的网格上的问题,需要研究精度更高的新方法。本文正是针对上述问题,研究在非理想模型下的CS稀疏信号恢复理论,以及其在波达方向估计和混合正弦波频率估计方面的应用。主要内容为:1.分析实际中感知矩阵受到结构式扰动的CS问题。实际中的采样系统可能不是先验已知的,本文研究了系统扰动下的信号恢复问题,重点分析了感知矩阵受到结构性扰动的情况。在合适的条件下,一个稀疏信号可以通过解1?最小化问题被恢复,恢复误差最多与观测噪声水平成比例,这与标准CS结论类似。特殊的无噪声情况下,信号的恢复要求信号关于扰动水平足够稀疏。2.针对网格失配条件下高精度测向算法展开深入研究。由于传统基于稀疏表示的测向方法其精度受限于网格密度,本文基于网格失配的协方差矩阵稀疏表示off-grid模型,利用局部欠定系统解法和最小二乘方法,提出了一种高精度的off-grid测向算法。另外,通过求解一些列基追踪去噪问题,把上述模型松弛成一个凸问题,并在此基础上提出了一种基于交替迭代的网格匹配测向算法。仿真实验验证了在相同的条件下,本文提出的算法相比现有的一些off-grid测向算法具有更高的估计精度和更好的鲁棒性。3.深入研究了在混合正弦波信号中估计K个频率分量的问题。假设实际信号中的频率分量没有落在预先设定的网格上,而是在?0,1?区间中的任意值。为了精确地估计off-grid频率,通过泰勒一阶展开建立了误差更小的off-grid稀疏表示模型,并在此模型的基础上,结合贪婪追踪算法和奇异值分解,提出了一种运算量更小、精度更高的off-grid多重正交匹配算法。
【关键词】：压缩感知 稀疏信号恢复 off-grid模型 测向 频率估计
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TN911.7
【目录】：

• 摘要5-6
• ABSTRACT6-10
• 主要缩略词对照表10-12
• 第一章 绪论12-19
• 1.1 研究背景与意义12-13
• 1.2 国内外研究历史与现状13-17
• 1.2.1 压缩感知理论研究历史与现状13-15
• 1.2.2 DOA估计方法研究历史与现状15-16
• 1.2.3 多正弦波频率估计方法研究历史与现状16-17
• 1.3 本论文的结构安排17-19
• 第二章 非理想模型下压缩感知的理论研究19-38
• 2.1 概述19-20
• 2.2 压缩感知基本理论20-24
• 2.2.1 CS的主要结论20-22
• 2.2.2 CS信号恢复理论22-24
• 2.3 矩阵扰动模型下的鲁棒稳定信号恢复24-30
• 2.3.1 扰动CS下的鲁棒稳定信号恢复25-26
• 2.3.2 SP-CS模型下的信号恢复26-30
• 2.4 SP-CS模型下的基追踪去噪算法30-37
• 2.4.1 正数稀疏信号恢复30-31
• 2.4.2 交替迭代算法：AA-P-BPDN31-34
• 2.4.3 仿真实验34-37
• 2.5 本章小结37-38
• 第三章 Off-Grid测向算法研究38-61
• 3.1 概述38-39
• 3.2 Off-Grid稀疏表示模型39-42
• 3.2.1 阵列信号稀疏表示模型39-41
• 3.2.2 Off-Grid DOA估计模型41-42
• 3.3 基于贝叶斯学习的off-grid DOA估计42-46
• 3.3.1 稀疏贝叶斯理论43-44
• 3.3.2 贝叶斯推论44-45
• 3.3.3 OGSBL-SVD算法45-46
• 3.4 基于二阶信息稀疏表示的off-grid DOA估计46-55
• 3.4.1 协方差矩阵的off-grid稀疏表示模型47-50
• 3.4.2 FOCUSS-LS算法50-52
• 3.4.3 基于交替迭代的DOA估计52-55
• 3.5 仿真实验55-59
• 3.6 本章小结59-61
• 第四章 Off-Grid频率估计算法研究61-74
• 4.1 概述61-62
• 4.2 稀疏表示信号模型62-64
• 4.3 L1-SVD算法64-67
• 4.4 基于稀疏表示的Off-Grid频率估计67-71
• 4.4.1 Off-Grid稀疏表示模型67-68
• 4.4.2 MOMP算法分析68-70
• 4.4.3 OG-MOMP算法70-71
• 4.5 仿真实验71-73
• 4.6 本章小结73-74
• 第五章 结束语74-76
• 5.1 全文总结概括74
• 5.2 未来潜在的研究方向74-76
• 致谢76-77
• 参考文献77-82
• 攻读硕士学位期间取得的成果82-83

【相似文献】

中国期刊全文数据库 前10条

1 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

2 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

3 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

4 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

5 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

6 姜芳芳;;稀疏表示理论在提高数字图像质量中的应用[J];科技创新导报;2012年36期

7 马莉娜;;增强的两阶段测试样本稀疏表示方法[J];福建电脑;2013年07期

8 尹学忠;樊甫华;;基于字典学习的超宽带信号稀疏表示与降噪方法[J];计算机应用研究;2014年06期

9 张佳宇;彭力;;基于联合动态稀疏表示方法的多图像人脸识别算法[J];江南大学学报(自然科学版);2014年03期

10 陈才扣;喻以明;史俊;;一种快速的基于稀疏表示分类器[J];南京大学学报(自然科学版);2012年01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 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

5 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

6 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

7 匡金骏;基于稀疏表示的图像分类与目标跟踪研究[D];重庆大学;2013年

8 李海山;基于稀疏表示理论的地震信号处理方法研究[D];中国石油大学（华东）;2013年

9 邓承志;图像稀疏表示理论及其应用研究[D];华中科技大学;2008年

10 路锦正;基于稀疏表示的图像超分辨率重构技术研究[D];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 张琨雨;在线字典训练及加权差异性稀疏表示的研究[D];大连理工大学;2011年

2 王勇;基于稀疏表示的人脸识别研究[D];五邑大学;2013年

3 李义真;基于词包与稀疏表示的场景分类[D];华南理工大学;2013年

4 孙丽花;基于稀疏表示的人脸识别方法研究[D];河南科技大学;2013年

5 陈天娇;基于分组稀疏和权重稀疏表示的人脸识别研究[D];安徽大学;2014年

6 刘自成;基于稀疏表示的雷达目标角度与距离估计[D];西安电子科技大学;2014年

7 李立;基于稀疏表示的人脸图像识别方法研究[D];南京理工大学;2012年

8 满江月;基于稀疏表示的代价敏感性人脸识别算法研究[D];南京邮电大学;2012年

9 赵广銮;稀疏表示在图像识别中的应用[D];北京邮电大学;2013年

10 罗燕龙;基于局部稀疏表示模型的在线字典学习跟踪算法研究[D];厦门大学;2014年

  本文关键词：非理想模型下压缩感知的理论研究与应用，由笔耕文化传播整理发布。

，

本文编号：384185