基于分数低阶统计量稀疏性的DOA估计

发布时间：2017-08-30 20:34

  本文关键词：基于分数低阶统计量稀疏性的DOA估计

  更多相关文章： DOA估计 压缩感知 α稳定分布 分数低阶统计量 字典细化

【摘要】：波达方向(DOA)估计是一项判断信号源所处方位的技术,在多个领域中被广泛应用。近年来,压缩感知理论被应用于DOA估计中。基于压缩感知的DOA估计比传统的阵列信号DOA估计方法有着更高的性能,用较少的采样数据就能得到高精度的DOA估计结果,且具有不受信源相关影响等优点。为了抑制环境中噪声对压缩感知DOA估计性能的影响,出现了很多压缩感知DOA估计的改进算法,但这些改进算法都是基于高斯噪声背景假设提出的。若环境中存在非高斯脉冲噪声,这些算法将由于数学模型与实际环境的不匹配导致无法对脉冲噪声进行有效的抑制,使DOA估计的性能严重下降。本文用α稳定分布来描述脉冲噪声,并针对α稳定分布环境下二阶和高阶统计量不存在的问题,用分数低阶统计量来作为描述阵列接收信号统计特性的数学工具,并尝试将其与压缩感知DOA估计算法相结合。通过对阵列接收信号分数低阶相关矩阵的研究,发现了分数低阶相关矩阵列向量在来波角度上的稀疏性和分数低阶相关矩阵大特征值对应特征向量在来波角度上的稀疏性,并由此提出了基于分数低阶相关矩阵列向量稀疏性的两种DOA估计算法：FLOM-SCV算法和FLOM-MCV算法,以及基于分数低阶相关矩阵特征向量稀疏性的DOA估计算法：FLOM-EIG算法。仿真结果显示脉冲噪声环境下本文提出的三种DOA估计算法的性能要明显优于基于协方差矩阵稀疏性的DOA估计算法,这说明基于分数低阶统计量稀疏性的DOA估计算法比传统的基于二阶统计量的算法能够更好的抑制脉冲噪声对算法的影响。最后,本文针对基于压缩感知的DOA估计方法在增加角度分辨率的同时会带来运算量大量增加的问题,给出了一种能够有效减少运算量的自适应冗余字典细化方法,并进一步给出了基于字典细化的FLOM-EIG算法。通过仿真说明了该算法能够在脉冲噪声环境下提供高性能的高分辨率DOA估计结果。
【关键词】：DOA估计 压缩感知 α稳定分布 分数低阶统计量 字典细化
【学位授予单位】：大连海事大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TN911.23
【目录】：

• 摘要5-6
• ABSTRACT6-10
• 第1章 绪论10-18
• 1.1 研究背景和意义10-11
• 1.2 国内外研究现状11-15
• 1.2.1 阵列信号DOA估计11-12
• 1.2.2 基于压缩感知的DOA估计12-14
• 1.2.3 脉冲噪声环境下的DOA估计14-15
• 1.3 本文主要研究内容和结构安排15-18
• 第2章 阵列信号DOA估计18-28
• 2.1 阵列信号DOA估计原理18-19
• 2.2 阵列信号DOA估计的数学模型19-22
• 2.3 经典DOA估计算法22-26
• 2.3.1 MUSIC算法23-24
• 2.3.2 ESPRIT算法24-26
• 2.4 本章小结26-28
• 第3章 基于压缩感知的DOA估计28-44
• 3.1 压缩感知理论概述28-37
• 3.1.1 压缩感知理论的理论框架28-30
• 3.1.2 信号的稀疏表示30-31
• 3.1.3 约束等距性质(RIP)31-32
• 3.1.4 稀疏重构算法32-37
• 3.2 基于压缩感知的DOA估计37-42
• 3.2.1 基于等角度划分的压缩感知DOA估计数学模型37-40
• 3.2.2 基于二阶统计量的压缩感知DOA估计40-42
• 3.3 本章小结42-44
• 第4章 基于分数低阶统计量的压缩感知DOA估计44-68
• 4.1 α稳定分布44-46
• 4.1.1 α稳定分布的定义44-46
• 4.1.2 α稳定分布的性质46
• 4.2 分数低阶统计量46-52
• 4.2.1 分数低阶统计量的定义47
• 4.2.2 分数低阶相关矩阵47-52
• 4.3 基于分数低阶统计量块稀疏性的DOA估计算法52-61
• 4.3.1 基于分数低阶相关矩阵列向量稀疏性的DOA估计52-54
• 4.3.2 联合分数低阶相关矩阵多个列向量的DOA估计54
• 4.3.3 仿真54-61
• 4.4 基于分数低阶统计量特征值分解的DOA估计算法61-67
• 4.4.1 分数低阶相关矩阵特征向量的稀疏性61-63
• 4.4.2 FLOM-EIG算法63
• 4.4.3 仿真63-67
• 4.5 本章小结67-68
• 第5章 基于分数低阶统计量和字典细化的压缩感知DOA估计68-76
• 5.1 自适应的字典细化68-70
• 5.2 基于字典细化的FLOM-EIG算法70
• 5.3 仿真70-74
• 5.4 本章小结74-76
• 结论76-78
• 参考文献78-82
• 致谢82-84
• 作者简介84

【相似文献】

中国期刊全文数据库 前10条

1 曾小波;魏祖宽;金在弘;;协同过滤系统的矩阵稀疏性问题的研究[J];计算机应用;2010年04期

2 刘旭东;;一种缓解数据稀疏性的协同过滤推荐系统[J];烟台职业学院学报;2011年04期

3 邓自立;L算法及其在稀疏性计算中的应用[J];华南工学院学报;1985年01期

4 高磊;陈曾平;;基于代理函数优化的稀疏性字典学习[J];电子学报;2011年12期

5 席俊红;;基于案例推理:一种用来改善稀疏性问题的方法[J];微型电脑应用;2005年12期

6 张玉芳;代金龙;熊忠阳;;分步填充缓解数据稀疏性的协同过滤算法[J];计算机应用研究;2013年09期

7 王伟明;刘秀平;杨周旺;刘利刚;;网格曲面特征的稀疏性优化检测算法[J];计算机辅助设计与图形学学报;2013年08期

8 王光新;林有明;张送保;;SAR图像数据稀疏性分析及在特征增强中的应用[J];计算机科学;2011年02期

9 张利;郭俞伯;孙俊涛;于昕;张顺利;;稀疏性约束下基于反馈更新的目标跟踪[J];清华大学学报(自然科学版);2013年11期

10 何昭水;谢胜利;傅予力;;信号的稀疏性分析[J];自然科学进展;2006年09期

中国博士学位论文全文数据库 前3条

1 王丽艳;断层图像稀疏性重建模型与算法研究[D];南京理工大学;2012年

2 安百国;关于模型稀疏性的研究[D];东北师范大学;2012年

3 吕伟;MIMO无线通信系统中的稀疏信号检测与优化[D];华中科技大学;2013年

中国硕士学位论文全文数据库 前8条

1 高猛;基于社交网络的推荐系统数据稀疏性问题的研究[D];内蒙古大学;2015年

2 李文昊;基于分数低阶统计量稀疏性的DOA估计[D];大连海事大学;2015年

3 王立军;基于协同过滤推荐系统的数据稀疏性问题研究[D];东北师范大学;2009年

4 席超;面向稀疏性数据的协同过滤推荐算法的研究与实现[D];北京邮电大学;2013年

5 代金龙;协同过滤算法中数据稀疏性问题研究[D];重庆大学;2013年

6 李申展;推荐引擎中的稀疏性问题研究[D];中南民族大学;2013年

7 王旭林;基于自然图像统计性先验和稀疏性先验的图像模型研究[D];哈尔滨工业大学;2014年

8 张仁峰;多核学习方法及其应用与研究[D];江南大学;2015年

，

本文编号：761350