基于自适应网格的稀疏信号处理方法研究

发布时间：2021-11-01 16:25

　　估计问题,是信号处理领域的一个基础问题,主要指从数据中将所需信息提取出来,并表示为估计空间中的参数的过程。由于信息的分布是未知的,传统的估计算法一般保守地采用均匀分布的网格,在估计空间中进行信息的搜索。基于这种策略的方法称为在网格（on grid）方法,即假设信息恰好位于网格上。但是,实际中的信息可能在估计空间中任意位置,因而离散的网格就带来了离网格误差（量化误差）,其无法精确的表出信息。此外,在估计空间中,信息一般具有稀疏的分布特性,估计空间中的多数网格并不表征信息。因此,均匀分布网格的方法不仅在分辨力和精度上受预设网格的限制,而且浪费了大量的计算资源。本文针对稀疏信号的参数估计中,在估计空间中均匀划分网格存在离网格误差以及效率低的问题,研究了稀疏信号处理中的网格的生成策略。本文包含三个部分。第一个部分从稀疏信号处理出发,首先研究了基于稀疏表示的信号处理方法在实际中会遇到的三方面问题,即字典矩阵大小对稀疏表示的影响,字典矩阵建模的误差对稀疏表示的影响以及稀疏表示算法的计算量优化方法。在此基础上,本文第二个部分提出了自适应网格的概念和网格进化方法的框架。在这个框架下,网格点不再固定,整... 

【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校

【文章页数】：129 页

【学位级别】：博士

【部分图文】：

一个信号估计的例子

第一章绪论在估计空间中划分网格是为了标识出数据中的信息参数在估计空间中可能的取值位置，基于网格可以建立模型以描述信息的分布，从而提取信息。但这要求网格与数据具有明确的关系。在一些问题中，网格与数据的关系是不明确的。如何高效的将数据表示为基于网格的模型进行处理仍有待进一步的研究。1.3本论文的主要内容和章节安排针对稀疏信号的参数估计中，如何划分网格的问题，尤其是在估计空间中均匀划分网格效率低的问题，本文研究了数据、信息和网格三者的关系，并探索了基于自适应网格的稀疏信号处理算法。本文主要包含了三个部分，即稀疏信号处理算法研究、基于数据的网格学习算法、基于网格的数据关联算法。第一个部分研究了稀疏信号表示的基本理论，以及在实际应用中会遇到的字典矩阵约束问题（以小孔径阵列信号处理问题为例），字典矩阵失配问题（以互耦问题为例）和计算速度优化三方面问题。但是，第一个部分的研究主要是基于在网格模型的，依赖于信息参数恰好在网格上的假设。第二个部分研究并扩展了离网格方法。针对离网格方法计算量高和初始网格设计的问题，提出了自适应网格模型和网格进化方法。但是，第一个和二个部分的方法都要求观测数据和网格具有明确的关系，这在实际中可能不成立。第三个部分进一步的探索了观测数据与网格关系不明确时的网格生成方法。全文研究内容的结构如图1-2所示。图1-2本文研究内容结构图各章节的具体内容安排如下：第一章是绪论。主要给出了研究的范围与意义，以DOA估计问题为背景阐述了估计方法的发展与趋势，重点回顾了近年来涉及稀疏信号表示和离网格问题的国内外研究现状，为论文的后续研究奠定基矗9

第三章在网格稀疏信号表示的空间谱估计研究K个目标的窄带信号以平面波入射到阵列上，每个目标有各自的波达方向角度θk，其各自的信号形式为sk(t)，k=1,...,K，t=1,...,T。设远场情况下，入射信号同相位面可以视为平面，即满足平面波假设。那么在t时刻，阵列接收到的信号向量y(t)∈CM×1可以写为[14]：y(t)=As(t)+e(t)(3-1)其中A=[a(θ1),...,a(θK)]∈CM×K，而a(θk)=[1,(vθ(θk))1,...,(vθ(θk))M1]T是对应方向θk的导向矢量。vθ(θk)=exp(j2πdsin(θk)/λ)，j为虚数符号，d为阵元间距离，λ为窄带信号波长。s(t)=[s1(t),...,sK(t)]T∈CK×1是各信号在t时刻的值。e=[e1(t),...,eM(t)]T∈CM×1是噪声向量。图3-1DOA估计示意图我们可以将式写为矩阵形式，并进一步地，采用稀疏表示扩展式(3-1)。A和s(t)可以扩展为A=[a(θ1),...,a(θn),...,a(θN)](3-2)s(t)=[s1(t),...,sn(t),...,sN(t)]T(3-3)其中，N表示离散的来波方向网格点数，θn为网格点，对应第n个离散化方向的DOA。网格点构成的集合为Θ={θ1,...,θN}。设θk∈Θ，那么，如果有θn=θk，k∈{1,...,K}，n∈{1,...,N}，则sn(t)=sk(t)，否则sn(t)=0。为了更加精确的进行稀疏表示（也为了符合假设θk∈Θ），一般NM>K。最终，可以将稀疏表示模型可以写为Y=AS+E(3-4)25

【参考文献】：
期刊论文
[1]基于酉变换和稀疏贝叶斯学习的离格DOA估计[J]. 高阳,陈俊丽,杨广立.  通信学报. 2017(06)
[2]低信噪比条件下宽带欠定信号高精度DOA估计[J]. 冯明月,何明浩,徐璟,李少东.  电子与信息学报. 2017(06)
[3]Khatri-Rao积变换下的离格信号DOA估计[J]. 李根,梁玉英.  电讯技术. 2017(02)
[4]基于TLS-LASSO算法基矩阵自适应校正的稀疏空时自适应处理[J]. 王亚莉,贾宏进.  计算机与数字工程. 2016(06)
[5]基于贝叶斯压缩感知的FD-MIMO雷达Off-Grid目标稀疏成像[J]. 王天云,陆新飞,丁丽,尹治平,陈卫东.  电子学报. 2016(06)
[6]基于离网格结合粒子群算法的稀疏阵列综合[J]. 何向翎,杨鹏,闫飞,杨峰,董涛.  电波科学学报. 2016(03)
[7]基于压缩感知的分布式MIMO成像雷达网格失配问题研究[J]. 张海龙,陆广华,于慧,王东进.  现代雷达. 2015(12)
[8]基于改进OMP的超宽带穿墙雷达稀疏成像方法[J]. 晋良念,钱玉彬,申文婷,刘琦,张燕.  电子技术应用. 2015(11)
[9]协方差矩阵稀疏表示在网格失配波达方向估计中的应用[J]. 费晓超,罗晓宇,甘露.  信号处理. 2015(07)
[10]基于可变网格技术的宽带DOA估计[J]. 余鹏程,王双叠.  电子科学技术. 2015(03)

博士论文
[1]基于压缩采样的联合谱感知技术研究[D]. 刘亮.电子科技大学 2018
[2]稀疏重构与低秩逼近算法研究及应用[D]. 何振清.电子科技大学 2017
[3]基于稀疏表示的阵列信号空间谱估计方法研究[D]. 赵永红.西安电子科技大学 2017
[4]基于稀疏表示的波达方向估计方法研究[D]. 王秀红.哈尔滨工业大学 2017
[5]稀疏目标的MIMO雷达成像技术研究[D]. 陆新飞.中国科学技术大学 2017
[6]MIMO雷达阵列设计及稀疏稳健信号处理算法研究[D]. 杨杰.西安电子科技大学 2016
[7]基于信号稀疏表示的阵列测向算法研究[D]. 罗晓宇.电子科技大学 2016
[8]基于信号特性的分布源参数估计方法研究[D]. 杨学敏.电子科技大学 2016
[9]压缩感知框架下波达方向估计算法研究[D]. 曲行根.哈尔滨工程大学 2016
[10]基于稀疏重构的波达方向估计算法研究[D]. 张义.中国科学技术大学 2015

硕士论文
[1]基于数据域稀疏模型的信号离格DOA估计算法研究[D]. 张田媛.哈尔滨工程大学 2018
[2]基于Off-Grid的CS-ISAR成像研究[D]. 王彬.电子科技大学 2016
[3]运动目标微波关联稀疏成像技术研究[D]. 罗春生.中国科学技术大学 2016
[4]信号稀疏处理在频率估计中的应用[D]. 丁东艳.重庆邮电大学 2016
[5]阵列误差条件下的DOA估计[D]. 赵陆明.重庆邮电大学 2016
[6]分布式阵列功率合成及DOA估计研究[D]. 何向翎.电子科技大学 2016
[7]基于稀疏表示的二维波达方向估计[D]. 罗喜.西安电子科技大学 2015
[8]非理想模型下压缩感知的理论研究与应用[D]. 费晓超.电子科技大学 2015
[9]基于宽带共形天线的若干阵列信号处理算法研究[D]. 余鹏程.电子科技大学 2013



本文编号：3470423