导读:本文包含了流形分离论文开题报告文献综述及选题提纲参考文献，主要关键词:二维波达方向估计,任意阵列,方位角和俯仰角,部分二维离散傅里叶变换
流形分离论文文献综述
段成华[1]（2019）在《基于流形分离的二维来波方向估计研究》一文中研究指出阵列信号处理是指将多个传感器放置在空间中组成传感器阵列,当信号传播到阵列时,采样数据并提取接收到的信号参数信息。信号波达方向(DOA)估计是阵列信号处理中的常见问题,经典的多重信号分类(MUSIC)算法是对接收快拍数据的协方差矩阵进行特征值分解,求出信号子空间与噪声子空间,然后利用这两个空间的正交性进行信号的DOA估计。实际计算中的DOA估计是以谱搜索的方式实现的。DOA估计中经典的MUSIC算法具备高的分辨率和稳定性,然而为了获得更高的估计精度需要更小步的谱搜索,特别是在方位角和俯仰角同时估计的过程中,会导致很大的计算量。为了减少计算量,产生了一系列优秀的算法。root-MUSIC算法运用多项式求根,LS-ESPRIT算法利用两个相同的子阵列接收信号,这两个算法都减少了计算量,且不需要进行谱搜索。流形分离技术(MST)可将传感器阵列几何结构扩展到任意几何结构,将二维(2D)DOA估计转换为二元多项式求根。然而,这些算法都存在一些局限,文中将详细论述。因此减小DOA估计算法的计算复杂度是一个重要的研究方向。本文提出一个高效的方法计算2D空域谱。本文所提算法由两个主要阶段组成。第一阶段是离线处理,通过在暗室中测量对于若干位置阵列的响应,计算采样矩阵,之后计算在线处理中所需要的相关辅助矩阵。第二阶段是在线处理,首先计算一个截短的系数矩阵,然后应用部分2D DFT计算二维空域谱。这个算法是并行的并且复杂度几乎与天线数独立,所以可以应用于并行的计算系统。本文主要有以下两点创新:(1)对于系数矩阵的计算,本文提出一个一步运算的方法来计算系数矩阵,简化了计算过程。本文还证明了系数矩阵所具有的对称性质,它表明只需要计算四分之一的系数就可以找到算法所需要的全部系数。(2)利用非零系数只集中在系数矩阵的左上角,本文提出了一个部分2D DFT算法去计算2D空域谱,它可以有效减少计算量。大量仿真实验显示本文所提出的算法对比经典的MUSIC算法,在估计性能基本相同的情况下,减少了计算量。(本文来源于《电子科技大学》期刊2019-03-20）
胡显智,王宁,戴旭初[2]（2018）在《基于流形分离技术的DOA和极化参数联合估计方法》一文中研究指出为了实现任意结构的极化敏感阵列对来波信号DOA和极化参数的联合估计,将流形分离技术(Manifold Separation Technique,MST)引入到极化敏感阵列的数据建模.重点研究了两种基于流形分离技术的二维DOA和极化参数的联合估计方法.第一种方法使用快速傅里叶变换(FFT)计算空间谱,避免了传统MUSIC方法中的谱峰搜索过程,有效降低了计算量;第二种方法将MST与信号子空间拟合技术结合,能够对任意相关性信号的DOA和极化参数进行联合估计,在信号源完全相干时仍具有良好的性能.两种方法皆适用于任意结构的极化敏感阵列.仿真结果验证了本文算法的有效性.(本文来源于《测试技术学报》期刊2018年05期）
侯榆青,张文元,王晓东,贺小伟,曹欣[3]（2018）在《结合流形正则和变量分离近似稀疏重构的荧光分子断层成像》一文中研究指出为改善荧光分子断层成像的重建结果,本文采用联合稀疏-流形正则模型进行光源重建,该联合稀疏-流形正则模型能同时利用重建光源聚集性和稀疏性的先验信息。为有效求解该联合稀疏-流形正则模型,本文通过重新推导变量分离近似稀疏重构算法对其进行求解。为加快变量分离近似稀疏重构算法求解联合稀疏-流形正则模型的速度,本文在光源重建过程中采用了热启动策略。实验结果表明,相比变量分离近似稀疏重构算法求解范数模型,变量分离近似稀疏重构算法求解联合稀疏-流形正则模型将重建结果的对比噪声比从6.45提升至9.18。另外,相比没有采用热启动策略,采用热启动策略的变量分离近似稀疏重构算法求解联合稀疏-流形正则模型的时间从101.84 s减至50.10 s。本文方法显着提高了光源目标重建的精度和速度,取得了更优的重建结果。(本文来源于《光学精密工程》期刊2018年10期）
李洋[4]（2018）在《基于流形分离的任意阵列二维DOA估计算法及其实现》一文中研究指出波达方向估计是阵列信号处理中的重要分支,经过几十年的发展,波达方向估计理论十分丰富,不论是早期的Capon最小方差法,还是Schmidt等人提出的多重信号分类(Multiple signal classification,MUSIC)算法,亦或是最大似然方法,计算量都十分巨大,尤其是很多算法还涉及到矩阵运算,包括矩阵的数学分解,矩阵的加减法等,这限制了算法在硬件平台的应用。随着半导体工业的发展,单片可集成的电路规模越来越大,使得将各种复杂算法应用在单片集成电路上成为可能。FPGA作为半定制电路,以其强大的并行计算能力和可重配置的特性在数字信号处理领域被广泛使用。本论文根据基于流行分离的二维DOA估计方法,将该算法在FPGA上实现。本论文内容具体安排如下:首先介绍DOA的发展与国内外研究现状,对常见的波达方向估计天线阵列结构,如均匀线阵、均匀圆阵做简要介绍。其次,对DOA估计子空间算法中利用噪声子空间和阵列流形相互正交性质进行波达方向估计的MUSIC算法作介绍,并分析MUSIC算法理论上的优点,空间分辨率高,具有渐进无限的分辨率,同时也分析MUSIC算法在实际应用中的缺点,计算量大,在传统的硬件平台上难以实现。最后介绍了什么是流形分离技术以及流形分离技术的目的,对传统的MUSIC代价函数通过流形分离技术进行变形,新得到的代价函数是典型的2-D DFT形式,可以通过2-D FFT算法快速计算空间谱,极大的降低了MUSIC算法的计算量,并且可以通过设置FFT点数来调整估计精度。然后总结了基于流形分离技术的二维DOA估计算法的Matlab仿真步骤,对于算法中的关键——Jacobi算法进行了介绍,Jacobi算法以其良好的并行性非常适合使用FPGA实现。在FPGA实现双边Jcobi算法过程中,本论文对其中的一些非线性的复杂运算,根据FPGA特点提出一些改进方法,主要是利用Cordic方法来简化矩阵的数学分解中的矩阵旋转,该改进方法降低FPGA资源使用,提高了运算精度及实时性,在进行谱搜索时,直接搜索需要很大的存储空间来存储空间谱,本文通过实时搜索的方式,进一步降低了存储资源的占用,提高了实时性。通过Matlab仿真与Modelsim仿真结果比较,验证FPGA实现的正确性。(本文来源于《电子科技大学》期刊2018-05-10）
赵洪山,李浪,王颖[5]（2016）在《一种基于盲源分离和流形学习的风电机组轴承故障特征提取方法》一文中研究指出提出一种基于盲源分离(blind source separation,BSS)和流形学习算法的风电机组轴承故障特征提取方法,首先对采集的振动信号利用独立成分分析(independent component analysis,ICA)进行盲源分离,计算各源信号的峭度和负熵,然后对源信号进行包络分析并提取上、下包络线矩阵的奇异值,将峭度、负熵和奇异值组成高维特征向量,最后利用拉普拉斯特征映射流形学习算法(Laplacian eigenmaps,LE)挖掘出高维数据中包含有效信息且具有内在规律性的低维特征。该方法充分利用并有效结合ICA在信号处理和LE在挖掘特征信息方面的优势,实现风电机组轴承故障特征的提取。算例结果表明该方法可有效提取轴承故障特征。(本文来源于《太阳能学报》期刊2016年02期）
章建军[6]（2013）在《流形上的优化算法及其在图像拼接与盲源分离中的应用》一文中研究指出近二十年来，流形上的优化算法已成为非线性规划领域的一个重要的研究方向，并在模式识别、图像处理、盲源分离以及生物医学信号处理等很多领域中获得了非常成功的应用。流形上的优化算法把约束集视为流形，于是传统的约束优化问题转化为无约束优化问题。此外，流形上的优化算法也统一了约束优化和无约束优化。论文首先论述了流形上优化算法的研究背景、研究意义、国内外研究历史及现状，同时简要叙述了论文的创新点和组织结构。由于黎曼流形理论、李群理论及常用的非线性最优化算法等数学知识是必不可少的，文中也作了简明扼要的介绍。其次，讨论了Stiefel流形上的梯度下降算法及其在特征提取中的应用。为了提高系统特征提取算法的计算效率、减少占用的存储空间和简化程序设计，基于黎曼流形上优化算法的几何框架，提出了改进的Stiefel流形上的梯度下降算法。以主分量分析问题为例，详细讨论了Stiefel流形上的梯度算法在其中的应用。理论分析和实验均表明，此方法可以在确保迭代矩阵列向量单位正交性的同时获得更好的计算效率和收敛速度，并且软硬件实现也更容易。再次，讨论了特殊线性群在图像拼接中的应用。为了提高图像拼接的速度和拼接图像的视觉效果，提出了一种基于非下采样轮廓波变换的图像拼接方法。首先利用角点检测算法获得待拼接图像的匹配点，选取以匹配点为中心的空间频率最大的一定大小的子图像为模板，利用流形上的优化算法求解变换参数；再将待拼接图像分解为不同尺度和不同方向的子频带图像，在变换域进行对应的拼接；最后利用重构算法将拼接的各个子频带图像进行反变换，得到最终的拼接图像。实验表明，此方法速度更快，视觉效果更好，拼接后的图像更加自然，过渡更平滑。最后，本文讨论了矩阵李群在盲源分离中的应用。首先，介绍了盲源分离和独立分量分析的基本概念及其相互关系。作为盲源分离的重要方法，讨论了独立分量分析的目标函数及其实现方法。其次，基于一般线性群的李群结构，详细推导了自然梯度算法，并讨论了一般线性群的子群-正交群上的梯度算法。本文最后，讨论了基于随机抽样一致算法的稀疏分量分析方法。理论分析和实验均表明，此算法不仅可以有效地估计出混合矩阵，而且对稀疏度要求适当降低的信号也有较好的分离效果。(本文来源于《南京航空航天大学》期刊2013-12-01）
姚元,郑剑锋,冯正和[7]（2012）在《基于阵列流形分离的多输入多输出信道模型》一文中研究指出基于叁维阵列流形分离技术,建立了一种天线独立的随机多输入多输出(MIMO)信道模型。将天线阵列的导向矢量进行球谐基函数展开,实现了天线阵列和无线传播环境的分离。对分离出的无线传播环境部分单独进行基于空间相关性的统计建模,得到了一种天线独立的解析MIMO信道模型。所建模型可方便用于MI-MO系统性能评估与分析设计。以圆柱阵列和球阵列为例,仿真验证了新模型的正确性和有效性。(本文来源于《电波科学学报》期刊2012年03期）
卢海杰,章新华,熊鑫[8]（2011）在《流形分离在非均匀圆阵上的应用》一文中研究指出流形分离技术(MST)将任意结构阵列的阵列流形矢量分解为采样矩阵(只与阵列结构有关)和范德蒙德结构矢量的乘积(只与来波有关),使只适用于均匀线列阵的DOA估计方法可用于任意结构阵列。建立了任意结构阵列模型,选取非均匀圆阵作为研究示例,将MST中采样矩阵的求取转化为最小二乘问题,而后利用root-MUSIC对范德蒙德结构进行DOA估计。仿真分析表明:通过MST,只适用于均匀线列阵的求根类高分辨算法可用于任意结构阵列。(本文来源于《兵工学报》期刊2011年09期）
潘捷,周建江,汪飞[9]（2010）在《基于流形分离技术的稀疏均匀圆阵快速DOA估计方法》一文中研究指出该文针对阵元数有限以及阵元稀疏的均匀圆阵,提出基于流形分离技术(Manifold Separation Technique,MST)的快速波达方向估计算法,PM-Root-MUSIC方法。该方法避免了均匀圆阵中基于相位模式激励原理的波束空间变换所带来的映射误差,同时利用传播因子(PM)和根MUSIC算法,避免了传统算法中的特征分解和谱峰搜索过程,有效降低了计算量,并获得了接近克罗美劳(Cramer-Rao)下限的估计精度。仿真实验验证了该文算法的有效性。(本文来源于《电子与信息学报》期刊2010年04期）
赵超,袁业术[10]（2008）在《基于流形分离的DOA估计方法》一文中研究指出流形分离方法(MST)针对任意形状的天线阵列,将导向矢量分解为采样矩阵(取决于几何形状)和范德蒙结构矢量(取决于信号场)的乘积,进而把适用于线性阵列的快速DOA估计算法推广到任意阵列,例如求根MUSIC算法。在实际应用中,噪声使基于MST的算法性能下降。分析了噪声对子空间类DOA估计算法的影响,给出了最优模式数目的选取方法。仿真结果表明,基于MST的DOA估计方法性能取决于信噪比和模式数。(本文来源于《科技导报》期刊2008年13期）
流形分离论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为了实现任意结构的极化敏感阵列对来波信号DOA和极化参数的联合估计,将流形分离技术(Manifold Separation Technique,MST)引入到极化敏感阵列的数据建模.重点研究了两种基于流形分离技术的二维DOA和极化参数的联合估计方法.第一种方法使用快速傅里叶变换(FFT)计算空间谱,避免了传统MUSIC方法中的谱峰搜索过程,有效降低了计算量;第二种方法将MST与信号子空间拟合技术结合,能够对任意相关性信号的DOA和极化参数进行联合估计,在信号源完全相干时仍具有良好的性能.两种方法皆适用于任意结构的极化敏感阵列.仿真结果验证了本文算法的有效性.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
流形分离论文参考文献
[1].段成华.基于流形分离的二维来波方向估计研究[D].电子科技大学.2019
[2].胡显智,王宁,戴旭初.基于流形分离技术的DOA和极化参数联合估计方法[J].测试技术学报.2018
[3].侯榆青,张文元,王晓东,贺小伟,曹欣.结合流形正则和变量分离近似稀疏重构的荧光分子断层成像[J].光学精密工程.2018
[4].李洋.基于流形分离的任意阵列二维DOA估计算法及其实现[D].电子科技大学.2018
[5].赵洪山,李浪,王颖.一种基于盲源分离和流形学习的风电机组轴承故障特征提取方法[J].太阳能学报.2016
[6].章建军.流形上的优化算法及其在图像拼接与盲源分离中的应用[D].南京航空航天大学.2013
[7].姚元,郑剑锋,冯正和.基于阵列流形分离的多输入多输出信道模型[J].电波科学学报.2012
[8].卢海杰,章新华,熊鑫.流形分离在非均匀圆阵上的应用[J].兵工学报.2011
[9].潘捷,周建江,汪飞.基于流形分离技术的稀疏均匀圆阵快速DOA估计方法[J].电子与信息学报.2010
[10].赵超,袁业术.基于流形分离的DOA估计方法[J].科技导报.2008
标签：二维波达方向估计; 任意阵列; 方位角和俯仰角; 部分二维离散傅里叶变换;