导读:本文包含了稀疏信号处理论文开题报告文献综述及选题提纲参考文献,主要关键词:逆合成孔径雷达成像,运动补偿,压缩感知,稀疏优化算法
稀疏信号处理论文文献综述
苏潇然[1](2019)在《基于稀疏信号处理的ISAR运动补偿及成像技术》一文中研究指出逆合成孔径雷达(Inverse Synthetic Aperture Radar,ISAR)成像技术可以基于静止的雷达系统完成对于非合作运动目标的高分辨成像,具有全天时、全天候以及作用距离远等优点,在民用和军用领域都具有重大的应用价值。关于ISAR成像技术的研究,主要集中在运动补偿以及成像算法两个方面:准确的运动补偿是完成ISAR高质量成像的前提条件,鲁棒、高效的运动补偿算法可以拓展ISAR成像技术的应用场景,提升该技术的实用性。而稳定、高分辨的成像算法可以降低对于成像硬件系统以及环境的要求,二者均具有很高的研究价值。基于ISAR成像场景的天然稀疏性,本文利用稀疏信号处理技术,对于ISAR的运动补偿及成像技术展开研究,以提升ISAR的实际应用能力。论文的研究内容包括:1.研究了基于稀疏信号处理的ISAR平动补偿成像算法。本文首先通过建立相应的信号模型,分析了目标平动对于ISAR回波的具体影响。通过将平动轨迹拟合成多项式的形式,将目标的平动补偿及成像转化为关于待恢复的稀疏场景以及平动多项式系数二者的优化问题,通过对于该优化问题的求解来完成平动误差的校正。此外,针对已有基于稀疏信号处理的ISAR自聚焦算法存在的计算量大、在高欠采样率以及低信噪比下性能恶化的缺点,本文基于稀疏贝叶斯学习算法提出了一种高效的自聚焦算法,通过利用ISAR目标普遍存在的块状稀疏的结构特性,提升了算法在高欠采样率以及低信噪比条件下的性能。在此基础上,本文对于所提算法进行了相应的仿真实验,实验的结果证明了所提出两种方法的有效性。2.基于稀疏信号处理技术对于ISAR二维非匀速转动目标的补偿及成像算法展开了研究。对于非匀速转动的ISAR目标,其多普勒频率会随着时间变化,直接成像将会出现方位维的模糊。本文对于稀疏采样条件下的非匀速转动目标成像问题展开研究,通过将目标转角关于时间进行二阶展开,考虑目标旋转加速度对于回波的影响,构建了对应的信号模型,并将问题转化为动态观测矩阵下的稀疏信号恢复问题,通过设计相应的算法完成对于非匀速旋转目标的成像以及运动参数估计。此外,随着转动角度的增大,目标旋转带来的高阶相位以及越距离单元徙动也将会严重影响成像质量。本文通过分析这种情况下回波信号的形式并构建对应模型,设计了相应的算法完成了误差的校正以及成像场景的反演。仿真实验显示了所提算法可以完成非匀速旋转目标的高质量成像。3.研究了机动叁维旋转的ISAR目标成像算法。当观测的目标运动具有较高机动性时,其等效转动不再局限于二维平面内,而是可以视为在空间中进行叁维转动。本文对于该类目标的回波信号进行了建模与分析,分析发现对于叁维旋转目标来说,其等效转轴与成像平面随时间变化,无法进行合适的补偿。针对这一问题,本文基于不同角度提出了两种成像方法。第一种方法是基于回波中特显点的多普勒频率变化曲线选择合适的子数据段进行成像。在选择的数据段中,散射点的多普勒频率近似不变,目标可以近似为绕固定转轴匀速转动,使用稀疏反演算法对于所选的数据段进行成像,即可得到清晰的成像图片。第二种方法是利用距离-瞬时-多普勒(Range Instantaneous Doppler,RID)算法的思想对于目标进行瞬时成像,本文利用回波在频谱图上的稀疏性,以及相邻距离单元之间多普勒频率的相似性,将RID中的时频分析问题转化为稀疏信号的恢复问题,获得了优于传统方法的成像分辨率。仿真显示了本文所提出的算法的有效性。(本文来源于《中国科学技术大学》期刊2019-05-01)
卢旺[2](2019)在《基于稀疏阵列的高分辨测向信号处理方法研究》一文中研究指出测向或称波达角估计(Direction of arrival,DOA)是阵列信号处理的主要研究方向之一,广泛用于无线通信、射电天文、雷达测向定位、电子对战等民用和军事领域。波达角估计在近叁十年迅猛发展,从接收信号的物理结构模型到信号处理方法都在不断的向运算量小、低信噪比、高分辨率、低成本等方向发展。稀疏阵列是近几年非常热门的阵元排布方式,稀疏阵列阵元间距大于半波长,相同阵元数目情况下,比常规满阵的阵列孔径大。由稀疏阵列还可以形成具有更大阵列孔径的虚拟阵列,能够估计出多于阵元数的信号源,具有更高的分辨率、自由度和估计精度,因而在实际应用中可以大大降低硬件成本和计算复杂度。因此基于稀疏阵列的高分辨测向信号处理的方法研究具有很高的理论研究价值和应用前景。本文对稀疏阵列下的信号处理方法进行研究,并针对测向算法的分辨率进行算法改进。首先介绍基于均匀阵列的经典DOA估计方法原理,重点介绍了两种子空间类算法MUSIC(multiple signal classification,MUSIC)和ESPRIT(estimation of signal parameter via rotational invariance techniques,ESPRIT),并利用MATLAB仿真软件进行仿真实验,介绍了空间平滑解相干算法,该算法可以在信号源完全相干或单快拍采样条件下恢复协方差矩阵的秩。通过对DOA估计的基础理论部分进行回顾,为后文的深入研究奠定基础。之后介绍了稀疏阵列的概念以及模型结构,重点介绍了最小冗余阵、最小孔阵以及近几年发展起来的互质阵和嵌套阵。研究了基于稀疏阵列的解模糊方法以及虚拟阵列的获得机理,还研究了互质阵和嵌套阵下的测向算法:空间平滑MUSIC、托普利兹重构MUSIC和托普利兹重构ESPRIT,并对这叁种算法的性能进行对比分析。通过对叁种算法的分析可知,无论是空间平滑法还是托普利兹矩阵重构法,都只利用了一半的虚拟孔径,角度估计分辨率存在提升的空间。文章针对以上算法存在的虚拟孔径损失问题,提出了一种基于重迭有效孔径的U-ESPRIT算法,该算法通过重迭协方差矩阵,扩展了有效孔径,进一步提高了算法的分辨率和自由度,估计精度也有所提高。该算法将在实数域中进行信号处理的U-ESPRIT算法结合到稀疏阵列上,还简化了算法的计算复杂度。文章最后给出了详细的自由度分析,推导了虚拟阵列自由度的理论最大值,并结合仿真给出算法的性能分析。(本文来源于《哈尔滨工程大学》期刊2019-01-01)
刘天娇[3](2018)在《稀疏贝叶斯学习理论及其在水声阵列信号处理中的应用》一文中研究指出本文以稀疏重构和水声阵列信号处理为核心,以信号稀疏为前提,以高精度波达方向(Direction of Arrival,DOA)估计为目的,研究稀疏重构算法。本文基于稀疏贝叶斯学习(sparse Bayesian learning,SBL)理论,仿真研究算法对水声窄带声压信号,水声宽带声压信号和水声宽带矢量信号的处理性能。在低信噪比(signal-to-noise ratio,SNR),少量信号样本条件下,在处理水声信号时,SBL算法显现出优于常规波束形成(Conventional Beam-forming,CBF)算法和经典的压缩感知稀疏重构算法的性能,因此,本文展开以下研究。首先,重点介绍SBL理论,并介绍_1l范数正则化方法和SBL算法。通过仿真考察各算法在收敛性,计算效率和角度估计精度的性能。仿真结果表明,SBL算法相对M-SBL算法收敛性能更好。相比于_1l范数正则化方法,SBL算法有较高的抗噪声能力,更好的运算效率。随后,研究算法在水声阵列信号处理的应用,分析SBL算法和_1l范数正则化方法对声压信号和矢量信号的DOA估计性能。通过仿真实验对比CBF算法和SBL算法对矢量信号估计精度。仿真分析算法对窄带声压信号,窄带相干信号,宽带声压信号和矢量信号的DOA估计性能。研究SNR和快拍数对CBF算法和稀疏重构算法的DOA估计精度和计算效率的影响。仿真结果表明,在低信噪比和小快拍下,相比于CBF算法和_1l范数正则化方法,SBL算法能够对信号进行有效的DOA估计。最后,对真实水声环境下的外场水下试验数据和水池声呐成像试验数据进行处理,考察算法性能。对宽带矢量信号处理的结果展示了在相同的快拍数下,SBL算法可以以更高的精度估计出试验数据的来波方向。真实的试验数据处理的结果表明,SBL算法更加有利于处理实时的信号。对水池的声呐成像数据进行处理,结果表明,相比于CBF算法,SBL算法可以通过成像结果清楚的分辨出铁杆成像,可以有效分辨出铁杆本身和水面和池壁散射回波,SBL算法估计的结果是稀疏的,可通过试验处理结果直接判断出铁杆位置。(本文来源于《哈尔滨工程大学》期刊2018-12-28)
陆晨翔,曾向阳,王璐,王强[4](2018)在《基于结构化稀疏信号处理的水下目标识别方法》一文中研究指出0引言水下目标识别有从人工识别向自动识别的发展趋势。特征提取是自动水下目标识别技术的重要内容。先后出现了基于功率谱[1]、短时傅立叶谱[2]、高阶谱[3]、小波谱[4]、希尔伯特黄谱[5]、模拟人耳听觉特性的梅尔频率倒谱系数(MFCC)等特征提取方法[6]。新的特征提取方法是该领域重要研究方向。(本文来源于《2018年全国声学大会论文集 C水声工程和水声信号处理》期刊2018-11-10)
畅京博[5](2018)在《基于张量稀疏编码的高维地震信号处理方法研究》一文中研究指出受地震数据野外采集的影响,地震信号存在受噪声污染及空间采样率不足的问题,这些会影响后续的地震资料解释,因此对野外采集得到的原始地震记录进行处理,压制噪声干扰,提高地震数据的信噪比、分辨率以及保真度至关重要。张量稀疏编码是一种多维数据表示方法,可以很好地利用多维地震数据间的冗余信息,具有强大的信号处理和特征提取能力。本文将张量稀疏编码与压缩感知数据重构及字典学习等理论结合起来,从地震道插值和地震数据去噪两个方面提出了合理有效的算法,具体工作概括如下:(1)针对地震数据空间采样率不足造成空间假频的问题,本文将压缩感知数据重构理论与张量稀疏编码相结合,提出了基于张量联合稀疏编码的重构方法并用于地震道插值。该方法引入张量乘积将二维字典学习扩展到叁维,并采用张量稀疏系数和张量字典交替迭代的方式进行求解,在求解张量稀疏系数时采用基于张量的迭代收缩阈值算法进行处理,在求解张量字典时采用拉格朗日对偶的方法提高计算速率。该方法采用叁维字典学习能更加有效地利用地震数据的多维信息,实现地震道插值重构,提高地震数据的分辨率。(2)针对地震数据被噪声污染的问题,本文提出了一种基于张量相干约束字典学习的地震数据去噪方法,该方法通过定义张量相干性及张量相干比,将相干约束去噪与张量稀疏编码有效结合起来,解决了传统字典学习去噪方法依赖噪声方差先验及当噪声方差变化时效果不好的问题。在交替迭代求解的过程中,张量相干匹配追踪算法用于张量稀疏系数的求解,同时本文引入张量奇异值分解将K-SVD字典学习算法拓展到叁维得到K-TSVD算法,用于求解张量字典,从而实现了地震数据的张量相干约束去噪。本文将上述两种方法在理论模型和实际工区的叁维地震数据中进行了实验验证并与传统方法进行了比较,分析发现本文方法与传统方法相比具有一定的优势,可以达到更好的效果。(本文来源于《电子科技大学》期刊2018-04-03)
潘孟冠[6](2018)在《稀疏谱高频地波雷达信号处理技术研究》一文中研究指出高频地波雷达(High-Frequency Ground-Wave Radar,HFGWR)具有超视距能力,探测范围能够覆盖200海里专属经济区,其广泛应用于沿海国家对海面船只以及海洋状态的远程监测中。然而,高频段存在众多的通信、广播等无线电用户,频谱非常拥挤,限制了高频地波雷达的带宽,导致其距离分辨率较低。采用稀疏谱信号是从根本上解决高频地波雷达系统距离分辨率低的途径。不同于常规雷达信号,稀疏谱信号的频谱非连续,占据的频带为当前频谱环境中的寂静频带。由于高频段可供雷达使用的频谱资源非常紧张,其频谱整体上来看呈非均匀稀疏分布。因此,本文围绕稀疏谱高频地波雷达展开研究。首先按照系统体制将其分为两大类:一类在时域实现谱稀疏,即不同时间段的发射信号占据不同的频率段;另一类在空域实现谱稀疏,多个发射通道同时发射载频不同,且频谱互不重迭的信号。第一类仅需要一个发射通道,目前采用一发多收或全数字相控阵的高频地波雷达系统均可配置为此类;第二类则属于一种多载频多输入多输出(Multiple Input Multiple Output,MIMO)雷达,也是常规综合脉冲与孔径雷达(Synthetic Impulse and Aperture Radar,SIAR)的载频由均匀、连续向非均匀、稀疏的推广。本文分别针对这两类稀疏谱高频地波雷达进行研究,具体工作概括如下:第一部分,综述了高频地波雷达的常用信号波形及其处理方法。高频雷达采用的信号波形不同于一般的微波雷达,因此第一部分首先对高频地波雷达的常用波形,包括调频连续波(Frequency Modulated Continuous Wave,FMCW)、调频中断连续波(Frequency Modulated Interrupted Continuous Wave,FMICW)以及互补码脉冲信号的参数选取以及距离-多普勒处理方法进行分析与总结。首先介绍FMCW的去调频+两维快速傅里叶变换(Fast Fourier Transform,FFT)距离-多普勒处理方法,这种基于去调频处理的距离处理方法在本文多处用到。随后,总结和比较了FMICW信号去调频序列直接FFT以及时间波门距离变换方法。相比于前两种波形,相位编码脉冲信号在高频地波雷达中用得较少。然而互补码脉冲信号通过使用自相关函数互补的一对码元能够得到理想的脉压输出,这对于高频地波雷达而言非常具有吸引力。本文对互补码信号在高频地波雷达中的应用进行了探讨,并针对其盲区问题,利用内插法产生的互补码序列的子码互补特性,提出基于CLEAN思想的互补码分段脉压算法,该算法能够保证在盲区同样具有理想的零旁瓣,且全距离段无伪峰问题。第二部分,研究稀疏谱调频连续波(Sparse Spectrum FMCW,SS-FMCW)的距离处理。SS-FMCW信号在快时间维载频发生跳变,属于本文所说的时域谱稀疏类信号。SS-FMCW采用常规FMCW类似的去调频处理方法,然而由于频谱稀疏,其去调频序列不再为单频连续波的采样序列,不能简单地通过FFT进行距离变换。这里提出时间重排的操作,将SS-FMCW的距离处理问题转化为一个谱估计问题,且由于频谱稀疏,该谱估计问题的采样序列非均匀分布(间断分布)。为求解该谱估计问题,本文提出使用正则化迭代自适应方法(Iterative Adaptive Approach,IAA)和迭代最小化稀疏学习(Sparse Learning via Iterative Minimization,SLIM)的SS-FMCW信号距离谱估计算法,对两种算法的性能进行了比较,并给出了两者的快速实现方式。通过计算机仿真说明了IAA和SLIM均适用于SS-FMCW的距离处理中。第叁部分,研究SS-FMCW的距离-速度处理。SS-FMCW信号给高频地波雷达带来了较高的距离分辨率,同时由于距离分辨率的提高,目标在相干积累周期内的距离走动变得不可忽略;另一方面,由于SS-FMCW信号载频在快时间维发生跳变,造成了目标速度在不同的快时间段映射为不同的多普勒频率。因此,在第二部分的基础上,提出了距离-速度联合处理方案以及距离-速度级联处理方案,两种处理方案均能够解决长时间相干积累的距离走动以及快时间目标多普勒跳变的问题。IAA、SLIM等先进的谱估计算法均可用于这两种方案中。论文对联合处理和级联处理方案在距离维和速度维的性能以及运算量进行了分析和比较,级联处理方案充分利用了SS-FMCW高频地波雷达快时间采样非均匀、慢时间采样均匀的特点,非常适合在工程中应用。关于SS-FMCW信号的距离与距离-速度处理方法均可推广至稀疏谱调频中断连续波(SS-FMICW),文中对此也进行了分析与说明。第四部分,研究稀疏载频MIMO高频地波雷达的距离-方位处理。这一部分的讨论对象区别于第二部分和第叁部分,属于在空域实现谱稀疏的多通道雷达系统。该部分分别针对采用去调频距离处理方式和滑窗匹配滤波距离处理方式的稀疏谱MIMO雷达系统推导距离-方位处理模型。并对两种处理方式下的距离-方位模糊函数进行分析与比较。随后,针对距离-方位耦合问题,建立了载频稀疏、随机分布情况下的优化模型,给出使用遗传算法的优化步骤,并提出一种适合工程实现的随机重排载频分布优化方法。最后,针对载频稀疏分布造成的距离-方位谱中距离维的高旁瓣问题,通过对去调频处理方式和滑窗匹配处理方式下回波匹配矩阵的推导,使得第二部分中介绍的IAA和SLIM算法可直接应用于模型中。仿真实验中以IAA算法为例,表明其用于稀疏载频MIMO雷达的距离-方位处理时,能够解决距离维高旁瓣问题,且在距离维和方位维均具有较窄的主瓣。(本文来源于《西安电子科技大学》期刊2018-04-01)
范亚茹[7](2017)在《基于稀疏优化的图像与信号处理方法及其应用》一文中研究指出随着社会和科技的发展,大数据时代已经来临。大数据是多元化的,包括了视频数据,图像数据,信号数据等。面对大量、高维、高速、多样化的大数据,稀疏优化使得利用少量的样本能够重构高维数据这一理论成为现实。由于稀疏可以节省存储空间并减少传感器的使用数量,所以在大数据时代稀疏优化变得尤为重要。处理和分析视频数据、图像数据和信号数据已经是很多研究员的一项重要工作。大多数的图像与信号处理问题都属于不适定问题。本文从基于稀疏优化的正则化方法角度出发,对于不同的图像处理问题(包括图像分解,图像复原和图像压缩感知)进行了仔细地研究,建立了数学模型,并提出快捷高效的算法来求解问题。对于信号处理问题,本文考虑了信号重构问题,提出一个基于联合稀疏的加权方法,并将该方法运用到求解多任务特征学习问题中。本文的主要内容分为如下五个部分:一、在图像的卡通和纹理(Cartoon-Texture)分解问题中,由于全变分(Total Variation,TV)正则项具有良好的保边缘性,所以常用TV正则项刻画卡通部分。因为纹理部分是振荡且低秩的,很多文献用核范数刻画纹理的低秩性。因为核范数等价地惩罚每一个特征值,所以这样获得的纹理部分是不令人满意的。实际上每一个特征值都有特别的物理意义,应该分别处理。为了弥补核范数的不足,建立了用logdet函数刻画纹理部分和用TV刻画卡通部分的图像分解模型。其中,log det函数可以不同程度上约束每个特征值,从而更好地刻画纹理部分。二、在图像压缩感知(Compressive Sensing,CS)问题中,已有很多方法解决了基于?_1-范数的CS正则化模型。因为?_1-范数是?_0-范数的凸松弛,所以他们得到的结果并不是最好的。为了得到更好的结果,建立了一个基于低秩正则项的图像CS模型,采用一个平滑的秩函数(Smoothed Rank Function,SRF)作为低秩正则项来刻画图像的非局部自相似性。求解该优化模型时,采用交替极小化方法(Alternating Minimization Method,AMM)解耦变量后分别求解每个子问题。实验表明提出的方法在高噪声低采样率的情况下,仍然可以快速恢复出清晰的图像。叁、虽然基于SRF的图像CS模型得到了很好的恢复结果,但是该模型的理论分析是缺失的。因此,为了使提出的方法得到理论保证,通过添加两个正则项,建立了一个新的基于SRF的CS模型。关于新模型,展示了相关的理论分析和证明。为了得到新模型的一个稳定点,提出了一个交替下降方法,并证明了该方法的收敛性。四、基于信号的联合稀疏结构,提出了一个截断的联合稀疏信号重构模型。该模型通过阈值的加权方法来检测信号的支撑集信息,通过在迭代中不断更新支撑集信息来获得精确解。展示了模型的收敛性分析和高效恢复联合稀疏信号的条件,并实现了一个多步凸松弛迭代算法来求解模型。该算法不仅可以高效恢复联合稀疏信号,而且可以解决无线电认知中的协作频谱感应问题,和模式识别中的多任务特征学习问题。大量的实验表明了该方法的优越性。五、在多任务特征学习问题中,通过一个自适应选取阈值的方法,改进了基于固定阈值的多步多任务特征学习方法(Multi-stage Multi-task Feature Learning,MSMTFL),并展示了改进后的方法的收敛性和解的唯一性。与其他高效的多任务特征学习方法和MSMTFL方法相比,改进后的方法获得了杰出的表现。(本文来源于《电子科技大学》期刊2017-09-20)
曾文浩[8](2017)在《基于矩阵填充的二维稀疏阵列信号处理》一文中研究指出与传统的均匀平面阵列相比,稀疏阵列可以采用相同个数的阵元实现更大的天线阵列孔径,从而缩窄了扫描波束,且减弱了阵元间的互耦效应,但均匀稀疏阵列会出现栅瓣问题。随机稀疏布阵尽管抑制了栅瓣,但精度低于完整阵列。本文为了使稀疏阵列下的阵列信号处理能够获得与完整阵列信号处理接近的性能,通过对矩阵填充理论和阵列信号处理理论的分析与研究,开展了二维稀疏阵列下信号处理技术的相关研究,内容包括基于矩阵填充的二维自适应波束形成(ADBF)算法、基于MUSIC的二维到达角(DOA)估计算法以及稀疏阵列下基于ESPRIT的二维DOA估计算法等方面。主要工作概括如下:(1)研究基于线性约束最小方差的二维自适应波束形成(ADBF)算法均匀平面阵列结构简单,易于实现,但需要大量天线与采样设备,存在着阵元利用率较低的问题,因此增加了工程上的硬件复杂度,提高了成本。稀疏阵列可减少天线数目,但与完整阵列相比,性能有较大的下降。针对上述问题,本文提出一种基于奇异值门限的特征分解线性约束最小方差ADBF(SVT-ELCMV)算法,然后对该算法进行改进并提出一种基于矩阵填充的奇异相消二维ADBF算法(APG-LCSC)算法,上述算法能够使稀疏阵列下的二维ADBF算法精度能够接近于完整阵列。SVT-ELCMV算法通过奇异值阈值(SVT)算法将稀疏阵列信号恢复为完整信号,并利用ADBF算法形成有效波束,然后对该算法进行改进并给出了APG-LCSC算法,该算法针对ADBF算法中必须求解接收信号自相关矩阵的情况,可直接通过稀疏阵列接收信号获得完整阵列接收信号矩阵的左右奇异值向量,并利用左右奇异值向量形成有效波束。上述算法在降低天线数量和减少运算量的同时有效抑制干扰,且具有良好的主旁瓣比,同时当天线阵列中的少量阵元损坏时,依然能够正常工作,具有较强的工程应用价值。APG-LCSC算法不需要求解接收信号的自相关矩阵,且在部分阵元损坏的情况下依然能够正常工作。(2)研究基于多重信号分类的二维DOA估计算法为了使稀疏阵列下二维DOA估计算法的性能接近于完整阵列下二维DOA估计算法的性能,提出一种基于奇异值阈值的空间谱估计(SVT-MUSIC)算法,然后对该算法进行改进并提出一种基于不动点迭代的多项式求根(FPC-ROOT)算法,SVT-MUSIC算法构建了符合矩阵填充理论要求的稀疏阵列,并建立DOA估计的矩阵填充信号模型,验证了该信号模型满足零空间性质,然后通过SVT算法将稀疏阵列信号恢复为完整信号,最后利用MUSIC算法恢复信号估计二维波达方向。在SVT-MUSIC的基础上进行改进并给出了FPC-ROOT算法,该算法通过稀疏阵列接收信号获得完整阵列接收信号矩阵的左右奇异值向量,并利用左右奇异值向量构建信号子空间,然后通过对多项式求根来估计二维波达方向。上述算法可在稀疏阵列下估计目标的二维波达方向,在大幅度降低阵元数的同时具有较高的估计精度。其中,FPC-ROOT算法可在稀疏阵列下有效估计二维波达方向,且不需要求解接收信号的自相关矩阵,不需要进行二维谱峰扫描,在降低天线数量和减少运算量的同时提高了角度估计精度。(3)研究稀疏阵列下基于旋转不变子空间的二维DOA估计算法为了将旋转不变子空间(ESPRIT)算法直接应用于二维稀疏阵列中,本文将矩阵填充理论引入ESPRIT算法,提出了一种基于奇异值阈值的旋转子空间(SVT-ESPRIT)算法,然后对该算法进行改进并提出一种基于矩阵填充的子阵重构二维DOA估计(APG-SRESPRIT)算法,SVT-ESPRIT算法首先利用二维阵列接收信号矩阵的低秩性,将稀疏阵列的接收信号恢复为完整矩阵,然后再将信号子空间划分为两个部分,并通过子空间之间的旋转不变性求出目标角度。对SVT-ESPRIT算法进行改进后,给出了APG-SRESPRIT算法,该算法通过加速近邻梯度算法将稀疏阵列信号恢复为完整信号,划分子阵并构建合并矩阵,对合并矩阵进行奇异值分解,然后估计目标角度。上述算法可以在稀疏阵列下使用ESPRIT算法,提高了算法的适应性。在稀疏阵列下,APG-SRESPRIT算法只需对合并矩阵进行一次奇异值分解即可求得目标角度,且目标角度自动配对。(本文来源于《南京理工大学》期刊2017-05-01)
王聪[9](2017)在《基于稀疏表达的机械信号处理方法及其在滚动轴承故障诊新中的应用研究》一文中研究指出随着社会的发展与生产力水平的不断提高,现代工业要求机械设备向着—体化、自动化、高速化的方向发展。然而设备功能的逐渐增强意味着其复杂程度也会不断增加,这就导致即使仅在一小部分出现故障也很可能会造成难以估量的后果。为了保证机械设备的正常运行,减小其意外的发生对人们生产生活带来的影响,故障诊断技术显得极其重要。机械故障的准确识别与预测不仅能够保障人们的生命财产安全,还能减少企业在维修中的花费,为企业带来更高的经济效益。除此之外,故障诊断技术的发展使得有毒、有害、易燃、易爆等危险产品的生产更具保障,对维护地区甚至国家的政治经济稳定也具有重要意义。在所有的机械故障中,由滚动轴承所引起的故障占机械故障总数的45~55%。轴承的磨损、剥落、点蚀,裂纹等故障的发生将会引发系统崩溃,从而降低了系统的可靠性甚至造成灾难性后果。因此,实施有效的诊断策略减小轴承故障所带来的损失成为了重中之重。本文以稀疏表达理论为基础,以滚动轴承为对象,研究设计了基于稀疏表达理论的轴承信号处理及故障识别的新方法。在研究过程中,本文将稀疏表达方法的最新进展与轴承故障诊断技术相结合,改进传统的诊断策略,提升诊断精度。为了实现这个目标,文章将主要从两方面入手。一方面对稀疏表达理论进行深入探讨,把握领域内的最新进展,了解最前沿的稀疏优化方法。另一方面对滚动轴承信号的故障产生机理进行研究,从而有针对性地设计适合进行故障特征提取的稀疏方法。针对每一种新方法,本文都将通过仿真、实验手段与传统方法进行对比,验证其有效性和优越性。本文的主要研究内容包括:1.对稀疏表达的理论基础,稀疏优化算法以及字典学习算法进行探讨。在介绍过程中,分析各类算法的适用条件及优势所在,以便于设计适用于机械信号处理及轴承特征提取的稀疏优化方法。2.以过完备小波变换为固定基,研究基于小波基的稀疏表达在滚动轴承故障诊断中的应用。本文从时域冗余与频域冗余两方面,选择了两种过完备小波基,利用ADMM方法对故障信号进行稀疏编码并重构。随后,通过仿真和实验证明,相对于传统的小波阈值降噪,经过稀疏优化并重构后的信号,其噪声得到了更好的抑制,故障特征更为突显,为故障的准确诊断创造了有利的条件。这一点很好的验证了稀疏表达的有效性。3.利用KSVD方法训练字典,研究基于学习字典的稀疏表达在轴承健康状态识别中的处理效果。相比于固定基,学习字典可以更准确地探测数据内部的结构特征,对数据进行更稀疏的编码,从而更有利于故障特征提取。本文基于KSVD方法,设计了完整的基于训练字典的故障诊断流程,对该方法在实际应用中的参数选取进行了理论与实验的双重分析。通过仿真与诊断实验,本文验证了 KSVD字典能够准确探测轴承故障信号的冲击特征,获得比固定基稀疏表达更好的诊断效果。4.根据轴承故障信号的组特征,研究基于组稀疏的故障识别策略。实际情况下,滚动轴承的故障冲击均不是独立出现的,而是会在一定范围内形成一簇震荡。针对这种情况,本文提出了冲击探测稀疏编码算法。该算法通过在稀疏优化过程中考虑这样的组信息来实现更精确的编码,从而探测到隐藏于噪声中的故障信息。文章通过仿真与实验证明,冲击探测稀疏编码算法同时具有高精度与高效率。即使难以找到准确的稀疏参数,该算法的高效性允许其在一定范围内选择不同参数对信号进行多次处理,很容易得到良好的诊断结果。5.利用轴承故障信号的周期特性,研究基于低秩优化的诊断方法。滚动轴承故障信号的周期特征意味着每隔一段,信号就会出现一定程度的重复,如果以这些相似的信号段组成矩阵,那么这个矩阵在理想情况下会具有低秩特性。受这个思想的启发,本文提出了低秩冲击探测算法。该算法利用聚类和核范数对故障信号进行优化处理,最终突显故障特征,实现故障的精确诊断。仿真和实验也表明,该算法具有优秀的降噪能力和高精度的诊断结果。(本文来源于《中国科学技术大学》期刊2017-05-01)
王宁[10](2017)在《基于稀疏信号处理的物理层安全机制研究》一文中研究指出无线通信安全在现代社会与生活中占有非常重要的地位,在许多应用场景中,例如无线传感器网络(WSNs,Wireless Sensor Networks),其通信节点体积小、资源受限,实现高安全性信息保护极具挑战性。研究针对无线物理层安全技术,本论文选题具有重要的理论意义和广阔的应用前景。本文基于稀疏信号处理针对物理层安全技术进行深入研究,重点分析了无线通信信息安全的两个主要阶段:安全认证和安全传输。主要完成以下具有创新性的研究成果:1.针对传统物理层安全认证中信道特征信息的利用局限于统计特性的问题,为深入挖掘信道特征,本文提出了一种基于稀疏表示的物理层安全认证方案,并分别对静态和动态场景提出优化方法。在静态场景下,原始信道信息在经过稀疏表示后物理层安全认证被建模成对稀疏表示系数的特征提取与识别,利用模糊识别算法实现安全认证;而在动态场景下,通过引入稀疏表示系数的相关性参量,重新构建了基于二元假设检验的物理层安全认证过程。采用数值仿真验证,仿真结果表明相对于传统方法,所提改进优化方案在检测概率及可达最小贝叶斯风险等认证性能方面具有明显提升。2.针对现有物理层安全认证方法局限于单测量阈值方案,本文提出了一种新的多测量物理层安全认证方法。将基于压缩测量的生理信号特征信息与无线信道特征信息相融合,通过构建多维特征测量空间提高目标的可区分性,采用基于机器学习算法实现安全认证过程,并提出一种伪攻击者模型以解决训练数据的获取问题。仿真结果表明,相比于目前已知最优的基于单测量阈值的物理层安全认证技术,所提方法在检测概率和可达最小贝叶斯风险方面具有显着的优势。3.针对现有安全压缩感知实现方案中测量矩阵生成效率较低及安全性存在漏洞等问题,本文提出了一种基于弹性函数和循环矩阵的安全压缩感知方案。即采用循环矩阵结构以提升测量矩阵的生成效率,基于弹性函数的处理过程以增强测量矩阵的安全特性,并结合具有频域选择特征的物理层比特提取技术构建了一种安全压缩感知框架。仿真结果表明,相比于现有的安全压缩感知方案,所提方法在测量矩阵生成效率以及安全性能的表现上都具有明显优势,并且不影响正常的压缩感知信号处理过程,即在实现信号压缩的同时完成安全传输。4.针对目前物理层安全编码只局限于信道编码的问题,本文提出了一种基于压缩感知的信源压缩安全编码方案。采用物理层比特提取技术扰乱压缩感知稀疏变换过程,利用无线信道的互易性和随机性保障合法用户的正常解码而提升非法用户的误码率,并采用基于弹性函数的映射过程实现扰乱扩散,最终实现基于压缩感知的安全信源压缩编码。仿真结果表明,所提方案可以在实现安全编码效果的同时不影响信号正常的压缩与重构过程。最后对全文研究工作进行了总结,并对物理层安全技术研究进行了展望。(本文来源于《北京邮电大学》期刊2017-04-27)
稀疏信号处理论文开题报告
(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:
测向或称波达角估计(Direction of arrival,DOA)是阵列信号处理的主要研究方向之一,广泛用于无线通信、射电天文、雷达测向定位、电子对战等民用和军事领域。波达角估计在近叁十年迅猛发展,从接收信号的物理结构模型到信号处理方法都在不断的向运算量小、低信噪比、高分辨率、低成本等方向发展。稀疏阵列是近几年非常热门的阵元排布方式,稀疏阵列阵元间距大于半波长,相同阵元数目情况下,比常规满阵的阵列孔径大。由稀疏阵列还可以形成具有更大阵列孔径的虚拟阵列,能够估计出多于阵元数的信号源,具有更高的分辨率、自由度和估计精度,因而在实际应用中可以大大降低硬件成本和计算复杂度。因此基于稀疏阵列的高分辨测向信号处理的方法研究具有很高的理论研究价值和应用前景。本文对稀疏阵列下的信号处理方法进行研究,并针对测向算法的分辨率进行算法改进。首先介绍基于均匀阵列的经典DOA估计方法原理,重点介绍了两种子空间类算法MUSIC(multiple signal classification,MUSIC)和ESPRIT(estimation of signal parameter via rotational invariance techniques,ESPRIT),并利用MATLAB仿真软件进行仿真实验,介绍了空间平滑解相干算法,该算法可以在信号源完全相干或单快拍采样条件下恢复协方差矩阵的秩。通过对DOA估计的基础理论部分进行回顾,为后文的深入研究奠定基础。之后介绍了稀疏阵列的概念以及模型结构,重点介绍了最小冗余阵、最小孔阵以及近几年发展起来的互质阵和嵌套阵。研究了基于稀疏阵列的解模糊方法以及虚拟阵列的获得机理,还研究了互质阵和嵌套阵下的测向算法:空间平滑MUSIC、托普利兹重构MUSIC和托普利兹重构ESPRIT,并对这叁种算法的性能进行对比分析。通过对叁种算法的分析可知,无论是空间平滑法还是托普利兹矩阵重构法,都只利用了一半的虚拟孔径,角度估计分辨率存在提升的空间。文章针对以上算法存在的虚拟孔径损失问题,提出了一种基于重迭有效孔径的U-ESPRIT算法,该算法通过重迭协方差矩阵,扩展了有效孔径,进一步提高了算法的分辨率和自由度,估计精度也有所提高。该算法将在实数域中进行信号处理的U-ESPRIT算法结合到稀疏阵列上,还简化了算法的计算复杂度。文章最后给出了详细的自由度分析,推导了虚拟阵列自由度的理论最大值,并结合仿真给出算法的性能分析。
(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。
稀疏信号处理论文参考文献
[1].苏潇然.基于稀疏信号处理的ISAR运动补偿及成像技术[D].中国科学技术大学.2019
[2].卢旺.基于稀疏阵列的高分辨测向信号处理方法研究[D].哈尔滨工程大学.2019
[3].刘天娇.稀疏贝叶斯学习理论及其在水声阵列信号处理中的应用[D].哈尔滨工程大学.2018
[4].陆晨翔,曾向阳,王璐,王强.基于结构化稀疏信号处理的水下目标识别方法[C].2018年全国声学大会论文集C水声工程和水声信号处理.2018
[5].畅京博.基于张量稀疏编码的高维地震信号处理方法研究[D].电子科技大学.2018
[6].潘孟冠.稀疏谱高频地波雷达信号处理技术研究[D].西安电子科技大学.2018
[7].范亚茹.基于稀疏优化的图像与信号处理方法及其应用[D].电子科技大学.2017
[8].曾文浩.基于矩阵填充的二维稀疏阵列信号处理[D].南京理工大学.2017
[9].王聪.基于稀疏表达的机械信号处理方法及其在滚动轴承故障诊新中的应用研究[D].中国科学技术大学.2017
[10].王宁.基于稀疏信号处理的物理层安全机制研究[D].北京邮电大学.2017