基于压宿感知理论的窄带信号参数估计

论文摘要

现实生活中,窄带信号广泛应用在雷达、声纳、通信、定位、生物医学工程等领域,加之,可以将宽带信号分为若干个窄带信号和的形式进行处理,因而,窄带信号的参数估计问题受到了人们广泛的关注。然而传统基于Nyquist采样方法以及已有信息处理技术使其在众多军事和民用领域的成本开销越来越大,同时随着信息需求量的不断增加,对信息处理技术提出了越来越高的要求,如何有效的获取信息以及保证信息传输的真实性与可靠性已成为现代信息处理的关键问题。压缩感知理论(Compressed Sensing)作为新的信号分析思想,突破了传统的Nyquist采样定理的限制,已经在诸多应用领域体现出其优势。具有许多优良特性。本文将压缩感知理论引入到阵列信号处理领域,围绕空间窄带信源的阵列信号建模,推导出一种基于压缩感知理论的空间窄带信源的频率及DOA参数估计算法,主要工作和贡献有：1、描述了窄带信号模型,并且对均匀线性阵列天线进行建模,研究了空间谱估计的基本原理。2、详细描述了压缩感知理论思想,阐述了压缩感知理论所涉及关键的三个方面的内容—信号的稀疏表示、信号的采样、信号的重构。并且设计了改进的重构优化算法,通过仿真实验验证了改进的算法具有更好的抗噪能力。3、设计了在高斯白噪声环境中基于压缩感知理论的窄带信号频率估计算法。算法根据窄带信号形式的特点自适应的建立稀疏基,将窄带信号投影到CS观测矩阵上得到CS观测向量,进而利用这些非常少的观测信息实现高精度的窄带信号参数估计。计算机仿真实验表明,在采样点相同且很少的情况下,基于CS理论的改进频率估计算法比稀疏分解算法具有更好的抗噪性,而且改进的频率估计算法较已有的CS其他算法具有更高的稳定性,更重要的是在低信噪比、多信源情况下改进的优化算法仍然有较好的性能。4、设计了在高斯白噪声环境中基于压缩感知理论的窄带信号的DOA估计算法,并且与稀疏分解算法、MUSIC算法、ESPRIT算法进行仿真比较。新算法根据阵列结构和阵元接收空间窄带信号形式的特点自适应的建立稀疏基,将阵元接收空间窄带信号投影到CS观测矩阵上得到CS观测向量,进而利用这些非常少的观测信息实现高精度的窄带信号参数估计。计算机仿真实验表明,基于CS理论的DOA估计算法能够在采样点相当少的情况下精确估计出窄带信号的DOA信息。其抗噪性要优于MUSIC算法、ESPRIT算法,并且可以与稀疏分解算法相媲美,更重要的是其需要储存和利用的信息远远少于其他几种算法,这是CS算法独具魅力之所在。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景及意义
• 1.2 国内外研究现状
• 1.3 本文内容安排
• 第2章 窄带信号模型及空间谱估计
• 2.1 引言
• 2.2 窄带信号模型
• 2.3 空间谱估计的基本原理
• 2.4 本章小结
• 第3章 压缩感知理论
• 3.1 引言
• 3.2 CS理论框架
• 3.3 信号的稀疏表示
• 3.4 信号的采样
• 3.5 信号的重构
• 3.6 改进的优化算法
• 3.7 算法仿真
• 3.8 本章小结
• 第4章 基于CS理论的频率估计算法
• 4.1 引言
• 4.2 频率估计算法综述
• 4.3 CS算法
• 4.3.1 算法实现
• 4.3.2 算法仿真及性能分析
• 4.4 本章小结
• 第5章 基于CS理论的DOA估计算法
• 5.1 引言
• 5.2 DOA估计的有效算法
• 5.3 基于CS理论的DOA估计算法
• 5.3.1 算法实现
• 5.3.2 算法仿真及性能分析
• 5.4 本章小结
• 结论与展望
• 致谢
• 参考文献
• 攻读硕士期间发表的论文及参与的科研项目