论文题目: 基于蒙特卡罗方法的高分辨方位估计新方法研究
论文类型: 硕士论文
论文专业: 信号与信息处理
作者: 李雄
导师: 黄建国
关键词: 贝叶斯,最大似然,高分辨,方位估计,蒙特卡罗,吉布斯抽样,重要性抽样
文献来源: 西北工业大学
发表年度: 2005
论文摘要: 阵列处理的高分辨技术一直是国内外十分关注的研究热点,其中高分辨多目标定向技术是国内外集中力量研究的重点。该项技术的突破对声纳、雷达、地质勘探、生物医学工程等多项国防和民用建设领域均具有重要意义。尤其是水下多目标方位的高分辨精确估计技术,是目前加强海防、进行海洋开发迫切需要突破的一项关键技术。本文在国家自然科学基金和高等学校博士学科点专项科研基金及国防973等项目的资助下,对贝叶斯高分辨方位估计方法进行了深入的研究,并且针对贝叶斯高分辨方位估计方法存在的计算量大、实时应用困难等问题,把蒙特卡罗方法与之相结合,研究基于蒙特卡罗方法的高分辨方位估计新方法。本文的主要研究工作及研究成果如下: 1.深入研究了贝叶斯高分辨方位估计方法。 首先介绍了贝叶斯高分辨方位估计方法的理论,包括利用单次快拍、基于目标空间角谱估计和利用多次快拍、基于信号参数的最大后验概率密度估计的两种贝叶斯高分辨方位估计方法。其次分析、比较了这两种方法的原理和性能。研究结果表明:后一种方法的原理相对简单,而且性能更好。因此重点对后一种方法进行了详细、深入的研究。结果表明:贝叶斯最大后验概率方位估计方法(Bayesian Maximum a posterior DOA Estimator,简称BM DOA Estimator)性能十分优良,而且可以解相干源,性能明显优于最大似然估计(MLE),尤其是在低信噪比条件下。但是因为采用多维网格搜索和多维积分导致其计算量很大,随目标维数的增加呈指数增长,难以在工程中实时应用,迫切需要研究它的快速算法。 2.进一步研究了基于吉布斯抽样的贝叶斯最大后验概率方位估计方法。 为了解决贝叶斯最大后验概率方位估计方法计算量大的问题,课题组把马尔可夫链蒙特卡罗方法应用于贝叶斯估计,给出了基于吉布斯抽样的贝叶斯最大后验概率方位估计方法(Bayesian Maximum a posterior DOA Estimator based on Gibbs Sampling,简称GSBM DOA Estimator)。论文进一步研究了该方法的性能以及收敛判断等。GSBM方法不需要进行多维搜索,因而显著的减少了计算量。研究结果表明:GSBM方法不但保持了原BM方法的优越性能,明显优于MLE、MUSIC、MiniNorm方法;而且把原BM方法的计算复杂度从O(L~K)减少到O(K×J×N_s)(其中L为栅格数,K为目标源个数,J为样本个数,N_s为迭代次数),大大减少了计算量。 3.提出了基于重要性抽样的最大似然方位估计方法。 为了解决最大似然方位估计方法因多维搜索导致计算量大的问题,把经典蒙特卡罗方法中的重要性抽样和最大似然估计相结合,提出了基于重要性抽样的最大似然方位估计方法(Maximum Likelihood DOA Estimator Based on Importance Sampling,简称ISMLE)。给出了完整的理论推导过程,重点研西北工业人学硕士学位论文摘要究了重要函数的选取,并进行了仿真性能研究。结果表明:ISMLE方法不但保持了MLE方法的优良性能,高信噪比下逼近于CRB下界,低信噪比条件下性能明显优于MUSIC、MiniNorm方法;而且把MLE方法的计算复杂度从O(梦)减少到口(K、H)(其中H为样本个数),大大减少了计算量,为最大似然方位估计方法的工程应用提供了一条新途径。4.提出了基于重要性抽样的贝叶斯最大后验概率方位估计方法。 把经典蒙特卡罗方法应用到贝叶斯最大后验概率方位估计方法,解决贝叶斯最大后验概率方位估计方法计算量大的问题,提出了基于重要性抽样的贝叶斯最大后验概率方位估计方法(Bayesian Maximum a posterior DoAEstimator based on Importanee Sampling,简称ISBM DOA Estimator)。给出了它的理论推导,并研究了其性能。研究结果表明:ISBM方法不但保持了原BM方法的优良性能,明显优于MLE、MUSIC、MiniNorm方法;而且把原BM方法的计算复杂度从0(了)减少到口(KxH),大大减少了计算量。研究还表明:ISBM方法的性能优于GSBM方法,而且IsBM方法和GSBM方法的计算量相同。因此ISBM方法是一种计算更加有效的贝叶斯最大后验概率方位估计方法。关键字:贝叶斯,最大似然,高分辨,方位估计,蒙特卡罗,吉布斯抽样, 重要性抽样
论文目录:
第一章 绪论
1.1 本文的研究目的和意义
1.2 高分辨方位估计技术的发展过程及概况
1.3 本文的主要研究内容
第二章 阵列信号处理基础
2.1 基本数学原理
2.1.1 贝叶斯定理
2.1.2 贝叶斯先验分布的选取方法
2.1.3 高斯分布
2.1.4 均方误差
2.1.5 特征值分解
2.1.6 黄金分割搜索法
2.2 信号与阵列模型
2.2.1 假设条件
2.2.2 信号模型
2.2.3 噪声模型
2.2.4 阵列模型
2.2.5 方位估计的克拉美罗界
2.3 本章小结
第三章 蒙特卡罗方法
3.1 蒙特卡罗方法概述
3.2 经典蒙特卡罗方法
3.2.1 基本原理
3.2.2 随机数的产生
3.2.3 改进方法
3.3 马尔可夫链蒙特卡罗方法
3.3.1 基本思路
3.3.2 分类
3.3.3 应该注意的几个问题
3.4 本章小结
第四章 贝叶斯高分辨方位估计方法
4.1 贝叶斯高分辨方位估计方法的原理概述
4.1.1 基于目标空间角谱估计的贝叶斯方位估计方法
4.1.2 基于信号参数的最大后验概率密度估计的贝叶斯方位估计方法
4.1.3 两方法的比较
4.2 贝叶斯最大后验概率方位估计方法
4.2.1 理论推导
4.2.2 降低运算最的几种措施
4.2.3 性能分析
4.3 本章小结
第五章 基于吉布斯抽样的贝叶斯最大后验概率方位估计
5.1 贝叶斯最大后验概率方位估计方法
5.1.1 原理
5.1.2 性能
5.1.3 存在的问题以及解决措施
5.2 基于MCMC方法的贝叶斯最大后验概率方位估计方法
5.3 基于吉布斯抽样的贝叶斯最大后验概率方位估计方法
5.3.1 理论推导
5.3.2 性能分析
5.4 本章小结
第六章 基于重要性抽样的最大似然方位估计
6.1 最大似然方位估计方法
6.1.1 最大似然方位估计方法原理
6.1.2 最大似然方位估计方法性能以及存在的问题
6.2 基于经典蒙特卡罗方法的最大似然方位估计方法
6.3 基于重要性抽样的最大似然方位估计方法
6.3.1 理论推导
6.3.2 性能分析
6.4 本章小结
第七章 基于重要性抽样的贝叶斯最大后验概率方位估计
7.1 基于经典蒙特卡罗方法的贝叶斯最大后验概率方位估计方法
7.2 基于重要性抽样的贝叶斯最大后验概率方位估计方法
7.2.1 理论推导
7.2.2 性能分析
7.3 本章小结
全文总结
作者在攻读硕士学位论文期间发表的学术论文
致谢
参考文献
发布时间: 2005-06-27
参考文献
- [1].序列蒙特卡罗方法及其在通信中的应用[D]. 冯熳.西安电子科技大学2004
- [2].定位跟踪的贯序蒙特卡罗方法研究[D]. 罗咏劼.电子科技大学2006
- [3].基于贝叶斯网络的语音情感识别[D]. 黄金龙.华南理工大学2014
- [4].基于贝叶斯网络的目标毁伤效果评估方法与建模研究[D]. 栗晨涵.国防科学技术大学2014
- [5].基于贝叶斯网络的跳频序列预测仿真研究[D]. 张恒伟.西安电子科技大学2012
- [6].基于贝叶斯网络的穿戴网的错误检测与数据修复[D]. 李蓉.西安电子科技大学2017
- [7].基于动态贝叶斯网络的战场信息预测与评估[D]. 陈固胜.南京理工大学2013
- [8].基于贝叶斯网络的舰艇导弹防御系统决策模型算法研究[D]. 王朔.国防科学技术大学2005
- [9].基于贝叶斯滤波的可展开机构的跟踪估测[D]. 郑伟.西安电子科技大学2013
- [10].基于贝叶斯联盟博弈的无线通信物理层安全研究[D]. 李玲.天津大学2014
相关论文
- [1].基于圆阵的水下近程目标方位估计研究[D]. 余新来.西北工业大学2007
- [2].基于序列蒙特卡罗滤波的人脸跟踪研究[D]. 杜云明.哈尔滨工程大学2007
- [3].基于蒙特卡罗仿真和遗传算法的公差设计[D]. 吴方才.武汉理工大学2005
- [4].基于蒙特卡罗方法的虚拟仪器测量不确定度评估[D]. 葛乐矣.合肥工业大学2006
- [5].线性模型下的蒙特卡罗算法和数据挖掘[D]. 李强.重庆大学2005
- [6].贝叶斯高分辨方位估计方法的性能分析与应用研究[D]. 鲁瑛.西北工业大学2001
- [7].基于贝叶斯原理和蒙特卡罗方法的高分辨方位估计新方法研究[D]. 孙毅.西北工业大学2003
- [8].多目标方位估计的波束域高分辨方法研究[D]. 罗俊锋.西北工业大学2004
- [9].一种蒙特卡罗贝叶斯分类的改进方法[D]. 秦鑫.华中师范大学2004
- [10].序列蒙特卡罗方法及其在通信中的应用[D]. 冯熳.西安电子科技大学2004