CN104166795B - 一种基于多观测向量稀疏表示的复正弦波频率估计方法 - Google Patents
一种基于多观测向量稀疏表示的复正弦波频率估计方法 Download PDFInfo
- Publication number
- CN104166795B CN104166795B CN201410395022.2A CN201410395022A CN104166795B CN 104166795 B CN104166795 B CN 104166795B CN 201410395022 A CN201410395022 A CN 201410395022A CN 104166795 B CN104166795 B CN 104166795B
- Authority
- CN
- China
- Prior art keywords
- frequency
- vector
- estimation
- signal
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Radar Systems Or Details Thereof (AREA)
- Complex Calculations (AREA)
Abstract
本发明属于信号处理领域,尤其涉及复正弦波频率估计。本发明提供一种高精度复正弦波频率估计方法。由于复正弦波信号在频域具有稀疏性,基于观测数据稀疏表示的模型,首先针对网格失配的情况,通过一阶泰勒展开来逼近真实的频率向量,得到多观测向量下的稀疏表示逼近模型。然后在该模型的基础上用正交匹配追踪算法计算得到网格上离真实频率值最近的点,并且利用最小二乘方法计算频率的修正值。最后得到修正后复正弦波频率的估计值。利用本发明的估计方法,修正后的估计性能有明显的提高,即使在粗糙的网格,也有很高的估计精度。本发明的估计方法与其他估计方法相比,估计性能有明显的提高。
Description
技术领域
本发明属于信号处理领域,尤其涉及复正弦波频率估计。
背景技术
正弦波频率估计算法广泛应用于雷达、通信以及电子对抗等信号处理领域。其中经典的算法有:多重信号分类(Multiple Signal Classification,MUSIC)算法、旋转不变子空间(Estimation of Signal Parameters via Rotational Invariance Technique,ESPRIT)算法等子空间类算法和最大似然估计类算法(Maximum Likelihood,ML)等。然而,基于子空间理论的频率估计方法虽然实现了超分辨侧向,但是一旦接收数据不足或信噪比比较低时,这类方法不能有效地区分信号子空间和噪声子空间,其性能会急剧下降。而最大似然估计类算法由于要进行复杂的多维搜索而不具有实用性。
近年来,随着压缩感知和稀疏表示技术的发展,许多基于稀疏表示的频率估计方法被提出。最具代表性的为l1-SVD算法,它利用l1范数来重构稀疏信号,并且在多观测向量的条件下通过奇异值分解(Singular Value Decomposition,SVD)来减小数据矩阵的规模以及降低噪声的影响。然而,这些基于稀疏表示的方法通常假设频率位于离散化网格上,一旦真实的频率值不在预先设定的网格上,即在网格失配的情况下,其估计性能会急剧恶化。另一方面,虽然更密集的网格理论上可以减小重构误差,但是太过密集的离散化网格会使得过完备化字典原子间高度相关。在其他领域,通用一阶泰勒展开来逼近真实字典来解决字典失配的问题,例如,在DOA估计中,利用稀疏贝叶斯推论(Off-Grid Sparse BayesianInference,OGSBI)来重构稀疏信号,可以估计不在网格上的来波方向角。类似地,该方法也可以用于复正弦波频率估计,但是这种方法的缺点是估计结果容易受初值的影响,且计算量较大。
发明内容
本发明的目的在于,提出一种基于多观测向量稀疏表示的复正弦波频率估计方法,在频率网格失配的情况下,能够对频率值进行修正,提高估计精度。
本发明基于观测数据稀疏表示的模型,首先针对网格失配的情况,通过一阶泰勒展开来逼近真实的频率向量,得到多观测向量下的稀疏表示逼近模型,然后用正交匹配追踪算法和最小二乘法计算复正弦波频率的估计值。
本发明的目的通过如下步骤实现:
S1、由长度为P的复正弦信号x(i)加白噪声得到接收数据 其中,i=1,…,P,K为复正弦波信号的个数,为第k个信号的复幅度,fk∈[0,1)为第k个信号的归一化频率,k=1,2,…,K,初始相位是在[0,2π]均匀分布的随机变量,v(i)是零均值、方差为的高斯白噪声,当i≠k时,和相互独立,
S2、S1所述接收数据y(i)的向量形式为y=A(f)s0+v,其中,y=[y(1) y(2) … y(P)]T,频率向量幅度向量s0=[α1 α2 … αK]T,v=[v(1) v(2) … v(P)]T;
S3、将S2所述接收数据y(i)的向量形式y写成稀疏表示的模型Y,具体如下:
S31、由S2所述接收数据y(i),得到信号向量y(i)=[y(i) y(i+1) … y(i+M-1)]T,从而得到数据矩阵其中,L+M-1=P,M为信号向量的长度,L为信号向量的个数;
S32、把S1所述归一化频率fk在[0,1)的范围上过完备化为一个离散的网格N代表网格数且满足N>>K;
S33、将S31所述信号向量y(i)写成多观测向量的稀疏表示形式其中,过完备矩阵频率向量 是一个K-行稀疏矩阵,即S中只有K行元素为非零,其他行的元素都为零,记所述K行元素的索引值为支撑集Λ,v(i)=[v(i) v(i+1) … v(i+M-1)]T;
S4、在S3所述稀疏表示的模型Y的基础上,用一阶泰勒展开来逼近真实的频率向量其中,存在第k个真实频率且是网格上距离fk最近的点,是的一阶导数,nk∈{1,…,N};
S5、根据S4所述a(fk)构造过完备字典记Δ=diag(δ),δ=[δ1 δ2 … δN]T,
当时,则
当则δn=0,
因此,观测模型可以写成
S6、利用S5所述观测模型Y通过正交匹配追踪(orthogonal matching pursuit,OMP)算法和最小二乘方法求解出真实频率值的估计值,具体为:
S61、用正交匹配追踪算法求解出网格上离真实频率值最近的点,具体如下:
S611、初始化记迭代次数t=1,残差矩阵R=Y,支撑集其中0N×L表示维数为N×L的全零矩阵;
S612、计算C=AHR,λ=arg max||C(i,:)||2,Λ=Λ∪λ,其中(·)H表示矩阵的共轭转置,||C(i,:)||2表示矩阵C第i行的l2范数,arg max(·)表示最大值的索引值;
S62、用最小二乘方法计算S和Q在支撑集上元素的估计值和 并更新残差矩阵更新迭代次数t=t+1;
S63、当迭代次数t≤K时,返回步骤S612,依次循环迭代;一旦t>K,停止迭代,输出和把和的对应元素相除,得到维数为K×L的矩阵求矩阵Γ每一行的平均值,得到向量δ在支撑集上元素的估计值
S64、设S63所述在网格上的索引值为n1,...,nK,则修正后的频率估计值为
本发明的有益效果是:
本发明可在粗糙的网格上进行复正弦波频率值的精确估计,避免了密集的网格带来的高计算量,提高了估计精度。利用本发明的估计方法,修正后的估计性能有明显的提高,即使在粗糙的网格,也有很高的估计精度。本发明的估计方法与其他估计方法相比,估计性能有明显的提高。
附图说明
图1是本发明方法的流程图。
图2是本发明方法与其他频率估计方法的均方根误差随信噪比变化曲线图。
图3是本发明方法与其他频率估计方法的均方根误差随信号向量个数L变化曲线图。
具体实施方式
下面结合实施例和附图,详细说明本发明的技术方案。
如图1所示,一种基于多观测向量稀疏表示的高精度频率估计方法包括如下步骤:
S1、由长度为P的复正弦信号x(i)加白噪声得到接收数据 其中,i=1,…,P,K为复正弦波信号的个数,为第k个信号的复幅度,fk∈[0,1)为第k个信号的归一化频率,k=1,2,…,K,初始相位是在[0,2π]均匀分布的随机变量,v(i)是零均值、方差为的高斯白噪声,所述v(i)与信号相互独立,当i≠k时,和相互独立,
S2、S1所述接收数据y(i)的向量形式为y=A(f)s0+v,其中,y=[y(1) y(2) … y(P)]T,频率向量幅度向量s0=[α1 α2 … αK]T,v=[v(1) v(2) … v(P)]T,进行频率估计的目的是根据接收的P×1维数据,估计K个信号的归一化频率{fk,k=1,2,…,K};
S3、将S2所述接收数据y(i)的向量形式y写成稀疏表示的模型Y,具体如下:
S31、由S2所述接收数据y(i),得到信号向量y(i)=[y(i) y(i+1) … y(i+M-1)]T,从而得到数据矩阵其中,L+M-1=P,M为信号向量的长度,L为信号向量的个数;
S32、把S1所述归一化频率fk在[0,1)的范围上过完备化为一个离散的网格N代表网格数且满足N>>K;
S33、将S31所述信号向量y(i)写成多观测向量的稀疏表示形式其中,过完备矩阵频率向量 是一个K-行稀疏矩阵,即S中只有K行元素为非零,其他行的元素都为零,记所述K行元素的索引值为支撑集Λ,v(i)=[v(i) v(i+1) … v(i+M-1)]T;
S4、在S3所述稀疏表示的模型Y的基础上,用一阶泰勒展开来逼近真实的频率向量其中,是网格上距离fk最近的点,k∈{1,…,K}且是的一阶导数;
S5、根据S4所述a(fk)构造过完备字典记Δ=diag(δ),δ=[δ1 δ2 … δN]T,
当时,则
当则δn=0,
因此,观测模型可以写成
S6、利用S5所述观测模型Y通过正交匹配追踪(orthogonal matching pursuit,OMP)算法和最小二乘方法求解出真实频率值的估计值,具体为:
S61、用正交匹配追踪算法求解出网格上离真实频率值最近的点,具体如下:
S611、初始化记迭代次数t=1,残差矩阵R=Y,支撑集其中0N×L表示维数为N×L的全零矩阵;
S612、计算C=AHR,λ=arg max||C(i,:)||2,Λ=Λ∪λ,其中(·)H表示矩阵的共轭转置,||C(i,:)||2表示矩阵C第i行的l2范数,arg max(·)表示最大值的索引值;
S62、用最小二乘方法计算S和Q在支撑集上元素的估计值和 并更新残差矩阵更新迭代次数t=t+1;
S63、当迭代次数t≤K时,返回步骤S612,依次循环迭代;一旦t>K,停止迭代,输出和把和的对应元素相除,得到维数为K×L的矩阵求矩阵Γ每一行的平均值,得到向量δ在支撑集上元素的估计值
S64、设S63所述在网格上的索引值为n1,...,nK,则修正后的频率估计值为
下面结合具体实施例来进行说明。
实施例1、估计值的均方根误差随信噪比变化
采用接收数据的长度为P=207,信号向量长度为M=8。两个相同功率的复正弦波的归一化频率为[0.253,0.418],即K=2。为了使真实的复正弦波频率不落在网格上,取离散化网格为{0,0.01,…,0.99},间隔0.01。参考信噪比SNR从-5dB到20dB变化,间隔为5dB,每个信噪比进行1000次蒙特卡洛实验。
根据不同信噪比下的接收数据y(i)得到稀疏表示模型Y=AS+V;
利用泰勒一阶展开对真实的频率向量进行逼近,进而得到多观测向量下的稀疏表示逼近模型
通过正交匹配追踪算法计算得到网格上离真实频率值最近的点:
通过最小二乘方法求解上一步骤波达方向角的修正值
得到修正后的频率估计值
按照本发明的方法估计得到的频率值的均方根误差随信噪比变化的曲线如图2所示。图2可以看到,利用本发明的估计方法,修正后的估计性能有明显的提高,即使在粗糙的网格,且信噪比为0dB时都能达到0.005以内的估计精度。本发明的估计方法与其他估计方法相比,估计性能有明显的提高,说明了本发明的估计方法是有效的。而且本发明方法所需的计算时间大约为0.005秒左右,而其他估计方法的计算时间均在1秒左右,说明了本发明估计方法的高效性。用均方根误差(RMSE)来评估各算法的性能,其定义为:其中,Mon为蒙特卡洛实验次数,和fk分别代表第m次蒙特卡洛实验估计得到的第k个频率值和第k个真实频率。
实施例2、估计值均方根误差随信号向量个数L变化
信号向量长度M=8,信噪比固定为10dB。两个相同功率的复正弦波的归一化频率为[0.253,0.418],即K=2。为了使真实的复正弦波频率不落在网格上,取离散化网格为{0,0.01,…,0.99},间隔0.01。信号向量个数L从20到200变化,间隔为20,向量个数L进行1000次蒙特卡洛实验。用均方根误差(RMSE)来评估各算法的性能,其定义为:
其中,Mon为蒙特卡洛实验次数,和fk分别代表第m次蒙特卡洛实验估计得到的第k个频率值和第k个真实频率。
根据不同信号向量个数L下的接收数据y(i)得到稀疏表示模型Y=AS+V;
利用泰勒一阶展开对真实的频率向量进行逼近,进而得到多观测向量下的稀疏表示逼近模型
通过正交匹配追踪算法计算得到网格上离真实频率值最近的点:
通过最小二乘方法求解上一步骤波达方向角的修正值
得到修正后的频率估计值
按照本发明的方法估计得到的频率值的均方根误差随信号向量个数L变化的曲线如图3所示。图3可以看到,利用本发明的估计方法,修正后的估计性能有明显的提高,即使在粗糙的网格,且信号向量个数L=40时都能达到0.001以内的估计精度。本发明的估计方法与其他估计方法相比,估计性能有明显的提高,说明了本发明的估计方法是有效的。而且本发明方法所需的计算时间大约为0.005秒左右,而其他估计方法的计算时间均在1秒左右,说明了本发明估计方法的高效性。
Claims (1)
1.一种基于多观测向量稀疏表示的复正弦波频率估计方法,其特征在于,包括如下步骤:
S1、由长度为P的复正弦信号x(i)加白噪声得到接收数据其中,i=1,…,P,K为复正弦波信号的个数,为第k个信号的复幅度,fk∈[0,1)为第k个信号的归一化频率,k=1,2,…,o,...,K,初始相位是在[0,2π]均匀分布的随机变量,v(i)是零均值、方差为的高斯白噪声,当o≠k时,和相互独立,
S2、S1所述接收数据y(i)的向量形式为y=A(f)s0+v,其中,y=[y(1) y(2) … y(P)]T,频率向量幅度向量s0=[α1 α2 … αK]T,v=[v(1) v(2) …v(P)]T;
S3、将S2所述接收数据y(i)的向量形式y写成稀疏表示的模型具体步骤如下:
S31、由S2所述接收数据y(i),得到信号向量y(i)=[y(i) y(i+1) … y(i+M-1)]T,从而得到数据矩阵其中,L+M-1=P,M为信号向量的长度,L为信号向量的个数;
S32、把S1所述归一化频率fk在[0,1)的范围上过完备化为一个离散的网格N代表网格数且满足N>>K;
S33、将S31所述信号向量y(i)写成多观测向量的稀疏表示形式其中,过完备矩阵频率向量是一个K‐行稀疏矩阵,即S中只有K行元素为非零,其他行的元素都为零,记所述K行元素的索引值为支撑集Λ,v(i)=[v(i) v(i+1) … v(i+M-1)]T;
S4、在S3所述稀疏表示的模型Y的基础上,用一阶泰勒展开来逼近真实的频率向量其中,存在第k个真实频率且是网格上距离fk最近的点,是a的一阶导数,nk∈{1,…,N};
S5、根据S4所述a(fk)构造过完备字典记Δ=diag(δ),δ=[δ1 δ2 … δN]T,
当时,则
当则δn=0,
因此,观测模型写成其中,Q为支撑集,
S6、利用S5所述观测模型Y通过正交匹配追踪算法和最小二乘方法求解出真实频率值的估计值,具体为:
S61、用正交匹配追踪算法求解出网格上离真实频率值最近的点,具体如下:
S611、初始化记迭代次数t=1,残差矩阵R=Y,支撑集其中0N×L表示维数为N×L的全零矩阵;
S612、计算C=AHR,λ=arg max||C(i,:)||2,Λ=Λ∪λ,其中(·)H表示矩阵的共轭转置,||C(i,:)||2表示矩阵C第i行的l2范数,arg max(·)表示最大值的索引值;
S62、用最小二乘方法计算S和Q在支撑集上元素的估计值和 并更新残差矩阵更新迭代次数t=t+1;
S63、当迭代次数t≤K时,返回步骤S612,依次循环迭代;一旦t>K,停止迭代,输出和把和的对应元素相除,得到维数为K×L的矩阵求矩阵Γ每一行的平均值,得到向量δ在支撑集上元素的估计值
S64、设S63所述在网格上的索引值为n1,...,nK,则修正后的频率估计值为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410395022.2A CN104166795B (zh) | 2014-08-12 | 2014-08-12 | 一种基于多观测向量稀疏表示的复正弦波频率估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410395022.2A CN104166795B (zh) | 2014-08-12 | 2014-08-12 | 一种基于多观测向量稀疏表示的复正弦波频率估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104166795A CN104166795A (zh) | 2014-11-26 |
CN104166795B true CN104166795B (zh) | 2017-08-25 |
Family
ID=51910604
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410395022.2A Expired - Fee Related CN104166795B (zh) | 2014-08-12 | 2014-08-12 | 一种基于多观测向量稀疏表示的复正弦波频率估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104166795B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104954298B (zh) * | 2015-06-10 | 2018-04-27 | 重庆邮电大学 | 冲击噪声下且带有数据丢失的信号的频率估计方法 |
CN112444788B (zh) * | 2020-11-09 | 2023-11-24 | 厦门大学 | 补零信号的频率估计方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102955068A (zh) * | 2012-09-28 | 2013-03-06 | 江苏大学 | 一种基于压缩采样正交匹配追踪的谐波检测方法 |
CN103971029A (zh) * | 2014-05-30 | 2014-08-06 | 电子科技大学 | 一种用于网格失配下的doa估计的交替迭代方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7840625B2 (en) * | 2005-04-07 | 2010-11-23 | California Institute Of Technology | Methods for performing fast discrete curvelet transforms of data |
-
2014
- 2014-08-12 CN CN201410395022.2A patent/CN104166795B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102955068A (zh) * | 2012-09-28 | 2013-03-06 | 江苏大学 | 一种基于压缩采样正交匹配追踪的谐波检测方法 |
CN103971029A (zh) * | 2014-05-30 | 2014-08-06 | 电子科技大学 | 一种用于网格失配下的doa估计的交替迭代方法 |
Non-Patent Citations (1)
Title |
---|
基于压缩感知的线性调频信号频率估计;汤建龙等;《电子信息对抗技术》;20120315;第27卷(第2期);第10-37页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104166795A (zh) | 2014-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103971029B (zh) | 一种用于网格失配下的doa估计的交替迭代方法 | |
CN103983944B (zh) | 基于协方差矩阵稀疏表示的远场窄带doa估计方法 | |
Liu et al. | An efficient maximum likelihood method for direction-of-arrival estimation via sparse Bayesian learning | |
CN104537249B (zh) | 基于稀疏贝叶斯学习的波达方向角估计方法 | |
CN103941220B (zh) | 一种基于稀疏重构的网格外目标波达方向估计方法 | |
CN104808203B (zh) | 一种迭代最大似然估计多基线InSAR相位解缠方法 | |
CN106772224A (zh) | 一种采用时频分析的l型阵列二维波达方向估计算法 | |
CN105403874B (zh) | 非均匀阵列欠定波达方向估计方法 | |
CN102879824B (zh) | 一种基于迭代收缩的快速稀疏Radon变换方法 | |
CN107102292A (zh) | 一种基于贝叶斯方法的目标方位跟踪方法 | |
CN104793177B (zh) | 基于最小二乘法的麦克风阵列测向方法 | |
CN104515969A (zh) | 一种基于六角形阵列的相干信号二维doa估计方法 | |
CN103323845A (zh) | 一种非均匀采样综合孔径辐射计的图像反演方法 | |
CN104811886A (zh) | 基于相位差测量的麦克风阵列测向方法 | |
CN104535987A (zh) | 适用于均匀圆阵列声纳系统的幅相误差自校正方法 | |
Yan et al. | Computationally efficient direction finding using polynomial rooting with reduced-order and real-valued computations | |
CN110954860B (zh) | 一种doa和极化参数估计方法 | |
CN106680779B (zh) | 脉冲噪声下的波束成形方法及装置 | |
CN104166795B (zh) | 一种基于多观测向量稀疏表示的复正弦波频率估计方法 | |
CN103399308A (zh) | 主瓣和旁瓣干扰背景下雷达目标角度快速估计方法 | |
CN105572629B (zh) | 一种适用于任意阵列结构的低运算复杂度的二维测向方法 | |
CN108614235B (zh) | 一种多鸽群信息交互的单快拍测向方法 | |
CN104407319A (zh) | 阵列信号的目标源测向方法和系统 | |
Huang et al. | Off-grid DOA estimation in real spherical harmonics domain using sparse Bayesian inference | |
Chen et al. | Multi-frequency sequential sparse Bayesian learning for DOA estimation of the moving wideband sound source |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170825 Termination date: 20180812 |