CN104767535A - 一种低复杂度块状稀疏信号重构方法 - Google Patents
一种低复杂度块状稀疏信号重构方法 Download PDFInfo
- Publication number
- CN104767535A CN104767535A CN201510150411.3A CN201510150411A CN104767535A CN 104767535 A CN104767535 A CN 104767535A CN 201510150411 A CN201510150411 A CN 201510150411A CN 104767535 A CN104767535 A CN 104767535A
- Authority
- CN
- China
- Prior art keywords
- tau
- signal
- index
- sparse
- variance
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000005070 sampling Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000002716 delivery method Methods 0.000 claims description 7
- 230000009977 dual effect Effects 0.000 claims description 6
- 238000012804 iterative process Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 2
- 238000011084 recovery Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Compression, Expansion, Code Conversion, And Decoders (AREA)
- Complex Calculations (AREA)
Abstract
本发明属于稀疏信号恢复的技术领域,尤其涉及一种在信号接收中基于广义近似消息传递(Generalized Approximate Message Passing,GAMP)的低复杂度块状稀疏信号重构方法。一种低复杂度块状稀疏信号重构方法,包括如下步骤:通过压缩感知采样得到接收信号y=A×x;初始化;进行循环迭代;输入恢复信号。与传统的基于贝叶斯的恢复算法相比,本发明方法利用广义近似消息传递方法,本发明可以在保持信号优越重构性能的基础上,有效地降低计算复杂度。将计算时间复杂度从O(n3)降为O(mn),即从三次方复杂度降为线性时间复杂度,极大的缓解后端的信号处理压力,其中,m和n分别为观测值的维度和原始信号的维度。
Description
技术领域
本发明属于稀疏信号恢复的技术领域,尤其涉及一种在信号接收中基于广义近似消息传递(Generalized Approximate Message Passing,GAMP)的低复杂度块状稀疏信号重构方法。
背景技术
在过去的几年中,随着信号带宽的不断增加,在射频系统中,数字化信号对模数转换器(Analog to Digital Converter,AD)的要求越来越高。AD转换速率越高,功耗越大,有效位数也会降低。最近,压缩感知技术(Compressed Sensing)作为一种低速率采集稀疏信号的新技术在学术界和工业界被广泛研究与应用,它的应用背景是信号具有稀疏性,即信号只有很少的非零稀疏。例如,自然图像和通信信号在一些变换域上是稀疏分布的,或者有些图像本身就在时域上稀疏,这样的稀疏信号可以通过远低于奈奎斯特采样率直接进行采样。原始信号可以通过贪婪算法,线性规划或者基于贝叶斯推断等方法恢复信号。目前,基于贝叶斯的恢复算法具有相对优越的恢复性能,然而,基于贝叶斯的恢复算法一般包含矩阵求逆过程,在大规模的信号重构问题中并不具有实用价值。
发明内容
本发明为了解决现有技术中存在的不足,提供了一种低复杂度块状稀疏信号重构方法,该方法采用广义近似消息传递(GAMP)方法,将计算时间从三次方复杂度降为线性时间复杂度。
为了方便地描述本发明的内容,首先对本发明中使用的术语进行定义。
块状稀疏信号:信号中只有少数几个分量的值为非零,则称该信号是稀疏的,当这些分量呈块状聚集,则称该信号为块状稀疏信号。
期望最大算法(Expectation Maximization,EM):不断建立似然函数的下界,并对下界进行优化,进而最大化似然函数,是一种解决存在隐含变量优化问题的有效方法。
一种低复杂度块状稀疏信号重构方法,具体步骤如下:
S1、通过压缩感知采样得到接收信号y=A×x,其中,A为维度为m×n的投影矩阵,x为待恢复的块状稀疏信号,x=[x1,…,xn]T,y=[y1,…,ym]T,m<<n,m和n为大于1的自然数,[*]T表示转置;
S2、构造函数z=Ax,采用广义近似消息传递方法求解S1所述待恢复的块状稀疏信号x的后验均值,根据所述后验均值进行循环迭代求解,直到循环次数k等于系统预先设定的循环次数K,或前后两次迭代过程所得估计数据差值小于容许误差ε为止,其中,k为自然数,k≤K,K为大于等于1的自然数,具体步骤如下:
S21、初始化,
S1所述x的初始均值为S1所述x对应初始估计方差为τ(x)(0)=1,S1所述x的对偶变量s的估计初始值为稀疏控制参数α的初始值为α0=1,噪声初始估计方差为σ2(0)=var(y)/C,其中,参数α为对S1所述x进行稀疏控制的参数,var(y)表示S1所述接收信号y的方差,C为常数,j∈[1,...,m];
S22、当循环次数k=1时,利用S21所述α0计算出当前的后验估计均值,通过期望最大化(Expectation Maximuzation,EM)算法对所述α0和σ2(0)进行更新,得到α1和σ2(1),其中,α1表示循环次数为1的稀疏控制参数α的值,σ2(1)表示循环次数为1的噪声估计方差,为循环次数k=1时的块状稀疏信号;
S23、当循环次数k=k+1时,利用αk计算出的后验估计均值,通过EM算法对αk和σ2(k)进行更新,得到
其中,αk表示循环次数k=k时的稀疏控制参数α,αk+1表示循环次数k=k+1时的稀疏控制参数α,σ2(k)表示循环次数k=k时的噪声估计方差,σ2(k+1)表示循环次数k=k+1时的噪声估计方差,为循环次数k=k+1时的待恢复块状稀疏信号,i∈[1,…,n],b=1e-8,β=1,表示z当前估计值的第j个分量,表示z当前估计方差的第j个分量;
S24、若满足下述任意条件则停止循环迭代,条件如下:
条件1、k=K,则此时为恢复信号,
条件2、则此时为恢复信号;
S3、输出恢复的信号
进一步地,S2所述采用广义近似消息传递方法求解后验均值的方法具体如下:
A、对于m维向量中任意的j∈[1,…,m], 其中,为pk的估计值,pk是S2所述z加噪声后的变量,即pk=z+w1,w1为噪声方差等于τp(k)的零均值高斯白噪声;
B、 其中,s是x的对偶变量,为该变量的当前估计值,τs(k)为对应精确度;
C、对于n维向量中任意的i∈[1,…,n], 其中为rk的估计值,rk可以看作是x加噪声后的变量,即rk=x+w2,w2为零均值的高斯白噪声,噪声方差为τr(k)
D、 其中是x的当前估计值,τx(k+1)为对应方差。
进一步地,S2所述K=300,ε=1e-6。
本发明的有益效果是:
与传统的基于贝叶斯的恢复算法相比,本发明方法利用广义近似消息传递方法,可以在保持信号优越重构性能的基础上,有效地降低计算复杂度。将计算时间复杂度从O(n3)降为O(mn),即从三次方复杂度降为线性时间复杂度,极大的缓解后端的信号处理压力,其中,m和n分别为观测值的维度和原始信号的维度。
本发明在恢复块状稀疏信号时,相对于高计算复杂度的贝叶斯重构方法几乎没有性能损失,可以保持与高计算复杂度的贝叶斯重构方法同等的恢复性能。
本发明计算复杂度低,更适用于实际信号恢复(比如常见的图片一般包含上万个像素点)。
在能量以及计算资源高度受限制的无线传感器网络中可以应用本发明作信号的采集和重构算法,有效地节省能量。同时,本发明可以满足对实时性要求高的视频监控等应用需求。
附图说明
图1是使用本发明方法对基于压缩感知的块状稀疏信号数据采集与重构方法流程图。
图2是在稀疏度不变的情况下重构成功率随观测值变化的性能比较图。
图3是在稀疏度不变的情况下各个恢复算法的平均运行时间比较图。
图4是各算法恢复性能随观测值变化的比较图(卫星图像恢复(256×256))。
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。
本发明采用的模型:
在信号采集过程中基于压缩感知技术对信号进行采样,该场景可以是无线宽带信号接收端,或者是视频监控等场景中视频采集端等,模型可以描述为y=Ax,y为在信号接收端一次采样时隙得到的数据(在视频监控等图像处理场景中x为矩阵,
可以通过向量化操作转换为向量形式,同时y和A作相应变形),y是一个m维向量,x是一个n维向量,并且m<<n,其中x=[x1,…,xn]T,y=[y1,…,ym]T,矩阵A在硬件实现上可以通过PN伪随机码实现。
如图1所示,一种低复杂度块状稀疏信号重构方法,包括如下步骤:
步骤1、在无线宽带信号接收端,通过压缩感知采样得到接收信号y=A×x,其中,A为投影矩阵,所述A的维度为m×n,x为将要恢复的块状稀疏信号,x=[x1,…,xn]T,y=[y1,…,ym]T,
矩阵A有PN伪随机码产生,测量信号y可以由量化后的数字信号与PN伪随机码矩阵A相乘实现,这一过程我们实现了原始信号的采样,由于m<<n,即测量量远小于原始信号长度。
步骤2、进行初始化,给定变量x的初始估计均值为x对应初始估计方差为τ(x)(0)=1,变量x的对偶变量s的估计初始值为参数α(α为对x进行稀疏控制的参数)的初始值为α0=1,噪声初始估计方差为σ2(0)=var(y)/C,其中,var(y)表示接收信号y的方差,C为一个常数。
步骤3、首先求解x的后验均值,在硬件实现上,可以采用数位讯号处理器(Digital Signal Processor,DSP)或者现场可编程门阵列(Field Programmable GateArray,FPGA)。
待恢复信号x进行循环迭代求解,主要分为两步:
第一步、在广义近似消息传递步骤,利用当前的稀疏控制参数估计值αk计算出x,z=Ax的后验估计均值;第二步、基于近似计算得到的x,z=Ax后验估计均值,通过EM方法对超参数进行更新并获得αk+1。首先采用广义近似消息传递方法,求解x的后验均值。
在广义近似消息传递方法中,
对于m维向量中任意的j∈[1,…,m]:
于n维向量中任意的i∈[1,…,n]:
步骤4、然后利用期望最大算法(EM)算法更新噪声方差估计值σ2和x稀疏控制参数向量α的值,对于n维向量α中任意的i∈[1,…,n]: 其中b=1e-8。
步骤5、重复步骤3和步骤4,直到循环次数k等于系统预先设定的循环次数K=300,或前后两次迭代过程所得估计数据差值小于容许误差ε为止,即ε=1e-6。
步骤6、输出恢复的信号
经过上述操作,完成了对信号的采集与重构的过程。
下面对经典重构算法及本发明方法的算法性能对比分析,以进一步验证本发明的性能。
图2与图3表征了采用传统基追踪算法(Basis Pursuit)、SBL算法(SparseBayesian Learning)和PCSBL算法(Pattern Coupled Sparse Bayesian Learning)以及使用本发明采用的低复杂度信号恢复算法的性能比较,图2可以看出本发明的提出的算法在稀疏度情况相同下与高复杂度的PCSBL方法具有同等的恢复性能,即几乎相同的重构成功率(当小于10-6则表示该次信号重构实验成功,x为真实信号,为恢复信号),同时由图3表明在相同条件下,本发明提出的算法具有最小的计算复杂度,单次恢复平均计算时间远小于其他算法。
图4表示了在计算复杂度相当的几类算法中,本发明的算法利用不同的观测值进行恢复时在m/n<0.25时具有远小于其他算法的NMSE(Normalized Mean SquaredError),也就是说只要利用很少的观测值,本发明的算法便可以实现对原始信号的可靠恢复。
Claims (3)
1.一种低复杂度块状稀疏信号重构方法,其特征在于,包括如下步骤:
S1、通过压缩感知采样得到接收信号y=A×x,其中,A为维度为m×n的投影矩阵,x为待恢复的块状稀疏信号,x=[x1,...,xn]T,y=[y1,...,ym]T,m<<n,m和n为大于1的自然数,[*]T表示转置;
S2、构造函数z=Ax,采用广义近似消息传递方法求解S1所述待恢复的块状稀疏信号x的后验均值,根据所述后验均值进行循环迭代求解,直到循环次数k等于系统预先设定的循环次数K,或前后两次迭代过程所得估计数据差值小于容许误差ε为止,其中,k为自然数,k≤K,K为大于等于1的自然数,具体步骤如下:
S21、初始化,
S1所述x的初始均值为S1所述x对应初始估计方差为τ(x)(0)=1,S1所述x的对偶变量s的估计初始值为稀疏控制参数α的初始值为α0=1,噪声初始估计方差为σ2(0)=var(y)/C,其中,参数α为对S1所述x进行稀疏控制的参数,var(y)表示S1所述接收信号y的方差,C为常数,j∈[1,...,m];
S22、当循环次数k=1时,利用S21所述α0计算出当前的后验估计均值,通过期望最大化(Expectation Maximuzation,EM)算法对所述α0和σ2(0)进行更新,得到α1和σ2(1),其中,α1表示循环次数为1的稀疏控制参数α的值,σ2(1)表示循环次数为1的噪声估计方差,为循环次数k=1时的块状稀疏信号;
S23、当循环次数k=k+1时,利用αk计算出的后验估计均值,通过EM算法对αk和σ2(k)进行更新,得到
其中,αk表示循环次数k=k时的稀疏控制参数α,αk+1表示循环次数k=k+1时的稀疏控制参数α,σ2(k)表示循环次数k=k时的噪声估计方差,σ2(k+1)表示循环次数k=k+1时的噪声估计方差,为循环次数k=k+1时的待恢复块状稀疏信号,i∈[1,...,n],b=1e-8,β=1,表示z当前估计值的第j个分量,表示z当前估计方差的第j个分量;
S24、若满足下述任意条件则停止循环迭代,条件如下:
条件1、k=K,则此时为恢复信号,
条件2、 则此时为恢复信号;
S3、输出恢复的信号
2.根据权利要求1所述一种低复杂度块状稀疏信号重构方法,其特征在于:S2所述采用广义近似消息传递方法求解后验均值的方法具体如下:
A、对于m维向量中任意的j∈[1,...,m], 其中,为pk的估计值,pk是S2所述z加噪声后的变量,即pk=z+w1,w1为噪声方差等于τp(k)的零均值高斯白噪声;
B、 其中,s是x的对偶变量,为该变量的当前估计值,τs(k)为对应精确度;
C、对于n维向量中任意的i∈[1,...,n], 其中为rk的估计值,rk可以看作是x加噪声后的变量,即rk=x+w2,w2为零均值的高斯白噪声,噪声方差为τr(k)
D、 其中是x的当前估计值,τx(k+1)为对应方差。
3.根据权利要求1所述一种低复杂度块状稀疏信号重构方法,其特征在于:S2所述K=300,ε=1e-6。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510150411.3A CN104767535B (zh) | 2015-03-31 | 2015-03-31 | 一种低复杂度块状稀疏信号重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510150411.3A CN104767535B (zh) | 2015-03-31 | 2015-03-31 | 一种低复杂度块状稀疏信号重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104767535A true CN104767535A (zh) | 2015-07-08 |
CN104767535B CN104767535B (zh) | 2018-08-10 |
Family
ID=53649188
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510150411.3A Expired - Fee Related CN104767535B (zh) | 2015-03-31 | 2015-03-31 | 一种低复杂度块状稀疏信号重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104767535B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204501A (zh) * | 2016-07-29 | 2016-12-07 | 上海科技大学 | 一种压缩感知恢复方法 |
CN106227705A (zh) * | 2016-09-20 | 2016-12-14 | 北京邮电大学 | 一种数据收集的方法及装置 |
CN106374935A (zh) * | 2016-08-29 | 2017-02-01 | 电子科技大学 | 一种采用自适应耦合参数的块稀疏信号重构方法 |
CN106549888A (zh) * | 2016-11-22 | 2017-03-29 | 北京理工大学 | 一种基于gamp的联合双选信道估计与ftns检测方法 |
CN107086970A (zh) * | 2017-04-18 | 2017-08-22 | 电子科技大学 | 基于贝叶斯算法的信道估计方法 |
CN107147397A (zh) * | 2017-04-24 | 2017-09-08 | 电子科技大学 | 面向可穿戴设备的快速压缩感知重构方法 |
CN109190693A (zh) * | 2018-08-27 | 2019-01-11 | 西安电子科技大学 | 基于块稀疏贝叶斯学习的变体目标高分辨距离像识别方法 |
CN109586728A (zh) * | 2018-12-11 | 2019-04-05 | 哈尔滨工业大学 | 基于稀疏贝叶斯的调制宽带转换器框架下信号盲重构方法 |
CN110596645A (zh) * | 2019-09-10 | 2019-12-20 | 中国人民解放军国防科技大学 | 二维免求逆稀疏贝叶斯学习快速稀疏重构方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102045118A (zh) * | 2010-10-22 | 2011-05-04 | 清华大学 | 基于伪逆相乘的压缩感知重建算法 |
CN102891684A (zh) * | 2012-10-10 | 2013-01-23 | 南京邮电大学 | 一种压缩感知含噪重构系统的构建方法 |
CN103888145A (zh) * | 2014-03-28 | 2014-06-25 | 电子科技大学 | 一种重构信号的方法 |
CN104135290A (zh) * | 2014-07-24 | 2014-11-05 | 电子科技大学 | 基于1比特压缩感知的低功耗数据采集与重构方法 |
CN104270158A (zh) * | 2014-03-26 | 2015-01-07 | 湘潭大学 | 一种自适应稀疏度协作重构方法 |
-
2015
- 2015-03-31 CN CN201510150411.3A patent/CN104767535B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102045118A (zh) * | 2010-10-22 | 2011-05-04 | 清华大学 | 基于伪逆相乘的压缩感知重建算法 |
CN102891684A (zh) * | 2012-10-10 | 2013-01-23 | 南京邮电大学 | 一种压缩感知含噪重构系统的构建方法 |
CN104270158A (zh) * | 2014-03-26 | 2015-01-07 | 湘潭大学 | 一种自适应稀疏度协作重构方法 |
CN103888145A (zh) * | 2014-03-28 | 2014-06-25 | 电子科技大学 | 一种重构信号的方法 |
CN104135290A (zh) * | 2014-07-24 | 2014-11-05 | 电子科技大学 | 基于1比特压缩感知的低功耗数据采集与重构方法 |
Non-Patent Citations (1)
Title |
---|
刘寅 等: "基于空域稀疏性的宽带DOA估计", 《航空学报》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204501A (zh) * | 2016-07-29 | 2016-12-07 | 上海科技大学 | 一种压缩感知恢复方法 |
CN106204501B (zh) * | 2016-07-29 | 2019-03-19 | 上海科技大学 | 一种压缩感知恢复方法 |
CN106374935A (zh) * | 2016-08-29 | 2017-02-01 | 电子科技大学 | 一种采用自适应耦合参数的块稀疏信号重构方法 |
CN106227705A (zh) * | 2016-09-20 | 2016-12-14 | 北京邮电大学 | 一种数据收集的方法及装置 |
CN106549888B (zh) * | 2016-11-22 | 2019-01-25 | 北京理工大学 | 一种基于gamp的联合双选信道估计与ftns检测方法 |
CN106549888A (zh) * | 2016-11-22 | 2017-03-29 | 北京理工大学 | 一种基于gamp的联合双选信道估计与ftns检测方法 |
CN107086970A (zh) * | 2017-04-18 | 2017-08-22 | 电子科技大学 | 基于贝叶斯算法的信道估计方法 |
CN107086970B (zh) * | 2017-04-18 | 2019-06-04 | 电子科技大学 | 基于贝叶斯算法的信道估计方法 |
CN107147397A (zh) * | 2017-04-24 | 2017-09-08 | 电子科技大学 | 面向可穿戴设备的快速压缩感知重构方法 |
CN107147397B (zh) * | 2017-04-24 | 2020-06-16 | 电子科技大学 | 面向可穿戴设备的快速压缩感知重构方法 |
CN109190693A (zh) * | 2018-08-27 | 2019-01-11 | 西安电子科技大学 | 基于块稀疏贝叶斯学习的变体目标高分辨距离像识别方法 |
CN109190693B (zh) * | 2018-08-27 | 2022-03-22 | 西安电子科技大学 | 基于块稀疏贝叶斯学习的变体目标高分辨距离像识别方法 |
CN109586728A (zh) * | 2018-12-11 | 2019-04-05 | 哈尔滨工业大学 | 基于稀疏贝叶斯的调制宽带转换器框架下信号盲重构方法 |
CN109586728B (zh) * | 2018-12-11 | 2022-10-25 | 哈尔滨工业大学 | 基于稀疏贝叶斯的调制宽带转换器框架下信号盲重构方法 |
CN110596645A (zh) * | 2019-09-10 | 2019-12-20 | 中国人民解放军国防科技大学 | 二维免求逆稀疏贝叶斯学习快速稀疏重构方法 |
CN110596645B (zh) * | 2019-09-10 | 2021-04-23 | 中国人民解放军国防科技大学 | 二维免求逆稀疏贝叶斯学习快速稀疏重构方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104767535B (zh) | 2018-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104767535A (zh) | 一种低复杂度块状稀疏信号重构方法 | |
CN111464220B (zh) | 一种基于深度学习的信道状态信息重建方法 | |
CN102833020B (zh) | 认知无线网络中基于自适应测量的贝叶斯压缩宽带频谱检测方法 | |
Wen et al. | Robust Sparse Recovery in Impulsive Noise via $\ell _p $-$\ell _1 $ Optimization | |
He et al. | Generalized expectation consistent signal recovery for nonlinear measurements | |
Li et al. | A survey on one-bit compressed sensing: Theory and applications | |
CN107689795B (zh) | 一种基于实时压缩感知的多地区电力控制方法 | |
CN105553507A (zh) | 基于fft全相干累积时频域并行捕获方法 | |
CN101588328B (zh) | 一种高精度无线信道参数化模型的联合估计方法 | |
CN103840838A (zh) | 一种基于自适应观测矩阵的贝叶斯压缩感知信号恢复方法 | |
CN101217355A (zh) | 基于低密度奇偶校验译码软判决信息的迭代定时同步方法 | |
CN102629371A (zh) | 基于实时盲图像复原技术的视频像质改善系统 | |
CN111562545A (zh) | 基于pd-alm算法的稀疏阵列doa估计方法 | |
CN105634568A (zh) | 一种基于大规模mimo系统信号检测的llr计算方法 | |
CN105515627A (zh) | 一种大规模mimo检测方法及检测装置 | |
CN104682963A (zh) | 一种信号循环平稳特性的重构方法 | |
CN103501182A (zh) | 一种卷积码生成多项式的盲估计方法 | |
CN107809399B (zh) | 一种针对量化接收信号的多天线毫米波信道估计方法 | |
CN106878997A (zh) | 一种分布式网络中的贝叶斯压缩频谱感知方法 | |
CN104104390A (zh) | 一种信号压缩方法和重构方法及相关装置和系统 | |
CN105068093A (zh) | 适用于单比特量化北斗接收机的载波跟踪方法 | |
CN114462454A (zh) | 基于深度学习的无网格信号源doa估计方法 | |
CN113824662A (zh) | 载波同步方法、装置、电子设备及计算机可读介质 | |
CN105119860A (zh) | 一种广义空间调制系统的信号检测方法 | |
Min | High resolution radar imaging based on compressed sensing and adaptive Lp norm algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate 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: 20180810 |