CN107493106B - 一种基于压缩感知的频率和角度联合估计的方法 - Google Patents
一种基于压缩感知的频率和角度联合估计的方法 Download PDFInfo
- Publication number
- CN107493106B CN107493106B CN201710675391.0A CN201710675391A CN107493106B CN 107493106 B CN107493106 B CN 107493106B CN 201710675391 A CN201710675391 A CN 201710675391A CN 107493106 B CN107493106 B CN 107493106B
- Authority
- CN
- China
- Prior art keywords
- frequency
- signal
- wave number
- direction wave
- angle
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
- H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
- H03M7/3059—Digital compression and data reduction techniques where the original information is represented by a subset or similar information, e.g. lossy compression
- H03M7/3062—Compressive sampling or sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于压缩感知的频率和角度联合估计的方法,方法中,通过将频率和角度合成为一个参数即方向波数,完成将二维问题简化为一维问题;通过利用压缩感知方法构造稀疏模型,求解一维参数;通过将已求方向波数信号进行相关性配对,求解出频率,此时频率为相应方向波数对应的频率,即实现参数自动配对;通过相应方向波数和频率求解出角度参数,完成频率/角度联合估计。此方法,频率求解和配对同步完成,无需特定参数配对过程,因此方法较为简单;可在较低信噪比和较小快拍数的条件下对信源进行定位,获得较高的频率和角度估计精度,确保在空域和频域上无模糊现象。
Description
技术领域
本发明涉及阵列信号处理技术领域,尤其涉及一种基于压缩感知的频率和角度联合估计的方法。
背景技术
信源定位是目标定位与识别的一个重要领域,涉及雷达、通信、声呐、生物医学等多个国民经济和军事应用领域。随着现代电磁环境的日益复杂,传统模拟体制的接收机已很难适应时代的需求,数字接收机成为了信源定位发展的必然选择。数字接收机中信号处理算法的好坏直接决定了其性能,因此,寻求有效的信源定位处理方法已经成为了阵列信号处理中的重要研究课题。近年来,稀疏重构和压缩感知理论成为了信号处理领域的研究热点,利用信号的稀疏性,以少量的观测数据就可以对信号实现重构。为了提高定位的准确性与稳定性,接收机往往要覆盖全空域和全频段,而阵列某一时刻侦收到的信号在空域或频域是稀疏的,因此将稀疏重构和压缩感知理论应用到阵列信号处理领域进行信源定位具有广阔的发展前景。
基于频率/角度定位的传统方法是将测频和测向分为两个独立的系统,不免造成体积庞大,灵敏度的缺点,随后学者们又提出了一些基于经典算法的联合估计算法,这类方法都有一个共同缺点:数据量大,计算复杂。
发明内容
有鉴于现有技术的上述缺陷,本发明所要解决的技术问题是提供一种基于压缩感知的频率和角度联合估计的方法,以解决现有技术的不足。
为实现上述目的,本发明提供了一种基于压缩感知的频率和角度联合估计的方法,其特征在于,包括以下步骤:
步骤一、构造阵列接收信号;
步骤二、将阵列接收信号降低维度;
步骤三、构造方向波数域稀疏信号;
步骤四、利用OMP方法求出方向波数;
步骤五、信号与方向波信号进行频域相关性匹配;
步骤六、获得方向波数相匹配的频率,求出角度。
进一步地,所述步骤一构造阵列接收信号具体为:
将整个方向波数域进行等格离栅分为LN个等份,以每一个离栅格点的导向矢量作为变换基矩阵的一个列,构造一个N×LN维的变换基矩阵ΨN×LN,用数学方法表示为
进一步地,所述步骤三构造方向波数域稀疏信号具体为:
将第t个快拍时刻线阵接收到的信号稀疏表示为
x(t)=Ψy(t)+w(t) (2)
其中,y(t)LN×1第t个快拍时刻线阵接收到的信号的稀疏表示;
利用高斯随机矩阵ΦM×N对信号进行观测,观测信号被表示为
其中,z(t)M×1为第t个快拍时刻线阵接收到的信号经过压缩观测后的观测信号,TM×LN为压缩感知恢复矩阵。
进一步地,所述步骤四利用OMP方法求出方向波数具体为:
在信号满足压缩感知的条件下,通过求解l1范数对式(3)进行求解,数学表达式为:
这里以正交匹配追踪算法OMP算法为基础对信号方向波数进行求解。
进一步地,所述步骤五信号与方向波信号进行频域相关性匹配具体为:
算法具体描述为利用所求方向波数构造方向波数参数矩阵BN×P(以下简称参数矩阵),数学表达式为
F=[f1 f2 … fLEN] (6)
其中,max()表示取最大,corrcoef()表示求相关性函数。
进一步地,所述步骤六获得方向波数相匹配的频率,求出角度,具体为:根据所求方向波数及频率的匹配即可求出信号角度信息
本发明的有益效果是:
本发明提供的频率角度联合估计方法,可将频率求解和配对一步完成,即参数实现自动配对;可在信噪比较小条件下,利用少量快拍数实现信源的精确定位等优点。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明,以充分地了解本发明的目的、特征和效果。
附图说明
图1是算法流程图;
图2是频率估计效果图;
图3是频率估计另一个效果图;
图4是信噪比与频率估计误差图(RMSE是一个指标);
图5是信噪比与角度估计误差图;
图6是快拍与频率估计误差图;
图7是快拍与角度估计误差图。
具体实施方式
如图1所示,一种基于压缩感知的频率和角度联合估计的方法,包括以下步骤:
步骤一、构造阵列接收信号;
步骤二、将阵列接收信号降低维度;
步骤三、构造方向波数域稀疏信号;
步骤四、利用OMP方法求出方向波数;
步骤五、信号与方向波信号进行频域相关性匹配;
步骤六、获得方向波数相匹配的频率,求出角度。
一、本发明构建的信号模型如下:
假设有P个远场信号分别以θ1,θ2,θ3,...,θP方向入射到阵元数为N,阵元间距为d的均匀线阵上,信号对应的中心频率分别为f1,f2,f3,...,fP,则第i个信号(i=1,2,3,...,P)角度和频率的二维导向矢量可表示为
a(θi,fi)=[1 exp[(-j2πfidsinθi)/c]...exp[(-j2π(N-1)fidsinθi)/c]]T (1)
其中,c为3*108m/s表示光速。
由于导向矢量中含有角度和频率的二维信息,是一个二维求解问题,为将二维问题转化为一维求解问题,假设Ki=fisinθi/c,(i=1,2,3,...,P),称K=[K1 K2 … KP]为方向波数。那么(1)式可用方向波数改写为
a(Ki)=[1 exp(-j2πdKi) ... exp(-j2π(N-1)dKi)]T (2)
其中,即第i个信号在相邻阵元间之间的相位差为dKi。方向波数对应的矩阵流型为
A=[a(K1) a(K2) … a(KP)] (3)
(3)式中矩阵流型为N×P维矩阵。那么第t个快拍时刻线阵接收到的信号为
x(t)=As(t)+w(t) (4)
其中,x(t)N×1为第t个快拍时刻阵列接收的信号矢量,s(t)P×1=[sf1(t) sf2(t) …sfP(t)]T为第t个快拍时刻空间信号矢量,sfi(t)=exp(j2πfit/fsc),t=12…L,w(t)N×1为第t个快拍时刻高斯白噪声。
由(4)式可得在总共L个快拍中接收到的信号为
X=AS+W (5)
其中,XN×L=[x(1) x(2) … x(L)]为阵列接收信号,SP×L=[s(1) s(2) … s(L)]为L次快拍接收到的空间信号,WN×L为高斯白噪。
二、本发明的算法原理如下:
从(1)式中可以看出,信号是关于频率和角度的二维估计问题,本发明利用联合估计的思想,将二维的频率/角度问题转换为一维的方向波数求解问题,这样大大简化了计算复杂度。一些学者们研究发现,若要得到精确的角度估计必须必须先得到精确的方向波数估计值,虽然以多信号分类(Multiple Signal Classification,MUSIC)算法为代表的经典谱估计方法,已能对方向波数进行高分辨估计,然而,这类算法所需快拍大,计算复杂。压缩感知方法(Compressed Sensing,CS),以其分辨率高、所需快拍数少(事实上往往只需一个快拍数据即可)、利用很少的数据信息即可对信号进行精确恢复的特点在信号信号处理领域得到广泛关注。
CS指出当信号具有(或在某个域具有)稀疏性特点时,可利用一个低维矩阵对该稀疏信号进行观测,抽取其中的一部分信息,将高维信号转化为低维信号,通过寻优求解的方法求出最优值。本文中,方向波数在整个方向波数域内是稀疏的,因此只需利用潜在可能的方向波数值构造出过完备的正交稀疏字典,构造方法为:将整个方向波数域进行等格离栅分为LN个等份,以每一个离栅格点的导向矢量作为变换基矩阵的一个列,构造一个N×LN维的变换基矩阵ΨN×LN,用数学方法表示为
x(t)=Ψy(t)+w(t) (7)
其中,y(t)LN×1第t个快拍时刻线阵接收到的信号的稀疏表示。
由于高斯随机矩阵能很好的满足约束等距性条件(Restricted IsometryProperty,RIP),广泛应用于压缩感知方法,因此本文利用高斯随机矩阵ΦM×N对信号进行观测,观测信号可被表示为
其中,z(t)M×1为第t个快拍时刻线阵接收到的信号经过压缩观测后的观测信号,TM×LN为压缩感知恢复矩阵。
在信号满足压缩感知的条件下,通过求解l1范数对式(8)进行求解,数学表达式为:
求解模型(9)的算法有多种,本文所用信号稀疏度都为已知,这里以正交匹配追踪算法(Orthogonal Matching Pursuit,OMP)为基础对信号方向波数进行求解。
三、基于相关性分析的方向波数和频率匹配
在信号方向波数求出以后,只需求出信号的频率,然后将频率与方向波数进行配对,即可求出信号频率/角度的二维信息。本发明提出一种基于基于方向波数与频率相关性匹配的稳健频率求解算法。
算法具体描述为利用所求方向波数构造方向波数参数矩阵BN×P(以下简称参数矩阵),数学表达式为
F=[f1 f2 … fLEN] (11)
其中,max()表示取最大,corrcoef()表示求相关性函数。
根据所求方向波数及频率的匹配即可求出信号角度信息
四、仿真与分析
本发明提出一种基于压缩感知方法的频率和角度联合估计方法,首相利用单快拍信号结合压缩感知方法求出方向波数估计值,然后利用少快拍阵元接收信号分别与已求方向波数构造的独立空时级联信号进行相关性匹配,求出与方向波数相匹配的频率值。为衡量算法性能优劣,设计了在不同快拍数、不同信噪比、信号密集的条件下对信号角度和频率进行联合估计的对照,相比与现有的空域滤波后在采用FFT对信号频率进行求解的方法,本发明所提方法具有在信噪比较低情况下,利用少的快拍数即可对信号角度和频率进行精确估计的优点。为准确评价算法性能采用蒙特卡罗方法对算法进行仿真,利用均方根误差来描述算法的误差,均方根误差(Root Mean Square Error,RMSE)定义为
式中P为信源数,CNT为蒙特卡罗循环次数,fi,cnt、θi,cnt为第i个信号在第cnt次蒙特卡罗实验中所得频率、角度估计值,fi、θi为第i个信号角度和频率的真实值。
对实验中所设计数据做如下规定,角度范围为-90°到90°,频域范围为0到100MHZ,采用阵元数N=40的均匀线阵,选取角度为-20°、20°、45°,频率为40、50、60MHZ的信源,则真实的方向波数分别为-0.0456、0.0570、0.1414。利用单快拍压缩感知模型,采用OMP算法对方向波数进行求解,在求得方向波数后,分别利用相关性匹配及空域滤波与FFT相结合的方法对频率进行估计,在频率求解时以高斯矩阵作为压缩感知测量矩阵,离散傅里叶变换离散值取1024。
实验一
为直观比较本文所提方法与现有空域滤波方法在不同信噪比条件下,利用少量快拍数据对频率进行估计的效果,图2中SNR=30dB、快拍L=100,图2中SNR=10dB快拍数L=10。
观察图2发现,在大信噪比、少量快拍数的条件下,空域滤波法已能较准确的估计信号频率,但相比于本文方法依然存在一定误差,在图3中,空域滤波法只能对其中两个频率信息进行较为精确的估计,说明在信噪比较低情况下空域滤波法已不能准确估计信号的频率信息,但本文算法仍可对频率进行精确估计。结合图2、3在快拍较少条件下空域滤波法脉宽较大,能量分散,而本文所提方法能量集中、谱峰尖锐,且在较低信噪比条件下依然可对频率进行精确估计。
实验二
实验一得出信噪比大小会影响频率求解,为讨论信噪比对频率和角度估计的影响,假定压缩感知测量数M=40,以快拍数分别为L=10、L=512,蒙特卡罗循环数CNT=100,讨论信噪比SNR=3、6…33dB时信噪比与频率和角度的估计关系。
从图4、图5中可以看出,随着信噪比的增加,信号频率和角度估计均随着信噪比增大而减小。在统一条件下,本文所提方法对频率和角度的估计精度优于空域滤波法。图中可以看出在信噪比大于9dB时本文所提算法即可对信号频率和角度做出较为精确的估计,空域滤波法需信噪比大于24dB才能得到相同精度角度的估计,且此时频率估计结果仍有较大误差。设定快拍数分别为L=10、L=512,从图中可以看出在相同条件下,增大快拍数可以提高对信号频率和角度的估计精度,且从图中发现空域滤波法在大快拍数条件下算法精确度改善较大,而本文所提算法在大快拍条件下改善并不显,因此对比空域滤波法本文所提算法在小信噪比、小块拍下具有更高的频率、角度估计精度。
实验三
实验二表明,对频/角估计精度受快拍大小影响,为比较在不同快拍数条件下空域滤波算法与本文所提算法对角度和频率联合估计的影响,假定压缩感知测量数M=40,信噪比SNR=10dB,为不失一般性循环数CNT=100,快拍数L=2、5、…35。
从图6和图7中可以看出,在信噪比SNR=10dB条件下,随着快拍数的增加两种算法频率和角度误差随着快拍数增大而减小,且本发明所提算法估计性能优于空域滤波法。从图6中发现本文所提算法对频率估计精度优于基于空域滤波法,在快拍数大于11以后便可对频率进行稳定精确估计,而空域滤波法在信噪比较小条件下频率估计存在较大误差。从图7中发现快拍数大于5时本文所提方法便可对角度做出较为精确估计,而空域滤波法大小取快拍为35时对角度估计误差仍然较大。从而验证本文所提算法在小信噪比、小快拍下具有更高的频率、角度估计精度。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (2)
1.一种基于压缩感知的频率和角度联合估计的方法,其特征在于,包括以下步骤:
步骤一、构造阵列接收信号,所述阵列接收信号来源于雷达数字接收机;
步骤一中,构造阵列接收信号具体为:
将整个方向波数域进行等格离栅分为LN个等份,以每一个离栅格点的导向矢量作为变换基矩阵的一个列,构造一个N×LN维的变换基矩阵ΨN×LN,用数学方法表示为
其中,为等格划分后潜在的方向波数值,其中,方向波数的定义为Ki=fisinθi/c,(i=1,2,3,...,P),其中,P表示待求的信号数量,θi表示第i个信号的入射角度,fi表示第i个信号的中心频率,c表示光速;
步骤二、将阵列接收信号降低维度;
步骤三、构造方向波数域稀疏信号;
步骤三中,构造方向波数域稀疏信号具体为:
将第t个快拍时刻线阵接收到的信号稀疏表示为
x(t)N×1=ΨN×LNy(t)LN×l+w(t)N×l (2)
其中,x(t)N×1为第t个快拍时刻阵列接收信号矢量,y(t)LN×1第t个快拍时刻线阵接收到的信号的稀疏表示;w(t)N×1为第t个快拍时刻高斯白噪声;利用高斯随机矩阵ΦM×N对信号进行观测,观测信号被表示为
其中,z(t)M×1为第t个快拍时刻线阵接收到的信号经过压缩观测后的观测信号,TM×LN为压缩感知恢复矩阵;
步骤四、利用OMP方法求出方向波数;
步骤五、信号与方向波信号进行频域相关性匹配;
步骤五中,信号与方向波信号进行频域相关性匹配具体为:
通过已求得的方向波数值求解频率的方法,该方法利用相关性匹配求解每个方向波数中包含的频率参数,具体描述为利用所求方向波数构造方向波数参数矩阵BN×P,数学表达式为
F=[f1 f2 … fLEN] (6)
将(7)式中待匹配信号逐个与阵列接收信号X在频域上进行相关性匹配,即:用式(8)求出和X的相关性最大值,该最大值对应的序号就是所求的频率在F中的序号,最后根据这个序号在F中找到对应的频率值,即求出与方向波数相匹配的频率这样就将匹配和求解的过程一步完成,匹配方法可以描述为
其中,max()表示取最大,corrcoef()表示求相关性函数;
步骤六、获得方向波数相匹配的频率,求出角度;
根据所求方向波数及频率的匹配即可求出信号角度信息
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710675391.0A CN107493106B (zh) | 2017-08-09 | 2017-08-09 | 一种基于压缩感知的频率和角度联合估计的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710675391.0A CN107493106B (zh) | 2017-08-09 | 2017-08-09 | 一种基于压缩感知的频率和角度联合估计的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107493106A CN107493106A (zh) | 2017-12-19 |
CN107493106B true CN107493106B (zh) | 2021-02-12 |
Family
ID=60644030
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710675391.0A Active CN107493106B (zh) | 2017-08-09 | 2017-08-09 | 一种基于压缩感知的频率和角度联合估计的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107493106B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108761383A (zh) * | 2018-04-13 | 2018-11-06 | 中国人民解放军陆军工程大学 | 一种基于二维矩阵束的时延与角度联合估计方法 |
CN110109048B (zh) * | 2019-05-23 | 2020-11-06 | 北京航空航天大学 | 一种基于相位差的入侵信号来波方向角度范围估计方法 |
CN110851781B (zh) * | 2019-11-01 | 2020-08-11 | 东南大学 | 基于频域能量和群延时筛选的信道脉冲响应窗口估计方法 |
CN112444773A (zh) * | 2020-11-30 | 2021-03-05 | 北京工业大学 | 基于空域融合的压缩感知二维doa估计方法 |
CN112731486B (zh) * | 2020-12-24 | 2023-07-04 | 深圳大学 | 信号角度和信号频率的估计方法、装置、设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104469937A (zh) * | 2014-12-10 | 2015-03-25 | 中国人民解放军理工大学 | 压缩感知定位技术中的传感器高效部署方法 |
CN105933008A (zh) * | 2016-04-15 | 2016-09-07 | 哈尔滨工业大学 | 基于聚集稀疏正则化正交匹配追踪算法的多频带信号重构方法 |
CN106027061A (zh) * | 2016-05-06 | 2016-10-12 | 南京信息工程大学 | 一种基于自适应观测矩阵的Lamb波压缩感知方法 |
CN106294284A (zh) * | 2016-08-26 | 2017-01-04 | 河海大学 | 基于频率角度二维混合插值的降雨粒子散射运算加速方法 |
US9571976B1 (en) * | 2015-12-17 | 2017-02-14 | Alcatel-Lucent Usa Inc. | Optimized radio frequency signal strength sampling of a broadcast area for device localization |
CN106443587A (zh) * | 2016-11-18 | 2017-02-22 | 合肥工业大学 | 一种高分辨率的快速反卷积声源成像算法 |
CN106501770A (zh) * | 2016-10-26 | 2017-03-15 | 黑龙江大学 | 基于幅相误差阵列的远近场宽带混合源中近场源定位方法 |
CN106526541A (zh) * | 2016-10-13 | 2017-03-22 | 杭州电子科技大学 | 基于分布矩阵决策的声音定位方法 |
CN104360310B (zh) * | 2014-12-03 | 2017-06-27 | 吉林大学 | 一种多目标近场源定位方法和装置 |
CN106940439A (zh) * | 2017-03-01 | 2017-07-11 | 西安电子科技大学 | 基于无线声传感器网络的k均值聚类加权声源定位方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9634690B2 (en) * | 2010-09-30 | 2017-04-25 | Alcatel Lucent | Method and apparatus for arbitrary resolution video coding using compressive sampling measurements |
US9100278B2 (en) * | 2012-08-17 | 2015-08-04 | Qualcomm Incorporated | OFDM speed estimation |
US10488505B2 (en) * | 2014-05-30 | 2019-11-26 | The Boeing Company | Positioning in indoor locations and other GPS-denied environments |
US10304008B2 (en) * | 2015-03-20 | 2019-05-28 | Nec Corporation | Fast distributed nonnegative matrix factorization and completion for big data analytics |
-
2017
- 2017-08-09 CN CN201710675391.0A patent/CN107493106B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104360310B (zh) * | 2014-12-03 | 2017-06-27 | 吉林大学 | 一种多目标近场源定位方法和装置 |
CN104469937A (zh) * | 2014-12-10 | 2015-03-25 | 中国人民解放军理工大学 | 压缩感知定位技术中的传感器高效部署方法 |
US9571976B1 (en) * | 2015-12-17 | 2017-02-14 | Alcatel-Lucent Usa Inc. | Optimized radio frequency signal strength sampling of a broadcast area for device localization |
CN105933008A (zh) * | 2016-04-15 | 2016-09-07 | 哈尔滨工业大学 | 基于聚集稀疏正则化正交匹配追踪算法的多频带信号重构方法 |
CN106027061A (zh) * | 2016-05-06 | 2016-10-12 | 南京信息工程大学 | 一种基于自适应观测矩阵的Lamb波压缩感知方法 |
CN106294284A (zh) * | 2016-08-26 | 2017-01-04 | 河海大学 | 基于频率角度二维混合插值的降雨粒子散射运算加速方法 |
CN106526541A (zh) * | 2016-10-13 | 2017-03-22 | 杭州电子科技大学 | 基于分布矩阵决策的声音定位方法 |
CN106501770A (zh) * | 2016-10-26 | 2017-03-15 | 黑龙江大学 | 基于幅相误差阵列的远近场宽带混合源中近场源定位方法 |
CN106443587A (zh) * | 2016-11-18 | 2017-02-22 | 合肥工业大学 | 一种高分辨率的快速反卷积声源成像算法 |
CN106940439A (zh) * | 2017-03-01 | 2017-07-11 | 西安电子科技大学 | 基于无线声传感器网络的k均值聚类加权声源定位方法 |
Non-Patent Citations (5)
Title |
---|
A joint frequency and DOA estimation method based on two-layers compressed sensinga;Shuang Wei 等;《2017 IEEE International Conference on Information and Automation (ICIA)》;20170720;1-6 * |
Acoustic array single snapshot beamforming via compressed sensing;Wei Qiu 等;《OCEANS 2016 - Shanghai》;20160609;1-4 * |
Performance of different measurement matrices of compressed sensing on sparse spatial spectral estimation;Shuang Wei 等;《2016 IEEE International Conference on Information and Automation (ICIA)》;20150803;1-6 * |
基于压缩感知的宽频段二维DOA估计算法;沈志博 等;《电子与信息学报》;20141215;第36卷(第12期);2935-2941 * |
频域单快拍压缩感知目标方位估计和信号恢复方法;康春玉 等;《声学学报》;20160315;第41卷(第2期);174-180 * |
Also Published As
Publication number | Publication date |
---|---|
CN107493106A (zh) | 2017-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107493106B (zh) | 一种基于压缩感知的频率和角度联合估计的方法 | |
CN103353595B (zh) | 基于阵列内插压缩感知的米波雷达测高方法 | |
CN107037392B (zh) | 一种基于压缩感知的自由度增加型互质阵列波达方向估计方法 | |
CN106680815B (zh) | 基于张量稀疏表示的mimo雷达成像方法 | |
CN110412499B (zh) | 基于压缩感知理论下的rss算法的宽带doa估计算法 | |
CN104914408B (zh) | 基于中国余数定理的频率、doa联合测量方法以及装置 | |
CN102662158B (zh) | 一种对传感器天线阵列接收信号的快速处理方法 | |
CN104515969A (zh) | 一种基于六角形阵列的相干信号二维doa估计方法 | |
CN113673317B (zh) | 基于原子范数最小化可降维的二维离格doa估计方法 | |
CN113253192B (zh) | 一种用于非圆信号的互质线阵级联doa估计方法 | |
Mao et al. | An Improved DOA Estimation Algorithm Based on Wavelet Operator. | |
CN113032721A (zh) | 一种低计算复杂度的远场和近场混合信号源参数估计方法 | |
Qi et al. | Time-frequency DOA estimation of chirp signals based on multi-subarray | |
CN106980105B (zh) | 电磁矢量传感器阵列空间旋转解相干测向方法 | |
CN103399308A (zh) | 主瓣和旁瓣干扰背景下雷达目标角度快速估计方法 | |
Wu et al. | L (1/2) regularization for ISAR imaging and target enhancement of complex image | |
CN110208738A (zh) | 基于阵列调制宽带转换器的信号频率与二维doa联合估计方法 | |
CN113267746A (zh) | 基于组稀疏的加权宽带波达方向估计方法 | |
Liu et al. | Real-valued reweighted l 1 norm minimization method based on data reconstruction in MIMO radar | |
CN112505685A (zh) | 基于bsbl-em算法的分离式极化敏感阵列相干信号doa和极化参数估计 | |
CN116699511A (zh) | 一种多频点信号波达方向估计方法、系统、设备及介质 | |
CN109557503B (zh) | 基于相关矩阵重建解相干的mimo互质阵列doa估计方法 | |
Yan et al. | Reduced-complexity direction of arrival estimation with centro-symmetrical arrays and its performance analysis | |
Lin et al. | Super-resolution DOA estimation using single snapshot via compressed sensing off the grid | |
He et al. | DOA estimation of wideband signals based on iterative spectral reconstruction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |