CN108181611B - 基于子空间的压缩感知高分辨阵列处理方法 - Google Patents
基于子空间的压缩感知高分辨阵列处理方法 Download PDFInfo
- Publication number
- CN108181611B CN108181611B CN201711308659.3A CN201711308659A CN108181611B CN 108181611 B CN108181611 B CN 108181611B CN 201711308659 A CN201711308659 A CN 201711308659A CN 108181611 B CN108181611 B CN 108181611B
- Authority
- CN
- China
- Prior art keywords
- signal
- matrix
- subspace
- noise
- sensor
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/18—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using ultrasonic, sonic, or infrasonic waves
- G01S5/22—Position of source determined by co-ordinating a plurality of position lines defined by path-difference measurements
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开一种基于子空间的压缩感知高分辨阵列处理方法,利用被测量信号在稀疏基下的稀疏性,构造凸优化计算函数。本发明能够在信号和噪声相干条件下识别信号,不同的信噪比条件下,本发明的均方根误差小于其它对比算法,且计算时间与现有方法相差无几。
Description
技术领域
本发明涉及一种水声信号处理技术,具体涉及一种基于子空间的压缩感知高分辨阵列处理方法。
背景技术
浅海海洋中的目标检测和定位问题是海洋科学研究和技术应用的基本问题。在浅海海域中,来自不同的信号源的信号在传播过程中,信号幅度的衰弱,海洋中的噪声和信号之间的相干性对不同的信号源的检测和定位造成了影响,因此在浅海中需要阵列信号处理技术抑制干扰信号来实现对声信号的分离和定位。
波达方向(Direction of Arrival,DOA)估计是阵列信号处理领域的关键问题,在雷达、通讯、地震等众多领域有着广泛的应用。在最早的阵列信号DOA估计算法中最具代表性的当属波束成形(CBF),而后又出现了一些以Capon算法为代表的的高分辨谱估计算法,这类算法较之CBF大大提高了分辨能力。上个世纪80年代中后期又相继出现了以多重信号分类(MUSIC)和旋转不变子空间(ESPRIT)为代表的的子空间类算法,它们主要是根据阵列接收信号的统计特性来估计目标的到达角,因此需要大量的独立同分布的测量数据,而且由于信号子空间与噪声子空间相互渗透,不能对信号源的方位进行有效测定。
声波在海洋中传播时,由于海水分层介质的折射和海面、海底的反射,声源和传感器阵列之间存在多个声传播路径的多径效应,并且每个声信号线路径均为声源信号的复本,相互之间为相干信号。在多个可以发出不相关的声信号的源的条件下,每一个源的声信号均存在多径效应现象。对于每一个源的多径中,只有直达线路径能够代表该声源方向,而其余线路径会对声源定位产生干扰,因此多径效应降低了声源定位的精度。在此情况下,对于声源定位而言,直达线路经的声信号可以作为声源定位算法中的有效信号,经过折射和反射的声信号复本可以理解为和信号相干的噪声。如图2所示为一个信号源和多个声线路径,其中黑色直线代表直达线路径,其余短划线为在海底和海面反射的线路径。直达线路径与阵列的夹角即为信号源的方位,但其余的线路径会对信号源定位产生干扰。
虽然常规波束形成算法,MUSIC算法等算法在水声信号处理,特别是声信号源定位方面有了较深入全面的理论和应用研究,但是这些算法的分辨力、实时性以及对海洋复杂噪声的鲁棒性仍然面临巨大的挑战。
压缩感知(Compressive Sensing,CS)在信号处理领域有了广泛而深入的研究,压缩感知理论提供了一种新的信号重构和参数估计方式,压缩感知理论指出如果信号是稀疏的或者是可压缩的,我们就可以利用信号的稀疏性,通过远远少于Nyquist采样定理规定的测量数据就可以对该稀疏信号进行采样并且恢复。国内外对于基于压缩感知的DOA估计已经有了一定的研究。Donoho等人指出稀疏信号具有受限等距条件(RIP)时,可以将压缩感知中的范数问题转换成范数求解问题。Tropp等人利用字典矩阵的原子集合的累积相关性,通过迭代运算求解稀疏向量,也就是经典的正交匹配追踪算法(OMP)。近年来,在水声学背景下,基于压缩感知的DOA估计有了较快的发展。Gerstoft等人利用了最小绝对值收敛和选择算子(LASSO)和最大后验相结合的方法提出了浅海环境下的基于压缩感知的DOA估计算法。Gurbuz等人提出了在未知信号数目的情况下的利用压缩感知的DOA估计算法。Northardt等人将压缩感知与预期可能性相结合提出DOA估计算法。
假设时域中分别有信号和噪声s(t)和n(t),其频域表达式为S(υ)和N(υ),那么信号和噪声的相关系数为:
当信号与噪声不相干时,上述表达式的分子为0,即S(υ)N(υ)H=0。
当有P个信号时,即有SNH为零矩阵,同时有NSH为零矩阵。
其中S=[S1,S2,…,SP]T,N=[n1,n2,…,nP]T。
反之,当SNH或者NSH不为零矩阵时,表示信号与噪声相干。
y=Φs
如果上述稀疏信号s可以在稀疏基Ψ下进行稀疏表示,即s=Ψx,x为信号s在Ψ变换域的稀疏表示,则有
y=Φs=ΦΨx=Ax
其中,A=ΦΨ,称之为传感矩阵。
当考虑到噪声误差之后,上式可以改写成
其中,δ为与噪声相关的参数。
稀疏信号s的求解问题就转化为凸优化问题,但该算法对于浅海环境下,信号与噪声存在相干性时的DOA估计存在分辨力不够和对噪声的鲁棒性差等问题。
发明内容
发明目的:本发明的目的在于解决现有技术中存在的不足,提供一种基于子空间的压缩感知高分辨阵列处理方法。
技术方案:
、一种基于子空间的压缩感知高分辨阵列处理方法,其特征在于:包括以下步骤:
步骤1)、假设有P个信号源,并且基阵为M个传感器构成的线性等距阵列,基阵中每一个阵元的输出表示为P个入射信号的线性组合,如果用sp(t)表示第p个信号源发射的信号,则阵列中第m个阵元上的测量输出ym(t)表示为
其中,p=1,2,…,P,ym(t)是第m个传感器的接收信号,gp(θp)是第p个信号在第m个传感器上的增益,nm(t)为干扰信号和背景噪声在第m个传感器上的构成的附加噪声,τmp为第p个信号在第m个传感器和参考传感器间的传播时间延迟;
将增益归一化后,在频域中,表达式(1)改写成:
其中,υ表示频率,Sp(υ)为sp(t)的傅里叶变换,Ym(υ)为ym(t)的傅里叶变换,Nm(υ)为nm(t)的傅里叶变换,d为相邻传感器间的距离,c为波速,θp为第p个信号源方向和参考传感器之间的夹角;
表达式(2)描述的为第m个阵元,即单个阵元;对基阵接收端M个阵元的输出信号的采样是同时进行的,因此所有M个阵元上的输出均写成一个M维的向量的表达式:
Y=GS+N (3)
其中,Y(υ)=[Y1(υ),Y2(υ),…,YM(υ)]T,Y(υ)表示了M个传感器上接收信号的频域表达式;G=[G1,G2,…,GM]T,N(υ)=[n1(υ),n2(υ),…,nM(υ)]T;S=[S1(υ),S2(υ),…,SP(υ)]T,p=1,…,P。
步骤2)、接收信号的频谱矩阵为:
然后将频谱矩阵分解为信号子空间和噪声子空间之和,即:
步骤3)、考虑信号重构问题,已知某个测量矩阵以及所求信号s在这个测量矩阵下的测量值满足y=Φs,若信号s在稀疏基Ψ下是稀疏的,即有s=Ψx,x为稀疏系数向量,Ψ为稀疏基矩阵,x在足够稀疏条件下,即||x||0<<N,那么稀疏系数向量x的求解通过如下的范数求解得到:
其中A为传感矩阵;当考虑噪声之后,表达式(6)改写成:
利用被测量信号在稀疏基下的稀疏性,构造凸优化计算函数:
为的特征值构成的斜对角矩阵,U为(M×M)×(M×M)大小的单位方阵,该方阵的每一列μ1,...,μM均为的特征值λ1,...,λM分别对应的特征向量,并且有λ1≥λ2≥…λM≥0;.*表示共轭转置。
所述步骤2)中,根据公式(3)Y=GS+N,可得:
E{YYH}=E{GSSHGH}+E{GSNH}+E{NSHGH}+E{NNH},E{·}表示期望;
其中,E{GSSHGH}为纯信号谱矩阵,E{GSNH}+E{NSHGH}为信号和噪声互谱矩阵,E{NNH}为噪声谱矩阵。
由于频谱矩阵由信号子空间和噪声子空间构成,因此:
那么有:
假设W为GSSHGH的一维有序排列,即有:
其中,
另外,
假设U为GSNH+NSHGH的一维有序排列:
即:
将表达式(9)~(14)相结合可以得到:
RV=G′P+U
与表达式(7)相结合,
有益效果:与现有技术相比,本发明的分辨率得到极大的提高。传统方法中,5个分别相差5°的信号到达阵列时,在信号与噪声的相干性较强,即较低的信噪比(-17dB)下无法识别出所有的信号,而本发明方法可以识别出所有的信号。在不同的信噪比条件下,本发明方法的均方根误差小于其它对比算法,并且计算时间与现有方法相差无几。
附图说明
图1是本发明和现有技术在信噪比-17dB下的对比示意图;
图2为现有技术中浅海中声信号多径传播示意图。
具体实施方式
下面对本发明技术方案进行详细说明,但是本发明的保护范围不局限于所述实施例。
假设有P个信号源,并且基阵为M个传感器构成的线性等距阵列,基阵中每一个阵元的输出可以表示为P个入射信号的线性组合。如果用sp(t)表示第p个(p=1,2,…,P)信号源发射的信号,则阵列中第m个阵元上的测量输出ym(t)可以表示为
ym(t)是第m个传感器的接收信号,gp(θp)是第p个信号在第m个传感器上的增益,nm(t)为干扰信号和背景噪声在第m个传感器上的构成的附加噪声,τmp为第p个信号在第m个传感器和参考传感器间的传播时间延迟。
将增益归一化后,在频域中,表达式(1)可以改写成:
表达式(2)描述的为第m个阵元,即单个阵元。对基阵接收端M个阵元的输出信号的采样是同时进行的,因此所有M个阵元上的输出可以写成一个M维的向量的表达式:
Y=GS+N (3)
其中,Y(υ)=[Y1(υ),Y2(υ),…,YM(υ)]T,Y(υ)表示了M个传感器上接收信号的频域表达式;G=[G1,G2,…,GM]T,N(υ)=[n1(υ),n2(υ),…,nM(υ)]T;S=[S1(υ),S2(υ),…,SP(υ)]T,p=1,…,P。
考虑信号重构问题,已知某个测量矩阵以及所求信号s在这个测量矩阵下的测量值满足y=Φs,如果信号s在稀疏基Ψ下是稀疏的,即有s=Ψx,x为稀疏系数向量,Ψ为稀疏基矩阵,x在足够稀疏条件下,即||x||0<<N,那么稀疏系数向量x的求解可以通过如下的范数求解得到:
当考虑噪声之后,表达式(4)改写成:
本发明中,信号s为空域内稀疏信号。则接收信号的频谱矩阵为:
频谱矩阵可以分解为信号子空间和噪声子空间的和。
对R进行特征值分解:
λ1≥λ2≥…λM≥0
此时,信号子空间为:
由表达式(3)得到:
E{YYH}=E{GSSHGH}+E{GSNH}+E{NSHGH}+E{NNH} (11)
其中,E{·}表示期望。
其中,E{GSSHGH}为纯信号谱矩阵,E{GSNH}+E{NSHGH}为信号和噪声互谱矩阵,E{NNH}为噪声谱矩阵。
因为频谱矩阵由信号子空间和噪声子空间构成,所以有:
那么有:
假设W为GSSHGH的一维有序排列,即有:
其中,
另外,
假设U为GSNH+NSHGH的一维有序排列:
即:
将表达式(12)~(17)相结合可以得到:
RV=G′P+U
上式与表达式(5)相结合后,本发明算法可以通过如下的计算式实现:
上述整体过程中,通过将频谱矩阵R分成信号子空间和纯噪声子空间,并且计算只使用信号子空间来实现(也就是表达式(7)~(9))使得分辨率和鲁棒性得到提高和优化。
实施例1:
本实施例的具体实验条件描述如下:
来自5个不同信号源的远场信号被由20个传感器构成的线性等距阵列接收,该5个信号的理论达到角度分别为5°,10°,15°,20°和25°,每个传感器的采样次数为200次。
传感器阵列上的附加噪声由这5个信号的相干信号和高斯噪声(背景噪声)叠加构成。每个信号源除了发射出直达阵列的信号之外,还发射出另外4个相干信号(属于附加噪声)。假设直达信号的到达角为θi,那么这4个对应的相干信号的到达角分别为θi+1°,θi-1°,θi+2°,θi-2°。
如图1所示,本实施例中将本发明与几个现有技术进行对比,可见本发明能够识别出所有的信号源;并且,如表1和表2所示,在不同的信噪比条件下,本发明的均方根误差小于其它对比算法,并且计算时间与现有方法相差无几。
表1本发明和现有技术的均方根误差的对比
其中,表1的对比方案中所有的方法均在同一个信噪比条件下均运行50次,然后求在同一个信噪比条件下,每个算法的50次实验的均方根误差值。
表2本发明和现有技术的计算时间对比
Claims (3)
1.一种基于子空间的压缩感知高分辨阵列处理方法,其特征在于:包括以下步骤:
步骤1)、假设有P个信号源,并且基阵为M个传感器构成的线性等距阵列,基阵中每一个传感器的输出表示为P个入射信号的线性组合,如果用Sp(t)表示第p个信号源发射的信号,则阵列中第m个传感器上的测量输出ym(t)表示为
其中,p=1,2,…,P,ym(t)是第m个传感器的接收信号,gp(θp)是第p个信号在第m个传感器上的增益,nm(t)为干扰信号和背景噪声在第m个传感器上的构成的附加噪声,τmp为第p个信号在第m个传感器和参考传感器间的传播时间延迟;
将增益归一化后,在频域中,表达式(1)改写成:
其中,υ表示频率,Sp(υ)为Sp(t)的傅里叶变换,Ym(υ)为ym(t)的傅里叶变换,Nm(υ)为nm(t)的傅里叶变换,d为相邻传感器间的距离,c为波速,θp为第p个信号源方向和参考传感器之间的夹角,τp为第p个信号在相邻传感器间的传播时间延迟;
表达式(2)描述的为第m个传感器,即单个传感器;对基阵接收端M个传感器的输出信号的采样是同时进行的,因此所有M个传感器上的输出均写成一个M维的向量的表达式:
Y=GS+N (3)
其中,Y=[Y1(υ),Y2(υ),…,YM(υ)]T,Y表示了M个传感器上接收信号的频域表达式;G=[G1,G2,…,GM]T, N=[N1(υ),N2(υ),…,NM(υ)]T;S=[S1(υ),S2(υ),…,SP(υ)]T,p=1,…,P
步骤2)、接收信号的频谱矩阵为:
然后将频谱矩阵分解为信号子空间和噪声子空间之和,即:
步骤3)、考虑信号重构问题,已知某个测量矩阵以及所求信号s在这个测量矩阵下的测量值满足y=Φs,若信号s在稀疏基Ψ下是稀疏的,即有s=Ψx,x为稀疏系数向量,Ψ为稀疏基矩阵,x在足够稀疏条件下,即||x||0<<P,其中P为矩阵列的数量,那么稀疏系数向量x的求解通过如下的l1范数求解得到:
其中A为传感矩阵;当考虑噪声之后,表达式(6)改写成:
δ为噪声二范数的上界;
其中,利用被测量信号在稀疏基下的稀疏性,构造凸优化计算函数:
3.根据权利要求1所述的基于子空间的压缩感知高分辨阵列处理方法,其特征在于:步骤2)中,根据公式(3)Y=GS+N,可得:
E{YYH}=E{GSSHGH}+Ε{GSNH}+E{NSHGH}+E{NNH},E{·}表示期望;
其中,E{GSSHGH}为纯信号谱矩阵,Ε{GSNH}+E{NSHGH}为信号和噪声互谱矩阵,E{NNH}为噪声谱矩阵;
由于频谱矩阵由信号子空间和噪声子空间构成,因此:
那么有:
假设W为GSSHGH的一维有序排列,即有:
其中,
另外,
假设U为GSNH+NSHGH的一维有序排列:
即:
将表达式(9)~(14)相结合得到:RV=G′P+U
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711308659.3A CN108181611B (zh) | 2017-12-11 | 2017-12-11 | 基于子空间的压缩感知高分辨阵列处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711308659.3A CN108181611B (zh) | 2017-12-11 | 2017-12-11 | 基于子空间的压缩感知高分辨阵列处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108181611A CN108181611A (zh) | 2018-06-19 |
CN108181611B true CN108181611B (zh) | 2020-06-30 |
Family
ID=62545883
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711308659.3A Active CN108181611B (zh) | 2017-12-11 | 2017-12-11 | 基于子空间的压缩感知高分辨阵列处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108181611B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109884592B (zh) * | 2019-03-04 | 2021-01-26 | 浙江大学 | 一种面向低频高斯噪声源的声源定位仿真方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103399312A (zh) * | 2013-07-15 | 2013-11-20 | 哈尔滨工程大学 | 基于压缩感知技术的时空联合滤波高分辨方位估计方法 |
CN103954950A (zh) * | 2014-04-25 | 2014-07-30 | 西安电子科技大学 | 一种基于样本协方差矩阵稀疏性的波达方向估计方法 |
CN104977558A (zh) * | 2015-06-16 | 2015-10-14 | 电子科技大学 | 一种基于贝叶斯压缩感知的分布源中心波达方向估计方法 |
CN105403874A (zh) * | 2015-12-25 | 2016-03-16 | 西安电子科技大学 | 非均匀阵列欠定波达方向估计方法 |
CN106526529A (zh) * | 2016-09-19 | 2017-03-22 | 天津大学 | 导向矢量失配情况下基于稀疏表示的波达方向估计方法 |
CN106680762A (zh) * | 2016-12-15 | 2017-05-17 | 哈尔滨工程大学 | 一种基于互协方差稀疏重构的声矢量阵方位估计方法 |
CN107422295A (zh) * | 2017-08-30 | 2017-12-01 | 浙江大学 | 基于互质阵列虚拟域等价信号原子范数表示的波达方向估计方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8379485B2 (en) * | 2007-11-01 | 2013-02-19 | University Of Maryland | Compressive sensing system and method for bearing estimation of sparse sources in the angle domain |
-
2017
- 2017-12-11 CN CN201711308659.3A patent/CN108181611B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103399312A (zh) * | 2013-07-15 | 2013-11-20 | 哈尔滨工程大学 | 基于压缩感知技术的时空联合滤波高分辨方位估计方法 |
CN103954950A (zh) * | 2014-04-25 | 2014-07-30 | 西安电子科技大学 | 一种基于样本协方差矩阵稀疏性的波达方向估计方法 |
CN104977558A (zh) * | 2015-06-16 | 2015-10-14 | 电子科技大学 | 一种基于贝叶斯压缩感知的分布源中心波达方向估计方法 |
CN105403874A (zh) * | 2015-12-25 | 2016-03-16 | 西安电子科技大学 | 非均匀阵列欠定波达方向估计方法 |
CN106526529A (zh) * | 2016-09-19 | 2017-03-22 | 天津大学 | 导向矢量失配情况下基于稀疏表示的波达方向估计方法 |
CN106680762A (zh) * | 2016-12-15 | 2017-05-17 | 哈尔滨工程大学 | 一种基于互协方差稀疏重构的声矢量阵方位估计方法 |
CN107422295A (zh) * | 2017-08-30 | 2017-12-01 | 浙江大学 | 基于互质阵列虚拟域等价信号原子范数表示的波达方向估计方法 |
Non-Patent Citations (2)
Title |
---|
Raypath Separation with a High-Resolution Algorithm in a Shallow-Water Waveguide;Longyu Jiang,et al;《JOURNAL OF LATEX CLASS FILES》;20140930;p1-26 * |
基于压缩感知的DOA估计算法研究;彭泸;《中国优秀硕士学位论文全文数据库 信息科技辑》;20150515;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108181611A (zh) | 2018-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bilik | Spatial compressive sensing for direction-of-arrival estimation of multiple sources using dynamic sensor arrays | |
Shi et al. | On parameter identifiability of diversity-smoothing-based MIMO radar | |
CN111123192B (zh) | 一种基于圆形阵列和虚拟扩展的二维doa定位方法 | |
CN107544051A (zh) | 嵌套阵列基于k‑r子空间的波达方向估计方法 | |
Zhou et al. | Robust adaptive beamforming based on DOA support using decomposed coprime subarrays | |
JP2004112508A (ja) | 受信装置 | |
CN112285647B (zh) | 一种基于稀疏表示与重构的信号方位高分辨估计方法 | |
Wu et al. | Multiemitter two-dimensional angle-of-arrival estimator via compressive sensing | |
Park et al. | Gridless sparse covariance-based beamforming via alternating projections including co-prime arrays | |
Zheng et al. | Angle estimation for bistatic MIMO radar using one-bit sampling via atomic norm minimization | |
CN108181611B (zh) | 基于子空间的压缩感知高分辨阵列处理方法 | |
Gu et al. | Two-dimensional DOA estimation by cross-correlation matrix stacking | |
Bhargav et al. | Compressive sensing based doa estimation for multi-path environment | |
Jiang et al. | Active wideband higher-order raypath separation in multipath environment | |
CN107656897B (zh) | 基于常量时间奇异值分解的快速高阶线路径分离方法 | |
CN113791379A (zh) | 嵌套阵列非高斯环境下的正交匹配追踪doa估计方法 | |
Soares et al. | Environmental inversion using high-resolution matched-field processing | |
Zhang et al. | Research on linear sparse sonar array for targets azimuth bearing estimation | |
Yang et al. | An eigenstructure-based 2D DOA estimation method using dual-size spatial invariance array | |
Al Jabr et al. | Modified UCA-ESPRIT for estimating DOA of coherent signals using one snapshot | |
He et al. | Azimuth-Elevation Direction Finding With a Pair of Acoustic Vector Sensors in the Presence of a Reflecting Boundary | |
CN112363106B (zh) | 基于量子粒子群的信号子空间波达方向检测方法及系统 | |
Li et al. | Study of Robust Direction Finding Based on Joint Sparse Representation | |
Li | Robust DOA Estimation Against Outliers via Joint Sparse Representation | |
Jouny | Beamspace processing of compressively sampled signals received via a uniform linear array |
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 |