CN109561036B - 一种基于凸优化的水声信道盲解卷积方法 - Google Patents

一种基于凸优化的水声信道盲解卷积方法 Download PDF

Info

Publication number
CN109561036B
CN109561036B CN201910037347.6A CN201910037347A CN109561036B CN 109561036 B CN109561036 B CN 109561036B CN 201910037347 A CN201910037347 A CN 201910037347A CN 109561036 B CN109561036 B CN 109561036B
Authority
CN
China
Prior art keywords
matrix
underwater
litz
topological
channel
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
Application number
CN201910037347.6A
Other languages
English (en)
Other versions
CN109561036A (zh
Inventor
生雪莉
苍思远
杨超然
曲佳明
张曼吟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Xinguang Photoelectric Technology Co ltd
Original Assignee
Harbin Engineering University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN201910037347.6A priority Critical patent/CN109561036B/zh
Publication of CN109561036A publication Critical patent/CN109561036A/zh
Application granted granted Critical
Publication of CN109561036B publication Critical patent/CN109561036B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/0212—Channel estimation of impulse response
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
    • H04L1/0056—Systems characterized by the type of code used
    • H04L1/0059—Convolutional codes
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/0224—Channel estimation using sounding signals
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/0238—Channel estimation using blind estimation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/024—Channel estimation channel estimation algorithms
    • H04L25/0242—Channel estimation channel estimation algorithms using matrix methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明属于水声学和水声信号处理领域，具体涉及一种基于凸优化的水声信道盲解卷积方法。本发明不需要预先输入发射信号便可以对复杂水声信道进行估计，(1)只需要一帧接收信号，便可以通过凸优化算法将信道的冲激响应和发射信号有效分离，得到多途信道的时延和幅度信息，快速感知海洋环境，适用于无人水下平台自主探测和信道估计，是发展具有认知功能声纳的关键技术。(2)本发明用ADMM代替了常用的凸优化工具箱，解决了针对真实海洋环境中的水声数据点数多，运算量大的问题，提高了运算速度，可以更好地将其应用到无人水下平台上，提高环境适应性。

Description

一种基于凸优化的水声信道盲解卷积方法
技术领域
本发明属于水声学和水声信号处理领域，具体涉及一种基于凸优化的水声信道盲解卷积方法。
背景技术
近年来，水声信道的估计以及实时感知的研究受到国内外学者的广泛关注，在短时平稳的条件下准确的获取海洋声信道的冲激响应函数信息无论对于水下通信还是定位探测与导航都具有至关重要的作用。简而言之，在接收到每帧信号以后，如何快速的得到海洋信道作用于发射信号的时延信息，是国内外学者一直关心的问题。
近几年，基于无人水下平台的认知声呐技术得到了广泛的研究，其中“认知”所要表达的便是无人操控的传感器可以智能的、实时地处理接收信号，不再需要发射端或者是更高一级的控制端提供冗余或者是额外的信息，而是通过不断迭代优化，快速地得到最优解。而在水声信道估计的研究方面，接收端不再需要发射端提供发射探针信号的先验信息便可以很大程度上压缩信道的估计周期，加快对周围环境的感知。
LASSO算法，即最小绝对收缩和选择乘子算法。它通过构造一个罚函数得到一个较为精炼的模型，使得它设定一些系数为零，是一种处理复共线性数据的有偏估计。LASSO算法的基本思想是在回归系数的绝对值之和小于一个常数的约束条件下，使残差平方和最小，即在最小二乘表达式的基础上加入了L1范数正则化的惩罚项，使得整个代价函数成为了凸函数，进而获得全局最优解，是凸优化思想在参数估计中的延伸。
交替方向乘子算法ADMM算法是机器学习中比较广泛使用的约束问题最优化方法，它是一种求解优化问题的计算框架，适用于求解分布式凸优化问题，特别是统计学习问题。ADMM通过分解协调过程,将大的全局问题分解为多个较小、较容易求解的局部子问题。
中国专利CN107395536A《对多途环境下的水声信道冲激响应函数进行估计的方法》文件中提出将施密特正交化与正交匹配追踪技术相结合对多途水声环境中的信道冲激响应函数进行估计，利用贪婪迭代算法，使得迭代过程中的误差能够快速收敛，减少冗余运算。而此专利中，发射信号必须作为已知变量代入到计算表达式中求解信道冲激响应函数的估计值，增加了先验信息，如应用到水下无人平台，则需要提前知会水下无人节点探针信号的信息，增加了环境感知与信道估计的复杂度，因此在水下无人平台的声信号处理中应更加强调盲信号处理，使得水下无人平台可以自主感知环境，提高认知能力。
发明内容
本发明的目的在于提供一种能够提高水下无人平台实时感知海洋环境能力的基于凸优化的水声信道盲解卷积方法。
本发明的目的是这样实现的：
一种基于凸优化的水声信道盲解卷积方法，该方法包括以下步骤：
步骤1：建立完备的傅里叶原子基字典，为水下无人平台的各个传感器预设参考信号感知矩阵；
步骤2：将参考信号感知矩阵转换为拓扑利兹形式，构建待估参数的函数优化模型；
步骤3：将信道冲激响应函数信息和发射信号信息转化凸函数的形式；
步骤4：利用凸优化思想估计参数：
步骤4.1：使用凸优化工具箱对转化得到的凸函数进行优化求解，估计得到了发射信号参数和信道系数的乘积这个新的变量；
步骤4.2：将新变量中的零值对应的感知矩阵中的列向量去除，将更新的感知矩阵代入到系统的代价函数中求解；
步骤4.3：使用ADMM对以上步骤进行优化。
步骤1所述的参考信号感知矩阵中的原子为：
Figure GDA0003003393760000021
其中，fp代表了出现在发射信号中的频率值；
感知矩阵X表示为下式：
X＝[x1 x2 … xp]
xp＝[xp(t1) xp(t2) … xp(tN)]T
张成矩阵形式为：
Figure GDA0003003393760000022
步骤2所述的将参考信号感知矩阵转换为拓扑利兹形式包括以下步骤：
步骤2.1：选取感知矩阵X中的第p列，填充Ny-N个零值后作为新的拓扑利兹矩阵的第1行；
步骤2.2：选取感知矩阵X中的第p列第1行，填充Nch-1个零值后作为新的拓扑利兹矩阵的第1列；
步骤2.3：当新的拓扑利兹矩阵的第一行和第一列确定后，沿着对角线，得到拓扑利兹矩阵中的剩余位置的值，此时，我们令新的拓扑利兹矩阵为G；
上述步骤中，Ny为接收信号的数据点数，Nch为信道的数据点数，N为感知矩阵的行数，也是感知矩阵中每一个基函数的数据点数；
步骤2所述的构建待估参数的函数优化模型包括：
接收信号y(t)表示为：
Figure GDA0003003393760000031
其中，h(t)为水声信道冲激响应，x(t)为发射信号，n(t)为加性高斯白噪声，
Figure GDA0003003393760000032
为卷积算子；
当发射信号x已知，优化函数形式为：
Figure GDA0003003393760000033
s.t.H＝T(h)
其中，H为信道冲激响应函数的拓扑利兹矩阵形式，λ为其正则化参数；
若此时发射信号x为未知变量，则优化函数表达式为：
Figure GDA0003003393760000034
其中，h为信道冲激响应值，X为预设的参考信号感知矩阵，z为在感知矩阵的映射下，发射信号的稀疏表示系数，h和z为未知变量。
步骤3所述的将信道冲激响应函数信息和发射信号信息转化凸函数的形式包括：
若信道和发射信号估计准确无误时，则接收信号表达式为：
y＝h*Xz
若转写成拓扑利兹形式，则变成：
y＝T(Xz)·h＝T(X)·hz
新的拓扑利兹矩阵为G，令hz这个乘积变量为
Figure GDA0003003393760000035
则表达式改写为：
Figure GDA0003003393760000036
步骤4.1所述的使用凸优化工具箱对转化得到的凸函数进行优化求解，待估参数模型的LASSO形式为：
Figure GDA0003003393760000041
其中，选用交叉验证的方法合理设置正则化参数λ值。
步骤4.2所述的将新变量中的零值对应的感知矩阵中的列向量去除，将更新的感知矩阵代入到系统的代价函数中求解，首先要知道感知矩阵中对应于
Figure GDA0003003393760000042
中零向量的列，将其移除，设置循环，在每一个循环中，信道冲激响应的估计值h和发射信号的系数估计值z的表达式为：
Figure GDA0003003393760000043
Figure GDA0003003393760000044
Figure GDA0003003393760000045
其中，hk和zk表示第k次循环结束后，信道冲激响应的估计值和发射信号参数的估计值。
步骤4.3所述的使用ADMM对以上步骤进行优化，针对本专利提出的解决估算信道冲激响应函数的LASSO模型，其ADMM展开式为：
Figure GDA0003003393760000046
Figure GDA0003003393760000047
λk+1＝λk+ρ(Adk+1+Bzk+1-c)
其中，z为信号参数，d为估计过程中的临时变量；A、B、c均为常数，λ为正则化参数，Lρ(·)为拉格朗日算子，ρ为机器学习中常见的超参数，预设为2。
本发明的有益效果在于：
不同于其他的水声信道估计方法，本发明不需要预先输入发射信号便可以对复杂水声信道进行估计，(1)只需要一帧接收信号，便可以通过凸优化算法将信道的冲激响应和发射信号有效分离，得到多途信道的时延和幅度信息，快速感知海洋环境，适用于无人水下平台自主探测和信道估计，是发展具有认知功能声纳的关键技术。(2)本发明用ADMM代替了常用的凸优化工具箱(cvx)，解决了针对真实海洋环境中的水声数据点数多，运算量大的问题，提高了运算速度，可以更好地将其应用到无人水下平台上，提高环境适应性。
附图说明
图1一种基于凸优化的水声信道盲解卷积方法的整体流程框图。
图2估计得到信道冲激响应值与真实信道的冲激响应值。
图3重构的接收信号值与真实的接收信号值。
图4重构信号误差收敛曲线。
具体实施方式
下面举例对本发明做更详细的描述。
本发明涉及的是一种水下声呐信号处理方法，具体地实施涉及一种基于凸优化的水声信道信道盲解卷积方法。可应用于无人水下平台的声通信，定位，导航等活动的环境感知与信道估计。
本发明的基于凸优化的水声信道盲解卷积方法，包括待估参数优化模型和利用凸优化思想估计参数两部分：
待估参数优化模型：
步骤1：首先，建立完备的傅里叶原子基字典，为水下无人平台的各个传感器预设参考信号感知矩阵；
步骤1中需要特别说明的是，本发明主要是为水下无人平台实时感知海洋环境提供服务，在为水下无人平台预设系统参数时，需要提前导入参考信号感知矩阵。参考信号感知矩阵是这样建立的：
感知矩阵中的原子为
Figure GDA0003003393760000051
其中，fp代表了可能出现在发射信号中的频率值。
感知矩阵X具有如下的形式：
X＝[x1 x2 … xp]
xp＝[xp(t1) xp(t2) … xp(tN)]T
张成矩阵形式如下：
Figure GDA0003003393760000052
步骤2：将参考信号感知矩阵转换为拓扑利兹形式，构建待估参数的函数优化模型；
步骤2中将参考信号感知矩阵转换为拓扑利兹形式，主要是为了将发射信号与海洋信道的作用过程解算清楚。从信息论的角度来讲，如不考虑加性噪声的干扰，接收信号可以看作是发射信号与海洋声信道冲激响应函数的卷积。而拓扑利兹矩阵便是卷积运算的核函数。
其具体实现过程总结如下：
1.选取感知矩阵X中的第p列，填充Ny-N个零值后作为新的拓扑利兹矩阵的第1行；
2.选取感知矩阵X中的第p列第1行，填充Nch-1个零值后作为新的拓扑利兹矩阵的第1列。
3.当新的拓扑利兹矩阵的第一行和第一列确定后，沿着对角线，可以得到拓扑利兹矩阵中的其他位置的值。此时，我们令新的拓扑利兹矩阵为G。
上述步骤中，Ny为接收信号的数据点数，Nch为信道的数据点数，N为感知矩阵的行数，也是感知矩阵中每一个基函数的数据点数。
构建待估参数的函数优化模型的具体过程如下：
1.接收信号y(t)可以表示为：
Figure GDA0003003393760000061
其中，h(t)为水声信道冲激响应，x(t)为发射信号，n(t)为加性高斯白噪声，
Figure GDA0003003393760000062
为卷积算子。
2.当发射信号x已知，优化函数形式为：
Figure GDA0003003393760000063
其中，
Figure GDA0003003393760000064
为水声信道冲激响应的估计值。
3.进一步，可以表示为：
Figure GDA0003003393760000065
s.t.H＝T(h)
其中，H为信道冲激响应函数的拓扑利兹矩阵形式，λ为其正则化参数。
4.若此时发射信号x也为未知变量，则优化函数表达式为：
Figure GDA0003003393760000066
其中，h仍为信道冲激响应值，X为预设的参考信号感知矩阵，z为在感知矩阵的映射下，发射信号的稀疏表示系数。只不过在这里，h和z全部为未知变量。本专利的核心部分便在此，就是要通过下面的估计方法，在发射信号与信道都未知的情况，得到信道准确的估计值和发射信号的表达式。
步骤3：由于信道冲激响应函数信息和发射信号信息都为未知变量，故其是非凸的函数形式，需将其转化凸函数的形式；
转化步骤总结如下：
1.重写上面的4式，我们发现，若信道和发射信号估计准确无误时，则表达式如下：
y＝h*Xz
2.若转写成拓扑利兹形式，则变成：
y＝T(Xz)·h
＝T(X)·hz
3.上面已经定义了新的拓扑利兹矩阵为G，我们令hz这个乘积变量为
Figure GDA0003003393760000071
则表达式改写为：
Figure GDA0003003393760000072
利用凸优化思想估计参数具体过程如下：
步骤4：使用凸优化工具箱对其进行优化求解，估计得到了发射信号参数和信道系数的乘积这个新的变量；
步骤4中要把已经转化为凸函数形式的待估参数模型利用凸优化工具箱求解。待估参数模型的LASSO形式如下：
Figure GDA0003003393760000073
从上式中，我们可以看出，正则化参数λ对于信号参数的稀疏选取作用很大，如果设置过小，则会引起所得解的非零值过多，稀疏性降低；而如果设置多大，则会引起惩罚力度过大，导致所得解的成分的缺失。在这里，我们选用交叉验证的方法合理设置正则化参数λ值。
步骤5：将新变量中的零值对应的感知矩阵中的列向量去除，将更新的感知矩阵代入到系统的代价函数中进一步求解，以此来分离信号参数和信道系数。
步骤5中首先要知道感知矩阵中对应于
Figure GDA0003003393760000074
中零向量的列，将其移除。设置循环，在每一个循环中，信道冲激响应的估计值h和发射信号的系数估计值z的表达式为如下形式：
Figure GDA0003003393760000081
Figure GDA0003003393760000082
Figure GDA0003003393760000083
其中，hk和zk表示第k次循环结束后，信道冲激响应的估计值和发射信号参数的估计值。
步骤6：使用ADMM算法(交替方向乘子算法)对以上步骤进行优化，提高运算速度。
步骤6中，针对本专利提出的解决估算信道冲激响应函数的LASSO模型，其ADMM展开式如下：
Figure GDA0003003393760000084
Figure GDA0003003393760000085
λk+1＝λk+ρ(Adk+1+Bzk+1-c)
其中，z都为信号参数，d为估计过程中的临时变量；A、B、c均为常数，λ为正则化参数，Lρ(·)为拉格朗日算子，ρ为机器学习中常见的超参数，一般预设为2。
下面结合具体实施例，进一步详细说明本发明一种基于凸优化的水声信道盲解卷积方法及其有益效果。
图1是通过本发明所提出的基于凸优化思想的盲解卷积算法所估计得到信道冲激响应值。从图中我们可以发现，所估计得到的信道时延以及幅度都与预设的信道参数匹配，估计精度较高。
图2是通过解卷积算法估计得到的信道冲激响应值与估计得到的发射信号卷积重构的接收信号值，而真实的接收信号与重构所得信号，他们完全重叠在一起，证明通过不断的迭代优化，误差趋近于0，重构完成。
图3中所展示的是随着迭代次数的增加，重构接收信号的误差收敛情况。

Claims (2)

1.一种基于凸优化的水声信道盲解卷积方法，其特征在于，该方法包括以下步骤：
步骤1：建立完备的傅里叶原子基字典，为水下无人平台的各个传感器预设参考信号感知矩阵；
所述的参考信号感知矩阵X为：
Figure FDA0003003393750000011
其中，xp＝[xp(t1) xp(t2) … xp(tN)]T，
Figure FDA0003003393750000012
N为参考信号感知矩阵的行数，也是参考信号感知矩阵中每一个基函数的数据点数；
步骤2：将参考信号感知矩阵转换为拓扑利兹形式，构建待估参数的函数优化模型；
所述的待估参数的函数优化模型为：
Figure FDA0003003393750000013
其中，y为接收信号；h为水声信道冲激响应；z为在感知矩阵的映射下，发射信号的稀疏表示系数；λ为信道冲激响应函数的拓扑利兹矩阵H的正则化参数；
步骤3：将水声信道冲激响应和发射信号的稀疏表示系数转化凸函数的形式；
Figure FDA0003003393750000014
其中，
Figure FDA0003003393750000015
G为参考信号感知矩阵X转换为拓扑利兹形式后的矩阵；
步骤4：使用凸优化工具箱对转化得到的凸函数进行优化求解，得到
Figure FDA0003003393750000016
待估参数的函数优化模型的LASSO形式如下：
Figure FDA0003003393750000017
采用交叉验证的方法设置上式中正则化参数λ值，具体方法为：
将感知矩阵中对应于
Figure FDA0003003393750000018
中零向量的列移除；设置循环，在每一个循环中，水声信道冲激响应的估计值hk和发射信号的稀疏表示系数估计值zk的表达式为：
Figure FDA0003003393750000021
Figure FDA0003003393750000022
Figure FDA0003003393750000023
其中，hk表示第k次循环结束后水声信道冲激响应的估计值；zk表示第k次循环结束后发射信号的稀疏表示系数的估计值；
ADMM展开式为：
Figure FDA0003003393750000024
Figure FDA0003003393750000025
λk+1＝λk+ρ(Adk+1+Bzk+1-c)
其中，d为估计过程中的临时变量；Lρ(·)为拉格朗日算子，ρ为机器学习中常见的超参数；A、B、c均为常数。
2.根据权利要求1所述的一种基于凸优化的水声信道盲解卷积方法，其特征在于，步骤2所述的将参考信号感知矩阵转换为拓扑利兹形式包括以下步骤：
步骤2.1：选取感知矩阵X中的第p列，填充Ny-N个零值后作为新的拓扑利兹矩阵的第1行；
步骤2.2：选取感知矩阵X中的第p列第1行，填充Nch-1个零值后作为新的拓扑利兹矩阵的第1列；
步骤2.3：当新的拓扑利兹矩阵的第一行和第一列确定后，沿着对角线，得到拓扑利兹矩阵中的剩余位置的值，此时，令新的拓扑利兹矩阵为G；上述步骤中，Ny为接收信号的数据点数，Nch为信道的数据点数。
CN201910037347.6A 2019-01-15 2019-01-15 一种基于凸优化的水声信道盲解卷积方法 Active CN109561036B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910037347.6A CN109561036B (zh) 2019-01-15 2019-01-15 一种基于凸优化的水声信道盲解卷积方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910037347.6A CN109561036B (zh) 2019-01-15 2019-01-15 一种基于凸优化的水声信道盲解卷积方法

Publications (2)

Publication Number Publication Date
CN109561036A CN109561036A (zh) 2019-04-02
CN109561036B true CN109561036B (zh) 2021-06-18

Family

ID=65873125

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910037347.6A Active CN109561036B (zh) 2019-01-15 2019-01-15 一种基于凸优化的水声信道盲解卷积方法

Country Status (1)

Country Link
CN (1) CN109561036B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111398966B (zh) * 2020-04-02 2023-05-05 哈尔滨工程大学 一种主动声呐目标检测方法
CN111586633B (zh) * 2020-05-18 2022-06-10 大连海事大学 一种面向海洋环境感知的无人船协作传输方法
CN112114300B (zh) * 2020-09-14 2022-06-21 哈尔滨工程大学 一种基于图像稀疏表示的水下弱目标检测方法
CN114036975B (zh) * 2021-10-19 2022-05-17 中国科学院声学研究所 基于频域-波数域解卷积的目标信号提取方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104283825A (zh) * 2014-09-24 2015-01-14 北京邮电大学 一种基于动态压缩感知的信道估计方法
CN105245474A (zh) * 2015-10-23 2016-01-13 郑州联睿电子科技有限公司 一种超宽带信道估计方法
CN105843780A (zh) * 2016-04-11 2016-08-10 西安交通大学 一种机械结构冲击载荷识别的稀疏解卷积方法
CN107171985A (zh) * 2017-06-07 2017-09-15 深圳先进技术研究院 一种信道估计方法及系统
CN107426120A (zh) * 2017-07-24 2017-12-01 哈尔滨工程大学 一种基于最小均方误差的水声ofdm‑mfsk信道均衡方法
CN107991636A (zh) * 2017-11-24 2018-05-04 哈尔滨工业大学 一种基于适应性结构低秩矩阵的快速磁共振图像重建方法
CN108489947A (zh) * 2018-03-22 2018-09-04 深圳大学 一种荧光寿命的测量方法及装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103885073B (zh) * 2014-03-27 2016-04-13 西安电子科技大学 基于数字水印和压缩感知的导航信号通信方法
CN104780127B (zh) * 2015-04-09 2018-01-02 浙江大学 一种时延‑多普勒r‑l解卷多路径信道估计方法
WO2017017051A1 (en) * 2015-07-27 2017-02-02 Eidgenoessische Technische Hochschule Zurich (Ethz) Method and apparatus for generating an ultrasound scatterer representation
US20170160414A1 (en) * 2015-12-07 2017-06-08 Cgg Services Sa Method and device for simultaneously attenuating noise and interpolating seismic data
CN106908787B (zh) * 2017-02-24 2019-08-13 中国电子科技集团公司第三十八研究所 一种实波束扫描雷达前视角超分辨成像方法
CN107018105B (zh) * 2017-04-18 2019-09-20 东莞信大融合创新研究院 水下可见光通信方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104283825A (zh) * 2014-09-24 2015-01-14 北京邮电大学 一种基于动态压缩感知的信道估计方法
CN105245474A (zh) * 2015-10-23 2016-01-13 郑州联睿电子科技有限公司 一种超宽带信道估计方法
CN105843780A (zh) * 2016-04-11 2016-08-10 西安交通大学 一种机械结构冲击载荷识别的稀疏解卷积方法
CN107171985A (zh) * 2017-06-07 2017-09-15 深圳先进技术研究院 一种信道估计方法及系统
CN107426120A (zh) * 2017-07-24 2017-12-01 哈尔滨工程大学 一种基于最小均方误差的水声ofdm‑mfsk信道均衡方法
CN107991636A (zh) * 2017-11-24 2018-05-04 哈尔滨工业大学 一种基于适应性结构低秩矩阵的快速磁共振图像重建方法
CN108489947A (zh) * 2018-03-22 2018-09-04 深圳大学 一种荧光寿命的测量方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Automatic blind deconvolution with Toeplitz structured sparse total least squares;Kazemi, Nasser;《80th EAGE Conference and Exhibition 2018》;20180630;第345-357页 *
Robust multichannel blind deconvolution via fast alternating minimization;Sroubek, Filip;《IEEE Transactions on Image Processing》;20110909;第21卷(第4期);第1687-1700页 *
基于压缩感知的协同OFDM稀疏信道估计方法;张爱华，李春雷，桂冠;《计算机应用》;20140110(第1期);第13-17页 *

Also Published As

Publication number Publication date
CN109561036A (zh) 2019-04-02

Similar Documents

Publication Publication Date Title
CN109561036B (zh) 一种基于凸优化的水声信道盲解卷积方法
CN106847302B (zh) 基于卷积神经网络的单通道混合语音时域分离方法
CN109269497B (zh) 基于auv切法向速度模型的多尺度无迹卡尔曼滤波估计方法
CN108924148B (zh) 一种多源信号协同压缩感知数据恢复方法
CN102980579B (zh) 一种自主水下航行器自主导航定位方法
Maine et al. Formulation and implementation of a practical algorithm for parameter estimation with process and measurement noise
KR20170056687A (ko) 시퀀스 재귀 필터링 3차원 변분(3d-var) 기반의 실측 해양 환경 데이터 동화방법
CN110263832B (zh) 一种基于多尺度分析的auv导航系统故障诊断方法
CN102142139A (zh) 基于压缩学习感知的sar高分辨图像重建方法
KR100707168B1 (ko) 센서 퓨징을 이용한 무인 이동체의 위치 추정 방법 및 장치
CN113486574A (zh) 基于历史数据以及机器学习的声速剖面补全方法及装置
CN107783183A (zh) 深度域地震波阻抗反演方法及系统
CN115859116A (zh) 一种基于径向基函数回归插值法的海洋环境场重建方法
KR102404498B1 (ko) 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 장치 및 방법
CN105184742A (zh) 一种基于拉普拉斯图特征向量的稀疏编码的图像去噪方法
CN103400158A (zh) 基于动态形状码本学习的水平集跟踪方法
CN114757224A (zh) 一种基于持续学习和联合特征提取的特定辐射源识别方法
CN104459695B (zh) 基于压缩相位恢复的稀疏微波成像方法
CN108566256B (zh) 一种频谱地图的构建方法
CN117293791A (zh) 一种基于误差修正的负荷时序调节潜力预测方法
Pelevin Identification of vehicle model parameters under external disturbances
CN103530857A (zh) 基于多尺度的卡尔曼滤波图像去噪方法
Maurandi et al. Fast Jacobi like algorithms for joint diagonalization of complex symmetric matrices
CN115471498A (zh) 用于雨鞋生产的多角度防水监测的制鞋机及其方法
CN116106827A (zh) 一种基于四麦克风阵列和深度学习的声源定位方法

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
TR01 Transfer of patent right

Effective date of registration: 20230928

Address after: 1294 Chuangxin Road, Songbei District, Harbin City, Heilongjiang Province, 150001

Patentee after: HARBIN XINGUANG PHOTOELECTRIC TECHNOLOGY Co.,Ltd.

Address before: 150001 Intellectual Property Office, Harbin Engineering University science and technology office, 145 Nantong Avenue, Nangang District, Harbin, Heilongjiang

Patentee before: HARBIN ENGINEERING University

TR01 Transfer of patent right