CN111007458A - 一种稀疏贝叶斯框架下联合到达时差及到达角信息的辐射源直接定位方法 - Google Patents
一种稀疏贝叶斯框架下联合到达时差及到达角信息的辐射源直接定位方法 Download PDFInfo
- Publication number
- CN111007458A CN111007458A CN201811167021.7A CN201811167021A CN111007458A CN 111007458 A CN111007458 A CN 111007458A CN 201811167021 A CN201811167021 A CN 201811167021A CN 111007458 A CN111007458 A CN 111007458A
- Authority
- CN
- China
- Prior art keywords
- representing
- radiation source
- signal
- parameter
- upper bound
- 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
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
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/06—Position of source determined by co-ordinating a plurality of position lines defined by path-difference measurements
-
- 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
- G01S5/0009—Transmission of position information to remote stations
- G01S5/0018—Transmission from mobile station to base station
-
- 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
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0278—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves involving statistical or probabilistic considerations
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Probability & Statistics with Applications (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种稀疏贝叶斯框架下联合到达时差及到达角信息的辐射源直接定位方法,属于辐射源定位技术领域。所述辐射源直接定位方法包括:联合到达时差及到达角信息的接收数据稀疏建模;信号统计参量的后验更新;模型参数解算。该方法适用于各个基站严格同步接收的辐射源定位系统。本发明所提方法能够在无需已知目标个数,无需人工整定超参数的条件下获得优于现有方法的定位性能。
Description
技术领域
本发明涉及一种稀疏贝叶斯框架下联合到达时差及到达角信息的辐射源直接定位方法,属于辐射源定位技术领域。
背景技术
辐射源定位技术在雷达、声呐和无线通信领域都是一个重要的研究课题。由于传统的两步定位方法需要额外的数据配对步骤,一类直接利用阵列接收数据估计得到目标位置的方法逐渐受到重视。对现有的联合到达时差与到达角度信息的直接定位算法而言,其应用局限性在于需要预知目标个数。另外,现有方法并未充分利用接收数据中的有效信息,导致系统的定位能力未能被充分挖掘。
发明内容
本发明的目的在于改善现有技术的局限性,提供了一种稀疏贝叶斯框架下联合到达时差及到达角信息的辐射源直接定位方法,该方法能在未知目标个数的情形下联合到达时差与到达角信息对辐射源进行定位,并获得较现有方法更好的定位性能。该方法适用于各个基站严格同步接收的辐射源定位系统。所采取的技术方案如下:
一种稀疏贝叶斯框架下联合到达时差及到达角信息的辐射源直接定位方法,所述辐射源直接定位方法包括:
步骤一:将接收数据分为多个帧,每帧包含多个采样;对每帧数据做离散傅里叶变换后取出幅度最大频点的数据并列化获得并列化模型;在稀疏贝叶斯框架下联合到达时差及到达角信息,获得接收数据的稀疏模型;
步骤二:根据信号的高斯统计特性得到信号统计参量的后验更新;
步骤三:利用边缘概率密度积分获得最大似然意义下的参数估计代价函数;利用期望最大原理获取所述参数估计代价函数的上界函数,而后分别针对噪声功率、块内相关度参数和信道衰落参数对上界函数进行求导,对应获取使上界函数最小的噪声功率、块内相关度参数和信道衰落参数的更新表达式;依据Majorize-Minimization原理得所述参数估计代价函数的另一上界函数,而后针对块间稀疏性参数对该上界函数求导,获得使上界函数最小的块间稀疏性参数的更新表达式;
步骤四:重复步骤二与步骤三所述过程,直至参数估计代价函数最终收敛;根据信号后验均值参量的峰值位置确定辐射源的位置。
进一步地,步骤一所述接收数据的稀疏建模包括:
第一步:在平面内设置L个分立的基站,每个基站线性配置M个传感器和N个窄带辐射源,其中,M≥2,L≥3,1≤N≤ML-1;发射信号表示为:sn(t)(1≤n≤N),n代表信号编号索引;辐射源位置坐标由位置矢量pn(1≤n≤N)确定;利用l代表基站编号索引,则第l个基站的接收数据表示为:
其中,
其中,wl,n为一未知复参量,代表从第n个辐射源到第l个基站的信道衰落;高斯分布的随机矢量nl(t)表示阵列噪声;al(pn)为阵列导向矢量,τl(pn)为信号的传播延迟,ψl(pn)为信号在两相邻传感器之间的相位延迟;
第二步:将接收数据分为TK帧,每帧J个采样,对每帧数据做离散傅里叶变换后取出K(2≤K≤J)个幅度最大频点的数据并列化获得并列化模型,所述并列化模型为:
其中,
wl=[wl,1,wl,2,...,wl,N]
其中,加点符号代表频域数据,上标(·)t代表联合到达时差与到达角信息的模型参数;Φt代表总导向矩阵,代表每个基站的导向矩阵,代表每个基站忽略信道衰减后的导向矩阵;符号i代表数据帧索引,符号k代表频点索引;fk代表选取的第k个频点;代表第l个基站接收到的第i帧数据做离散傅里叶变换后的取出的第k个频点的数据;代表频域变换后的信号矢量,代表第n个信号第i帧的第k个频点的幅值;代表频域噪声,为按上述方式重组后的结果;Wl为每个基站的衰减因子矩阵,IN代表维度为N的单位阵,1K代表K个元素的全1矢量;
第三步:在稀疏贝叶斯框架下,对所述并列化模型进行调整,获得稀疏贝叶斯框架下联合到达时差及到达角信息的接收数据模型如下:
其中,Q代表稀疏字典的原子个数;上划线代表稀疏框架下的模型参数;代表具有块稀疏结构的全局字典,代表每个基站的字典;代表不考虑信道衰减的各站字典,其各块用表示;代表第l个基站对每个原子所代表的潜在位置的衰减因子;代表信号的概率密度函数;代表均值为零向量,协方差矩阵为的高斯分布,其中γq为表征块间稀疏性的参数,为表征块内相关度的参数。
进一步地,步骤二所述信号统计参量的后验更新包括:
根据信号的高斯统计特性:
得到信号统计参量的后验更新表达式为:
其中,
进一步地,步骤三所述模型参数解算的具体过程包括:
第一步:利用边缘概率密度积分获得最大似然意义下的参数估计代价函数,所述参数估计代价函数为:
第二步:依据期望最大理论,确定所述参数估计代价函数的上界函数为:
其中,上标Θ(old)代表上一次更新的参数取值;
第五步:根据Majorize-Minimization原理构造所述参数估计代价函数的另一上界函数,并关于γ求导可得使该上界函数最小的γ第q个元素的更新表达式为:
本发明有益效果:
本发明提出的一种稀疏贝叶斯框架下联合到达时差及到达角信息的辐射源直接定位方法,该方法无需已知目标个数也无需人工整定超参数;相比于传统方法,本发明所提方法也无需数据关联。并且,本发明提出的辐射源直接定位方法相对于现有技术中的辐射源定位方法能够更充分地利用数据信息,从而获得更好的定位性能。
附图说明
图1为本发明所提方法流程图。
图2为辐射源定位系统示意图。
图3为定位性能仿真结果。
具体实施方式
下面结合具体实施例对本发明做进一步说明,但本发明不受实施例的限制。
实施例1:
一种稀疏贝叶斯框架下联合到达时差及到达角信息的辐射源直接定位方法,如图1所示,所述辐射源直接定位方法包括:
步骤一:将接收数据分为多个帧,每帧包含多个采样;对每帧数据做离散傅里叶变换后取出幅度最大频点的数据并列化获得并列化模型;在稀疏贝叶斯框架下联合到达时差及到达角信息,获得接收数据的稀疏模型;
步骤二:根据信号的高斯统计特性得到信号统计参量的后验更新;
步骤三:利用边缘概率密度积分获得最大似然意义下的参数估计代价函数;利用期望最大原理获取所述参数估计代价函数的上界函数,而后分别针对噪声功率、块内相关度参数和信道衰落参数对上界函数进行求导,对应获取使上界函数最小的噪声功率、块内相关度参数和信道衰落参数的更新表达式;依据Majorize-Minimization原理得所述参数估计代价函数的另一上界函数,而后针对块间稀疏性参数对该上界函数求导,获得使上界函数最小的块间稀疏性参数的更新表达式;
步骤四:重复步骤二与步骤三所述过程,直至参数估计代价函数最终收敛;根据信号后验均值参量的峰值位置确定辐射源的位置。
为方便表述与理解,现将如下所用符号统一说明:矩阵与矢量以粗斜体符号表示;上标(·)T、(·)H和(·)-1分别表示转置、共轭转置和取逆操作符;符号|·|、||·||、tr(·)、diag(·)、diagblk(·)和vec(·)分别表示取行列式、取2范数、取迹、对角化、块对角化和列化操作;符号代表克罗内克积;
其中,步骤一所述接收数据的稀疏建模包括:
第一步:如图2所示,在平面内设置L个分立的基站,每个基站线性配置M个传感器和N个窄带辐射源,其中,M≥2,L≥3,1≤N≤ML-1;发射信号表示为:sn(t)(1≤n≤N),n代表信号编号索引;辐射源位置坐标由位置矢量pn(1≤n≤N)确定;利用l代表基站编号索引,则第l个基站的接收数据表示为:
其中,
其中,wl,n为一未知复参量,代表从第n个辐射源到第l个基站的信道衰落;高斯分布的随机矢量nl(t)表示阵列噪声;al(pn)为阵列导向矢量,τl(pn)为信号的传播延迟,ψl(pn)为信号在两相邻传感器之间的相位延迟;
第二步:将接收数据分为TK帧,每帧J个采样,对每帧数据做离散傅里叶变换后取出K(2≤K≤J)个幅度最大频点的数据并列化获得并列化模型,所述并列化模型为:
其中,
wl=[wl,1,wl,2,...,wl,N]
其中,加点符号代表频域数据,上标(·)t代表联合到达时差与到达角信息的模型参数;Φt代表总导向矩阵,代表每个基站的导向矩阵,代表每个基站忽略信道衰减后的导向矩阵;符号i代表数据帧索引,符号k代表频点索引;fk代表选取的第k个频点;代表第l个基站接收到的第i帧数据做离散傅里叶变换后的取出的第k个频点的数据;代表频域变换后的信号矢量,代表第n个信号第i帧的第k个频点的幅值;代表频域噪声,为按上述方式重组后的结果;Wl为每个基站的衰减因子矩阵,IN代表维度为N的单位阵,1K代表K个元素的全1矢量;
第三步:在稀疏贝叶斯框架下,对所述并列化模型进行调整,获得稀疏贝叶斯框架下联合到达时差及到达角信息的接收数据模型如下:
其中,Q代表稀疏字典的原子个数;上划线代表稀疏框架下的模型参数;代表具有块稀疏结构的全局字典,代表每个基站的字典;代表不考虑信道衰减的各站字典,其各块用表示;代表第l个基站对每个原子所代表的潜在位置的衰减因子;代表信号的概率密度函数;代表均值为零向量,协方差矩阵为的高斯分布,其中γq为表征块间稀疏性的参数,为表征块内相关度的参数。
步骤二所述信号统计参量的后验更新包括:
根据信号的高斯统计特性:
得到信号统计参量的后验更新表达式为:
其中,
步骤三所述模型参数解算的具体过程包括:
第一步:利用边缘概率密度积分获得最大似然意义下的参数估计代价函数,所述参数估计代价函数为:
第二步:依据期望最大理论,确定所述参数估计代价函数的上界函数为:
其中,上标Θ(old)代表上一次更新的参数取值;
第五步:根据Majorize-Minimization原理构造所述参数估计代价函数的另一上界函数,并关于γ求导可得使该上界函数最小的γ第q个元素的更新表达式为:
所提一种稀疏贝叶斯框架下联合到达时差及到达角信息的辐射源直接定位方法综合利用了到达时差以及到达角信息,适用于各个基站严格同步接收的辐射源定位系统。
利用所提一种稀疏贝叶斯框架下联合到达时差及到达角信息的辐射源直接定位方法得到的定位结果均方误差曲线如图3所示,其仿真条件如下:辐射源位置位于(0,-0.1)和(0,0.1)km处,基站位于(-3,-3)、(-3,3)、(3,-3)和(3,3)km处。阵元个数为8,阵元间距为半波长,接收信噪比为20dB;信号到各站的衰减因子分别设置为:w1=[1.1,0.5],w2=[1.5,1.3],w3=[0.8,0.7]和w4=[0.4,1.6];入射信号由K个单频信号叠加而成,其频率在带宽范围内随机生成,信号带宽为1MHz;取30个观测快拍给出仿真,变化信噪比从0dB至25dB;根据仿真结果,本发明所提方法的定位均方误差优于现有的直接定位方法。
虽然本发明已以较佳的实施例公开如上,但其并非用以限定本发明,任何熟悉此技术的人,在不脱离本发明的精神和范围内,都可以做各种改动和修饰,因此本发明的保护范围应该以权利要求书所界定的为准。
Claims (4)
1.一种稀疏贝叶斯框架下联合到达时差及到达角信息的辐射源直接定位方法,其特征在于,所述辐射源直接定位方法包括:
步骤一:将接收数据分为多个帧,每帧包含多个采样;对每帧数据做离散傅里叶变换后取出幅度最大频点的数据并列化获得并列化模型;在稀疏贝叶斯框架下联合到达时差及到达角信息,获得接收数据的稀疏模型;
步骤二:根据信号的高斯统计特性得到信号统计参量的后验更新;
步骤三:利用边缘概率密度积分获得最大似然意义下的参数估计代价函数;利用期望最大原理获取所述参数估计代价函数的上界函数,而后分别针对噪声功率、块内相关度参数和信道衰落参数对上界函数进行求导,对应获取使上界函数最小的噪声功率、块内相关度参数和信道衰落参数的更新表达式;依据Majorize-Minimization原理得所述参数估计代价函数的另一上界函数,而后针对块间稀疏性参数对该上界函数求导,获得使上界函数最小的块间稀疏性参数的更新表达式;
步骤四:重复步骤二与步骤三所述过程,直至参数估计代价函数最终收敛;根据信号后验均值参量的峰值位置确定辐射源的位置。
2.根据权利要求1所述辐射源直接定位方法,其特征在于,步骤一所述接收数据的稀疏建模包括:
第一步:在平面内设置L个分立的基站,每个基站线性配置M个传感器和N个窄带辐射源,其中,M≥2,L≥3,1≤N≤ML-1;发射信号表示为:sn(t)(1≤n≤N),n代表信号编号索引;辐射源位置坐标由位置矢量pn(1≤n≤N)确定;利用l代表基站编号索引,则第l个基站的接收数据表示为:
其中,
其中,wl,n为一未知复参量,代表从第n个辐射源到第l个基站的信道衰落;高斯分布的随机矢量nl(t)表示阵列噪声;al(pn)为阵列导向矢量,τl(pn)为信号的传播延迟,ψl(pn)为信号在两相邻传感器之间的相位延迟;
第二步:将接收数据分为TK帧,每帧J个采样,对每帧数据做离散傅里叶变换后取出K(2≤K≤J)个幅度最大频点的数据并列化获得并列化模型,所述并列化模型为:
其中,
其中,加点符号代表频域数据,上标(·)t代表联合到达时差与到达角信息的模型参数;Φt代表总导向矩阵,代表每个基站的导向矩阵,代表每个基站忽略信道衰减后的导向矩阵;符号i代表数据帧索引,符号k代表频点索引;fk代表选取的第k个频点;代表第l个基站接收到的第i帧数据做离散傅里叶变换后的取出的第k个频点的数据;代表频域变换后的信号矢量,代表第n个信号第i帧的第k个频点的幅值;代表频域噪声,为按上述方式重组后的结果;Wl为每个基站的衰减因子矩阵,IN代表维度为N的单位阵,1K代表K个元素的全1矢量;
第三步:在稀疏贝叶斯框架下,对所述并列化模型进行调整,获得稀疏贝叶斯框架下联合到达时差及到达角信息的接收数据模型如下:
4.根据权利要求1所述辐射源直接定位方法,其特征在于,步骤三所述模型参数解算的具体过程包括:
第一步:利用边缘概率密度积分获得最大似然意义下的参数估计代价函数,所述参数估计代价函数为:
第二步:依据期望最大理论,确定所述参数估计代价函数的上界函数为:
其中,上标Θ(old)代表上一次更新的参数取值;
第五步:根据Majorize-Minimization原理构造所述参数估计代价函数的另一上界函数,并关于γ求导可得使该上界函数最小的γ第q个元素的更新表达式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811167021.7A CN111007458B (zh) | 2018-10-08 | 2018-10-08 | 一种稀疏贝叶斯框架下联合到达时差及到达角信息的辐射源直接定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811167021.7A CN111007458B (zh) | 2018-10-08 | 2018-10-08 | 一种稀疏贝叶斯框架下联合到达时差及到达角信息的辐射源直接定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111007458A true CN111007458A (zh) | 2020-04-14 |
CN111007458B CN111007458B (zh) | 2022-03-11 |
Family
ID=70111104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811167021.7A Active CN111007458B (zh) | 2018-10-08 | 2018-10-08 | 一种稀疏贝叶斯框架下联合到达时差及到达角信息的辐射源直接定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111007458B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114374927A (zh) * | 2021-12-23 | 2022-04-19 | 中国电子科技集团公司第五十四研究所 | 基于块稀疏贝叶斯的多目标直接定位方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102819008A (zh) * | 2011-06-07 | 2012-12-12 | 中国人民解放军海军航空工程学院 | 一种基于非线性最小二乘的非合作雷达辐射源定位方法 |
CN103713277A (zh) * | 2013-12-19 | 2014-04-09 | 中国航天科工集团八五一一研究所 | 一种基于位置信息场的辐射源定位算法 |
CN106802406A (zh) * | 2017-01-17 | 2017-06-06 | 电子科技大学 | 一种用于无源雷达的辐射源关联方法 |
CN106842112A (zh) * | 2016-12-30 | 2017-06-13 | 西北工业大学 | 强混响环境下基于参数化贝叶斯字典学习的声源定位方法 |
-
2018
- 2018-10-08 CN CN201811167021.7A patent/CN111007458B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102819008A (zh) * | 2011-06-07 | 2012-12-12 | 中国人民解放军海军航空工程学院 | 一种基于非线性最小二乘的非合作雷达辐射源定位方法 |
CN103713277A (zh) * | 2013-12-19 | 2014-04-09 | 中国航天科工集团八五一一研究所 | 一种基于位置信息场的辐射源定位算法 |
CN106842112A (zh) * | 2016-12-30 | 2017-06-13 | 西北工业大学 | 强混响环境下基于参数化贝叶斯字典学习的声源定位方法 |
CN106802406A (zh) * | 2017-01-17 | 2017-06-06 | 电子科技大学 | 一种用于无源雷达的辐射源关联方法 |
Non-Patent Citations (2)
Title |
---|
JIEXIN YIN ET AL.: "ML-based single-step estimation of the locations of strictly noncircular sources", 《DIGITALSIGNALPROCESSING》 * |
陈鸾等: "多重目标直接定位的子空间分解压缩感知算法", 《信号处理》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114374927A (zh) * | 2021-12-23 | 2022-04-19 | 中国电子科技集团公司第五十四研究所 | 基于块稀疏贝叶斯的多目标直接定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111007458B (zh) | 2022-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108832976B (zh) | 一种大规模mimo系统的上行链路信道估计方法 | |
CN106021637B (zh) | 互质阵列中基于迭代稀疏重构的doa估计方法 | |
CN110109050B (zh) | 嵌套阵列下基于稀疏贝叶斯的未知互耦的doa估计方法 | |
CN109633538B (zh) | 非均匀采样系统的最大似然时差估计方法 | |
CN104977558A (zh) | 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 | |
CN108683619B (zh) | 一种低复杂度的大规模mimo信道参数估计方法 | |
Dreifuerst et al. | Deep learning-based carrier frequency offset estimation with one-bit ADCs | |
CN114338301B (zh) | 一种基于压缩感知的ris辅助毫米波系统的信道估计方法 | |
Shutin et al. | Incremental sparse Bayesian learning for parameter estimation of superimposed signals | |
CN111007457B (zh) | 一种基于块稀疏贝叶斯模型的辐射源直接定位方法 | |
CN110954862B (zh) | 一种稀疏贝叶斯框架下基于全局窄带模型的辐射源直接定位方法 | |
CN104539340B (zh) | 一种基于稀疏表示和协方差拟合的稳健波达角估计方法 | |
CN113376569B (zh) | 基于最大似然的嵌套阵稀疏表示波达方向估计方法 | |
CN111007458B (zh) | 一种稀疏贝叶斯框架下联合到达时差及到达角信息的辐射源直接定位方法 | |
Tan et al. | Covariance matrix reconstruction for direction finding with nested arrays using iterative reweighted nuclear norm minimization | |
Hao et al. | Importance sampling based direct maximum likelihood position determination of multiple emitters using finite measurements | |
Yao et al. | Wideband DOA estimation based on deep residual learning with Lyapunov stability analysis | |
Li et al. | Efficient target estimation in distributed MIMO radar via the ADMM | |
CN109581291B (zh) | 一种基于人工蜂群的直接定位方法 | |
CN109379116B (zh) | 基于切比雪夫加速法与sor算法的大规模mimo线性检测算法 | |
CN109541567B (zh) | 基于深度学习的高速机动目标检测方法 | |
CN116383656A (zh) | 用于大规模mimo定位的半监督表征对比学习方法 | |
Fesl et al. | Diffusion-based Generative Prior for Low-Complexity MIMO Channel Estimation | |
Wang et al. | Joint power distribution and direction of arrival estimation for wideband signals using sparse Bayesian learning | |
CN110361696B (zh) | 基于时间反转技术的封闭空间声源定位方法 |
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 |