基于多维测量信息的压缩感知多目标无源被动定位算法

无源被动定位是入侵者检测、环境监测以及智能交通等应用的关键问题之一。现有的无源被动定位方法可通过信道状态信息获取多个维度上的测量信息,但是现有方案未能充分挖掘多个信道上的频率分集以提高定位性能。该文提出一种基于多维测量信息的压缩感知多目标无源被动定位算法,在压缩感知框架下利用多维测量信息的频率分集提高定位精度和鲁棒性。根据鞍面模型建立无源字典,将多目标无源被动定位问题建模成多测量向量联合稀疏恢复问题,并利用多维稀疏贝叶斯学习算法估计目标位置向量。仿真结果表明,该算法能有效利用多维测量信息提高定位性能。     

结合K-均值聚类的无源目标定位技术

基于压缩感知的无源目标定位算法利用目标对无线链路的链路遮挡和阴影效应对其位置进行估计,将目标定位问题转化为信号的稀疏重构问题,可以实现低成本定位,但该算法定位误差较大,且抗干扰性差。针对这一问题,提出了结合K-均值聚类算法的无源目标定位技术,以基于变分贝叶斯推理的重构算法为基础多次定位,然后以此作为数据集,并结合网格修剪机制进行聚类操作。仿真结果表明,所提方法有效提高了定位精度,有较强的鲁棒性。     

基于贝叶斯压缩感知UWB单站定位方法

脉冲超宽带(IR-UWB)能够在无线定位中取得较高的精确度,但是存在ADC瓶颈问题,利用压缩感知理论(CS)对信号压缩采样可以显著降低信号采样速率。本文将贝叶斯压缩感知应用于UWB单站定位,接收节点利用L型天线阵列接收信号,对信号压缩采样,由贝叶斯压缩感知重构算法(BCS)还原信号并估计时延参数,最后由定位算法解算位置信息。基于IEEE 802.15.4a信号模型的仿真结果表明,该方法最低能以20%的奈奎斯特采样速率获得分米级的定位精确度。     

一种基于压缩感知的同频多辐射源数量估计及定位方法

本文提出了一种基于压缩感知的多辐射源数量估计及定位方法,能够较为准确地对未知的多个无线电辐射源的数量估计并定位.方法通过移动监测,在区域内部分位置上获取场强值.在对场强值进行预处理后,利用目标源的空间稀疏性,结合传播模型及压缩感知方法进行粗定位,用较少场强值重构计算出区域内未知同频辐射源数量.在此基础上进行二次定位确定辐射源的位置,提高了定位的准确度.通过对算法进行仿真与实验验证,证明了本文方法的有效性.     

基于稀疏贝叶斯学习的网格自适应多源定位

多源定位是信号处理中的重要问题。该文针对目标偏离初始网格点引起的基不匹配问题,构建具有Laplace先验的稀疏贝叶斯学习框架,提出基于稀疏贝叶斯学习的网格自适应多源定位算法AGMTL。本质上,AGMTL实现了稀疏信号重建和网格自适应定位字典的学习。仿真结果表明,AGMTL通过网格自适应调整,在定位误差,估计可靠性,抗噪性能上均远远优于传统的压缩感知定位算法。     

基于对称旋转不变性的非圆相干分布源直接定位算法

针对现有相干分布源直接定位方法中存在的依赖分布模型、计算复杂等问题,该文提出一种基于非圆信号特征的对称旋转不变直接定位算法。该方法首先根据分布源参数化假设建立基于数据域信息的直接位置估计模型,并利用非圆信号特征扩展接收信号的协方差矩阵。然后针对中心对称阵列,证明了相干分布源的确定性角信号分布函数矢量具有对称特性,基于这一特征建立了扩展方向矢量的旋转不变关系;构造了融合多个观测站信息的目标函数,直接估计目标位置,避免了对分布模型的依赖,且降低了待估计参数维度。仿真结果表明,与现有相干分布源定位算法相比,所提算法提高了分布源位置估计精度和效率,避免了对分布模型的依赖,更具实用价值。     

基于压缩感知的免携带设备双目标定位算法

免携带设备的目标定位(DFL)不需要目标携带任何设备就能获取位置信息,针对现有算法在多目标定位中存在的因射频信号时变特性引起的问题,该文结合指纹法,提出了基于压缩感知的免携带设备双目标定位算法。该算法采用中心概率覆盖模型建立单目标射频地图到双目标射频地图的映射关系,解决指纹法由于目标数的增加引起的离线训练量骤增的问题。并采用K-means聚类方法对双目标射频地图进行分类,通过类匹配缩小定位区域的范围,降低定位算法的复杂度。最后利用压缩感知的方法,将定位问题转化成稀疏信号的重构问题,提高了定位精度。实验结果表明,与基于无线层析成像的压缩感知定位算法相比,该算法能达到较高的定位精度,且实时性更高。     

基于LANDMARC与压缩感知的双段式室内定位算法

鉴于已有室内定位算法定位精度与运算效率之间的矛盾,该文提出一种将LANDMARC区域定位与基于模拟退火优化正则化正交匹配追踪(SROMP)的压缩感知位置估计相结合的双段式定位算法(LANDMARC- SROMP CS)。首先,利用LANDMARC定位算法快速锁定目标所在区域范围;在锁定的区域内,再引入压缩感知理论实现目标位置估计。此部分,首先根据锁定区域范围建立虚拟参考标签;然后由新型组合核函数相关向量机算法训练得到室内传播损耗模型,计算获得虚拟标签处接收信号强度值,构建测量矩阵;最后利用SROMP压缩感知重构算法求解出目标的位置索引矩阵,对索引矩阵中的位置相关点加权平均得到目标的位置信息。实验结果表明,所提定位算法平均定位误差为0.6445 m,算法运算效率相对较高,可以较好地满足室内定位的要求。     

超宽带探地雷达多目标压缩感知成像研究

压缩感知成像要求信号在某个域上能满足稀疏性要求,地下多目标在空域上降低了信号的稀疏性,导致成像出现散焦和虚像。扩大成像背景保证了稀疏性要求但又使得成像计算量上升,实时性不足。提出一种根据探地雷达回波特征预提取出潜在目标位置的压缩感知成像方法。通过对数据进行去噪、滑动矩阵过滤来确定目标的水平位置,再对水平位置处的几道A-Scan 数据进行极值搜索,从而可以提取出成像区域目标位置信息,进而在建立成像冗余字典时只需考虑目标位置处的字典元素,无目标处字典元素直接剔除,减少字典建立所需的元素,降低了压缩感知求解计算量。该方法由于只对潜在目标区域进行成像,因此在保证成像实时性的同时也保证了成像精度。实验结果表明算法可行、有效。     

基于压缩感知的无线传感器网络多目标定位算法

目标定位是无线传感器网络的重要应用场景。该文提出了一种将压缩感知应用于无线传感器网络多目标定位的方法,把基于网格的多目标定位问题转化为压缩感知问题。应用多分辨率分析的思想,设计了迭代回溯的压缩感知算法,该方法的特点是可同时进行多目标定位,并且大大减少了网络通信的数据量从而延长网络寿命,代价是融合中心的算法复杂度的增加。仿真结果显示,采用迭代回溯算法定位精度提高了50%以上,具有较好的多目标定位效果。     

基于链路选择学习算法的无设备目标定位

针对压缩感知框架下无设备目标定位(device-free localization,DFL)的字典失配问题,提出一种基于链路选择学习(link selection learning,LSL)算法的DFL方式.由于传统基于阴影模型的字典无法准确表达接收信号强度(received signal strength,RSS)变化与目标位置间的对应关系,本文算法首先在训练阶段通过字典学习的方式更新初始字典; 同时该算法在更新字典的过程中,仅选取置信区域中的链路参与计算,这样既加速了字典学习过程,提高了算法实时性,又滤除了野值链路的影响.室内外实验结果表明,该方法可以有效地消除现有基于阴影模型字典所带来的模型误差,提高定位精度,同时具有运算速度快的优点.     

利用期望-最大化算法实现基于动态词典的压缩感知

在现有压缩感知(CS)理论中,重构信号需要预设其稀疏表示词典。对于以参数化模型表示的信号,只能预知该词典为某种形式的参数化词典,参数的具体取值难以确定。若将参数设定为取值空间的均匀离散格点,预设词典与真实词典之间的失配将使传统CS重构方法的性能严重恶化。为解决这一问题,该文提出一种基于动态词典的CS重构方法。通过迭代地优化词典参数,该方法在信号重构过程中对词典进行动态调整。为同时实现稀疏恢复与词典调整,该方法利用变分期望-最大化(EM)算法交替执行信号系数估计与词典参数优化。实验结果表明所提方法是有效的。     

基于稀疏表示的多输入多输出雷达多目标定位

针对双基地多输入多输出(Multiple-Input Multiple-Output,MIMO)雷达目标定位问题,提出一种基于稀疏表示的双基地MIMO雷达多目标定位方法.利用点目标所在的二维角度空间构造冗余字典; 通过对接收信号的协方差矩阵进行特征分解,从中选取不同数目的特征向量在该冗余字典下稀疏表示,构建以特征向量为观测信号的多重测量向量(Multiple Measurement Vectors,MMV)模型,提取的特征向量在充分包含目标的角度信息的前提下,降低了直接以接收信号为观测信号的矩阵维数,形成低维稀疏线性模型; 最后,通过特征向量的稀疏重构,得到目标的角度估计.与现有算法相比,该算法对特征向量的稀疏重构降低了重构原始接受信号的计算复杂度,且在低信噪比和低快拍下仍有较好的估计性能,仿真实验验证了算法的有效性.     

Multi-target localization algorithm based on adaptive grid in wireless sensor network

The RSS-based multi-target localization has the natural property of the sparsity in wireless sensor networks.A multi-target localization algorithm based on adaptive grid in wireless sensor networks was proposed,which divided the multi-target localization problem into two phases:large-scale grid-based localization and adaptive grid-based localization.In the large-scale grid-based localization phase,the optimal number of measurements was determined due to the sequential compressed sensing theory,and then the locations of the initial candidate grids were reconstructed by applying l_p (0＆lt; p＆lt;1) optimization.In the adaptive grid-based localization phase,the initial candidate grids were adaptively partitioned according to the compressed sensing theory,and then the locations of the targets were precisely estimated by applying l_poptimization once again.Compared with the traditional multi-target localization algorithm based on compressed sensing,the simulation results show that the proposed algorithm has higher localization accuracy and lower localization delay without foreknowing the number of targets.Therefore,it is more appropriate for the multi-target localization problem in the large-scale wireless sensor networks.     

Compressed sensing based deconvolution algorithm for time-domain UWB channel modeling

Extracting the parameters of the multipath with high accuracy can be achieved by using high-resolution algorithm for time-domain ultra wideband (UWB) channel modeling.The CLEAN algorithm has been used ...     

基于边框定界的WSN分布式全搜索定位算法

提出一种基于边框定界的WSN分布式全搜索定位算法。该算法通过节点测距得到邻居节点的坐标和距离信息,然后通过边框定界方法确定节点存在的位置区域,最后将位置区域网格化,并用全搜索方法在该区域搜索最佳估计点,最佳估计点的坐标即为节点的定位坐标。该算法应用到网络时需运行多轮,通过逐步求精得到节点的定位坐标。仿真实验表明该算法达到当前其他复杂定位算法的性能。     

同伦方法在图像稀疏去噪中的应用

本文在深入研究稀疏表示和字典学习理论的基础上,建立了图像去噪模型并提出一种新的图像去噪算法。该算法采用同伦方法学习字典,充分利用了同伦方法收敛速度快以及对信号的恢复准确度高的特点。之后利用 OMP 算法求出带噪图像在该字典下的稀疏表示系数,并结合稀疏去噪模型实现对图像的去噪。实验结果显示本文算法在不同的噪声环境下具有较好的去噪效果,同时在与 K-SVD 算法关于收敛速度比较的实验中,实验结果充分显示了使用同伦算法学习字典在收敛速度上的优势。