空间非平稳噪声状态下的超分辨测向技术研究

在空间非平稳噪声状态下对任意形天线阵超分辨测向技术的性能进行了研究，并对传统协方差距阵差法做了改进，经计算机仿真验证，改进后的测向算法性能良好。     

基于Rademacher序列的压缩感知测量矩阵构造及其spark估计

构造确定性测量矩阵对压缩感知理论的推广与应用具有重要的意义,本文尝试利用Rademacher序列构造测量矩阵.在压缩感知理论中,spark为测量矩阵的最小线性相关列数,是一个重要的性能参数,利用Rademacher序列的相关特性,推导出Rademacher序列构造测量矩阵spark的一个下界.从理论分析和仿真实验表明,相同条件spark界下,Rademacher序列构造的测量矩阵重构性能优于基于m序列构造的测量矩阵;并且Rademacher序列构造矩阵具有循环特性,易于硬件实现,克服了随机矩阵浪费存储资源的缺陷,有利于压缩感知理论的实用化.     

球谐波域自适应波束形成方法研究

为提高复杂背景下球麦克风阵列测向性能,提出了一种基于自适应理论的谐波域静态方向图数值综合算法.该方法通过球麦克风阵列采集空域远场高阶声场的声压信息,采用球傅里叶变换得到声场谐波项,结合自适应理论静态方向图数值综合方法,迭代得到阵列的最优加权.仿真实验结果表明,该方法提高了对期望声源的探测精度,在一定程度上验证了该方法的有效性.     

基于子空间投影的SFGPR压缩感知成像算法

针对传统压缩感知SFGPR成像重建算法在强杂波测量环境中往往会失效的问题,提出一种基于子空间投影杂波抑制技术的SFGPR压缩感知成像重建算法.该算法首先在每个天线测量位置通过压缩感知测量模型重建所有的频域原始均匀采样数据,然后采用子空间投影杂波抑制技术滤除较强的地面回波,最后结合稀疏重建算法对地下目标图像进行压缩感知重建.实验数据处理结果验证了所提方法的有效性和准确性.     

基于相关函数线性预测的高分辨测向方法

本文分析了均匀线阵输出信号的相关矩阵结构，提出了基于相关函数线性预测的高分辨测向方法．理论分析表明，通过相关函数的线性预测，可以获得较高的角度分辨率．本文还给出了计算机仿真实验，验证了该方法的正确性与可行性．     

基于加权L1最小化的图像小波域压缩感知重构

压缩感知理论因为能以少量的采样精确地重构原始信号而得到广泛关注.通过在压缩感知的框架下研究小波域图像重构问题,提出了一类小波域的加权l1最小化方法.该方法不仅利用了信号稀疏性的先验信息,而且在重构模型中,通过对不同小波子带上的系数施加不同的权重,从而整合了图像小波域的结构信息,与经典的压缩感知算法相比具有更好的信号可恢复性.仿真实验结果表明,选用该方法能够以更少的采样得到同等精度的重构图像,验证了该方法的有效性.     

参与式感知系统中基于压缩感知的数据采集算法

基于压缩感知理论提出了一种在参与式感知系统中进行数据采集的算法.该算法通过对节点社会关系的分析,估计得出部分未被传输的节点感知数据,在此基础上对观测矩阵进行更新,使压缩感知算法可以利用已传输的数据和估计得出的数据进行重构.该算法能显著减少参与式感知系统中传输的数据量,同时能够保证较好的数据重构精度.采用随机漫步移动模型进行了仿真实验,验证了算法的可行性.实验表明,与传统的压缩感知算法相比,上述算法在重构成功率相同的情况下,可以显著减少网络传输的数据量,从而降低网络消耗.     

基于压缩感知的MIT图像重建方法

针对目前磁感应成像技术(MIT)的图像重建质量存在精度较低的问题,提出了一种基于压缩感知原MIT图像重建方法.将MIT系统电压数据的采集过程视为压缩感知的线性测量过程,通过对灵敏度矩阵进行补零拓展和行向量随机重组操作重新设计了测量矩阵;采集到的电压向量也用相同的方式处理,作为压缩感知的测量信号.然后利用压缩感知信号重构算法恢复原始信号.最后进行了仿真实验,实验结果表明,利用本方法获得的重建图像误差和相关系数比传统图像重建算法要好.由此可见,这是一种精度较高的MIT图像重建方法.     

基于NSCT变换与压缩感知的红外/被动毫米波图像融合

为提高图像的质量和实时传输效率,提出一种基于NSCT变换与压缩感知的红外/被动毫米波图像融合算法.该算法首先对红外/被动毫米波图像分别进行非下采样轮廓波变换分解.然后,对于高频系数采用基于压缩感知的融合方法;低频系数部分则是采用基于图像方差的融合策略.再对融合后的高频、低频系数进行逆变换输出融合图像.最后通过实验仿真证实该算法得到的融合图像能很好地识别目标坦克.     

基于广义S变换和压缩感知的端到端流量估计算法（英文）

研究了高速网络中的流量矩阵估计问题.针对该问题在时域中的高病态特性,提出一种新的算法来解决该问题,该算法利用广义S变换和压缩感知来建模流量矩阵.通过广义S变换,则在时频域中对流量矩阵进行估计;在时频域中流量矩阵被分解为稳态分量和波动分量两部分,稳态分量通过抽样测量的样本数据进行建模分析,而波动分量则利用压缩感知理论进行估计.最后,利用真实网络流量数据验证所提出的算法,仿真结果表明所提出的算法是有效和可行的.