基于压缩感知的阵列信号测向方法研究

针对阵列信号处理中传统测向方法在实际应用中存在采样数据量过大,同时需满足空间采样定理的问题,设计了随机线性阵列采样系统。在不满足空间采样定理的情况下,利用目标信号源在空间角度上的稀疏性,提出了在超完备冗余字典框架下将压缩感知理论应用于阵列高分辨测向的方法。计算机仿真结果表明了该算法在抗噪声性能上具有一定的鲁棒性,与传统测向方法相比,实现了在较低信噪比下只需少量采样点就可以达到高分辨测向的目的,降低了运算量。     

WSN中的分布式压缩感知

为了解决传统的压缩感知算法在无线传感器网络中实现的难题,首先研究了用定时器控制ADC进行随机压缩采样的压缩感知技术,实验表明,该方法有效可行。在此基础上提出了基于无线传感器网络的分布式压缩感知算法。该算法通过对随机压缩采样序列的拆分实现分布式压缩采样,最后利用合并后的采样值和CoSaMP算法完成对信号的重构。仿真和实验表明,该方法能够在星型网络拓扑中实现以1/10的标准采样频率下实现信号的重构。     

基于压缩感知的无线传感网络数据压缩

无线传感器网络（Wireless Sensor Networks,WSN）负责感知、采集、处理和监控环境数据,但是容易受限于资源。压缩感知（Compressed Sensing,CS）理论表明,利用最优化理论,稀疏信号可以从少量的非自适应线性投影中高概率精确恢复。根据CS理论设计WSN的数据压缩方法只依赖于信号内在的结构和内容,而不是信号的带宽,弥补了WSN的不足;提出了基于稀疏随机投影的编码方法;仿真结果表明系统在满足误差要求条件下构造的数据包减少至结点数目的30%,提高了WSN通信效率,降低了系统能耗。     

基于压缩信号处理的BOC信号解调

为了降低二进制偏移载波调制(BOC)信号的采样频率,提出一种基于压缩信号处理的BOC信号解调方案。采用该方法可以降低A/D的采样速率和系统功耗,并且硬件结构比其他方案更加简单。仿真实验表明,压缩感知可以成功地应用在BOC信号接收机中。受噪声折叠的影响,压缩信号处理BOC接收机的性能要比传统接收机略低,其优势在于降低实现的复杂度。考虑信号的量化,噪声折叠对接收机的性能影响要小得多。     

压缩感知算法在阵列测向中的相干信号分辨

现有算法在进行信号重建时,需要原始信号的稀疏信息来控制初始原子集的大小和算法迭代的最大次数,这削弱了重建精度,增加了计算复杂度,限制了其实际应用能力。为了克服这个问题,提出了基于正交匹配追踪算法的改进算法。该算法将阵元个数作为假设稀疏度,在稀疏度未知的初始阶段扩展初始原子集。最后通过对测量信号的幅度进行阈值过滤以实现信号的分辨和信源数的估计。为解决测向人员面对监测软件所指示的多个信号示向度中,无法分辨哪些指示方向是同一个信号源所产生的折反射信号的问题,首次提出了基于压缩感知算法的相干关系分析和相干信号分辨的模型。实测数据结果表明,该算法在不同环境下可以清晰分辨相干信号,并且能够适应多种实验平台。     

一种基于压缩感知的离格阵列测向方法

基于稀疏表示的阵列测向技术中的一系列高精度鲁棒性方法都基于网格假设,即假设入射信号来向无误差地落在网格上,这一假设与现实中信号来向落在连续角度域内相违背,所造成的网格偏差效应会带来模型失配,从而导致估计性能的恶化。针对这一问题,本文提出了一种基于泰勒展开的离格类信号模型,该模型允许信号来向偏离网格,从而消除了网格误差效应,减小了估计误差。同时采用一种交替迭代优化的方法对模型进行求解,并利用奇异值分解等方法降低计算量。该方法能够有效减小网格误差,提高估计精度。仿真结果验证了所提方法的有效性。     

基于分布式压缩感知的无线传感器网络异常数据处理

无线传感器网络的海量数据采集、传输和处理,对传感器节点的处理能力和功耗提出了严峻挑战,而且现实环境中传感器故障或者环境因素的突变会导致部分采集数据异常,而传统的数据处理方法无法对包含异常的数据进行有效的处理。针对上述问题,文中提出了两类无线传感器网络的异常数据模型,以及相应的基于分布式压缩感知的异常数据处理方法。通过协同的多个传感器进行数据压缩采样,当多个传感器采集的数据包含异常成分时,分布式压缩感知技术对数据中相同的正常分量进行一次统一重构,仅对不同的异常分量进行单独重构,从而避免了对相同数据分量的重复处理,提高了对包含异常成分数据处理的效率。另外,分布式压缩感知技术充分利用数据间的相关性,可有效减少传感器网络的数据采集量,加强其对抗异常数据的鲁棒性。对两类异常数据模型的数值仿真结果表明:相比于传统的基于单组测量值的压缩感知技术,基于分布式压缩感知技术的数据处理方法在提高异常数据重构准确率的同时,将采样数据量减少了约33%,证明了该方法的有效性。     

基于压缩感知理论的图像压缩初步研究

在传统的压缩编码技术中,采样均遵循奈奎斯特定律,该定律规定采样速率要高于原信号频率的两倍。针对这一方法无法克服的巨大计算量及资源浪费,将最近提出的压缩感知理论用于图像压缩编码,可大大降低采样速率,该文着重讨论了基于压缩感知理论的图像压缩算法,仿真实验证明了这一算法的可行性。     

基于压缩感知的二维DOA估计

针对L阵列,提出基于压缩感知的二维波达方向估计新方法。定义方位角和俯仰角余弦乘积为空间合成角,利用等余弦网格划分空间合成角构造超完备的冗余字典,将子阵接收的单快拍数据矢量转化为冗余字典下的稀疏表示问题;采用单位列向量组合矩阵随机抽取的新方法构造高斯随机测量矩阵;通过改进正交匹配追踪算法求解二维波达角。指出所提出的算法比传统二维MUSIC算法在高信噪比、多快拍条件下估计性能更好,并且有一定的阵元节约效能。计算机仿真实验证明了以上结论。     

基于压缩感知的电压传感器信号处理方法

针对电压传感器信号实时处理计算量大,提出了一种基于压缩感知的数字信号处理方法.该方法通过自适应随机测量矩阵对原始电压传感器数据进行压缩采样,然后用二次最优对压缩信号进行重构,恢复原始信号.该方法具有计算量小,重构精度高等优点.在电压传感器上的实验表明,该算法的重构平均精度能达到92.34％.     

基于FFS的压缩感知算法研究

传统的频谱感知方式因其自身的局限性而难以满足处理速率的更高要求。压缩感知的优势在于前端传感器采样数据量远远小于传统采样方法所获的数据量,从而有效提高频谱感知的速度。本文给出了一种新颖的压缩感知算法——快速傅里叶采样算法,该算法能采集较少的点数,较快地重构信号。算法分为频率分离、比特测试和系数估计三个主要步骤。文中对FFS算法进行了详细分析及实现,给出了仿真信`号重构结果 ,并将该算法的运算量与快速傅里叶变换进行了对比分析。仿真结果表明,该算法具有较好的重构精度,并且信号长度的剧烈增加对运算量的影响较小,在大信号处理时运行时间远远低于FFT。     

基于压缩感知的无线传感器网络动态采样方法

基于固定采样率的无线传感网（WSN）压缩感知（CS）在收集随时间变化的数据时难以获得满意的数据恢复精度。针对该问题,提出了一种基于数据预测和采样率反馈控制的动态采样方法。首先,汇聚节点通过分析当前采样时段与上一采样时段获取数据的线性度量指标,预测数据的变化趋势;然后,根据预测结果计算感知节点未来的采样率,并通过反馈控制机制对感知节点的采样过程进行动态调节。实验结果表明,相比基于目前广泛采用的基于固定采样率的无线传感网压缩感知数据收集方法,该方法能够有效提高压缩数据的恢复精度。     

一种基于压缩感知的无线传感信号重构算法

压缩感知(Compressed Sensing,CS)是一种基于稀疏信号的获取和恢复的新理论,能以较小的采样代价获得完整的信号.这一理论符合无线传感网络在带宽和采集能力局限下需要低代价采样的需求.但由于无线传感网络的开放性,其容易受到环境噪声的影响,特别是采用压缩感知方法进行欠采样,虽然可以减小获取数据的开销,但这种“不完整”的欠采样数据对噪声更加敏感.因此抗噪声的健壮的重构算法能有效保证信号重构的精度.文中提出了一种近似梯度下降算法(Proximal Gradient Algorithm,PRG)对噪声下的压缩采样信号进行恢复.该算法通过逐步迭代逼近的方式,求得约束方程最优解,进而还原出原信号.通过与OMP、SP、BP算法比较,PRG算法在噪声环境下表现出较好的重构性能.     

基于压缩感知的微弱信号检测方法

提出了一种利用压缩感知原理测量微弱信号的方法,测量信号由伪随机序列调制,应用改造的测量矩阵,在一次测量基础上进行二次测量,利用压缩感知的恢复算法可以精确地确定信号在字典中的位置并且得到其幅度值。仿真实验证明本文方法可以用于检测信噪比高于-20 dB的微弱信号,将信号较完整地从噪声干扰中恢复出来,信号幅度误差很小。     

压缩感知雷达感知矩阵优化

压缩感知雷达(Compressive sensing radar,CSR)的场景恢复性能要求感知矩阵相关系数尽可能小。针对感知矩阵相关系数的最小化问题,提出了基于模拟退火的感知矩阵优化算法,建立了基于随机滤波结构的CSR模型,给出了优化目标函数,采用模拟退火实现了发射波形、测量矩阵的优化以及联合优化。仿真结果表明该算法可以提高场景恢复精度,提升抗噪能力,增大可观测目标个数上限,且联合优化的性能优于波形和测量矩阵的单独优化。     

压缩感知研究

经典的香农采样定理认为,为了不失真地恢复模拟信号,采样频率应该不小于奈奎斯特频率(即模拟信号频谱中的最高频率)的两倍.但是其中除了利用到信号是有限带宽的假设外,没利用任何的其它先验信息.采集到的数据存在很大程度的冗余.Donoho等人提出的压缩感知方法(Compressed sensing或Compressive Sa...     

利用块稀疏特性的压缩感知麦克风阵列声源定位

与传统声源定位算法如相位变换加权、时延累加定位不同,压缩感知麦克风阵列声源定位算法可将声源定位转化为稀疏重构问题从而获得较高的性能。但在实际应用环境下,由于远场声源自身指向性、空间混响等原因,声源方向向量往往呈现块稀疏度结构,导致采用传统稀疏恢复算法如正交匹配追踪算法（Orthogonal matching pursuit,OMP）等进行压缩感知定位性能下降。本文在压缩感知声源定位算法中引入块稀疏似零范数,以压缩感知为基本框架,采用块稀疏似零范数稀疏恢复进行声源方向向量的重构,获取声源的方位。实验结果表明,相较于传统声源定位算法和基于OMP的压缩感知声源定位算法,本文算法具有更高的定位精度。     

基于随机阵列的降维压缩感知三维成像方法*

针对传统压缩感知(Compressed sensing, CS)三维微波成像方法存在建模较复杂和高度维数据层间串扰的问题,提出一种基于随机阵列观测的降维稀疏建模CS三维微波成像方法。该算法对三维成像空间进行整体建模,克服了分层建模时高度维数据层间串扰的问题。同时,该方法利用截取距离压缩后的回波数据、相关积累提取和随机抽取三种策略,大大降低了传感矩阵的维数,从而实现了三维成像空间的降维CS成像。仿真结果表明该方法能实现三维目标聚焦,并且比传统方法更能精确地重建场景的目标信息。同时,研究还表明CS三维成像不仅能达到旁瓣抑制效果,而且还能在一定程度上获得分辨率增强效果。     

基于小波树模型的CoSaMP压缩感知算法

无线传感网络存在网络带宽限制和传感器节点的能耗问题,实际应用中通常希望可以通过重构算法从采集的少量数据中还原出原始信息,压缩感知理论为上述问题提供了一个解决思路。利用压缩感知理论,对无线传感器网络中温度传感器的监测信号进行了压缩感知的应用研究。针对传统压缩采样匹配追踪(CoSaMP)算法中测量次数多、重构精度低等问题,利用信号的小波系数所形成的连通树的结构特性,提出了基于小波树模型的压缩采样匹配追踪算法。将该算法应用到无线传感器网络监测信号的压缩感知仿真实验中,与传统压缩采样匹配追踪算法的重构性能进行比较,结果表明该算法较传统压缩采样匹配追踪算法在一定范围内对无线传感器网络中的温度信号具有更好的压缩感知性能。     

基于PCA的无线传感器网络压缩感知算法

针对常规压缩感知算法稀疏效果不佳的问题,提出了基于PCA的无线传感器网络(Wireless Sensor Network)压缩感知算法;该算法利用主成分分析法(Principle Component Analysis)的去噪和去冗余特性为节点数据提供一个自适应的稀疏矩阵,尽可能的减少观测量,并提出一个自相关系数保证PCA技术应用的有效性;最后,通过仿真将该算法与常规算法的重构误差进行比较,结果表明当信号相似度系数r大于0.7时,前者信号重构所需的观测量少很多,重构精度更高,对于WSN数据采集能够起到很好的节能效果。