本文關鍵詞：基于分數低階統(tǒng)計量稀疏性的DOA估計

  更多相關文章： DOA估計 壓縮感知 α穩(wěn)定分布 分數低階統(tǒng)計量 字典細化

【摘要】：波達方向(DOA)估計是一項判斷信號源所處方位的技術,在多個領域中被廣泛應用。近年來,壓縮感知理論被應用于DOA估計中�；趬嚎s感知的DOA估計比傳統(tǒng)的陣列信號DOA估計方法有著更高的性能,用較少的采樣數據就能得到高精度的DOA估計結果,且具有不受信源相關影響等優(yōu)點。為了抑制環(huán)境中噪聲對壓縮感知DOA估計性能的影響,出現了很多壓縮感知DOA估計的改進算法,但這些改進算法都是基于高斯噪聲背景假設提出的。若環(huán)境中存在非高斯脈沖噪聲,這些算法將由于數學模型與實際環(huán)境的不匹配導致無法對脈沖噪聲進行有效的抑制,使DOA估計的性能嚴重下降。本文用α穩(wěn)定分布來描述脈沖噪聲,并針對α穩(wěn)定分布環(huán)境下二階和高階統(tǒng)計量不存在的問題,用分數低階統(tǒng)計量來作為描述陣列接收信號統(tǒng)計特性的數學工具,并嘗試將其與壓縮感知DOA估計算法相結合。通過對陣列接收信號分數低階相關矩陣的研究,發(fā)現了分數低階相關矩陣列向量在來波角度上的稀疏性和分數低階相關矩陣大特征值對應特征向量在來波角度上的稀疏性,并由此提出了基于分數低階相關矩陣列向量稀疏性的兩種DOA估計算法：FLOM-SCV算法和FLOM-MCV算法,以及基于分數低階相關矩陣特征向量稀疏性的DOA估計算法：FLOM-EIG算法。仿真結果顯示脈沖噪聲環(huán)境下本文提出的三種DOA估計算法的性能要明顯優(yōu)于基于協(xié)方差矩陣稀疏性的DOA估計算法,這說明基于分數低階統(tǒng)計量稀疏性的DOA估計算法比傳統(tǒng)的基于二階統(tǒng)計量的算法能夠更好的抑制脈沖噪聲對算法的影響。最后,本文針對基于壓縮感知的DOA估計方法在增加角度分辨率的同時會帶來運算量大量增加的問題,給出了一種能夠有效減少運算量的自適應冗余字典細化方法,并進一步給出了基于字典細化的FLOM-EIG算法。通過仿真說明了該算法能夠在脈沖噪聲環(huán)境下提供高性能的高分辨率DOA估計結果。
【關鍵詞】：DOA估計 壓縮感知 α穩(wěn)定分布 分數低階統(tǒng)計量 字典細化
【學位授予單位】：大連海事大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TN911.23
【目錄】：

• 摘要5-6
• ABSTRACT6-10
• 第1章 緒論10-18
• 1.1 研究背景和意義10-11
• 1.2 國內外研究現狀11-15
• 1.2.1 陣列信號DOA估計11-12
• 1.2.2 基于壓縮感知的DOA估計12-14
• 1.2.3 脈沖噪聲環(huán)境下的DOA估計14-15
• 1.3 本文主要研究內容和結構安排15-18
• 第2章 陣列信號DOA估計18-28
• 2.1 陣列信號DOA估計原理18-19
• 2.2 陣列信號DOA估計的數學模型19-22
• 2.3 經典DOA估計算法22-26
• 2.3.1 MUSIC算法23-24
• 2.3.2 ESPRIT算法24-26
• 2.4 本章小結26-28
• 第3章 基于壓縮感知的DOA估計28-44
• 3.1 壓縮感知理論概述28-37
• 3.1.1 壓縮感知理論的理論框架28-30
• 3.1.2 信號的稀疏表示30-31
• 3.1.3 約束等距性質(RIP)31-32
• 3.1.4 稀疏重構算法32-37
• 3.2 基于壓縮感知的DOA估計37-42
• 3.2.1 基于等角度劃分的壓縮感知DOA估計數學模型37-40
• 3.2.2 基于二階統(tǒng)計量的壓縮感知DOA估計40-42
• 3.3 本章小結42-44
• 第4章 基于分數低階統(tǒng)計量的壓縮感知DOA估計44-68
• 4.1 α穩(wěn)定分布44-46
• 4.1.1 α穩(wěn)定分布的定義44-46
• 4.1.2 α穩(wěn)定分布的性質46
• 4.2 分數低階統(tǒng)計量46-52
• 4.2.1 分數低階統(tǒng)計量的定義47
• 4.2.2 分數低階相關矩陣47-52
• 4.3 基于分數低階統(tǒng)計量塊稀疏性的DOA估計算法52-61
• 4.3.1 基于分數低階相關矩陣列向量稀疏性的DOA估計52-54
• 4.3.2 聯合分數低階相關矩陣多個列向量的DOA估計54
• 4.3.3 仿真54-61
• 4.4 基于分數低階統(tǒng)計量特征值分解的DOA估計算法61-67
• 4.4.1 分數低階相關矩陣特征向量的稀疏性61-63
• 4.4.2 FLOM-EIG算法63
• 4.4.3 仿真63-67
• 4.5 本章小結67-68
• 第5章 基于分數低階統(tǒng)計量和字典細化的壓縮感知DOA估計68-76
• 5.1 自適應的字典細化68-70
• 5.2 基于字典細化的FLOM-EIG算法70
• 5.3 仿真70-74
• 5.4 本章小結74-76
• 結論76-78
• 參考文獻78-82
• 致謝82-84
• 作者簡介84

【相似文獻】

中國期刊全文數據庫 前10條

1 曾小波;魏祖寬;金在弘;;協(xié)同過濾系統(tǒng)的矩陣稀疏性問題的研究[J];計算機應用;2010年04期

2 劉旭東;;一種緩解數據稀疏性的協(xié)同過濾推薦系統(tǒng)[J];煙臺職業(yè)學院學報;2011年04期

3 鄧自立;L算法及其在稀疏性計算中的應用[J];華南工學院學報;1985年01期

4 高磊;陳曾平;;基于代理函數優(yōu)化的稀疏性字典學習[J];電子學報;2011年12期

5 席俊紅;;基于案例推理:一種用來改善稀疏性問題的方法[J];微型電腦應用;2005年12期

6 張玉芳;代金龍;熊忠陽;;分步填充緩解數據稀疏性的協(xié)同過濾算法[J];計算機應用研究;2013年09期

7 王偉明;劉秀平;楊周旺;劉利剛;;網格曲面特征的稀疏性優(yōu)化檢測算法[J];計算機輔助設計與圖形學學報;2013年08期

8 王光新;林有明;張送保;;SAR圖像數據稀疏性分析及在特征增強中的應用[J];計算機科學;2011年02期

9 張利;郭俞伯;孫俊濤;于昕;張順利;;稀疏性約束下基于反饋更新的目標跟蹤[J];清華大學學報(自然科學版);2013年11期

10 何昭水;謝勝利;傅予力;;信號的稀疏性分析[J];自然科學進展;2006年09期

中國博士學位論文全文數據庫 前3條

1 王麗艷;斷層圖像稀疏性重建模型與算法研究[D];南京理工大學;2012年

2 安百國;關于模型稀疏性的研究[D];東北師范大學;2012年

3 呂偉;MIMO無線通信系統(tǒng)中的稀疏信號檢測與優(yōu)化[D];華中科技大學;2013年

中國碩士學位論文全文數據庫 前8條

1 高猛;基于社交網絡的推薦系統(tǒng)數據稀疏性問題的研究[D];內蒙古大學;2015年

2 李文昊;基于分數低階統(tǒng)計量稀疏性的DOA估計[D];大連海事大學;2015年

3 王立軍;基于協(xié)同過濾推薦系統(tǒng)的數據稀疏性問題研究[D];東北師范大學;2009年

4 席超;面向稀疏性數據的協(xié)同過濾推薦算法的研究與實現[D];北京郵電大學;2013年

5 代金龍;協(xié)同過濾算法中數據稀疏性問題研究[D];重慶大學;2013年

6 李申展;推薦引擎中的稀疏性問題研究[D];中南民族大學;2013年

7 王旭林;基于自然圖像統(tǒng)計性先驗和稀疏性先驗的圖像模型研究[D];哈爾濱工業(yè)大學;2014年

8 張仁峰;多核學習方法及其應用與研究[D];江南大學;2015年

，

本文編號：761350