基于限制等距性质阈值机制的匹配追踪算法

合集下载

基于改进距离阈值约束的ICP三维配准方法

ｆｒ３ＲｅｉｔａｉｎｏＤｇｓｒｔｏ
ＧＵ０Ｙａ，ＺｎＨＯＵＬｎ，ＷＡＮＧＪｎｗｉ，ＧＵＡＮＺｕ．ｉｉｉ．ｅｈｏｗｅ
（．ＮｍｉｇＩｓｔｔｏＥｅｔｎｃｅｈｏｇ，Ｎｎｉｇ２０３Ｃｉａ１ａｎｎｔｕｅｆｌｃｏｉＴｃｎｌｙａｊ１０９，ｈｎ；ｉｒｏｎ２ｎｔｕｅｏＩｇｎｆｒａｏｅｈｏｏ，ａｎＩｓｔｔｏｅｈｏｇ，ａｂ５０１Ｃｉａ．ＩｓｔｔｆｍａｅａｄＩｏｍｔｎＴｃｎｌｇＨ￣ｉｎｔｕｅｆｃｎｌｙＨｒｉ１００，ｈｎ）ｉｎｉｙｉＴｏｎ
理的效果，因此众多学者开展了相关研究工作。
０引言
三维配准是将两个或两个以上不同时间、同不传感器获得或生成的三维数据进行坐标对齐的过
ｃｎｔｉｅＣ（ｅａｖｌｅｔｏｔａｏｔｍｉｐｏｏｅ．Ｆｓ，ＰＡ（ｒｃａＣｍｏｅｔｎｙｏｓａｎｄＩＰｈｒｔｅＣｏｓＰｉ）ｌｒｈｓｒｐｓｄｉｒｉｓｎｇｉｔＣＰｎｉｌｏｐｎｎａ — ｉｐＡｌｓ）ｓｕｉｚｄｔｅｔｔｔｅｉｉａｔｎｆｒｔｎｍｏｅｐｒｍｔｓｅｏｄｕｎｖｒｅａｏ，ｉｉｔｉｏｓｍａｈｎｔｌｒｓｍａｏｄｌａａｅｅ．Ｓｃｎ，ｄｒｇｅｅｙｉｒｔｎｓｌｅｉｅｉａｏｉｒｉｔｉ
Ａｂｔａｔｏｈｅｉｔｔｎｏｄｔｉｅｔｉｖｒｐｒｇｏ，ａｍｐｏｅｉａｃｈｅｈｌｓｒｃ：Ｆｒｔｅｒｇｓｒｉｆ３ａｏＤａａｗｔｃｒｎｏｅｌｅｉｎｎｉｒｖｄｄｓｎｅｔｒｓｏｄｈａａｔ

基于块剪枝多路径匹配追踪的多信号联合重构

基于块剪枝多路径匹配追踪的多信号联合重构司菁菁;候肖兰;程银波【摘要】Considering the disadvantages of ignoring signal’s structured sparsity and the high complexity in high iterative layers in multipath matching pursuit (MMP),the block pruning multipath matching pursuit (BPMMP)is proposed to reconstruct the block-sparse signal.In this algorithm,an atomic block serves as a node in the path expansion,and branch pruning operation is introduced after a certain number of iterations. Thus,BPMMP reduces the data processing cost greatly.Moreover,for multiple measurement vector (MMV) problem,BPMMP for MMV (BPMMPMMV)is proposed.It can achieve joint signal reconstruction for multi-ple sensors within a small range in the wireless sensornetwork.Experimental results show that BPMMP out-performs MMP on the reconstruction performance,and BPMMPMMV achieves higher joint reconstruction per-formance than block A* orthogonal matching pursuitfor MMV,subspace matching pursuit for MMV and or-thogonal matching pursuit for MMV.%针对多路径匹配追踪（multipath matching pursuit，MMP）无法利用稀疏信号的结构信息、迭代层数较高时计算复杂度较大等问题，提出了一种适用于重构块稀疏信号的块剪枝多路径匹配追踪算法。

用于目标跟踪的双阈值快速序贯相似性检测算法

用于目标跟踪的双阈值快速序贯相似性检测算法
左军毅;张怡哲;王正平
【期刊名称】《弹箭与制导学报》
【年(卷),期】2010(030)006
【摘要】为降低序贯相似性检测算法(SSDA)的计算量,提出了一种双阈值快速SSDA算法(DTSSDA).DTSSDA增加了误差累积速度阈值,当误差累积速度超过速度阈值时可提前终止本次匹配计算,而速度阈值可利用帧间相关性信息自动地选取.另外算法中还引入了积分图的概念并采用了从粗到精的搜索策略.实验表明DTSSDA能在保证匹配精度基本不变的前提下使单帧计算量大幅减少,因此更适合于实时目标跟踪.
【总页数】4页(P3-6)
【作者】左军毅;张怡哲;王正平
【作者单位】西北工业大学航空学院,西安,710072;西北工业大学航空学院,西安,710072;西北工业大学航空学院,西安,710072
【正文语种】中文
【中图分类】TP391.4
【相关文献】
1.基于序贯相似性检测算法的彩色印品套准精度检测方法 [J], 李治江;董川;杨萍
2.基于序贯相似性检测的NCC目标跟踪快速匹配方法 [J], 邢藏菊;温兰兰;何苏勤
3.基于序贯相似性与光源自动调节的芯片表面缺陷检测算法 [J], 冯莉;龚子华
4.一种高配准率的基于隔行隔列的序贯相似性检测算法 [J], 丁家琳
5.序贯相似性检测算法在图像匹配中的应用研究 [J], 朱佳媛
因版权原因，仅展示原文概要，查看原文内容请购买。

一种基于阈值的分段自适应正则化匹配追踪重构方法[发明专利]

专利名称：一种基于阈值的分段自适应正则化匹配追踪重构方法
专利类型：发明专利
发明人：郝燕玲,吴迪,陈立娟,常帅,杜雪,李旺,贾韧锋,李杰,张瑶
申请号：CN201310714095.9
申请日：20131223
公开号：CN103746703A
公开日：
20140423
专利内容由知识产权出版社提供
摘要：本发明属于压缩感知技术领域，具体涉及一种基于阈值的分段自适应正则化匹配追踪重构方法。

包括：设定稀疏信号重构过程中各参数的初始状态值；计算迭代余量r与传感矩阵Φ每一列的内积即相关系数；找出满足条件的传感矩阵中原子；存入角标集J中；对角标集J中角标对应原子的相关系数从大到小排序；更新表示原信号的支撑集；采用最小二乘法进行信号逼近并更新余量；迭代判定。

本发明提出的一种基于阈值的分段自适应正则化匹配追踪重构方法融合了分段自适应选择原子及正则化思想。

该方法在信号重构过程中不需要以稀疏度作为先验条件，能够自适应逼近稀疏度信息并准确构建支撑集，完成信号的精确重构且精确重构率高于现有同类方法，具有较高的实际应用性。

申请人：哈尔滨工程大学
地址：150001 黑龙江省哈尔滨市南岗区南通大街145号哈尔滨工程大学科技处知识产权办公室国籍：CN
更多信息请下载全文后查看。

压缩感知正交匹配追踪算法重构性能分析

以下步骤中!?表示迭代次数'=?表示进过 ?次迭代后的残差'+表示空集',?表示第 ?次迭代搜寻到的列序号'-?表示经过 ?次迭代后搜寻到的列序号集合'<+表示矩阵 9:8 的第 +列' 9?表示依照列序号集合-?从矩阵 9:8 中搜寻出的列向量集合' >?为 ?#$ 的列向量'符号.表示集合的并运算'l<"Mj表示求向量 <与 M 的积#
图 ) 时域稀疏信号的压缩感知重构过程因信号 \$ 本身在时域上是稀疏的"所选择的变换域! h@_@ ( Y"Y) # 在线性投影和恢复时域稀疏信号时"所选择的测量矩阵"为初始化的随机矩阵"观测值 6h$%%"重构算法选择正交匹配追踪算法"迭代次数设置为 ;%"经压缩感知重构出的信号 \$ 1 如图 ) 红圆点所示# 信号的重构误差为 $&$0 #$%2$; "可知信号 \$ 经压缩感知后得到了精确的重构# 信号重构误差定义如下!设原信号 \经压缩感知重构后得信号 \1"则其重构误差2为!2 h%%\12\%%) (%%\%%) (&) 变换域稀疏信号压缩感知图 ( 蓝横线所示的是长度 Yh);0 的信号 \) "压缩感知过程中所选择的变换域!为离散傅里叶变换域"\) 在!下的稀疏度为 )#
#%'理论研究 Nhomakorabea科技风 "#$% 年 $$ 月
!科技风 "#$% 年 $$ 月
理论研究 !"#!$%&$'(') *+&,-./&$01$21(3$&)%$4($$14

压缩感知理论在光学成像中的应用

压缩感知理论在光学成像中的应用肖龙龙;刘昆;韩大鹏;刘吉英【摘要】Compressed sensing is a new sampling theory, which captures and encodes signals at a rate significantly below Nyquist rate provided that these signals are sparse or compressible. This paper reviews the theoretical framework of compressed sensing. It first employs non-adaptive linear projections to preserve the structure of the signal, and then the signal recovery is conducted accurately or in all probability by using an optimal reconstructed algorithm from these projections. Its related applications in optical imaging systems are introduced, such as single-pixel camera, super thin imagers, coded aperture imagers, multiplexing intelligent im-agers, spectral imagers, and CMOS imagers. Some prospects and suggestions about further works on this theory are also presented.%压缩感知以信号的稀疏性或可压缩性为条件,以远低于耐奎斯特采样频率对信号数据进行采样和编码.简要概括了压缩感知的基本理论,它采用非自适应线性投影来保持信号的原始结构,能通过数值最优化问题精确或高概率地重构原始信号.详细介绍了其在光学成像系统中的应用,主要包括单像素相机、超薄成像、编码孔径成像、多路技术智能成像、多光谱成像和CMOS成像等成像系统.最后对该理论的应用前景进行了阐述.【期刊名称】《应用光学》【年(卷),期】2012(033)001【总页数】7页(P71-77)【关键词】压缩感知;信号采集;光学成像【作者】肖龙龙;刘昆;韩大鹏;刘吉英【作者单位】国防科技大学航天与材料工程学院湖南,长沙410073;国防科技大学航天与材料工程学院湖南,长沙410073;国防科技大学航天与材料工程学院湖南,长沙410073;国防科技大学理学院,湖南长沙410073【正文语种】中文【中图分类】TN209;TP911.7引言传统的信号采集以奈奎斯特采样定理为基础，在获取信号时，采样频率必须大于信号中最高频率的两倍，才能精确重构信号。

压缩感知增强型自适应分段正交匹配追踪算法

压缩感知增强型自适应分段正交匹配追踪算法何雪云;汤可祥;梁彦【期刊名称】《信号处理》【年(卷),期】2018(034)009【摘要】信号重建算法是压缩感知技术中的关键问题.大部分贪婪迭代重建算法需要已知信号稀疏度,但实际情况下信号稀疏度很难获得.该文提出了一种增强型自适应分段正交匹配追踪算法.该算法在已有的分段正交匹配追踪算法的基础上,引入回溯思想,在原有的阈值参数的基础上引入一个新的标识参数I,达到有效的二次支撑集筛选,从而在未知信号稀疏度的前提下更好地重建信号.仿真结果表明,与其他相关算法相比,该文提出的算法无论在测量信号无噪还是有噪情况下,均可获得更优的信号重建质量:无噪条件下准确重建概率平均提高30％～ 40％,有噪条件下重建信号的均方误差(Mean Square Error,MSE)平均改善5～10 dB,算法复杂度增加较少.【总页数】8页(P1045-1052)【作者】何雪云;汤可祥;梁彦【作者单位】南京邮电大学通信与信息工程学院,江苏南京210003;南京邮电大学通信与信息工程学院,江苏南京210003;南京邮电大学通信与信息工程学院,江苏南京210003【正文语种】中文【中图分类】TN911.7【相关文献】1.基于压缩感知信号重建的自适应空间正交匹配追踪算法 [J], 姚远;梁志毅2.一种稀疏度自适应分段正交匹配追踪算法 [J], 唐朝伟;王雪锋;杜永光3.分段弱选择自适应正交匹配追踪算法 [J], WANG Lie;LUO Wen;QIN Wei-meng4.稀疏度自适应分段正交匹配追踪算法改进 [J], 李雪晴;丁佳静;武雪姣5.稀疏度自适应分段正交匹配追踪算法改进 [J], 李雪晴; 丁佳静; 武雪姣因版权原因，仅展示原文概要，查看原文内容请购买。

基于阈值的脑白质纤维概率跟踪算法

基于阈值的脑白质纤维概率跟踪算法钱洁;易三莉;邵党国;郭贝贝;苗莹【摘要】Probabilistic fiber tracking algorithm only uses the maximum probability to track fibers, and ignores some orientations which have big probabilities. And the speed of calculation is slow. So a fast probabilistic fiber tracking algorithm based on the threshold is proposed. This paper sets the threshold which can find more crossing and branching fibers. Simplifying the parameters of calculation can improve the speed without affecting the effect of fiber tracking. Experimental result shows that this algorithm can reflect the distribution of the neural fibers in the cerebral white matter and reduces the time of calculation compared with probabilistic fiber tracking algorithm.%概率跟踪算法仅对行走概率最大的方向进行跟踪，忽略了纤维走向概率较大的方向，且运算速度较慢。

为此，提出一种基于阈值的快速概率跟踪算法。

设定纤维走向的概率阈值，以找到更多交叉和分叉的纤维，在不影响纤维跟踪效果的情况下，对计算参数进行简化，从而提高运算速度。

智能天线DOA估计技术研究

智能天线DOA估计技术研究王莉;夏克文;姜霞;孟瑶【摘要】智能天线DOA估计技术中子空间分解类算法存在计算量大和采样数据多的缺点,为实现实时准确的DOA估计,提出一种在局部信号空间搜索谱峰的改进MUSIC算法,与经典算法仿真对比,结果表明改进算法运算量明显降低.此外,为克服传统算法采样数据量大且存在冗余的不足,研究基于压缩感知的DOA估计方法,即由阵列数据通过阵列流型矩阵重构出空间稀疏信号,从而估计目标信号的DOA,实验结果表明该方法估计效果显著,且性能优于传统算法.【期刊名称】《河北工业大学学报》【年(卷),期】2018(047)003【总页数】10页(P1-9,29)【关键词】DOA估计;MUSIC算法;ESPRIT算法;压缩感知【作者】王莉;夏克文;姜霞;孟瑶【作者单位】河北工业大学电子信息工程学院,天津300401;河北工业大学电子信息工程学院,天津300401;河北工业大学电子信息工程学院,天津300401;河北工业大学电子信息工程学院,天津300401【正文语种】中文【中图分类】TN9250 前言DOA估计是智能天线系统中的关键技术，是一项基于时域谱估计和空域滤波的信号处理技术，目的是利用天线阵列的输出，检测出同时出现在空间某范围内的所有期望用户的位置信息[1].其中子空间分解类算法应用广泛，以MUSIC[2-3]和ESPRIT[4-5]算法为代表.这类算法运用数学分解方法，比如特征值分解，对阵列接收数据的协方差矩阵进行分解，将阵列数据划分解为两个正交的子空间.子空间法中的信号子空间类算法主要包括LS-ESPRIT算法、TAM算法、TLS-ESPRIT算法[6-7]等，噪声子空间类算法主要包括MUSIC算法、MNM算法、特征矢量法等.MUSIC算法和ESPRIT算法都具有很高的角度分辨率，但只适用于不相关信号或低相关信号，针对此缺点对这两种经典算法进行的改进，如子空间拟合类算法，这类算法能直接用于相干信号，且易于实现，但计算量很大，不适合工程应用，当然为降低计算量的算法也被研究过，包括求根MUSIC算法以及在求根MUSIC算法上的改进算法[8]，但这些算法比较复杂而且估计精度较低.为实现实时准确的DOA估计，本文主要针对MUSIC算法的不足，从信号处理角度入手，先研究一种在局部信号空间中搜索谱峰的改进MUSIC算法，以期取得预期的估计效果.此外，传统的DOA估计算法需要大量的采样信息，这样不仅造成了信号处理、传输和存储的巨大压力，还增加了硬件的复杂度[9].而压缩感知（CS）理论[10-11]表明当信号可压缩或稀疏时，以低于奈奎斯特速率就可对信号进行采样，从而减小数据处理、传输和存储压力.因此，本论文还将研究基于CS的DOA估计方法，以达到快速实现DOA估计的目的.1 智能天线系统1.1 智能天线的基本理论智能天线具有测向和波束形成能力，其主要任务有：对用户发射的信号进行DOA 估计；根据用户信号的DOA，对基站发射的信号进行数字波束形成使其能够到达用户期望.1.2 阵列信号模型均匀直线阵列（ULA），如图1所示.无线通信系统中，因传播环境极其复杂，为方便分析问题，提出如下假设：1）信号源为窄带远场信号；2）噪声为加性高斯白噪声；3）空间信号与噪声独立分布，且噪声之间互不相关；4）传播介质是均匀的，各阵元无互耦效应；5）入射信号数目小于阵元数.阵列流型矩阵图1 均匀直线阵列Fig.1 Uniform linear arrayULA的信号模型为式中：X(t)为阵列数据；S(t)为空间信号；N(t)为噪声；A为阵列流型矩阵.1.3 阵列信号模型的统计特性X的协方差矩阵为对Rxx特征分解式中:Σ 是特征值{ λ 1,,λ2,…λM}的对角阵；U是特征向量矩阵.对于不相关信号，Rxx的特征值排列为Rxx分解成式中：US是{ λ 1,,λ2,…,λN}对应的信号子空间；UN是{ λ N+1,,λN+2,…,λM}对应的噪声子空间.对于阵列模型，存在如下性质：1）US与A张成的空间一致；2）US和UN相互正交.2 DOA估计经典算法及其仿真2.1 经典算法的原理MUSIC算法空间谱的构造利用US和UN的正交性，进行谱峰搜索从而估计DOA；ESPRIT算法利用各子阵的信号子空间之间的旋转不变特性估计DOA[1].2.1.1 MUSIC 算法的原理MUSIC算法基于如下正交性：因非理想情况下式（7）并不成立，根据空间谱理论，谱函数搜索整个θ范围内PMUSIC的谱峰，谱峰对应的角度即为DOA.2.1.2 ESPRIT 算法的原理基本的ESPRIT算法假设存在完全相同的子阵1和2，子阵阵元数为m，阵列模型其中旋转不变关系对X的协方差矩阵Rxx特征分解，得信号子空间显然则式中Φ和T分别是Ψ的特征值对角阵和特征向量，由Φ直接求DOA.2.2 经典算法的仿真分析本论文所有仿真实验均在Dell笔记本电脑（CPU主频3 Gb/s，内存1 Gb，硬盘60 Gb）上完成，编程采用Matlab7.3仿真软件.2.2.1 非相干信号的DOA估计设非相干信号分别以-40°、40°和60°入射到8阵元的ULA上，2子阵阵元数为7，SNR为10 dB，采样数100.仿真实验结果如图2和3所示.图2 MUSIC算法的估计谱Fig.2 Estimated spectrum of MUSIC arithmetic图3 TLS法的DOA估计值Fig.3 DOA estimation of TLS arithmetic由图2的谱峰对应的角度和图3的DOA估计值可以看出，MUSIC和TLS-ESPRIT算法对非相干信号均实现了有效的DOA估计.2.2.2 相干信号的DOA估计设2相干信号分别以-45°和60°入射到ULA上，阵元数为8，子阵元数为7，采样数取1 024，信噪比取20 dB，2种算法的仿真结果如图4和图5所示.图4 MUSIC算法的估计谱Fig.4 Estimated spectrum of MUSIC arithmetic图5 TLS法的DOA估计值Fig.5 DOA estimation of TLS arithmetic由图4的谱峰对应的角度和图4的DOA估计值可以看出，2种算法均不能实现对相干信号源的DOA估计.这是因为相干信号会引起阵元接收数据的协方差矩阵的秩亏损，造成了信号子空间和噪声子空间两者的相互渗透，从而导致算法失效.2.2.3 不同信噪比时MUSIC和ESPRIT算法的DOA估计效果设信号源分别以-20°、20°和25°入射到8阵元的ULA上，采样数取100，在-20dB、0 dB和20 dB的SNR下的MUSIC仿真结果如图6；20°的信号源在-10 dB～10 dB的SNR下，采用ESPRIT算法进行100次实验得到的RMSE结果如图7.图6 MUSIC算法的估计谱Fig.6 Estimated spectrum of MUSIC arithmetic图7 ESPRIT算法的RMSE随SNR变化曲线Fig.7 The variation curves between RMSE and SNR of ESPRIT arithmetic图6 和图7说明子空间分解类算法的估计准确度和分辨率随信噪比的增加均有所提高且LS法和TLS法的估计性能接近.同样实验表明在一定范围内，随阵元数、快拍数等参数的增加，MUSIC和ESPRIT算法的估计准确度均有所提高.2.3 经典算法的对比分析设信号源以30°的入射到8阵元的ULA上，子阵元数为7，快拍数为1 024点，信噪比从0 dB依次间隔5 dB增大到35 dB，仿真结果如表1和图8所示.由图8可以看出，采用MUSIC算法的RMSE在同一信噪比下比采用ESPRIT算法时小，所以在估计准确度上MUSIC算法优于ESPRIT算法.表1给出2种算法在不同信噪比时的运行时间.表1 MUSIC与TLS法运算时间的比较Tab.1 The run time comparison between MUSIC and TLS arithmeticSNR/dB MUSIC/s ESPRIT/s 0 5 4.675 505 0.203 792 4.645 961 0.211 400 10 4.478 536 0.189 630 15 4.645 797 0.194 083 20 4.612 681 0.207 170 25 4.555 253 0.201 223 30 4.498 401 0.199 145 35 4.530 326 0.194 483图8 MUSIC与TLS法DOA估计RMSE的比较Fig.8 The RMSE comparison between MUSIC and TLS arithmetic on DOA estimation由表1可知，每种SNR下MUSIC算法的运算时间多于ESPRIT算法，原因是MUSIC算法在全空域内进行谱搜索，而ESPRIT算法避免了此过程，而是利用特征值直接估计DOA.3 改进的MUSIC算法经典MUSIC算法虽然在估计准确度上优于ESPRIT算法，但其运算时间较长，为减少运算量，需对MUSIC算法进行改进.3.1 改进算法描述为了提高DOA估计的运行时间，依据基于局部搜索谱峰的思想，可以先对阵列信号进行预处理，粗略估计出DOA，然后再在该值的邻域内利用MUSIC算法进行局部谱峰搜索.在上述ULA信号模型下，忽略噪声，第n个阵元接收s(t)后输出为所有阵列数据在单次采样时为所以x(n可)以看作是频率为的信号在t=0,1,…,M-1时刻的采样，即采样频率为fs=1.对x(n进)行DFT得由X(k)求出其振幅||X(k)，得x(n)的幅频特性，搜索最大振幅值对应的fk，显然根据fk求得的θ，为粗略估计值.因DFT的运算量很大，一般采用FFT的方法来实现.以上估计的θ是在忽略噪声情况下得到的，所以还需运用MUSIC算法对θ的邻域进行谱峰搜索，以更准确地确定DOA.3.2 改进的MUSIC算法仿真与分析改进的MUSIC算法的流程图如图9所示.3.2.1 基于改进的MUSIC算法的DOA估计设信号以0o入射到8阵元的ULA上，单次快拍，SNR取20 dB，采用改进的MUSIC算法与经典MUSIC算法得到的估计谱，结果如图10所示.图9 改进的MUSIC算法流程图Fig.9 Algorithm flowchart of improved MUSIC arithmetic图10中运用改进的MUSIC算法在0o处出现谱峰，且其谱线与经典的MUSIC算法的谱线在谱峰附近基本重合，即说明改进的MUSIC算法能够实现有效的DOA 估计.3.2.2 2种算法随信噪比变化的比较设信号以40°入射到8阵元的ULA上，单次采样，SNR从5 dB依次间隔5 dB增大到35 dB，每个信噪比做100次实验，对比结果如图11和表2所示.由图11可以看出，2种算法的DOA估计RMSE随SNR的变化曲线基本重合，即两者的DOA估计准确度接近.由表2表明，相同运算环境下改进的MUSIC算法的运算时间明显小于经典MUSIC算法，达到了设计目的.图10 改进算法和经典算法的DOA估计谱Fig.10 DOA Estimated spectrum of improved MUSIC and classical MUSIC arithmetic图11 2种方法的RMSE随SNR变化曲线Fig.11 The variation curves between RMSE and SNR of improved MUSIC and classical MUSIC arithmetic表2 改进算法与经典算法运算时间的比较Tab.2 The run time comparison between improved MUSIC and classical MUSIC arithmeticSNR/dB改进算法/s经典算法/s 5 0.317 397 4.306 122 10 0.334 399 4.037 774 15 0.303 242 4.049 915 20 0.376 818 4.027 258 25 0.323 183 3.789 116 30 0.314 790 4.278 542 35 0.485 053 3.803 8744 基于压缩感知的DOA估计压缩感知利用信号的可压缩性或稀疏性，用远少于Nyquist理论要求的采样数据就可以重构出原始信号.在实际的DOA估计中，目标信号仅占据整个空间的一小部分，即目标信号在空域内是稀疏的，因此可以研究基于压缩感知的DOA估计技术以提高其估计性能.4.1 压缩感知理论CS理论可以用图12表示，CS的任务即利用观测数据y重建信号x[12].若信号x=[ x x… x]在T时空域内本身不1 2N是稀疏的，而在变换域Ψ下是K-稀疏的，或称为可压缩的，那么x可以被表示为图12 压缩感知的理论框架Fig.12 Theoretical diagram of CSΨ是N×N维的稀疏表示基矩阵，Ψ通常选取FFT、DCT、离散小波变换基等.a中仅含有K( K ＜＜N)个非零值，为信号x在变换域Ψ下的K-稀疏表示系数.给定一个投影测量矩阵Φ∈RM×N( M ＜＜N，)则信号x的观测信号y为其中，感知矩阵Θ∈RM×N必须满足有限等距（Restricted Isometry Property，RIP）性质，即观测矩阵Φ和稀疏表示基矩阵Ψ保证是不相关的[12].CS理论表明通过重构算法如基于贪婪迭代的MP类算法就可以从y中重构x.4.2 基于CS理论的DOA估计4.2.1 基于CS理论的DOA估计模型假设在整个空域范围（-90°～90°）存在信号s=[s1s2… sN]T，入射角依次为{ }θ1 θ2 … θN，即θi与si一一对应，N个信号中包含所有可能方向的信号源，而且N 要比真实存在的目标信号的个数K大得多，所以s中只有K个非0值，即s是K-稀疏的，单次采样下基于CS的DOA估计模型为ULA下的阵列流型矩阵为A是根据给定的空间稀疏化方式{ }θ1θ2… θN确定的，即A不再依赖于K个真实的目标信号方向.基于CS的DOA估计即由y通过A来重构信号s=[s1s2… sN]T，其中si中K个较大的信号就是实际存在的目标信号，根据θi与si一一对应关系即可得到目标信号的DOA.4.2.2 空间网格划分方式能否由y重构出s取决于A中各列之间的正交性，即与空间网格划分有关，通常空间网格划分有等角度和等正弦2种方式，等角度划分将整个空域范围（-90°～90°）按等间隔划分成{ }θ1 θ2 … θN，则同时为简化分析，令模型中的d=λ/2，则等正弦方式是令i=1,2,…,N，则有限等距性质（RIP，Restricted Isometry Property）是信号重构的必备条件，而且RIP性质越显著重构效果越好，所以需要选取合适的空间网格划分方式. 4.2.3 基于CS重构算法的DOA估计根据CS中的信号重构理论，贪婪算法计算量小，应用广泛，因此下面采用贪婪算法解决信号s的重构问题.基于正交匹配追踪（OMP）算法的DOA估计过程如下：Step1：已知y、A、s的稀疏度，初始化残差r0=y、索引集Λ0=∅、迭代次数i=0.Step2：寻找矩阵A中与残差最相关的列，即λi=argmaxj=1,…,N | aj,rn-1|；Step3：更新索引集Λi=Λi-1⋃{ λ i}以及原子集合Ai=Ai-1⋃{a λi}；Step4：逼近信号si=( A iT Ai)-1y；Step5：更新残差ri=y-Aisi；Step6：判断迭代停止条件是否满足，不满足则转至Step2，若满足则停止迭代；Step7：近似重构出信号s=[s1 s2… sN]T；Step8：根据θi与si一一对应关系即可得到DOA估计.4.3 仿真结果及分析根据以上理论，对基于CS理论的DOA估计进行仿真实验.4.3.1 等角度划分空间网格时，基于OMP算法的DOA估计仿真实验设信号以-60°、-30°、10°、40°和60°入射到ULA上，单次采样下进行基于OMP算法的DOA估计仿真实验，图13为重构结果，图14为DOA估计结果. 图13 等角度方式下的信号重构Fig.13 Signal reconstruction under equal angle mode图14 等角度方式下的DOA估计结果Fig.14 DOA estimation under equal angle mode如图13所示，重构的信号与原信号差异较大，这是因为等角度划分空间网格时观测矩阵不能很好的满足RIP性质，所以此方式下的重构误差较大.如图14所示，根据重构信号与其入射角的一一对应关系所估计的DOA分别为-61.1°、-27.7°、-22.3°、2.3°和60°，仅在60°的方向上实现了准确的估计，显然结果偏差较大.所以此实验说明在等角度方式下利用CS理论不能完全准确地进行DOA估计.4.3.2 等正弦划分空间网格时，基于OMP算法的DOA估计仿真实验实验条件与等角度划分空间网格时相同，图15为重构结果，图16为DOA估计结果.图15 等正弦划分方式下的信号重构Fig.15 Signal reconstruction under equal Sine division mode图16 等角度划分方式下的DOA估计值Fig.16 DOA estimation under equal angle mode由图15可知，重构信号与原信号基本重合，所以等正弦方式下的重构效果优于等角度方式.实验结果充分说明了等正弦方式下的阵列流型矩阵具有更显著的RIP性质，在DOA估计问题中更适合于稀疏信号的重构.由图16可知，由重构信号得到的DOA估计结果-59.9°、-30°、10.1°、40°和60.1°，明显接近于实际入射角.此实验说明了在等正弦方式下能够实现了较准确的DOA估计.4.3.3 不同SNR时基于OMP算法的DOA估计效果设信号以40°入射到ULA上，单次采样下采用等正弦划分空间网格，SNR从-10 dB依次间隔5 dB增大到30 dB，采用OMP算法对信号进行重构并进行DOA估计，求出100此实验下DOA估计的RMSE，如图17所示.由图17可以看出，基于OMP算法的DOA估计性能随信噪比的增加有所提高，但SNR增加到一定数值后，估计性能不会再有明显的提高.4.3.4 基于CS理论与基于MUSIC算法的DOA估计的对比实验设信号以-30°、10°、50°和60°入射到ULA上，在单次采样下进行基于OMP算法和MUSIC算法的DOA估计仿真实验，图18为两种方法的DOA估计谱，表3为运算时间的比较.由图18可以看出，在单次采样的条件下，基于CS的DOA估计实现了准确的DOA估计，而MUSIC算法的DOA估计谱出现一些幅度较高的旁瓣，影响了DOA估计的准确度，那么要想改善MUSIC算法在DOA估计问题中的性能，需要增加采样次数.由此说明在DOA估计问题中引入CS理论克服了传统算法需要大量采样数据的缺点.表3为两种算法的运行时间对比.由表3可以看出，采用CS理论实现DOA估计的运算时间小于MUSIC算法，所以CS理论的引入降低了运算量，在DOA估计的实时性方面体现了优越性.图17 基于CS的DOA估计中RMSE随SNR变化的曲线Fig.17 The variation curves between RMSE and SNR of DOA estimation based on CS图18 基于CS和MUSIC方法的对比Fig.18 The comparison between MUSIC arithmetic and CS5 结论本文在ULA下分析比较MUSIC算法和ESPRIT算法的DOA估计效果，针对经典MUSIC算法存在的不足进行了改进，并且研究了基于CS理论的DOA估计技术.通过方法研究和仿真实验，得到如下结论：1）MUSIC算法和ESPRIT算法均可以实现对非相干信号的估计，但都不能实现对相干信号的估计.随着信噪比、阵元数、快拍数等参数的增加，MUSIC算法和ESPRIT算法的估计准确度、分辨率均有所提高.2）MUSIC算法在估计准确度方面优于ESPRIT算法，但该算法运算耗时较长.改进的MUSIC算法在估计准确度方面接近于经典算法，但在运算耗时方面明显降低. 3）基于CS理论的DOA估计在等正弦划分空间网格方式下的估计效果优于等角度方式，估计准确度随信噪比的增加而提高，并且在准确度和耗时方面均优于MUSIC算法.表3 基于MUSIC算法和CS理论的DOA估计运算时间Tab.3 The runtime comparison of DOA estimation between MUSIC and CS方法MUSIC算法CS 理论运算时间/s 0.325 40.070 9参考文献：【相关文献】[1] Wan F，Zhu W P，Swamy M N S.Spatial extrapolation-based blind DOA estimation approach for closely spaced sources[J].IEEE Transactions on Aerospace and Electronic Systems，2010，46（2）：569-582.[2] Wen Fangqing，Xiong Xiaodong，Su Jian，et al.Angle estimation for bistatic MIMO radar in the presence of spatial colored noise[J].Signal Processing，2017，134（5）：261-267.[3] Tian Ye，Lian Qiusheng，Xu He.Sparse-reconstruction-based 2-D angle of arrival estimation with L-shaped array[J].AEU-International Journal of Electronics and Communications，2017，72（2）：162-165.[4] Wang Wei，Wang Xianpeng，Song Hongru，et al.Conjugate ESPRIT for DOA estimation in monostatic MIMO radar[J].Signal Processing，2013，93（7）：2070-2075.[5] Ren S，Ma X，Yan S，et al.2-D unitary ESPRIT-like direction of arrival estimation for coherent signals with a uniform rectangular array[J].Sensors，2013，13（4）：4272-4288.[6] Wang X C，Tang F，Wang X R，et al.Estimation of electromechanical modes under ambient condition via random decrement technique and TLSESPRIT algorithm[C]//2014 International Conference on Power System Technology.IEEE Press，2014：588-593. [7] Liu Jing，Wang Xianpeng，Zhou Weidong.Covariance vector sparsity-aware DOA estimation for monostatic MIMO radar with unknown mutual coupling[J].Signal Processing，2016，119（2）：21-27.[8] Nie Wei-ke，Feng Da-zheng，Xie Hu，et al.Improved MUSIC algorithm for high resolution angle estimation[J].Signal Processing，2016，122（5）：87-92.[9] Yan F G，Jin M，Qiao X.Low-complexity DOA estimation based on compressed MUSIC and its performance Analysis[J].IEEE Transactions on Signal Processing，2013，61（8）：1915-1930.[10]Zeng Cao，Zhu Shengqi，Li Shidong，et al.Sparse frame DOA estimations via a rank-one correlation model for low SNR and limited snapshots[J].Applied and Computational Harmonic Analysis，2016，41（2）：362-383.[11]Qing Shen，Wei Cui，Wei Liu，et al.Amin.Underdetermined wideband DOA estimation of off-grid sources employing the difference co-array concept[J].Signal Processing，2017，130（1）：299-304.[12]Matthew B Hawes，Wei pressive sensing-based approach to the design oflinear robust sparse antenna arrays with physical size constraint[J].IET Microwaves，Antennas&Propagation，2014，8（10）：736-746.。

一种适用于稀疏多径信道的自适应均衡算法

一种适用于稀疏多径信道的自适应均衡算法周孟琳;陈阳;马正华【摘要】针对传统的自适应均衡算法在稀疏多径信道下性能表现不佳的问题,提出了一种基于基追踪降噪的自适应均衡算法.该算法利用稀疏多径信道下均衡器权值的稀疏性,将自适应均衡器的训练过程看作压缩感知理论中稀疏信号对字典的加权求和,并利用重构算法直接对稀疏权值进行求解,解决了迭代参数设置和收敛慢的问题.采用基追踪降噪作为重构算法并选用变量分离近似稀疏重构对该最优化问题进行求解,既提高了权值的重构精度又降低了计算的复杂度.仿真结果表明,所提算法能够以较低的计算量和较少的训练序列达到更优性能,这对提升系统的通信性能具有参考价值.【期刊名称】《电讯技术》【年(卷),期】2019(059)003【总页数】5页(P266-270)【关键词】稀疏多径信道;自适应均衡;压缩感知;基追踪降噪;变量分离近似稀疏重构【作者】周孟琳;陈阳;马正华【作者单位】常州大学信息科学与工程学院,江苏常州213164;常州大学信息科学与工程学院,江苏常州213164;常州大学信息科学与工程学院,江苏常州213164【正文语种】中文【中图分类】TN911.51 引言常见的水声通信和宽带移动通信中，信道一般为稀疏多径的。

即信道冲激响应的能量主要集中在间隔很远的几个抽头上，而绝大多数抽头的能量都趋向于零，当信源通过该信道后，码间串扰可高达几十甚至上百个码元间隔。

传统的自适应均衡算法[1-4]在稀疏多径的信道环境下性能表现较差，因此，现有方案几乎全部采用非盲均衡的基于自适应最小均方(Least Mean Square，LMS)算法的稀疏迭代方法和递推最小二乘(Recursive Least Square，RLS)算法来完成稀疏多径信道下的均衡任务。

不过LMS算法在稀疏多径的信道环境下，权值的自适应收敛很慢，需要大量的训练序列，降低频带的利用率。

而RLS算法虽然在收敛速度和均衡性能上均有所提升，但计算量大，不适合高速通信的场合。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

（Ｓｃｈｏｏ１ｏｆＥｌｅｃｔｒｏｎｉｃｓａｎｄＩｎｆｏｒｍａｔｉｏｎ，ＮａｎｔｏｎｇＵｎｉｖｅｒｓｉｔｙ，Ｎａｎｔｏｇｎ２２６０１９，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｙｏｉｍｐｒｏｖｅｔｈｅｒｅｃｏｎｓｔｒｕｃｔｉｏｎａｃｃｕｒａｃｙｏｆｇｒｅｅｄｙａｌｇｏｒｉｔｈｍｓ，ａｎａｌｇｏｒｉｔｈｍｗｉｔｈｂａｃｋｔｒａｃｋｉｎｇｍｅｃｈａｎｉｓｍｃａｌｌｅｄｒｅ～ｓｔｒｉｃｔｅｄｉｓｃｍｅｔｒｙｐｒｏｐｅｒｔｉｔｙ－ｂａｓｅｄｔｈｒｅｓｈｏｌｄｍｅｃｈａｎｉｓｍＭＰ（ＲＩＰＴＭ［Ｐ）ｗａｓｐｒｅｓｅｎｔｅｄ．ＲＩＰＴＭＰｈａｄｔｗｏｐｒｏｃｅｄｕｒｅｓｉｎｅａｃｈ
的。实验舞果表明，在一定条件下，该算法重构精度高于正交匹配追踪算法（ｏｒｔｈｏｇｏｎａｌｍａｔｃｈｉｎｇｐｕｒｓｕｉｔ，ＯＭＰ）、子空
间匹配算（ｓｕｂｓｐａｃｅｐｕｒｓｕｉｔ，ＳＰ）、基追踪算法（ｂａｓｉｓｐｕｒｓｕｉｔ，ＢＰ）和前向后向追踪算法（ｆｏｒｗａｒｄ－ｂａｃｋｗａｒｄｐｕｒｓｕｉｔ，ＦＢＰ）等算法。关键词：缩感知；原子；限制等距性质；残差；自适应算法
２０１５年月ＣＯＭＰＵＴＥＲＥＮＧＩＮＥＥＲＩＮＧＡＮＤＤＥＳＩＧＮ
Ｊｕｌｙ２０１５
Ｖｏ１．３６Ｎｏ．７
基于限制等距性质阈值机制的匹配追踪算法
黄宏伟，谢正光，蒋小燕，蔡旭
ｉｔｅｒａｔｉｏｎｃａｌｌｅｄａｔｏｍｓ — ａｄｄｉｎｇａｎｄａｔｏｍｓ — ｄｅｌｅｔｉｏｎ．Ｉｎｔｈｅａｔｏｍｓ－ａｄｄｉｎｇｐｒｏｃｅｄｕｒｅ，ａｔｏｍｓｗｅｒｅｐｉｃｋｅｄｏｕｔｂａｓｅｄｏｎｔｈｅｃｏｎｄｉｔｉｏｎｏｆＲＩＰａｎｄｔｉｒｅｅｎｅｒｇｙｏｆｓｉｇｎａｌｒｅｓｉｄｕａ１．Ｍｅａｎｗｈｉｌｅｉｎｔｈｅｓｔｅｐｏｆａｔｏｍｓ－ｄｅｌｅｔｉｏｎ，ｔｈｅｐｒｏｐｅｒｔｙｏｆＲＩＰａｎｄｓｉｇｎａｌｒｅｓｉｄｕａｌｗａｓａｌｓｏ
Ｒｅｓｔｒｉｃｔｅｄｉｓｏｍｅｔｒｙｐｒｏｐｅｒｔｉｔｙ－ｂａｓｅｄｔｈｒｅｓｈｏｌｄｍｅｃｈａｎｉｓｍＭＰ
ＨＵＡＮＧＨｏｎｇ－ｗｅｉ。ＸＩＥＺｈｅｎｇ－ｇｕａｎｇ，ＪＩＡＮＧＸｉａｏ — ｙａｎ，ＣＡＩＸｕ
中图法分号：ＴＰ３０１．６文献标识号：Ａ文章编号：１０００ — ７０２４（２０１５）０７ — １７８４ — ０６
ｄｏｉ：１０．１６２０８／ｊ．ｉｓｓｎｌ０００～７０２４．２０１５．０７．０２１
ｓｔｕｄｉｅｄｔｏｆｉｎｄｔｈｏｓｅａｔｏｍｓｔｈａｔｗｅｒｅｐｏｓｓｉｂｌｙｗｒｏｎｇ．Ｔｈｅｗｈｏｌｅｐｒｏｃｅｄｕｒｅｏｆａｔｏｍｓｓｅｌｅｃｔｉｏｎｗａｓａｄａｐｔｉｖｅ．Ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｈｏｗｓｔｈａ，ｕｎｄｅｒｃｅｒｔａｉｎｃｉｒｃｕｍｓｔａｎｃｅｓ，ｔｈｅｒｅｃｏｎｓｔｒｕｃｔｉｏｎａｃｃｕｒａｃｙｏｆＲＩＰＴＭｓｕｒｐａｓｓｅｓｔｈａｔｏｆＯＭＰ，ＳＰ，ＢＰ，ＦＢＰａｎｄｓｏｍｅｏｔｈｅｒｇｒｅｅ — ｉｙａｌｇｏｒｉｔｈｍ．Ｋｅｙｗｏｒｄｓ：ｃｏｍｐｒｅｓｓｅｄｓｅｎｓｉｎｇ；ａｔｏｍ；ｒｅｓｔｒｉｃｔｅｄｉｓｏｍｅｔｒｙｐｒｏｐｅｒｔｙ；ｒｅｓｉｄｕａｌ；ａｄａｐｔｉｖｅａｌｇｏｒｉｔｈｍ
（南通大学电子信息学院，江苏南通２２６０１９）
摘要：为提高贪婪算法重构精度，提出带有回溯机制的基于限制等距性质阈值匹配追踪算法（ｒｅｓｔｒｉｃｔｅｄｉｓｏｍｅｔｒｙｐｒｏｐｅｒ — ｔｉｔｙ－ｂａｓｅｄｌｈｒｅｓｈｏｌｄｍｅｃｈａｎｉｓｍＭＰ，ＲＩＰＴＭＰ）。每次迭代包含原子添加和原予删减两个步骤，在原子添加步骤中，根据ＲＩＰ和残差能量条件添加原子；在原子删减步骤中，分析ＲＩＰ和残差条件，找出可能错误原子，原子选择过程是自适应