基于稀疏贝叶斯学习的矢量共形阵列DOA-极化参数联合估计方法.pdf
Ch****49
亲,该文档总共14页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
基于稀疏贝叶斯学习的矢量共形阵列DOA-极化参数联合估计方法.pdf
本发明公开了一种基于稀疏贝叶斯学习的矢量共形阵列DOA‑极化参数联合估计方法,通过利用信号内在具有的稀疏结构特征,将矢量共形阵列的输出信号模型转换为以稀疏贝叶斯表示的矢量共形阵列信号模型后,利用压缩感知方法,提高了子空间的估计精度,在低信噪比和小样本数目基础上,实现高精度的DOA‑极化联合估计;该基于稀疏贝叶斯学习的矢量共形阵列DOA‑极化参数联合估计方法,具有方法简单、易行、精度高等优点。
基于压缩测量的EMVS阵列2D-DOA和极化参数联合估计方法.pdf
本发明提供的一种基于压缩测量的EMVS阵列二维波达方向和极化参数的联合估计方法,一方面将电磁矢量传感器阵列与压缩网络相结合,提出压缩降维多信号分类的处理过程,同时估计目标的俯仰角信息、方位角信息以及感兴趣信号的极化参数,因此本发明可以获取更多的目标信息,方便后续的目标检测与识别;另一方面,由于现有技术在选择压缩网络的系数矩阵时,随机选择会导致信息丢失,从而导致估计算法的性能下降;本发明通过对压缩矩阵进行优化,获得最优压缩矩阵,可以达到降低硬件设备成本,并且达到确保阵列孔径损失在一定范围内的目的。
一种基于l0范数约束的稀疏贝叶斯DOA估计方法.pdf
本发明是一种基于l0范数约束的稀疏贝叶斯DOA估计方法。本发明涉及水下声学探测技术领域,本发明基于水下阵列信号,构建阵列接收的空域稀疏信号模型;构建超参数概率分布模型,通过贝叶斯公式获得待恢复稀疏信号的后验概率分布;构建超参数的目标函数,并在信号功率的目标函数中引入l0范数约束,通过期望最大化算法(EM)对超参数进行迭代更新;通过收敛得到的超参数重构空域稀疏信号,进而获得DOA估计结果迭代终止后,确定空间谱。在稀疏贝叶斯学习结构中,本发明仅加快了超参数γ的收敛速度,对信号模型无特殊需求。
基于贝叶斯压缩感知算法的稀疏阵列优化方法.pdf
本发明公开了一种基于贝叶斯压缩感知算法的稀疏阵列优化方法,包括以下步骤:(1)将阵列稀疏问题转化为阵列的参考波束的贝叶斯概率匹配问题,并通过求解相关向量机得到初始稀疏阵列;(2)对获得的初始稀疏阵列进行一阶泰勒近似展开以增加阵元位置的位置偏移量,对增加位置偏移量的稀疏阵列进行优化;(3)定义一个最小阵元间距值,将间距小于该最小阵元间距值的阵元点合并以达到约束最小阵元间距的目的,最后通过凸优化技术计算阵元的权重系数。该稀疏阵列优化方法具有较高的计算效率,采用更少的换能器数量获得相同的波束方向图性能,同时,稀
一种基于2维簇结构的稀疏贝叶斯学习信道估计方法.pdf
本发明公开了一种大规模多输入多输出系统下基于2维簇结构的稀疏贝叶斯学习信道估计方法,特征是利用信道在多普勒和角域上的联合稀疏性,在多普勒域和角域上布置网格,形成簇结构;利用2维簇的性质,采用局部贝塔过程来描述稀疏信号的内在结构;再稀疏贝叶斯学习来解决估计问题,并且提出了一种基于局部贝塔过程的层次贝叶斯信道信息估计方法。采用本发明方法信道估计的结果和现有的大规模多输入多输出正交时频空系统的信道估计结果相比准确性有很理想的提升。