目標(biāo)方位估計(jì)是定位、導(dǎo)航、以及成像等技術(shù)的重要前提。隨著壓縮感知理論的快速發(fā)展,信號稀疏理論被應(yīng)用于陣列測向中�；趨f(xié)方差矩陣的稀疏表示模型可將陣列測向問題轉(zhuǎn)化為求解范數(shù)最小化問題,近年得到了大量的關(guān)注。本文對其中具有代表性的稀疏迭代協(xié)方差法（Sparse Iterative Covariance-based Estimation SPICE）展開研究。本文首先對現(xiàn)有聲吶探測目標(biāo)的回波信號形式和陣列模型進(jìn)行了總結(jié),對基于協(xié)方差矩陣的經(jīng)典空間譜估計(jì)方法進(jìn)行了介紹和理論推導(dǎo)。仿真分析了數(shù)據(jù)長度,角度間隔和信噪比對常規(guī)波束形成,最小方差無失真響應(yīng)算法和多重信號分類算法方位估計(jì)結(jié)果的影響。結(jié)果表明數(shù)據(jù)長度和角度間隔越大、信噪比越高、算法性能越好,其中多重信號分類算法性能最優(yōu)越。本文其次對壓縮感知理論中信號的稀疏表示、觀測矩陣和重構(gòu)算法三大核心內(nèi)容進(jìn)行了介紹,并對貪婪算法、凸松弛類算法和迭代硬閾值法進(jìn)行了理論推導(dǎo)。仿真分析了稀疏度和觀測信號長度對正交匹配追蹤算法和基追蹤降噪算法信號重建性能的影響。結(jié)果表明稀疏度和觀測信號長度越大,重建效果越好。本文重點(diǎn)對SPICE方法進(jìn)行介紹和理論推導(dǎo)。SPIC... 

【文章來源】：哈爾濱工程大學(xué)黑龍江省 211工程院校

【文章頁數(shù)】：71 頁

【學(xué)位級別】：碩士

【部分圖文】：

空間任意兩陣元的幾何關(guān)系

圖 2.1 空間任意兩陣元的幾何關(guān)系陣元，其與空間方位為( x, y ,z )的陣元的時(shí)間1( x cos cos y sin cos zsin )cτ = θ + θ + 為俯仰角。當(dāng)模型簡化為線陣時(shí)，只需考慮方延參數(shù)表達(dá)式為1( xsin )cτ = θ需考慮方位角但陣元并非全部位于y軸上，則間延遲為1( x cos cos y sin cos ) sin( ) d/cτ = θ + θ = θ

s 為稀疏系數(shù)向量。合理的稀疏基可使信號的稀疏性更明顯。實(shí)質(zhì)上從稀疏的定義看待信號的稀疏表示，稀疏度 K 即為信號的系數(shù)向量的0l 范數(shù)。但實(shí)際應(yīng)用中若按照此定義則變成求解組合優(yōu)化問題，即選擇 K 個(gè)系數(shù)做回歸，找到目標(biāo)函數(shù)的最小值對應(yīng)的系數(shù)組合，信號的精確重構(gòu)會變成一個(gè)非確定性多項(xiàng)式難求解問題，很難求解且求解成本過高。已有文獻(xiàn)證明了在滿足一定條件下可將此問題以概率等于 1 的條件凸松弛為求解系數(shù)向量的1l 范數(shù)，即將稀疏定義中的 p 值取 1。1l 范數(shù)是0l 范數(shù)的最優(yōu)凸近似。此時(shí)稀疏恢復(fù)問題變成了使1l 范數(shù)最小化的凸優(yōu)化問題解此凸優(yōu)化問題得到的系數(shù)向量依然是原信號的最稀疏最有效的表達(dá)。3.2 信號的觀測矩陣類比于原信號是系數(shù)向量 s 在稀疏變換矩陣上的投影，觀測向量 y 是原信號在觀測矩陣Φ上的投影。不同之處在于觀測向量經(jīng)投影后維數(shù)降低，但所攜帶信息沒有減少可以利用最優(yōu)化方法從觀測值 y 中高概率重構(gòu)原信號 x。即y = ΦΨ s = Θs (3-5


本文編號：2906379