發(fā)布時間：2018-05-07 20:17

  本文選題：壓縮感知 + 流信號�。� 參考：《信號處理》2017年04期

【摘要】：壓縮感知技術(shù)是近年來信號處理領(lǐng)域最熱門的技術(shù)。傳統(tǒng)的壓縮感知理論并未考慮到稀疏信號本身可能具有的某種結(jié)構(gòu),塊稀疏就是其中的一種。本文針對壓縮感知的多帶塊稀疏流信號,將稀疏信號重構(gòu)算法與調(diào)制的DPSS(Discrete Prolate Spheroidal Sequence)基擴展相結(jié)合,建立了多帶塊稀疏模型,并利用壓縮感知AIC結(jié)構(gòu),在遠低于奈奎斯特速率下對多帶模擬信號進行采樣。結(jié)合壓縮感知獲得的觀測方程和利用前后窗內(nèi)信號的相關(guān)性建立信號狀態(tài)轉(zhuǎn)移方程,采用降階的卡爾曼濾波算法恢復原始信號。相對于傅里葉基擴展,DPSS基擴展在降低采樣結(jié)構(gòu)復雜度的同時,克服了頻譜泄露的問題。仿真結(jié)果表明,多帶信號在DPSS基下的恢復性能優(yōu)于多帶信號在FFT基下的重構(gòu)。
[Abstract]:Compression sensing is the most popular technology in the field of signal processing in recent years. Traditional compression sensing theory does not consider the structure of sparse signal itself, and block sparsity is one of them. In this paper, we combine the sparse signal reconstruction algorithm with the modulated DPSS(Discrete Prolate Spheroidal Sequence) base expansion for compressed multi-band block sparse flow signals, and establish a multi-band block sparse model, and use the compressed sensing AIC structure. Multiband analog signals are sampled at a rate well below Nyquist rate. Combined with the observation equation obtained by compression perception and the correlation of the signal in the front and rear windows, the signal state transfer equation was established, and the reduced order Kalman filter algorithm was used to restore the original signal. Compared with Fourier base expansion, DPSS spread reduces the complexity of sampling structure and overcomes the problem of spectrum leakage. The simulation results show that the recovery performance of multi-band signal under DPSS is better than that of multi-band signal under FFT.
【作者單位】： 北京郵電大學泛網(wǎng)無線通信教育部重點實驗室;
【基金】：國家自然基金(NSFC 61271181) 教育部國家重點實驗室開放基金(Grant 9140C170203140C17084)
【分類號】：TN911.7

【相似文獻】

相關(guān)期刊論文 前10條

1 蘭義華;任浩征;張勇;趙雪峰;;一種基于“當前”模型的改進卡爾曼濾波算法[J];山東大學學報(工學版);2012年05期

2 史百舟;鄔齊斌;;擬自適應(yīng)推廣卡爾曼濾波算法[J];青島化工學院學報;1992年04期

3 萬建偉,皇甫堪,梁甸農(nóng);基于推廣卡爾曼濾波算法的聲測定位技術(shù)[J];國防科技參考;1997年04期

4 程進偉;李建勛;;卡爾曼濾波算法評估平臺的設(shè)計與實現(xiàn)[J];系統(tǒng)仿真學報;2013年11期

5 夏建濤,任震,陳立,景占榮;極坐標下卡爾曼濾波算法的研究[J];西北工業(yè)大學學報;2000年03期

6 李振營,沈毅,胡恒章;帶未知時變噪聲系統(tǒng)的卡爾曼濾波算法研究[J];系統(tǒng)工程與電子技術(shù);2000年01期

7 楊春玲,余英林,劉國歲;轉(zhuǎn)換坐標卡爾曼濾波算法分析[J];計算機工程與設(shè)計;2001年05期

8 吳文華;丁子明;談?wù)怪?;卡爾曼濾波算法工程化設(shè)計[J];電子測量技術(shù);2003年04期

9 高磊,崔鑫水;一種自適應(yīng)協(xié)方差矩陣旋轉(zhuǎn)變換卡爾曼濾波算法及其應(yīng)用[J];航天控制;2004年03期

10 高磊;一種反饋修正推廣卡爾曼濾波算法及其應(yīng)用[J];航天控制;2004年05期

相關(guān)會議論文 前9條

1 劉棟;王惠林;;卡爾曼濾波算法在目標定位系統(tǒng)中的應(yīng)用[A];第九屆全國光電技術(shù)學術(shù)交流會論文集（上冊）[C];2010年

2 周紅波;耿伯英;;基于目標跟蹤的無偏轉(zhuǎn)換測量卡爾曼濾波算法研究[A];2007中國控制與決策學術(shù)年會論文集[C];2007年

3 陳婧;謝磊;李備;;水路交通中的卡爾曼濾波算法綜述[A];第七屆中國智能交通年會論文集[C];2012年

4 趙汝祺;趙祚喜;趙汝準;;基于多項式卡爾曼濾波算法的車輛定位試驗研究[A];中國農(nóng)業(yè)工程學會2011年學術(shù)年會論文集[C];2011年

5 曾翠娟;杜傳利;;動態(tài)GPS自適應(yīng)卡爾曼濾波算法的FPGA實現(xiàn)[A];第13屆全國計算機、網(wǎng)絡(luò)在現(xiàn)代科學技術(shù)領(lǐng)域的應(yīng)用學術(shù)會議論文集[C];2007年

6 李鵬;宋申民;陳興林;;自適應(yīng)平方根無跡卡爾曼濾波算法[A];2009年中國智能自動化會議論文集（第八分冊）[控制理論與應(yīng)用（專刊）][C];2009年

7 程慧俐;王紀文;張洪鉞;;在未知噪聲統(tǒng)計情況下的一種新的自適應(yīng)卡爾曼濾波算法[A];1994中國控制與決策學術(shù)年會論文集[C];1994年

8 劉健;劉忠;玄兆林;;純方位目標運動分析的自適應(yīng)擴展卡爾曼濾波算法[A];2005年全國水聲學學術(shù)會議論文集[C];2005年

9 朱寧;錢偉康;郭強;;基于嵌入式XP的光譜分析系統(tǒng)[A];全國第一屆嵌入式技術(shù)聯(lián)合學術(shù)會議論文集[C];2006年

相關(guān)博士學位論文 前5條

1 孫景榮;X射線脈沖星導航及其增強方法研究[D];西安電子科技大學;2014年

2 葛磊;容積卡爾曼濾波算法研究及其在導航中的應(yīng)用[D];哈爾濱工程大學;2013年

3 馮波;線性濾波估計算法研究及在慣性導航系統(tǒng)中的應(yīng)用[D];北京理工大學;2014年

4 孟軍英;基于粒子濾波框架目標跟蹤優(yōu)化算法的研究[D];燕山大學;2014年

5 周聰;基于非線性估計理論的線控轉(zhuǎn)向汽車狀態(tài)估計研究[D];西南交通大學;2012年

相關(guān)碩士學位論文 前10條

1 龐瀛洲;關(guān)于電池BMS系統(tǒng)SOC估測算法的研究[D];長安大學;2015年

2 張冬梅;基于改進卡爾曼濾波算法的SOC估計方法研究[D];西南交通大學;2015年

3 林燕平;長基線導航系統(tǒng)濾波算法的研究與實現(xiàn)[D];沈陽理工大學;2015年

4 唐鵬;基于ADS-B數(shù)據(jù)監(jiān)視性能評估技術(shù)研究[D];中國民航大學;2015年

5 陳辰;基于卡爾曼濾波算法的短期風電功率預測[D];新疆大學;2015年

6 馬康健;基于分布式共識的無線傳感器網(wǎng)絡(luò)目標跟蹤技術(shù)研究[D];哈爾濱工業(yè)大學;2016年

7 周暄承;可穿戴計算中能效提高策略研究[D];南京郵電大學;2016年

8 杜振新;基于無跡卡爾曼濾波算法的動力電池剩余電量估算[D];長安大學;2016年

9 張弛;基于無跡卡爾曼濾波算法的某民航發(fā)動機性能衰退分析[D];中國民航大學;2016年

10 張兵;基于突變擾動的SOC估算研究[D];重慶郵電大學;2016年

，

本文編號：1858327