本文選題：稀疏貝葉斯學(xué)習(xí) + 稀疏重構(gòu)��； 參考：《電子科技大學(xué)》2017年碩士論文

【摘要】：目前陣列測向系統(tǒng)面臨低信噪比、相關(guān)信號、多徑效應(yīng)等復(fù)雜環(huán)境,傳統(tǒng)測向方法,如子空間類方法,已經(jīng)難以實(shí)現(xiàn)準(zhǔn)確測向�，F(xiàn)有基于信號空域稀疏性的稀疏重構(gòu)方法表現(xiàn)出一些顯著的優(yōu)勢,但是這些稀疏重構(gòu)方法受到一些因素的限制,存在一定的缺陷。本文基于信號空域稀疏性,通過稀疏貝葉斯框架研究點(diǎn)源中相關(guān)信號和分布源中相干分布源的快速高精度DOA估計(jì)問題。主要研究內(nèi)容和創(chuàng)新如下:1、研究相關(guān)信號的點(diǎn)源稀疏表示模型及傳統(tǒng)的相干分布源模型。分析基于0?范數(shù)的稀疏重構(gòu)和最大后驗(yàn)概率估計(jì)的內(nèi)在聯(lián)系;著重探討了貝葉斯方法中的稀疏貝葉斯學(xué)習(xí)方法,給出其理論框架,并分析了貝葉斯方法在陣列測向方面的相關(guān)性質(zhì)。2、基于稀疏貝葉斯框架,提出基于陣列二階項(xiàng)的DOA估計(jì)方法。通過協(xié)方差差分技術(shù)抑制噪聲影響,使用一種新的空域采樣方式形成過完備字典,并將其轉(zhuǎn)化為稀疏模型。在稀疏貝葉斯學(xué)習(xí)的基礎(chǔ)上,通過有效的DOA搜索方法估計(jì)DOA。給出了所提方法的計(jì)算復(fù)雜度分析,并與L1-SVD等方法進(jìn)行了性能對比分析,驗(yàn)證了所提方法的正確性和有效性。3、在波束空間,提出一種基于稀疏貝葉斯學(xué)習(xí)的快速高精度DOA估計(jì)方法。將陣列輸出映射到波束空間,通過較大角度間隔的過完備字典稀疏表示協(xié)方差。聯(lián)合稀疏貝葉斯學(xué)習(xí)和DOA精細(xì)化估計(jì)方法進(jìn)行點(diǎn)源相關(guān)信號的高精度DOA估計(jì)。給出了協(xié)方差稀疏表示通過增加快拍數(shù)提高信噪比的可行性分析及所提方法的計(jì)算復(fù)雜度分析,并與L1-SRACV等方法進(jìn)行了性能對比分析,驗(yàn)證了所提方法的正確性和有效性。4、提出一種基于稀疏貝葉斯學(xué)習(xí)的一維相干分布源參數(shù)估計(jì)方法。建立相干一維分布源的稀疏表示模型,通過對空域和角度擴(kuò)展域進(jìn)行采樣形成廣義陣列流行矩陣。在此基礎(chǔ)上,提出基于稀疏貝葉斯學(xué)習(xí)的相干分布源參數(shù)估計(jì)方法,通過粗估計(jì)和精估計(jì)獲得分布源的角度參數(shù)估計(jì)。給出了所提方法的計(jì)算復(fù)雜度分析,并與DSPE等方法進(jìn)行了性能對比分析,驗(yàn)證了所提方法的正確性和有效性。
[Abstract]:At present, the array direction-finding system is faced with complex environments such as low signal-to-noise ratio (SNR), correlation signal, multipath effect and so on. Traditional direction-finding methods, such as subspace methods, have been difficult to achieve accurate direction finding. The existing sparse reconstruction methods based on signal spatial sparsity show some obvious advantages, but these sparse reconstruction methods are limited by some factors and have some defects. In this paper, based on the spatial sparsity of signals, the problem of fast and high accuracy DOA estimation for correlated signals in point sources and coherent distributed sources in distributed sources is studied by using sparse Bayesian framework. The main contents and innovations are as follows: 1. The point source sparse representation model and the traditional coherent distributed source model are studied. Analysis based on 0? This paper mainly discusses the sparse Bayesian learning method in Bayesian method, and gives the theoretical framework of the sparse Bayesian learning method, which is related to the sparse reconstruction of norm and the estimation of maximum a posteriori probability. The related properties of Bayesian method in array direction finding are analyzed. Based on sparse Bayesian framework, a second order DOA estimation method based on array is proposed. Using covariance difference technique to suppress noise effect, a new spatial sampling method is used to form an overcomplete dictionary, which is transformed into a sparse model. Based on sparse Bayesian learning, DOA is estimated by an effective DOA search method. The computational complexity analysis of the proposed method is given, and the performance of the proposed method is compared with that of L1-SVD, which verifies the correctness and validity of the proposed method in beamspace. A fast and high precision DOA estimation method based on sparse Bayesian learning is proposed. The array output is mapped to beamspace and covariance is represented sparsely by overcomplete dictionaries with large angular intervals. Combining sparse Bayesian learning and DOA refinement estimation, a high accuracy DOA estimation of point source correlation signals is presented. The feasibility analysis of covariance sparse representation to increase SNR by increasing the number of beats and the computational complexity analysis of the proposed method are given, and the performance of the proposed method is compared with that of L1-SRACV and so on. The validity and validity of the proposed method are verified. 4. A method for estimating the parameters of one-dimensional coherent distributed sources based on sparse Bayesian learning is proposed. The sparse representation model of coherent one-dimensional distribution source is established and the generalized array prevalence matrix is formed by sampling the spatial domain and angular spread domain. On this basis, a sparse Bayesian learning method for estimating the parameters of coherent distributed sources is proposed. The angle parameters of distributed sources are estimated by rough estimation and refined estimation. The computational complexity analysis of the proposed method is given, and the performance of the proposed method is compared with that of DSPE and so on. The correctness and effectiveness of the proposed method are verified.
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TN911.23

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 石國楨;;工程診斷和診斷中的貝葉斯方法[J];機(jī)械強(qiáng)度;1984年02期

2 陳英武;高妍方;;貝葉斯網(wǎng)絡(luò)擴(kuò)展研究綜述[J];控制與決策;2008年10期

3 徐立;;預(yù)案分析的貝葉斯網(wǎng)絡(luò)方法[J];價值工程;2012年08期

4 胡春玲;;貝葉斯網(wǎng)絡(luò)研究綜述[J];合肥學(xué)院學(xué)報(bào)(自然科學(xué)版);2013年01期

5 樓宇希;;應(yīng)用貝葉斯方法縮短可靠性試驗(yàn)時間[J];現(xiàn)代雷達(dá);1986年01期

6 鄭駿;隨機(jī)方法與貝葉斯方法在高新技術(shù)中的應(yīng)用[J];軟科學(xué);1995年01期

7 覃秋梅;張師超;;一類貝葉斯網(wǎng)絡(luò)的線性推理[J];計(jì)算機(jī)科學(xué);1999年10期

8 張琨,徐永紅,王珩,劉鳳玉;用于入侵檢測的貝葉斯網(wǎng)絡(luò)[J];小型微型計(jì)算機(jī)系統(tǒng);2003年05期

9 陳曉懷,程真英,劉春山;動態(tài)測量誤差的貝葉斯建模預(yù)報(bào)[J];儀器儀表學(xué)報(bào);2004年S1期

10 李蕓;;基于貝葉斯信念網(wǎng)絡(luò)的數(shù)據(jù)分類挖掘算法[J];計(jì)算機(jī)科學(xué);2006年09期

相關(guān)會議論文 前10條

1 David Z.D'Argenio;;貝葉斯方法在實(shí)驗(yàn)室研究向臨床的轉(zhuǎn)化以及辨識隱含亞群體中的應(yīng)用(英文)[A];中國藥理學(xué)會臨床藥理學(xué)專業(yè)委員會會議暨第十次全國臨床藥理學(xué)學(xué)術(shù)會議論文集[C];2007年

2 姜峰;高文;姚鴻勛;;貝葉斯網(wǎng)絡(luò)的推理和學(xué)習(xí)[A];全國網(wǎng)絡(luò)與信息安全技術(shù)研討會'2005論文集（下冊）[C];2005年

3 丁東洋;劉希陽;;風(fēng)險(xiǎn)分析中的穩(wěn)健貝葉斯方法[A];2011年全國電子信息技術(shù)與應(yīng)用學(xué)術(shù)會議論文集[C];2011年

4 周桃庚;沙定國;;貝葉斯可靠性序貫驗(yàn)證試驗(yàn)方法[A];中國儀器儀表學(xué)會第三屆青年學(xué)術(shù)會議論文集（下）[C];2001年

5 陳曉懷;程真英;劉春山;;動態(tài)測量誤差的貝葉斯建模預(yù)報(bào)[A];第二屆全國信息獲取與處理學(xué)術(shù)會議論文集[C];2004年

6 杜鵬英;羅小平;何志明;;貝葉斯網(wǎng)絡(luò)的發(fā)展及理論應(yīng)用[A];第三屆全國虛擬儀器大會論文集[C];2008年

7 楊麗;武海濱;李康;;無金標(biāo)準(zhǔn)診斷試驗(yàn)評價的貝葉斯方法及應(yīng)用[A];2011年中國衛(wèi)生統(tǒng)計(jì)學(xué)年會會議論文集[C];2011年

8 寧鵬達(dá);;貝葉斯方法在風(fēng)險(xiǎn)投資項(xiàng)目決策中的應(yīng)用[A];第四屆中國科學(xué)學(xué)與科技政策研究會學(xué)術(shù)年會論文集（Ⅰ）[C];2008年

9 朱永生;;貝葉斯方法確定泊松變量的置信上限[A];中國物理學(xué)會高能物理分會第七屆學(xué)術(shù)年會實(shí)驗(yàn)分會場論文集[C];2006年

10 王增忠;柳玉杰;施建剛;;建筑工程項(xiàng)目全壽命安全管理決策的貝葉斯方法[A];中國優(yōu)選法統(tǒng)籌法與經(jīng)濟(jì)數(shù)學(xué)研究會第七屆全國會員代表大會暨第七屆中國管理科學(xué)學(xué)術(shù)年會論文集[C];2005年

相關(guān)博士學(xué)位論文 前10條

1 翟勝;基于貝葉斯網(wǎng)絡(luò)的復(fù)雜系統(tǒng)可靠分析方法研究與應(yīng)用[D];天津工業(yè)大學(xué);2016年

2 劉瑞;基于貝葉斯網(wǎng)絡(luò)的洪水災(zāi)害風(fēng)險(xiǎn)評估與建模研究[D];華東師范大學(xué);2016年

3 張潤梅;基于貝葉斯網(wǎng)絡(luò)的復(fù)雜系統(tǒng)因果關(guān)系研究[D];合肥工業(yè)大學(xué);2015年

4 李艷穎;貝葉斯網(wǎng)絡(luò)學(xué)習(xí)及數(shù)據(jù)分類研究[D];西安電子科技大學(xué);2015年

5 趙建U，

本文編號：1932001