基于稀疏贝叶斯学习的GFDM系统联合迭代信道估计与符号检测

针对当前广义频分复用(Generalized Frequency Division Multiplexing,GFDM)系统时变信道估计精度低的问题,提出基于稀疏贝叶斯学习的GFDM系统联合信道估计与符号检测算法.具体地,采用无干扰导频插入的GFDM多重响应信号模型,在稀疏贝叶斯学习框架下,结合期望最大化算法(Expectation-Maximization,EM)和卡尔曼滤波与平滑算法实现块时变信道的最大似然估计;基于信道状态信息的估计值进行GFDM符号检测,并通过信道估计与符号检测的迭代处理逐步提高信道估计与符号检测的精度.仿真结果表明,所提算法能够获得接近完美信道状态信息条件下的误码率性能,且具有收敛速度快、对多普勒频移鲁棒性高等优点.

一种基于稀疏贝叶斯学习的离网DOA估计算法

本文提出一种基于稀疏贝叶斯学习的改进离网DOA估计算法,以提升非理想测向环境下在低信噪比、低快拍数时的DOA估计性能,称之为MOGSBL算法。本算法将信号源方位区间进行离散化,得到方位离散网格。为阵列接收信号建立稀疏贝叶斯模型,将网格节点修正量设为模型超参数。采用期望最大化算法迭代更新网格节点修正量,使更新后的网格节点更接近真实源信号方位。为了检验MOGSBL算法的性能,本文进行了大量的数值实验,并将MOGSBL算法的DOA估计结果与RSBL算法、OGSBL算法和L1-SVD算法进行对比。在不同信噪比和不同快拍数时,MOGSBL算法均能清晰分辨方位很接近的两个信号源,角度分辨率明显高于RSBL算法、OGSBL算法和L1-SVD算法。随着信噪比和快拍数的增加,4种算法的RMSE均逐渐减小。但MOGSBL算法的RMSE明显低于RSBL算法、OGSBL算法和L1-SVD算法,且RSBL算法、OGSBL算法优于L1-SVD算法。实验还分析了方向测试范围的离散网格节点数对DOA估计的影响,发现细密的离散网格可以提高DOA估计精度,但DOA估计的计算量会增加。且在任意网格节点数时,相比于RSBL算法、OGSBL算法和L1-SVD算法,本文的MOGSBL算法均具有最低的RMSE和最短的计算时间。

基于共同稀疏贝叶斯学习的多频等效源近场声全息方法

现有基于压缩感知的等效源近场声全息方法通常采用基于单频处理的单测量向量模型进行声场重建,此模型存在噪声鲁棒性较差以及重建精度不足的问题。实际中噪声源往往具有宽频特征,同一位置处不同频率的等效源源强聚集从而呈现共同稀疏特性,若充分利用源强的共同稀疏特性,可以改善重建性能。因此,提出一种基于共同稀疏贝叶斯学习的多频等效源近场声全息方法。在该方法中,首先采用多频协同处理,构建多频等效源近场声全息模型;然后为等效源源强施加共同稀疏约束,并使用共同稀疏贝叶斯学习方法求解等效源源强。与单频等效源近场声全息方法相比,所提方法可以获得更高的重建精度和更好的噪声鲁棒性。通过单极子声源仿真和小音箱试验验证了所提方法的优越性。

改进的变分稀疏贝叶斯学习离格DOA估计方法

为提高阵列信号处理运算速率,改善其方位估计性能,提出了一种改进变分稀疏贝叶斯学习离格波达方向(direction-of-arrival, DOA)估计方法。该方法利用实值变换,将向量化后的接收信号协方差矩阵转化到实数域,结合变分稀疏贝叶斯学习和网格演化的思想,在迭代过程中使网格从初始的均匀网格自适应地演化为非均匀网格,通过网格更新和网格裂变交替迭代使演化后的网格点逐渐逼近真实信源方位。仿真结果表明,改进方法与传统压缩感知类方法相比,减小了运算量,提高了运算速率,且具有更高的方位估计精度和方位分辨能力,在少快拍和低信噪比情况下,改进方法性能提升的优势更明显。湖上试验数据处理结果进一步验证了该方法的有效性和工程实用性。

基于稀疏贝叶斯学习的混合mMIMO系统波达方向估计

波达方向估计是混合mMIMO系统波束成形得以应用的前提,基于协方差矩阵重构的子空间方法在相干信号和有限快拍数条件下性能损失较大。为了应对上述挑战,提出了一种基于稀疏贝叶斯学习的混合mMIMO系统波达方向估计方法,主要创新之处在于:将混合mMIMO系统的波达方向估计问题转化为稀疏信号恢复问题,从而绕过空间协方差矩阵重构,避免了其带来的性能损失。为了便于进行贝叶斯推断,进一步利用变分贝叶斯近似思想,在恢复稀疏信号的同时,自适应估计出未知参数,显著改善了对噪声和相干信号的鲁棒性,提升了有限快拍数情况下的波达方向估计性能。数值模拟结果验证了所提方法的优越性。

一种利用稀疏贝叶斯学习的低复杂度DOA估计算法

针对有限快拍数下传统利用子空间的多信号分类(MUSIC)算法估计信号波达方向(DOA)性能差,以及采用稀疏贝叶斯学习算法估计信号DOA时复杂度高的问题,提出一种联合利用稀疏贝叶斯学习和消息传递的高精度低复杂度DOA估计算法。该算法首先对信号进行实值化处理,其次把信号因子化为标量,最后使用消息传递策略避开稀疏贝叶斯学习算法每次迭代时的大矩阵求逆,降低计算复杂度。通过仿真对所提出的算法和经典算法进行对比验证,发现该算法在有限快拍数下不仅可以适用稀疏阵列的DOA欠定估计,而且在CPU运算时间方面与空间平滑MUSIC算法相当,且估计精度更高。

基于稀疏贝叶斯学习方法的通信网告警预测研究

针对通信网络中告警难以预测、无法及时处理的问题,对原始告警信息进行处理,筛选出传输链路中断、传输区域业务故障、设备板卡故障3种主要告警类型数据作为数据集,利用稀疏贝叶斯学习和支持向量机两种方法对故障进行预测分析对比。实验结果表明,相较于支持向量机方法,稀疏贝叶斯学习方法的预测性能更好,精确率更高。该学习方法具有优越的处理大规模数据和特征的能力,显示出良好的可扩展性,可以使通信网络策略和优化过程更加客观和科学,有效提升网络性能和稳定性。

基于稀疏贝叶斯学习的大规模多用户检测算法

针对现有算法大都基于高斯逆伽马先验模型的稀疏贝叶斯学习(GIG-SBL),忽略了稀疏解所对应的支撑集向量稀疏性的问题,提出一种基于伯努利高斯逆伽马先验模型的稀疏贝叶斯学习(BGIG-SBL)架构,通过引入一个伯努利先验的二元向量,设计了单测量向量(SMV)的BGIG-SBL-SMV算法,结合支撑集向量的稀疏性提高重构性能。进一步将该算法扩展到多测量向量(MMV)方案,通过共享相同控制稀疏解的超参数,利用MMV的联合稀疏性提出BGIG-SBL-MMV算法。实验结果表明,所提BGIG-SBL-SMV算法相较于传统GIG-SBL-SMV算法,在mMTC用户检测场景可实现2 dB的性能增益;同时,所提BGIG-SBL-MMV算法相对于单测量向量BGIG-SBL-SMV算法,用户检测率和数据检错率的性能增益可达到4 dB,证明了所提算法的优越性。

宽带声源方位估计的多频稀疏贝叶斯学习改进算法

在对空气中未知的宽带声源的波达方向进行估计时,麦克风阵列的阵元间距很容易大于声信号半波长而出现栅瓣,严重影响估计效果。尽管多频带数据的使用在一定程度上可以抑制栅瓣产生,但目前的方法抑制效果比较一般而且计算效率不高。在稀疏贝叶斯学习基础上,提出了一种针对宽带声源方位估计的改进方法。这种方法将超先验引入到传统的多频稀疏贝叶斯估计模型中,然后同时利用声源信号在多个频带上具有的相同空间角度稀疏性并结合期望最大化算法重新推导了多频稀疏贝叶斯模型中各相关参数的迭代形式。与此同时,考虑到实际场景中的声源方位通常不位于稀疏网格上,离网格修复模型也被加入设计框架中,以解决该问题。为验证算法性能,开展了仿真实验和场地实验。结果表明,相比最近提出的基于l_(1)最小化的多频压缩感知方法和宽带的多频稀疏贝叶斯学习方法,提出方法能更好的利用宽带声源的多频特性以降低栅瓣的干扰,同时具有更高的估计精度和计算速度。在现场实验中,改进方法表现了优于其他先进方法的栅瓣抑制能力,声源方位估计误差可达0.09°,所需迭代收敛步数相比MF-SBL减少约50%。

基于稀疏贝叶斯学习的稳健STAP算法

为了提高阵列幅相误差和格点失配情况下稀疏恢复空时自适应处理(sparse recovery space-time adaptive processing,SR-STAP)算法的性能,提出一种基于稀疏贝叶斯学习的稳健SR-STAP算法。首先,利用空时导向矢量的Kronecker结构构建SR-STAP误差信号模型;然后,利用贝叶斯推断和最大期望算法迭代求取角度多普勒像和误差参数;最后,利用求解参数估计精确的杂波加噪声协方差矩阵并计算权矢量。仿真实验表明,所提算法能够显著提高稀疏信号模型失配时的目标检测性能。

基于频域信息融合和稀疏贝叶斯学习的高分辨ISAR成像

为了在ISAR成像中更好地压制噪声,消除条纹干扰,提高成像分辨率,本文提出一种基于双向插值处理和频域信息融合的稀疏贝叶斯学习算法,称之为BI-FF SBL算法。该方法首先对回波信号分别进行径向和横向插值预处理,将预处理得到的两份数据通过LA-VB算法进行ISAR成像;然后将得到的两幅ISAR图像通过二维傅里叶变换进入频域,并将两个二维频谱进行信息融合处理,以消除噪声和条纹干扰的相关信息并保留目标结构信息;最后对融合处理后的频谱进行二维傅里叶逆变换,得到最终的ISAR图像。为了验证BI-FF SBL算法的ISAR成像效果,本文进行了基于仿真数据和实测数据的成像实验,并将实验结果与R-D算法、L1-BP算法、LA-VB算法进行对比,发现BI-FF SBL算法在压制噪声和去除条纹干扰方面具有明显的优势,且能提供分辨率更高的ISAR图像。当实验数据信噪比降到0 dB时,BI-FF SBL算法依然能够提供清晰的ISAR图像,明显优于其他三种算法。测试超分辨重构误差的实验结果表明,相比于L1-BP算法和LA-VB算法,BI-FF SBL算法的重构误差更低,在实验数据信噪比为0 dB时,重构信噪比可以达到13.55 dB。

不确实环境下基于稀疏贝叶斯学习的声源定位方法

稀疏贝叶斯学习(Sparse Bayesian Learning,SBL)应用于水声领域,显示出了较传统方法的优势,但是针对不确实环境下声源定位的研究较少。文章通过SBL方法估计简正模态和本征值,实现了海底参数未知情况下的拷贝场构建,从而缓解匹配场处理对环境先验的依赖。仿真研究实现了海底参数未知情况下的匹配场定位,并证明了SBL相较于已有方法的独特优势。

基于稀疏贝叶斯学习的高效DOA估计方法

针对采用l 1范数优化的稀疏表示DOA估计算法正则化参数选取困难、计算复杂度高的问题,该文提出一种基于稀疏贝叶斯学习的高效算法。该算法首先利用均匀线阵的结构特性,将DOA估计联合稀疏模型的构建与求解转换到实数域进行。其次,通过优化稀疏贝叶斯学习的基消除机制,使该算法具有更快的收敛速度。仿真结果表明,与l 1范数优化类算法相比,该文方法具有更高的空间分辨率和估计精度且计算复杂度低。

稀疏信道下基于稀疏贝叶斯学习的精简星座盲均衡算法

针对稀疏信道的盲均衡问题,在精简星座均衡算法框架下建立线性模型,利用稀疏信道下均衡器固有的稀疏特性,引入具有稀疏促进作用的先验分布对均衡器系数加以约束,使用稀疏贝叶斯学习方法迭代求解均衡器系数得到最大后验估计值。该文提出的均衡方法属于数据复用类均衡算法的范畴,能够适用于数据较短的应用场合。与随机梯度方法相比,算法性能受均衡器长度影响较小,收敛后误符号率性能更好,仿真实验验证了算法的有效性。

基于稀疏贝叶斯学习的个人信用评估

针对传统信用评估方法分类精度低、特征可解释性差等问题,提出了一种使用稀疏贝叶斯学习方法来进行个人信用评估的模型(SBLCredit)。SBLCredit充分利用稀疏贝叶斯学习的优势,在添加的特征权重的先验知识的情况下进行求解,使得特征权重尽量稀疏,以此实现个人信用评估和特征选择。在德国和澳大利亚真实信用数据集上,SBLCredit方法的分类精度比传统的K近邻、朴素贝叶斯、决策树和支持向量机平均提高了4.52%,6.40%,6.26%和2.27%。实验结果表明,SBLCredit分类精度高,选择的特征少,是一种有效的个人信用评估方法。

基于稀疏贝叶斯学习的双基雷达关联成像

双基雷达具有隐蔽性高、抗干扰性能强等优点,在现代电子战中发挥重要作用。基于雷达关联成像原理,该文研究运动目标双基雷达关联成像问题。首先,针对采用均匀线性阵列作为收发天线的双基雷达系统,在发射随机频率调制信号条件下,分析运动目标雷达回波信号特点,建立双基雷达关联成像参数化稀疏表征模型;其次,针对建立的参数化稀疏表征模型,提出一种基于稀疏贝叶斯学习的迭代关联成像算法。该算法在建立贝叶斯模型基础上,通过贝叶斯推理,得到稀疏重构信号,从而实现对运动目标成像和运动参数的精确估计。最后,通过仿真实验验证所提方法的有效性。

基于稀疏贝叶斯学习的稀疏信号表示ISAR成像方法

作为一种新的稀疏信号表示算法,SBL(稀疏贝叶斯学习)方法没有BP方法的结构错误,也比FOCUSS方法具有少的多的局部最小点.ISAR成像问题可以转化为稀疏信号表示的问题,因此本文首次将SBL用于ISAR成像.真实数据的成像结果表明SBL是一种比BP和FOCUSS更有效的ISAR成像算法.

基于稀疏贝叶斯学习的无源雷达高分辨成像

针对无源雷达压缩感知成像,该文提出一种基于稀疏贝叶斯学习的高分辨成像算法。基于一次快拍模式下的无源雷达回波模型,文中首先考虑目标散射系数的统计特性及其对微波频率的依赖关系,将无源雷达成像转化为MMV(Multiple Measurement Vector)联合稀疏优化问题;然后对目标建立了级联形式的稀疏先验模型,并利用稀疏贝叶斯学习技术进行求解。相比之前基于目标确定性假设的稀疏恢复方法,所提算法更好地利用了目标的统计先验信息,具有能够自适应调整参数(目标模型参数和未知噪声功率)和高分辨反演目标等优点。仿真结果验证了该算法的有效性。

心电压缩感知恢复先验块稀疏贝叶斯学习算法

压缩感知在低成本、低功耗、长时间的无线心电信号应用上具有优势。但现有重构算法中存在重构信号质量不理想、较大的计算量以及不能自适应噪声变化等问题。本文针对非稀疏心电信号快速精确压缩感知重构提出了先验块稀疏贝叶斯学习(P-BSBL)算法。算法在块稀疏贝叶斯学习基础上,根据心电信号先验引入了近似零解空间初值设置和数字特征迭代停止条件。为了验证算法效果,提出的方法在MIT-BIH心电数据库上进行了仿真实验。实验结果表明P-BSBL能够实现高效非稀疏心电信号高信号质量重构。P-BSBL在正常和非正常心电信号重构上都优于凸优化和贪婪方法;适用于高数据压缩比和噪声变化的心电信号重构。

基于分量稀疏贝叶斯学习的风电场输出功率概率预测方法

概率预测有别于期望值预测,能够提供被预测量的概率分布信息。文中提出一种基于分量稀疏贝叶斯学习的风电场短期输出功率概率预测方法。该方法采用分量预测方式,应用离散正交小波变换Mallat算法将风电场输出功率分解为体现输出功率变化主趋势的趋势分量和平稳度较好的扰动分量。利用风速与风电场输出功率趋势上较强的相关性,结合趋势分量的自相关性对趋势分量进行预测;同时,根据扰动分量近似平稳的特点,利用其自身的自相关性对扰动分量进行预测。文中基于稀疏贝叶斯学习理论构建预测模型,实现对趋势分量、扰动分量以及原风电场输出功率的概率预测,并通过构建多学习机实现风电场输出功率的多步预测。算例分析部分通过对某处风电场7 200次的连续预测,验证了所提出方法的有效性。