DOA estimation method for wideband signals by sparse recovery in frequency domain

The traditional super-resolution direction finding methods based on sparse recovery need to divide the estimation space into several discrete angle grids, which will bring the final result some error. To this problem, a novel method for wideband signals by sparse recovery in the frequency domain is proposed. The optimization functions are found and solved by the received data at every frequency, on this basis, the sparse support set is obtained, then the direction of arrival (DOA) is acquired by integrating the information of all frequency bins, and the initial signal can also be recovered. This method avoids the error caused by sparse recovery methods based on grid division, and the degree of freedom is also expanded by array transformation, especially it has a preferable performance under the circumstances of a small number of snapshots and a low signal to noise ratio (SNR).

频谱稀疏OFD-LFM弹头自旋微动特征重构方法

针对基于高分辨雷达技术的弹头自旋微多普勒特征问题展开研究。首先通过理论推导详细分析了OFD-LFM信号体制弹头自旋微多普勒在谱图上的表现形式,并得出相关结论,再结合压缩感知理论提出一种频谱稀疏OFD-LFM微多普勒谱图合成方法,该方法可在大幅减少OFD-LFM子载波数的前提下,准确重构出弹头自旋微多普勒特征曲线;同时有效抑制了谱图中的旁瓣影响。仿真实验结果表明了理论推导的正确性,证明了该文重构方法的有效性。

基于自适应参数估计的微动时频表征重构方法

针对数据缺失条件下的目标微动回波时频表征重构问题,提出了一种基于自适应参数估计的微动时频表征重构方法。首先,将缺失的微动时频表征重构问题建模为基于L_P范数最小化的稀疏重构问题,其次,引入哈达玛积参数将L_P范数最小化稀疏重构问题转化为多个L_2范数联合最小化问题,并采用迭代吉洪诺夫正则化求解,同时在每次迭代过程中根据重构结果自适应估计正则化参数,最后,采用除偏处理减小了重构时频表征的振幅衰减。与传统微动回波时频表征重构方法相比,所提方法避免了需要人工设置正则化参数不足的问题,并且重构的时频表征更加完整。仿真实验和实测数据处理结果验证了所提方法的有效性和稳健性。

基于稀疏自适应S变换的特种设备故障振动信号检测研究

鉴于特种设备的特殊性,其故障的检测尤为重要,而检测特种设备振动信号是发现故障的一种重要手段,基于此种原因,本文提出基于稀疏自适应S变换特种设备故障振动信号检测方法。从特种设备的振动信号时频特征出发,通过稀疏自适应S变换提取特种设备振动信号时频特征图;构建深度卷积神经网络模型,将经过稀疏自适应S变换提取的时频特征图作为网络模型输入样本,经深度学习后,完成特种设备故障振动信号检测,获取设备故障诊断结果。实验结果表明:该方法提取到振动信号特征较好,可清晰表达故障频率,特征表达能力强;可明确检测出特种设备故障发生时间以及故障原因,且检测准确率高。

压缩采样稀疏阵列结构及其参数估计技术

针对现有压缩采样数字接收机无法直接完成载频和到达角联合估计,且基于均匀线阵结构的压缩采样数字接收机结构复杂的问题,本文提出了压缩采样稀疏阵列结构。利用多重信号分类算法进行谱峰搜索,实现了载频和到达角联合估计。相比于现有压缩采样数字接收机结构,所提出的结构可以降低系统的结构复杂度;提出的载频和到达角联合估计方法直接对压缩数据进行处理,不仅降低了处理的数据量,并且可以同时得到载频估计和到达角估计,进一步减少了运算量。仿真结果验证了该结构和提出算法的有效性。

低频振荡模态参数辨识的共振稀疏分解SSI分析方法

提出在色噪声背景下,采用共振稀疏分解的随机子空间法进行低频振荡模态参数的辨识,根据信号预知的共振属性实现复杂信号的分离。首先,对含高斯色噪声的低频振荡信号进行分解,得到高共振分量、低共振分量和余项三部分。低频振荡信号具有高共振属性,高共振分量即为提取的持续振荡的低频振荡信号,而高斯色噪声大部分存在于余项中。然后对高共振分量利用SSI进行参数辨识,得到较高参数的辨识准确度。仿真算例和实例说明了所提方法的有效性。

高分辨稀疏表示及其在雷达动目标检测中的应用

复杂背景下稳健高效的低可观测动目标检测始终是雷达信号处理领域的研究热点和难点,一方面,强杂波背景和目标复杂运动使得信号微弱,时频域难以区分;另一方面,相参积累算法复杂,长时间积累运算量较大,如何利用有限的雷达资源提高雷达探测性能成为亟需解决的问题。高分辨稀疏表示技术从信号稀疏性角度出发区分杂波和动目标,是传统变换域动目标检测技术的拓展,具有高时频分辨率、对噪声不敏感、稳健性高以及适于多分量信号分析的优势,有广阔应用前景。该文重点从应用角度进行归纳总结,系统回顾了雷达动目标检测的常规方法,然后对稀疏表示在雷达杂波特性分析、抑制、动目标检测、特征提取、时频分析等方面的应用进行了初步总结和归纳,对研究方向进行展望,最后结合实测数据和已有成果给出了部分处理结果。

基于改进遗传算法和Sin-Chirplet原子的调频雷达信号稀疏分解

为构建合适的时频原子库和信号分解算法,提出一种基于改进遗传算法和Sin-Chirplet原子的调频雷达信号稀疏分解算法.这种新的Sin-Chirplet原子在Chirplet原子的基础上增加正弦调频因子,改善原子时频曲线的弯曲性能,使原子对非线性调频信号具有较强的匹配性能.然后基于原子的匹配特性,改进遗传算法中初始原子种群产生机制,提高了最佳原子搜索速度.理论分析和仿真结果表明,基于改进遗传算法的信号稀疏分解效率高于传统遗传算法和匹配追踪算法.相比现有的3种典型时频原子,Sin-Chirplet原子的匹配性能良好,可以更有效地分解调频雷达信号及其混合信号.

基于空频域稀疏表示的宽频段DOA估计

该文提出一种基于空频域稀疏表示的宽频段波达方向(DOA)估计方法,解决稀疏表示方法在宽带接收机对窄带信号的频率和角度估计中的难题。用空间频率代替频率和方位角的2维组合构建过完备字典,字典的长度仅相当于窄带信号DOA估计的字典长度,却能覆盖整个无模糊频段,大大降低了稀疏分解的计算量。该方法首先在频域估计信号的准确频率,根据频域峰值的位置构建频域峰值协方差矩阵。对频域峰值协方差矩阵进行特征分解,利用主特征向量建立稀疏模型估计信号的DOA。算法在低信噪比下具有较高的估计精度,仿真实验和分析验证了该文方法的正确性和有效性。

稀疏分解在跟踪干扰信号特征提取中的应用

针对跳频通信中跟踪干扰识别特征提取问题,提出了一种基于稀疏分解的跟踪干扰特征提取方法。简要介绍了稀疏分解的基本原理。根据跟踪干扰信号与跳频信号比较在时域存在时间延迟,在频域幅值大于跳频信号幅值的特点,通过对跳频信号和跟踪干扰信号进行重构,获得能表明两者之间显著差异的特征参数。仿真实验表明,该方法提取的特征参数,在信噪比大于5dB时,对跟踪干扰的识别率达到95%以上,验证了该方法的可行性和有效性。

自适应匹配追踪的OFDM系统窄带干扰检测

针对在OFDM通信系统中,基于压缩感知的窄带干扰检测时间过长的问题,提出了将自适应匹配追踪算法应用到压缩感知理论的信号重构过程中的算法。该算法可在未知干扰稀疏度的情况下,自适应地调整候选集原子的个数,在低于奈奎斯特采样频率前提下,快速实现单个及多个窄带干扰信号检测。仿真结果表明:所提算法能够有效地实现窄带干扰检测且运行速度快,改善了OFDM通信系统的性能。

基于稀疏重构的网络通信跳频信号参数估计算法

为扩展通信网络的频谱宽度,从而充分提高通信信号的跳频传输能力,提出基于稀疏重构的网络通信跳频信号参数估计算法。根据稀疏测度矩阵,计算正则化重构指标的具体数值,通过统计信号协方差的处理方式,完成基于稀疏重构的通信信号调制。在此基础上,定义估算核函数,联合已知的跳频参量提取结果,确定网络通信环境中的瞬时信号传输权限,实现对网络通信跳频信号参数的估量与计算,完成基于稀疏重构的网络通信跳频信号参数估计算法的设计。实验结果表明,与深度学习型估算方法相比,在稀疏重构原则的作用下,通信网络的频谱宽度得以扩展,符合提高通信信号的跳频传输能力的实际应用需求。

基于L曲线的跳频信号重构正则化参数优化

研究了基于L曲线的跳频信号重构正则化参数的选取问题，对跳频信号的稀疏性进行了分析，采用L曲线对系统的最优正则化参数进行了选取．在此基础上，通过推广的正则化FOCUSS算法估计了跳频信号的稀疏表示．仿真结果表明，通过L曲线选取的正则化参数在推广的正则化FOCUSS算法下，能够实现跳频信号在噪声环境下的重构．

一种基于稀疏分解的窄带信号频率估计算法

针对窄带多分量信号频率估计问题,该文提出一种基于稀疏分解的频率估计算法,能够同时对多个窄带信号的频率进行估计。首先利用传统方法进行频率预估计,然后根据频率预估计的结果建立冗余字典,对信号进行稀疏表示,最后通过匹配追踪算法得到精确的频率估计。该算法极大地减小了字典的长度和稀疏分解的运算量,而且在迭代过程中利用了全局信息更新残差向量,估计结果更为精确,在低信噪比情况下性能也较为稳健。仿真结果验证该算法的有效性和正确性。

基于贝叶斯稀疏学习的多跳频信号频率跟踪方法

以往的跳频信号参数盲估计方法大多难以适应多个信号同时存在的情况,且需要积累一定数量的样本以后才能从中提取所需要的信息。为了稳定实时地跟踪跳频信号的频率,该文提出一种利用贝叶斯稀疏学习的单/多通道跳频信号频率估计和跳变时刻检测方法来实现多跳频信号频率的实时跟踪。首先建立了多跳频信号的稀疏表示模型,然后介绍了多观测贝叶斯稀疏学习算法及跳变时刻实时检测方法,最后仿真结果验证方法的有效性。

基于时频稀疏性分析法的低信噪比微震事件识别与恢复

微震监测是直观评价压裂过程和压裂效果的有效手段.微震事件识别是微震监测的首要步骤.然而对于低信噪比微震监测数据,常规识别方法很难取得满意效果.基于微震事件在时频域中的稀疏性,本文提出利用Renyi熵值表示微震监测数据的时频稀疏程度,并以时频距离为约束条件,建立以低熵值的道数为判别阈值的目标函数.本文方法能在识别出微震事件的同时,恢复出较为清晰的微震事件.通过数值计算和对实际监测数据的测试,表明该方法对低信噪比的微震监测数据有较好的处理效果.

时频流形自适应稀疏重构的遥测振动信号特征增强方法

针对遥测振动信号非线性、非平稳性、瞬态冲击性等特点,提出一种基于时频流形自适应稀疏重构的遥测振动信号特征增强方法,对振动信号进行相空间重构提取其时频流形;以时频流形为基础,采用KSVD算法自适应构建过完备字典,并从中找到最匹配的时频原子,根据得到的原子与相空间展开信号的时频分布,依次匹配计算获得其重构的稀疏系数;利用稀疏系数和时频原子对相空间中各维信号的时频分布进行重构,通过时频分布的逆运算和相空间还原得到特征增强信号。仿真和实测信号处理结果验证了算法的有效性。

一种新的跳频信号重构方法

研究了噪声环境下跳频信号重构的问题.首先对接收端跳频信号模型的稀疏性进行了分析,根据跳频信号的特点,构建了一种时频原子字典.在此基础上,提出了一种基于推广的正则化再加权最小2-范数法算法的跳频信号重构方法.该方法通过选取合适的正则参数,在噪声环境下实现了跳频信号的重构.仿真结果验证了该方法的正确性和有效性.

基于全局最小熵的随机稀疏调频步进信号运动补偿方法

发射频率和孔径二维随机稀疏的调频步进信号,可降低雷达系统对采样率的要求,同时可提高抗干扰能力。但是调频步进信号随机稀疏时会带来运动补偿困难的问题。针对此问题,提出一种基于全局最小熵的运动补偿方法。首先,利用全局最小熵方法完成包络对齐;其次将初相校正问题转换为径向速度与加速度的参数估计问题。为实现速度的高精度估计,采取粗搜索与精估计相结合,以全局最小熵作为代价函数,基于黄金分割法进行变步长搜索实现参数的快速高精度估计,最终完成初相校正。理论分析和仿真结果表明该算法具有参数估计速度快、估计精度高且在较低的信噪比条件下具有较高稳健性的优势。

利用稀疏盲源分离方法的叶片裂纹特征提取

叶轮是离心压缩机的核心部件,实现压缩机叶片裂纹早期故障识别在工业生产中具有非常重要的意义。有裂纹的叶片的异常振动会直接反映到流体的压力脉动中。然而实际中由叶片裂纹造成的异常振动非常小,使得压力脉动中的故障信息非常微弱,导致故障频率难以识别。先利用稀疏盲源分离方法对离心压缩机扩压器处的压力脉动信号进行处理,然后对分离的信号进行包络分析,最后提取出故障特征频率,实现了离心压缩机叶轮叶片裂纹故障检测,可以对叶轮状态进行长期实时监测。