MIMO-OFDM系统中基于变分贝叶斯EM算法的联合符号检测与信道估计

基于变分贝叶斯期望最大化(VBEM,variational Bayes expectation maximization)算法和Turbo原理,提出了时变信道条件下MIMO-OFDM系统中的联合符号检测与信道估计算法。设计的软入软出空时检测器在采用列表球形译码避免穷尽搜索的同时,考虑了信道估计误差方差矩阵的影响;利用空时检测获得的发送信号后验概率分布估计,推出了新的Kalman前向后向递归信道估计器。仿真结果表明,在时变多径信道条件下,提出的算法比传统EM算法和面向判决算法更加具有顽健性。

稀疏贝叶斯学习框架下的扩展目标雷达关联成像

传统的关联成像方法未考虑复杂扩展目标的结构信息,在高分辨成像时的应用受到限制,为此提出一种自适应结构配对稀疏贝叶斯学习方法。该方法在稀疏贝叶斯学习的框架内针对扩展目标建立一种结构配对层次化高斯先验模型,然后采用变分贝叶斯期望-最大化算法交替进行目标重构和参数优化。该方法将某一信号分量的重构与周围信号分量联系起来,并能在迭代过程中自适应地调整表征各信号分量相关性的参数。实验结果表明,该方法针对扩展目标可以有效地进行高分辨成像。

基于VBEM的一致受限字典织物图像重构模型

针对传统稀疏贝叶斯算法中字典列之间较强的相互一致性导致的重构性能下降问题,提出了一种基于变分贝叶斯期望最大化的一致受限字典织物图像重构模型(CCD-VBEM)。考虑织物图像的真实应用场景,采用多层先验的稀疏贝叶斯学习(SBL)模型进行建模,并通过VBEM方法求解后验分布近似值,从而构建SBL-VBEM模型。由于SBL-VBEM模型的重构结果仍然受字典矩阵的相关性影响,因此通过减少字典列之间的相互一致性来改善重构结果。首先,通过S形函数的拓扑结构获得收缩因子;然后,在获取一致受限字典的每次迭代中,利用收缩因子缩小字典矩阵中最大非对角项的邻域间隔;最后,将获取的一致受限字典作为SBL-VBEM模型的输入,获得更有效的重构织物图像。对CCD-VBEM模型在阿里云天池数据集上进行验证,验证结果表明,在不同采样率(0.20~0.40)下,CCD-VBEM模型对织物图像的重构均获得最优性能。

可信推断近场稀疏综合阵列三维毫米波成像

考虑到主动式电扫描毫米波成像系统在实际应用中成像场景要求大,分辨率要求高,但毫米波的波长短,继而造成满足奈奎斯特采样定理的均匀阵列规模及馈电网络复杂度过高,面临着成像精度、成像速度和系统成本之间的矛盾。针对以上问题,该文提出了可信推断近场稀疏综合阵列算法(CBI-SAS),在全贝叶斯学习框架下,该算法基于贝叶斯推断对复激励权值进行稀疏优化,得到复激励权值的完全统计后验概率密度函数,从而利用其高阶统计信息得到复激励权值的最优值及其置信区间和置信度。在贝叶斯推断中,为了实现较少数量的阵元合成期望波束方向图,可通过对复值激励权值引入重尾的拉普拉斯稀疏先验。然而,由于先验概率模型与参考方向图数据模型非共轭,因此需对先验模型进行分层贝叶斯建模,从而保证得到的复激励权值完全后验分布具有闭合解析解。为了避免求解完全后验分布的高维积分,采用变分贝叶斯期望最大化方法计算复激励权值后验概率密度函数,实现复激励权值的可信推断。仿真模拟实验结果显示,相较于传统稀疏阵列合成方法,所提方法阵元稀疏度更低、归一化均方误差更小、匹配方向图精度更好。此外,基于设计的稀疏阵列采集近场一维电扫和二维平面全电扫实测回波数据后,利用改进三维时域算法进行三维重建,验证了所提CBI-SAS算法在保证成像结果的同时降低了系统复杂性的优势。

无线传感网络中目标定位的研究

在无线传感网络WSNs(Wireless Sensor Networks)中,现存的基于压缩感知的目标定位算法是假定目标均落在预定网格,当不满足此假设时,将极大地降低了目标定位算法的性能。为此,提出基于变分贝叶斯期望最大化的目标定位VBEM-TL(Variational Bayesian Expectation Maximization-based Target Localization)算法。VBEM-TL算法先利用一阶泰勒级数展开算法建立稀疏近似模型,然后将目标定位问题转化成稀疏恢复问题,再利用VBEM算法重构稀疏矢量。最后,依据重构的稀疏矢量估计目标位置。实验数据表明,提出的VBEM-TL算法能够有效地降低定位误差。

传感器唤醒机制下的智能干扰源定位方法

随着人工智能技术的发展,智能干扰源可通过改变自身发射功率来提高干扰效果,导致传统基于接收信号强度的定位技术失效。为此,引入传感器唤醒机制,研究基于块压缩感知的多干扰源定位方法。首先,周期性地唤醒传感器节点,同时提高传感器节点利用有效性和定位信息采集精确性;其次,考虑到在干扰源发射功率未知且变化的情况下无法确定距离与接收信号强度之间的关系,引入参考功率对智能变化的干扰源功率进行处理;然后,基于压缩感知理论,将定位问题建模为块稀疏向量重构问题;最后,通过探索功率变化规律设计出一种基于变分贝叶斯均值-期望的Wake-VBEM重构算法,精确重构目标位置向量。仿真证明,所提方法在干扰源功率未知且变化时,可同时实现多干扰源位置估计并有效提高网络使用寿命。