Joint 2D DOA and Doppler frequency estimation for L-shaped array using compressive sensing

A joint two-dimensional(2D)direction-of-arrival(DOA)and radial Doppler frequency estimation method for the L-shaped array is proposed in this paper based on the compressive sensing(CS)framework.Revised from the conventional CS-based methods where the joint spatial-temporal parameters are characterized in one large scale matrix,three smaller scale matrices with independent azimuth,elevation and Doppler frequency are introduced adopting a separable observation model.Afterwards,the estimation is achieved by L1-norm minimization and the Bayesian CS algorithm.In addition,under the L-shaped array topology,the azimuth and elevation are separated yet coupled to the same radial Doppler frequency.Hence,the pair matching problem is solved with the aid of the radial Doppler frequency.Finally,numerical simulations corroborate the feasibility and validity of the proposed algorithm.

脉冲干扰下基于变分贝叶斯推断的水声正交频分复用联合估计方法

脉冲干扰环境下水声正交频分复用通信性能严重下降,为此提出了基于变分贝叶斯推断的信道估计方法。该方法利用水声信道和脉冲干扰的稀疏特性,基于平均场变分贝叶斯推断,将信道向量和脉冲干扰向量的后验概率分布分别分解为简单概率分布进行拟合,基于导频子载波迭代直至收敛,得到信道和脉冲干扰的最大后验估计。所提方法改进了基于稀疏贝叶斯学习的干扰、信道联合估计方法中信道和干扰构成的联合向量无法分离二者稀疏度的问题,并且显著降低了计算复杂度。在此基础上,进一步提出了基于变分贝叶斯推断的干扰、信道和符号联合估计方法,将未知符号融入变分贝叶斯推断框架,与干扰和信道一起迭代,最终得到更精确的符号估计。仿真和试验结果验证了所提算法的有效性,与现有方法相比,本文所提方法具有更低的误码率和复杂度。

基于改进TOPSIS-模糊贝叶斯网络的电池SOC和SOH联合估计方法

为实现储能电池全生命周期下的电池状态动态评估,提高复杂工况下锂离子电池模型的自适应性与状态估计的准确性,提出基于改进逼近理想解排序法(technique for order preference by similarity to an ideal solution,TOPSIS)-模糊贝叶斯网络的电池荷电状态(state of charge,SOC)和健康状态(state of health,SOH)联合估计方法。应用多阶电阻-电容电路(resistor-capacitance circuit,RC)模型、使用节点-支路框架构建电池的等效电路模型,通过基尔霍夫定律与欧姆定律对二阶RC电池等效电路模型中的并联回路进行电气特性分析,构建空间状态方程及等效输出方程;对构建的状态方程进行离散化处理,分别定义并联独立回路离散化零输入响应、零状态响应,分析离散化电池模型状态空间方程;将专家打分法引入TOPSIS算法中进行电池SOC量化估计,结合融入模糊尺度的贝叶斯网络,在相同时间分布尺度下通过电池SOH值计算电池观测样本中对应的SOC值,实现电池SOH与SOC联合估计。实验结果表明:所提方法可有效估计不同离散空间尺度下的电池SOC和SOH结果,估计方法具有良好的准确性与较高的精度。

信息融合理论研究进展:基于变分贝叶斯的联合优化

通过梳理近年信息融合理论的发展,分析了复杂目标跟踪系统中存在的非线性、多模式、深耦合、网络化、高维数和未知扰动输入等问题,指出现阶段目标跟踪系统中联合优化的必要性.继而,讨论了解决联合优化问题的主要方法,包括联合检测与估计,联合聚类与估计,联合关联与估计及联合决策与估计等.同时,着重介绍了变分贝叶斯辨识、估计和优化的统一框架和以其为基础的目标跟踪联合一体优化方法,并以天波超视距雷达为应用背景,给出在多路径多模式多目标跟踪场景下算法的一般性描述.最后,讨论了变分贝叶斯理论在目标跟踪领域的开放问题和未来研究方向.

基于IRT若干参数估计方式的比较

在项目反应理论(IRT)框架下,就目前流行的若干能力参数和项目参数的估计方法进行分析比较,阐述了它们各自适用的范围和不足之处,为选用估计方法提供依据.

一种基于最优观测矩阵的自适应贝叶斯压缩信道感知联合机制

该文采用基于概率模型的贝叶斯压缩感知方法,从最大后验概率角度,给出了压缩信道感知的一般流程。在此基础上,利用自适应贝叶斯压缩感知将信号的重构和观测矩阵的设计结合,使这两个环节不再相互独立。同时,提出一种基于最优观测矩阵的自适应贝叶斯压缩感知联合机制,通过减少观测矩阵的相关度以及对观测矩阵的自适应设计,使得信道的重构效果更佳。另外可利用重构过程中得到的差错栏,对重构精确度进行衡量。仿真表明:在相同的实验条件下,该联合机制相比传统的重构算法,具有更好的抗噪声能力和重构精度。

时频联合域贝叶斯地震反演方法

时间域和频率域地震反演分别在不同域中考虑地震响应与模型合成地震记录的匹配程度进而搜索数据空间对应的最优模型参数。从贝叶斯估计理论出发,综合考虑时间域和频率域地震反演在地层分辨率和抗噪性方面特有的性质,联合贝叶斯稀疏反演框架、时间域反演理论及频率域反演方法,提出了基于贝叶斯框架的时频联合域地震反演方法,改善了频率域反演对噪声非常敏感的问题。模型测试表明,时频联合域稀疏反演在地震资料信噪比高的情况下保持了频率域反演分辨率高的优良特性,同时在信噪比低的情况下延续了时间域反演抗噪能力强的优势,有效地提高了地震资料分辨率和压制随机噪声之间的平衡。理论模型测试和实际资料试处理结果验证了该方法的稳定性和可靠性。

水声通信中脉冲干扰和载波频偏联合估计算法的研究

脉冲噪声和载波频率偏移严重影响正交频分复用(OFDM)水声通信系统性能。本文提出了基于稀疏贝叶斯学习(SBL)理论联合脉冲干扰和载波频偏估计算法。该算法在每次迭代中首先依据所有载波和频域信号的后验分布得到脉冲噪声最小均方误差(MMSE)估计值,然后根据该值估计出相应的载波频偏并对接收信号进行补偿,以降低脉冲噪声和载波频偏之间的相互影响。仿真结果表明,与已有分步估计算法相比较,新方法有效的降低了系统误比特率(BER),且该联合算法在非高斯背景下具有更好的稳定性。

一种基于粒子滤波的联合跟踪与分类算法

针对纯运动学信息联合跟踪与分类问题,提出了一种基于混合无味粒子滤波的联合跟踪与分类算法。在传统粒子滤波联合跟踪与分类算法的基础上,通过采用无味变换,利用多个无味卡尔曼滤波器给出更高质量的粒子建议分布,提高整个算法的性能。理论分析和仿真结果都表明,与传统粒子滤波联合跟踪与分类算法相比,该算法无论在跟踪精度还是在分类正确率上都有明显的提高。

基于贝叶斯序贯推理的自适应调制识别算法

提出了一种时变衰落信道下的自适应调制识别算法,设计出一种新的动态状态空间模型,来刻画信号调制方式与时变信道增益的时变特性,并引入一阶有限状态马尔可夫(finite state Markov channel,FSMC)模型来描述衰落信道;基于上述,新算法采用贝叶斯序贯推理法,充分发掘利用了其中所隐含的信道动态相关特性,实现对调制方式和时变信道增益的联合估计。仿真结果表明,新算法性能相比于传统ALRT算法有极大提升,且增加采样点数或者降低多普勒频移值都会使算法性能得到改善。

基于变分贝叶斯理论的不确定厚尾噪声滤波方法

为了解决非线性滤波中量测噪声呈厚尾分布且统计特性不确定的问题,提出一种基于Pearson Type VII分布的自适应滤波算法.针对传统鲁棒卡尔曼滤波器因尺度矩阵和自由度参数固定不变而无法自适应调整的问题,以容积卡尔曼滤波器为基础,选择Pearson Type VII分布对厚尾噪声进行建模,将传统鲁棒滤波固定自由度参数的估计转化为Pearson Type VII分布中可自适应调整的双自由度参数的估计,并通过inverse Wishart和Gamma分布描述尺度矩阵、双自由度参数和辅助参数的先验分布,利用遗忘因子对各参数进行时间更新;基于变分贝叶斯理论,对系统状态、尺度矩阵、双自由度参数和辅助参数形成的联合后验概率密度函数进行变分迭代,实现对系统状态和未知厚尾噪声的联合估计.仿真结果表明,在不确定厚尾噪声条件下,本文算法的滤波精度高于传统鲁棒容积卡尔曼滤波.

非线性系统的多扩展目标跟踪算法

目前扩展目标跟踪算法大都假设其系统为线性高斯系统,针对非线性系统的多扩展目标跟踪问题,提出了采用粒子滤波技术对目标状态和关联假设进行联合估计的多扩展目标跟踪算法。首先,提出了将多扩展目标状态和关联假设进行联合估计的思想,解决了在估计目标状态和数据关联时相互牵制的问题;其次,根据扩展目标演化模型、量测模型建立多扩展目标状态和关联假设的联合建议分布函数,并利用粒子滤波技术实现联合估计的Bayes框架;最后,为解决直接采用粒子滤波实现时存在的维数灾难问题,将目标联合状态粒子的产生和演化分解为各个目标状态粒子的产生和演化,对每个目标的粒子集根据与其相关的权重单独进行重抽样,这样在抑制目标状态估计较差部分的同时使每个目标都保留了对其状态估计较好的粒子。仿真实验结果表明,与扩展目标概率假设密度滤波器的高斯混合实现方式和序贯蒙特卡洛实现方式相比,所提算法的状态估计精度较高,形状估计的Jaccard距离分别降低了30%、20%左右,更适合于非线性系统的多扩展目标跟踪。

基于多普勒域补偿的车载雷达距离角度联合成像算法

高性能、高分辨率单快拍前视成像技术是赋能车载雷达发展的关键,但距离/多普勒走动问题会限制相干积分的实施,同时系统分辨率也往往受限于硬件参数难以提高。根据车载毫米波雷达时分多输入多输出(TDMMIMO)的前视成像体制,该文提出多普勒域补偿和点对点回波校正方法,完成多域信号解耦合,同时完成距离多普勒走动校正和多普勒解模糊。由于有限阵元数及强噪声干扰限制了传统单维度距离角度成像准确性,因此,该文提出一种基于改进贝叶斯匹配追踪方法(IBMP)的多域联合估计算法。该方法基于伯努利-高斯(BG)模型,在最大后验(MAP)准则约束下迭代更新估计参数和支撑域,实现了多维联合信号的高精度重构。仿真和实测结果表明该文方法能够有效解决距离走动问题,并提高雷达前视成像的角度分辨率,具有较强噪声鲁棒性。

CDMA时分模式下的统计贝叶斯信道估计(英文)

分析了CDMA时分模式下的统计贝叶斯信道估计。通过理论分析得到了简化的贝叶斯信道估计权值,其等同将后向概率的最大化。提出了一种综合贝叶斯估计和门限的改进方法。计算机仿真结果表明不仅提高了信道估计精度,而且保持了较低的计算复杂度。

稀疏贝叶斯框架下DOA与极化参数联合估计算法

针对传统极化敏感阵列测向算法在相干信号入射条件下估计精度低、运算复杂度大的问题,提出一种稀疏贝叶斯学习框架下的波达方向与极化参数联合估计算法。该算法首先将数据接收矩阵稀疏得到观测矩阵,再利用酉变换将观测数据矩阵从复数域转化为实数域,并且对模型参数施加一个三层的稀疏先验。然后,根据变分贝叶斯理论,用得到的模型参数均值和方差构造稀疏信号的功率谱函数,通过谱峰搜索得到信号的DOA。最后,利用已估计的信号DOA和模值约束算法,获取信号极化信息。仿真试验表明,本文所提算法在入射信号相干时能够正确测向,并且具有较高的测向精度和较低的运算复杂度。

基于稀疏贝叶斯联合估计的多天线信号判决反馈频域均衡方法

相比于经典解耦处理的前馈均衡方法,判决反馈均衡具有更优的性能,但现有方法主要针对收发静止或理想载波同步的情形.本文提出了一种针对未理想载波同步多天线信号的判决反馈频域均衡方法.文中首先基于最小均方误差准则推导了多天线联合判决反馈频域均衡优化模型,针对模型中残余频偏、信道系数、噪声方差等参数难以直接求解问题,给出了基于稀疏贝叶斯的迭代估计方法,并通过近似计算,给出了所有参数估计式的闭式解,避免了网格搜索带来的计算量负担.所提方法综合考虑多天线信号接收处理不同环节之间的关联性,采用迭代处理方法进行联合寻优.仿真实验表明,所提方法能够有效抑制信道衰落的影响,与现有方法相比,在接收单元数目较少和信噪比较高时优势体现更加明显.

基于贝叶斯估计的半参联合模型

半参数模型可以有效利用样本信息提高精度,同时有效地避免过度拟合.利用B样条方法逼近非参数函数,研究了半参数均值与方差联合模型的贝叶斯估计问题.通过吉布斯抽样与MH算法来得到模型中未知参数的贝叶斯估计.最后经过模拟说明了所提出的贝叶斯分析方法是有效的.

贝叶斯潜变量倾向得分半联合模型研究与应用

本文提出了一种贝叶斯潜变量倾向得分半联合模型(BS_LVM_PSA),探讨了如何将潜变量纳入倾向得分分析,同时引入先验信息,利用半联合贝叶斯方法进行参数估计。通过两个数值模拟来测算BS_LVM_PSA在特定环境的性能,并将BS_LVM_PSA应用于实例数据。模拟研究显示:第一,潜变量能够降低预处理协变量测量误差,提高处理效应估计精度;第二,不同匹配方法下,贝叶斯方法相对于频率学派的处理效应估计精度更高;第三,在小样本中,贝叶斯方法相比非贝叶斯方法预测精度和稳定性更高;第四,有先验信息的处理效应估计精度高于无信息先验,且在适度的先验精度下,处理效应估计更加可靠。实例分析中,利用本文提出的BS_LVM_PSA研究了社区扶贫政策的减贫效应。

非圆信号的贝叶斯稀疏重构阵列测向方法

对信号非圆特性的有效利用能显著改善子空间类阵列测向方法的性能,但难以弥补此类方法在低信噪比(SNR)、小样本等信号环境适应能力方面的局限。本文引入贝叶斯稀疏学习(SBL)技术以解决非圆信号的波达方向(DOA)估计问题,在结合信号非圆特性的同时对入射信号的空域稀疏性加以利用,通过将非圆信号阵列输出协方差矩阵和共轭协方差矩阵在预先定义的空域字典集上进行稀疏重构,得到入射信号的空间谱重构结果,并依据其谱峰位置估计各信号的方向。该方法对独立和相关信号都具有较好的适应能力,仿真结果验证了该方法在信号环境适应能力和相关信号测向精度等方面的优势。

带有不可忽略缺失数据的联合均值与方差模型的贝叶斯估计

对响应变量带有不可忽略缺失数据的联合均值与方差模型的贝叶斯估计问题进行了研究.缺失数据机制通过logistic回归模型来指定,模型参数和缺失数据机制参数的联合贝叶斯估计通过运用MH算法及Gibbs抽样获得,并用数值计算阐明上述方法的可行性.