迭代稀疏渐近最小方差算法

✍ dations ◷ 2025-09-18 00:39:17 #医学成像,信号处理,断层扫描,估计理论,电信理论,滤波器理论

迭代稀疏渐近最小方差算法是用于信号处理中的谱估计和到达方向(DOA)估计的无参数超分辨率算法。 这个名称是为了强调渐近最小方差(AMV)标准的创造基础。 它是在恶劣环境下恢复多个高相关源的幅度和频率特性的有力工具,例如有限数量的快照,低信噪比。 它可以用于合成孔径雷达。

迭代稀疏渐近最小方差算法是一种基于压缩感知的超高分辨率成像程式, 可以用于合成孔径雷达成像, 信号处理, 核磁共振成像等医学影像领域。

SAMV算法的公式在DOA估计的背景下作为反问题给出。假设 M {\displaystyle M} -元素 均匀线性阵列(ULA)分别接收从位于 θ = { θ a , , θ K } {\displaystyle \mathbf {\theta } =\{\theta _{a},\ldots ,\theta _{K}\}} 位置发出的 K {\displaystyle K} 窄带信号。 ULA中的传感器在特定时间累积 N {\displaystyle N} 快照。 M × 1 {\displaystyle M\times 1} 维快照向量是

其中 A = {\displaystyle \mathbf {A} =} 是转向矩阵, x ( n ) = T {\displaystyle {\bf {x}}(n)=^{T}} 包含源波形, 和 e ( n ) {\displaystyle {\bf {e}}(n)} 是噪音词。假设 E ( e ( n ) e H ( n ¯ ) ) = σ I M δ n , n ¯ {\displaystyle \mathbf {E} \left({\bf {e}}(n){\bf {e}}^{H}({\bar {n}})\right)=\sigma {\bf {I}}_{M}\delta _{n,{\bar {n}}}} , δ n , n ¯ {\displaystyle \delta _{n,{\bar {n}}}} 是 Dirac delta 函数 并且它仅等于1,唯一存在 n = n ¯ {\displaystyle n={\bar {n}}} 否则为0。并且假设 e ( n ) {\displaystyle {\bf {e}}(n)} and x ( n ) {\displaystyle {\bf {x}}(n)} 是独立的,而 E ( x ( n ) x H ( n ¯ ) ) = P δ n , n ¯ {\displaystyle \mathbf {E} \left({\bf {x}}(n){\bf {x}}^{H}({\bar {n}})\right)={\bf {P}}\delta _{n,{\bar {n}}}} , where P = Diag ( p 1 , , p K ) {\displaystyle {\bf {P}}=\operatorname {Diag} ({p_{1},\ldots ,p_{K}})} . Let p {\displaystyle {\bf {p}}} 是包含未知信号功率和噪声方差的向量, p = T {\displaystyle {\bf {p}}=^{T}} .

y ( n ) {\displaystyle {\bf {y}}(n)} 的协方差矩阵,其中有关 p {\displaystyle {\boldsymbol {\bf {p}}}} 的是

该协方差矩阵可以通过样本协方差矩阵进行传统估计 R N = Y Y H / N {\displaystyle {\bf {R}}_{N}={\bf {Y}}{\bf {Y}}^{H}/N} ,其中 Y = {\displaystyle {\bf {Y}}=} 。将向量化运算符应用于矩阵 R {\displaystyle {\bf {R}}} 后,获取的向量 r ( p ) = vec ( R ) {\displaystyle {\bf {r}}({\boldsymbol {\bf {p}}})=\operatorname {vec} ({\bf {R}})} 与未知参数线性相关 p {\displaystyle {\boldsymbol {\bf {p}}}}

r ( p ) = vec ( R ) = S p {\displaystyle {\bf {r}}({\boldsymbol {\bf {p}}})=\operatorname {vec} ({\bf {R}})={\bf {S}}{\boldsymbol {\bf {p}}}} ,

其中 S = {\displaystyle {\bf {S}}=} , S 1 = {\displaystyle {\bf {S}}_{1}=} , a ¯ k = a k a k {\displaystyle {\bar {\bf {a}}}_{k}={\bf {a}}_{k}^{*}\otimes {\bf {a}}_{k}} , k = 1 , , K {\displaystyle k=1,\ldots ,K} , 和使 a ¯ K + 1 = vec ( I ) {\displaystyle {\bar {\bf {a}}}_{K+1}=\operatorname {vec} ({\bf {I}})} .

要从统计的 r N {\displaystyle {\bf {r}}_{N}} 去估算 p {\displaystyle {\boldsymbol {\bf {p}}}} ,我们基于渐近最小方差准则开发了一系列迭代SAMV方法。从开始,从协方差矩阵 Cov p Alg {\displaystyle \operatorname {Cov} _{\boldsymbol {p}}^{\operatorname {Alg} }} 的任意一致的估计值 p {\displaystyle {\boldsymbol {p}}} ,基于二阶统计值 r N {\displaystyle {\bf {r}}_{N}} ,以实数对称-正定矩阵为界

其中 S d = d r ( p ) / d p {\displaystyle {\bf {S}}_{d}={\rm {d}}{\bf {r}}({\boldsymbol {p}})/{\rm {d}}{\boldsymbol {p}}} 。此外,这个下界是通过最小化得到的 p ^ {\displaystyle {\hat {\bf {p}}}} 的渐近分布的协方差矩阵得到的。 ,

其中 f ( p ) = H C r 1 . {\displaystyle f({\boldsymbol {p}})=^{H}{\bf {C}}_{r}^{-1}.}

因此,可以迭代地获 p {\displaystyle {\boldsymbol {\bf {p}}}} 的估计值。 { p ^ k } k = 1 K {\displaystyle \{{\hat {p}}_{k}\}_{k=1}^{K}} 和最小化 f ( p ) {\displaystyle f({\boldsymbol {p}})} σ ^ {\displaystyle {\hat {\sigma }}} 可借由以下计算获得。

假设 p ^ k ( i ) {\displaystyle {\hat {p}}_{k}^{(i)}} σ ^ ( i ) {\displaystyle {\hat {\sigma }}^{(i)}} 在第 i {\displaystyle i} 迭代中已被估算到某种程度, 第 ( i + 1 ) {\displaystyle (i+1)} 迭代可以被精简成,

其中 R {\displaystyle {\bf {R}}} 的估计值在第 i {\displaystyle i} 迭代是 R ( i ) = A P ( i ) A H + σ ^ ( i ) I {\displaystyle {\bf {R}}^{(i)}={\bf {A}}{\bf {P}}^{(i)}{\bf {A}}^{H}+{\hat {\sigma }}^{(i)}{\bf {I}}} with P ( i ) = Diag ( p ^ 1 ( i ) , , p ^ K ( i ) ) {\displaystyle {\bf {P}}^{(i)}=\operatorname {Diag} ({\hat {p}}_{1}^{(i)},\ldots ,{\hat {p}}_{K}^{(i)})} .

基于大多数压缩感知的源定位技术的分辨率受到覆盖位置参数空间的方向网格的精细度的限制。 在稀疏信号恢复模型中,真值信号的稀疏性 x ( n ) {\displaystyle \mathbf {x} (n)} 取决于超完备字典 A {\displaystyle {\bf {A}}} 中相邻元素之间的距离因此, 会出现选择最佳超完备字典的难度。计算复杂度与方向网格的精细度成正比,高密度网格在计算上不实用。为了克服网格强加的分辨率限制,提出了无网格SAMV-SML(迭代稀疏渐近最小方差 - 随机最大似然, 它借由迭代的最小化随机最大似然估计的消耗函数,相对于单一纯数 θ k {\displaystyle \theta _{k}} ,改进了位置估计 θ = ( θ 1 , , θ K ) T {\displaystyle {\boldsymbol {\bf {\theta }}}=(\theta _{1},\ldots ,\theta _{K})^{T}}

在 SISO 雷达 / 声纳 距离 - 多普勒成像问题中使用SAMV算法的典型应用。该成像问题是单快照应用,并且包括与单快照估计兼容的算法,即匹配滤波器(MF,类似于周期图或反投影,这通常被有效地实现为快速傅里叶变换(FFT)),IAA 和SAMV算法的变体(SAMV-0)。 模拟条件与之相同: 一个 30 {\displaystyle 30} -元素的多项 pulse compression使用P3代码相同作为发射脉冲,模拟总共九个运动目标。在所有移动目标中,三个是 5 {\displaystyle 5} dB功率,其余六个是 25 {\displaystyle 25} dB功率。假设接收信号被 0 {\displaystyle 0} dB功率的均匀高斯白噪声污染。

匹配滤波器检测结果在多普勒和范围域都受到严重的拖尾和光谱泄漏影响,因此无法区分 5 {\displaystyle 5} dB目标。相反,IAA算法提供增强的成像结果,具有可观察的目标范围估计和多普勒频率。 SAMV-0方法提供高度稀疏的结果并完全消除拖尾效应,但它错过了弱 5 {\displaystyle 5} dB目标。


相关

  • 执法人员法国执法机构或法国警察部队分为国家及地方层次,三间国家层次执法机构、及各法国市镇有权成立所属市警察。 法国内政部成立直属的巴黎警察厅,及由法国国家警察提供首都巴黎的
  • 考研语言 - 文化 - 体育 - 节日 政府 - 政治 - 法律 - 经济 艺术 - 文学 - 舞蹈 - 戏曲全国硕士研究生招生考试(简称:考研)是应届本科毕业生、本科毕业及同等学力学生攻读中国
  • 索尔斯伯利罗伯特·阿瑟·塔尔博特·加斯科因-塞西尔,第三代索尔兹伯里侯爵,KG,GCVO,PC(Robert Arthur Talbot Gascoyne-Cecil, 3rd Marquess of Salisbury,1830年2月3日-1903年8月22日),英国保
  • 塞拉瓦尔期塞拉瓦尔期(英语:Serravallian)是中新世的第四个阶段。其起止时间为13.82百万年前和11.63百万年前。
  • 郡王郡王是中国古代帝王敕封皇室成员、异姓功臣或外藩国王的一种爵位。郡王的地位仅次于亲王,为封爵的第二等。王之爵位分为亲王与郡王,始见于魏晋时期。按唐制:皇太子之子封郡王,大
  • 差向异构化差向异构体(英语:Epimer),又可以称为表异构物,是指在含有两个或多个四面体型手性中心的分子中,只有一个不对称原子构型不同的一对非对映异构体。相关的异构现象称为差向异构。若构
  • 美国驻英国大使馆美国驻英国大使馆(英语:Embassy of the United States, London)是美国在英国首都伦敦设置的外交代表机构,办公处自1960年到2017年设于格罗夫纳广场西侧的24号大楼,2018年搬到九榆
  • 中型运载火箭中型运载火箭(英语:Medium-lift launch vehicle,MLV)是指一种具备2,000至20,000公斤(4,400至44,100磅)近地轨道酬载能力的运载火箭。目前能制造的国家有美国、俄罗斯、中国、日本
  • 乔传珏乔传珏(1910年-1990年),辽宁旅顺人,中华人民共和国政治人物。担任旅大市人民政府副市长。1954年,当选第一届全国人民代表大会代表。
  • 悠悠悠悠是一只雄性大熊猫,于1988年出生于日本上野动物园,父母为中国于1980年代初赠送给日本的一对大熊猫飞飞和欢欢。1992年,为纪念中日邦交正常化20周年,上野动物园将悠悠与北京动