迭代稀疏渐近最小方差算法

✍ dations ◷ 2025-10-19 11:19:36 #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

  • 物体在物理学里,物体是一群物质的聚集,被认定为独一的。例如,棒球可以被认为是一个物体;但是,棒球本身乃是由许多粒子形成的。具体而言,物体是可以被经典力学或量子力学的理论描述的;也
  • 石耀霖石耀霖(1944年2月10日-),中国地球物理学家。出生于广西桂林。1966年毕业于中国科学技术大学。1986年在美国伯克利加州大学获博士学位。2001年当选为中国科学院院士。中国科学院
  • 程晋芳程晋芳(1718年-1784年),字鱼门,号蕺园,原籍安徽歙县,江苏江都人。清朝翰林。高祖程量人自歙迁扬州业盐,祖父程文阶由扬州迁居淮安,累世巨富,“程氏尤豪侈,多畜声色狗马”。好读书,史书称
  • 恩斯特·刘别谦恩斯特·刘别谦(Ernst Lubitsch,1892年1月28日-1947年11月30日)是一位德国电影导演,被广泛的认为是德国电影史上影响最大的导演之一,对于喜剧电影的影响甚大。刘别谦独特的电影风
  • 伊勒里登伊勒里登(德语:Illerrieden)是德国巴登-符腾堡州的一个市镇。总面积18.17平方公里,总人口3377人,其中男性1691人,女性1686人(2011年12月31日),人口密度186人/平方公里。
  • 华兴镇 (南充市)华兴乡,是中华人民共和国四川省南充市嘉陵区下辖的一个乡镇级行政单位。2019年10月,撤销华兴镇和双店乡,将其所属行政区域划归吉安镇管辖。华兴乡下辖以下地区:庙坝村、水阁梁村
  • 巴蒂斯塔·乔万尼·瓜里尼巴蒂斯塔·乔万尼·瓜里尼(英语:Giovanni Battista Guarini),(1538年-1612年),文艺复兴时期欧洲诗人。他出生于费拉拉,是效力于埃斯特宫廷的诗人和剧作家,他的田园剧《忠实的牧羊人》(1
  • 赫尔佩列-科济纳赫尔佩列-科济纳(斯洛文尼亚语:Hrpelje-Kozina)是斯洛文尼亚的城镇,位于该国西南部,面积192.2平方公里,2002年人口4038。人口密度约21人/km2。
  • 章鱼哥 (动画角色)章鱼哥(英语:Squidward Q. Tentacles)是美国系列动画《海绵宝宝》中的虚构人物,由罗杰·邦帕斯(英语:Rodger Bumpass)配音。该人物由海洋生物学家和动画制作者史蒂芬·海伦伯格创作
  • 高野贵裕高野贵裕(1979年9月24日-)是一位日本TBS电视台主持人。1979年出生在日本福岛县磐城市,毕业于青山学院大学。2003年4月加入TBS电视台担任主持人。同期生还有小林麻耶和高畑百合子