采用压缩感知的直扩测控信号处理

鉴于扩频测控系统宽带化带来的高速采样压力和高数据率问题,研究了基于压缩感知的直扩测控信号处理方法。通过深入分析直扩测控信号稀疏性,构造了延时-多普勒基字典,提出了基于压缩感知直扩测控信号处理框架,并针对直扩测控信号特点给出了改进正交匹配追踪重构算法,最后针对该信号处理方法的可行性和性能分别进行了仿真实验。仿真结果不仅验证了方法的可行性,同时表明可以在不影响解调性能条件下大幅度降低采样率或数据率,并具有一定的降噪效果,这将为直扩测控通信系统提供一种高效的模数转换和同步解调处理方式。     

基于压缩感知的直扩通信多音干扰抑制

针对直扩通信多音干扰抑制算法应用受限于采样率较高的问题,在分别构建信号和干扰稀疏字典的基础上,利用正交匹配追踪算法,设计了一种压缩域直扩通信多音干扰抑制算法,并通过理论分析和计算机仿真验证了算法的有效性。仿真结果表明,在已知干扰稀疏度的条件下,该方法能够有效抑制多音干扰,干扰抑制效果不随干扰数量、干扰强度变化而变化,在压缩率为1/2、干信比为20 dB的条件下重构信号与加性高斯白噪声信道中传输信号解调性能相比只有约5 dB的信噪比损失。这将为在多音干扰条件下压缩采样后直扩信号的重构提供一种有效方法。     

压缩域直扩测控通信信号载波同步技术

为解决压缩感知理论在直扩测控通信应用过程中面临的压缩域信号载波同步问题,针对重构算法复杂度偏高、计算资源消耗过大与系统实时性要求之间的矛盾,提出了一种改进的压缩域Costas环技术,该环路不再需要进行信号重构,可以直接从压缩域信号中提取频率和相位信息。首先通过压缩域信号估计理论分析,给出了压缩域直扩测控通信信号处理框架,并提出了改进的压缩域Costas环路;然后对环路模型及其跟踪精度进行了理论分析;最后通过计算机仿真验证了该环路技术有效性。理论分析和仿真实验表明环路能够在压缩域中实现高动态信号的高精度载波跟踪和解调处理。压缩域Costas环技术可应用在基于压缩感知的宽带扩频测控通信系统、认知无线电等相关领域,具有一定工程应用价值。     

基于块稀疏度与自适应迭代的压缩感知方法

针对分块压缩感知算法在平滑块效应时损失了大量的细节纹理信息,从而影响图像的重构效果问题,提出了一种基于块稀疏信号的压缩感知重构算法。该算法先采用块稀疏度估计对信号的稀疏性做初步估计,通过对块稀疏度进行估算初始化阶段长,运用块矩阵与残差信号最匹配原则来选取支撑块,再运用自适应迭代计算实现对块稀疏信号的重构,较好地解决了浪费存储资源和计算量大的问题。实验结果表明,相比常用压缩感知方法,所提算法能明显减少运算时间,且能有效提高图像重构效果。     

基于压缩感知超宽带信号盲稀疏度信道估计

鉴于超宽带（UWB）信道估计要求预先给出信道才能精确重构的不足,研究了 基于压缩感知的盲稀疏度匹配追踪类算法用于信道重建。这种盲稀疏度方法根据迭代终止条 件和字典中最优原子选择方式的不同,设置迭代终止阈值和阶段转换阈值,通过可变步长的 增大逐步逼近稀疏度,实现精确重建。仿真结果表明,相同条件下,基于此思想经过改进算 法可有效用于解决实际UWB信道估计,较改进前算法估计性能相当,是一种具有应用价值的 盲稀疏度重构方法。     

改进的一比特量化压缩感知重建算法

传统的压缩感知理论考虑的测量值均是实值的,具有无限比特精度。然而在实际应用中,由于数据存储或传输需求,必须考虑测量值的量化问题。通过研究总结已有的一比特量化压缩感知(1-bit Quantized Compressive Sensing)重建算法,提出了一种改进的二进制迭代硬阀值(BIHT)算法。该算法通过引入回溯筛选的思想,在每一步迭代过程中优化了对原子的选择。实验仿真表明,在采样比特数较低时,基于回溯的二进制迭代硬阀值(BBIHT)算法比二进制迭代硬阀值算法重建精度高2~3 dB,且重建速度快。因此,BBIHT算法更有实际应用意义。     

基于稀疏系数位置和归一化残差的压缩感知信号检测

信号检测是压缩感知理论研究的重要内容。针对当前压缩感知信号检测算法没有充分利用稀疏系数幅值和位置信息的不足,提出了一种新的检测算法。该算法首先引入归一化残差变量,有效克服了稀疏系数幅值波动大的缺点;然后,利用不同测量矩阵确定的稀疏系数位置信息,基于正交匹配追踪（OMP）算法实现目标信号检测。实验结果表明,算法的检测性能随着信噪比的提高而增强,且与压缩比负相关,运算复杂度较正交匹配追踪算法和仅利用稀疏系数位置信息的算法相当但检测性能分别提高了4 dB和1 dB.     

一种新的基于压缩感知的毫米波信道估计算法

针对传统稀疏重构算法需要信道稀疏度先验信息、复杂度高、不利于实际应用的问题,提出了一种新的基于波束空间分解的稀疏度自适应毫米波信道估计算法。该算法利用毫米波信道稀疏性的特点对信道进行波束空间分解,构造基于码本的感知矩阵,获得l1范数约束问题模型;其次结合分段弱匹配追踪算法,采用弱阈值从感知矩阵筛选原子,再通过分组选择机制对选择的原子进行二次优化;最后根据最小二乘法估计出毫米波信道。仿真结果表明,所提算法的估计精度和复杂度在低信噪比和低训练长度情况下明显优于传统匹配追踪算法。     

基于压缩感知DOA估计的稀疏阵列设计

根据格拉姆(Gram)矩阵优化测量矩阵的方法,给出了一种基于压缩感知波达方向（DOA）估计的均匀线阵的稀疏阵列设计方法。该方法不需要对阵列的输出数据进行压缩采样,直接利用稀疏阵列的输出数据,然后利用稀疏恢复算法求解DOA估计信息。实验仿真证明,相比于原均匀线阵,所提方法在阵元数目较少且信噪比较低的情况下具有更好的DOA估计性能。     

一种基于压缩感知的信号重建新算法

在求解基追踪问题的线性化Bregman迭代方法基础上,结合了广义逆的迭代技术得到一种稀疏信号重构的新算法。该算法在计算Moore-Penrose广义逆时,采用了迭代计算的方式,与算法本身相结合使得仅有矩阵向量乘积运算,避免了奇异值分解的较大工作量。通过数值试验可知,新算法相对线性化Bregman算法在计算时间上约减少了2/3,同时信号的恢复效果也是稳定有效的。因此,新算法是一种有效可行的信号重建算法。     

一种利用压缩感知改进的PMF-FFT扩频捕获算法

为了实现直接序列扩频（DSSS）信号快速捕获的同时降低数据量和硬件资源消耗,引入了压缩感知理论改进部分匹配滤波-快速傅里叶变换（PMF-FFT）算法,提出了基于压缩感知改进的部分匹配滤波-快速傅里叶变换（CSPMF-FFT）算法。该算法将PMF-FFT算法与压缩感知理论相结合,先对信号进行稀疏性分析和压缩观测,然后从少量压缩观测值中重构信号,并利用输出的峰值信息估算信号的多普勒频移和码相位,从而实现捕获。理论分析和仿真实验表明,相较于PMF-FFT捕获算法,CSPMF-FFT算法能在成功完成捕获的同时有效地减少相关器的数目和FFT变换的运算量,从而降低系统数据量和硬件资源压力,为基于压缩感知的扩频信号处理技术研究奠定了基础。     

基于压缩感知的伪随机等效采样信号重构

伪随机等效采样利用采样周期数与采样点数间的互质关系使各采样点均匀复现于同一周期,从而达到较高的等效采样速率。然而为了精确重构出原始信号,需大量采样数据,因此导致采样时间过长,实时性能差。针对上述问题,提出了一种基于压缩感知理论的伪随机等效采样信号重构方法,通过构造伪随机等效采样观测矩阵并选择离散傅里叶变换基建立稀疏重构模型,然后利用压缩感知中的正交匹配追踪算法求解该模型,从而重构出原始信号。仿真实验表明,所提方法在采样点个数40时,重构成功率达99.73%。     

基于空谱特性的高光谱图像压缩感知重构

针对现有的高光谱图像压缩感知重构算法对图像的空谱特性利用不够充分,导致重构图像质量不够高的问题,提出了一种高光谱图像变投影率分块压缩感知结合优化谱间预测重构方案。编码端以频段聚类方式将高光谱图像的所有频段分成参考频段和普通频段,对不同频段单独采用不同精度分块压缩感知以获取高光谱数据。在解码端,参考频段直接采用稀疏度自适应匹配追踪(SAMP)算法重构,对于普通频段,则设计了一种优化谱间预测结合SAMP算法的新模型进行重构：首先通过重构的参考频段双向预测普通频段,并对其进行压缩投影,然后计算预测前后普通频段投影值的残差,最后利用SAMP算法重构该残差,以此修正预测值。实验表明,相比同类算法,该算法充分考虑了高光谱图像的空谱特性,有效改善了重构图像质量,且编码复杂度低,易于硬件实现。     

云环境下的航天测控信号处理平台

当今世界已进入大数据和云计算时代,引发包括航天测控领域在内的各行业进行工作模式和思维方式的变革。提出了一种用于航天测控站的全站计算环境（TSCE）,为整个测控站提供统一的通用计算环境,具有成本低、软件化、综合化、可伸缩、可靠性高等优点。从逻辑视图、物理视图和功能视图三个角度对TSCE的体系结构进行了描述。研究表明,现有实时流计算系统不适用于航天测控信号处理,因此,提出一种层次化并行处理框架（HPPF）,可通过调整HPPF的信号块长度和支路数目两个参数,使之满足实时性要求。     

一种针对压缩域信号的新型锁相环技术

针对通信信号压缩采样获得的压缩域信号频率、相位提取问题,提出了一种基于压缩感知的新型锁相环技术。通过深入研究压缩域的信号估计问题,提出了压缩域锁相环路,可以直接在压缩域同步跟踪信号频率和相位变化,不再需要高复杂度的信号重构处理。分析了环路模型及其估计性能,并针对该锁相环可行性和性能分别进行了仿真实验。仿真结果不仅验证了压缩域锁相环的可行性,同时表明该环路能够实现高动态信号的高精度频率提取。压缩域锁相环的应用潜力较大,例如可以作为压缩感知通信接收机的同步解调方法。     

基于压缩感知的分布式协同估计算法

为了降低分布式协同估计算法的计算量并改善其收敛性能,提出了基于压缩感知(CS)和递归最小二乘(RLS)的分布式协同估计算法。该算法在传统RLS分布式协同估计算法的基础上引入压缩感知技术,首先在压缩域中进行递归最小二乘运算,然后利用压缩感知重构算法得到未知参数向量的估计值。提出的算法能够在增量式策略和两种模式的扩散式策略下实现对未知向量的有效估计。理论分析和仿真结果表明,该算法一方面降低了RLS分布式协同估计算法的计算量,另一方面保持较快的收敛速度与良好的均方误差性能。