Compressive Sensing for MIMO Radar
与具有相同数量的发射和接收天线的传统雷达系统相比，多输入多输出（MIMO）雷达系统已经被示出实现更高的分辨率。本文考虑了分布式MIMO雷达的情况下，其中每个发射单元是一个节点在一个无线网络中，并研究了使用压缩采样的到达方向（DOA）估计。根据压缩采样理论，可以基于比奈奎斯特采样定理所需的少得多的样本来恢复在某些域中稀疏的信号。目标的到达角在角度空间上是一个稀疏向量，因此可以采用压缩采样进行DOA估计。该方法实现了MIMO雷达的高分辨率与远少于其他方法的样本。这在分布式场景中特别有用，其中每个接收节点处的结果需要被发送到融合中心以进行进一步处理。
2009-07-27 cs.IT math.IT
DOA Estimation in Partially Correlated Noise Using Low-Rank/Sparse Matrix Decomposition
本文研究了部分相关噪声环境中噪声协方差矩阵稀疏的波达方向估计问题。稀疏噪声协方差矩阵是由多个相距甚远的子阵组成的稀疏阵列的一种常用模型。由于子阵列中的传感器之间的元件间间距很小，所以子阵列中的噪声一般是空间相关的，而由于子阵列之间的距离很大，它们之间的噪声是不相关的。因此，这样的阵列的噪声协方差矩阵具有块对角结构，其确实是稀疏的。此外，在一个普通的非稀疏阵列，由于相邻的传感器之间的距离很小，有相邻的传感器之间的噪声耦合，而人们可以假设，非相邻的传感器具有空间不相关的噪声，这使得阵列噪声协方差矩阵稀疏。利用低秩/稀疏矩阵分解、矩阵完备化和稀疏表示中的一些最近可用的工具，我们提出了一种新的方法，该方法可以在上述部分相关噪声中解决可能相关甚至相干的源。特别是，当源不相关时，我们的方法涉及求解二阶锥规划（SOCP），如果它们相关或相干，则需要求解计算上更难的凸规划。我们证明了该算法的有效性，通过数值模拟和比较的Cramer-Rao界（CRB）。
2014-05-04 cs.IT math.IT
DOA Estimation of Coherent Signals on Coprime Arrays Exploiting Fourth-Order Cumulants
本文研究了无源互质阵列上相干信号的波达方向估计问题，利用接收信号的四阶累积量来获取更多的信息。针对互质阵列，引入了四阶累积量矩阵（FCM）。该算法利用FCM的特殊结构和阵列结构相结合，对相干信号进行分辨。由于互质阵列的每个稀疏阵列是均匀的，因此可以提取一系列重叠的相同子阵列。利用这一性质，我们提出了一个广义的空间平滑方案应用到FCM。在四阶MUSIC算法产生的伪谱上，利用平滑后的FCM可以成功地估计出相干信号和独立信号的到达角。为了克服伪谱上偶尔出现假峰的问题，我们使用了一个补充的稀疏阵列，其传感器间距互质的任何现有的稀疏阵列。从由辅助传感器辅助的组合光谱中，去除了假峰，而保留了真峰。仿真实例表明了所提方法的有效性。
2017-01-21 cs.IT math.IT
High-resolution distributed sampling of bandlimited fields with low-precision sensors
在分布式的，通信受限的，处理环境中，采样的问题的离散时间序列的空间带宽有限的字段与有界的动态范围。需要一个中央单元，可以访问由固定精度传感器组成的密集网络收集的数据，在严格的节点间通信约束下运行，以最大的精度重建现场快照。确定性和随机场模型被认为是。对于随机场，结果是在几乎肯定意义下成立的。过采样率（传感器密度）和模数转换器（ADC）的精度之间有一个灵活的权衡，同时实现每奈奎斯特间隔每快照的位数的指数精度的可行性被证明。这揭示了一个潜在的“比特守恒”原理：每个快照的每个奈奎斯特间隔的比特预算（速率）可以以几乎任意的离散值方式沿着幅度轴（传感器精度）和空间（传感器密度）分布，同时保持相同的（指数）失真率特性。在有界区域上的场重构的可量化信息缩放定律也被导出：对于每个奈奎斯特间隔、$Θ(\log N)$奈奎斯特间隔和总网络比特率$R_{net} = Θ((\log N)^2)$（每个传感器比特率$Θ((\log N)/N)$）的N个一比特传感器，最大逐点失真变为零，如$D = O((\log N)^2/N)$或$D = O(R_{net} 2^{-β\sqrt{R_{net}}})$。这被证明是可能的，只有最近的邻居通信，分布式编码，和适当的插值算法。对于一个固定的，非零的目标失真，固定精度的传感器的数量和所需的网络速率总是有限的。
2008-12-11 cs.IT math.IT
Efficient Reduced-Rank DOA Estimation Algorithms Using Alternating Low-Rank Decompositions
在这项工作中，我们提出了一种交替低秩分解（ALRD）的方法和新的子空间算法的到达方向（DOA）估计。在ALRD方案中，降秩的分解矩阵由一组基向量组成。一个低秩的辅助参数向量，然后计算输出功率谱。交替优化策略的基础上递归最小二乘（RLS），表示为ALRD-RLS和修改的ALRD-RLS（MARLD-RLS），设计计算的基础向量和辅助参数向量。仿真结果表明，所提出的算法优于现有的技术。
2016-04-15 cs.IT math.IT
Sub-Nyquist USF Spectral Estimation: $K$ Frequencies with $6K + 4$ Modulo Samples
针对高动态范围信号导致ADC饱和的问题，提出基于无限感知框架（USF）的多通道亚奈奎斯特频谱估计方法，证明仅需 $6K+4$ 个模采样即可精确恢复 $K$ 个正弦波，并在极低采样率下大幅提升了频率估计精度。
2024-09-24 cs.IT eess.SP math.IT
Super-Resolution DOA Estimation for Arbitrary Array Geometries Using a Single Noisy Snapshot
通过将无网格超分辨波束形成方法扩展到具有噪声测量的任意阵列，解决了任意几何形状传感器阵列的单次噪声快照中的无搜索DOA估计问题。将原原子范数极小化问题转化为对偶问题，其中周期对偶函数用截断傅里叶级数的三角多项式表示。精确表示所需的项的数量线性地取决于最远传感器与参考的距离。对偶问题，然后表示为一个半定规划，并在多项式时间内解决。DOA估计通过多项式求根，然后基于LASSO的方法，以消除多余的根，从噪声数据中的根发现所产生的，然后源幅度恢复最小二乘。利用圆形和随机平面阵列的仿真结果表明，在白噪声和色噪声的情况下，高分辨率的DOA估计。
2019-03-22 cs.IT eess.SP math.IT
Thinned Coprime Arrays for DOA Estimation
稀疏阵列可以产生比传统均匀线阵更大的孔径，并提供增强的自由度（DOF），可以用于波束形成和到达方向（DOA）估计。一类稀疏阵列是互质阵列，由两个均匀的线性子阵列组成，它们产生具有更高自由度的有效差分共阵列。在这项工作中，我们提出了一种新的互质阵列结构，称为稀疏互质阵列（TCA），它利用现有互质阵列的结构中的冗余，并实现了相同的虚拟孔径和自由度的传统互质阵列的传感器的数量少得多。与其他稀疏阵列相比，新结构提供的自由度的分析和仿真结果的DOA估计使用的压缩感知为基础的方法提供。
2017-05-01 cs.IT math.IT
Non-Iterative Subspace-Based DOA Estimation in the Presence of Nonuniform Noise
均匀白噪声假设是现有DOA估计方法的基本假设之一。然而，在许多应用中，非均匀白噪声模型更合适。然后，在估计DOA时，不同传感器处的噪声方差也必须被估计为讨厌的参数。针对非均匀噪声背景下的DOA估计问题，本文提出了一种非迭代的基于二相子空间的DOA估计方法，该方法不同于现有的迭代法。该方法的第一阶段是基于估计噪声子空间通过特征分解（ED）的一些适当设计的矩阵，它避免了估计噪声协方差矩阵。在第二阶段，在第一阶段取得的结果被用来估计噪声协方差矩阵，然后通过广义ED估计噪声子空间。由于所提出的方法估计波达方向在一个非迭代的方式，它是计算更有效，并没有收敛问题相比，现有的方法。仿真结果表明，所提出的方法相比，其他现有的国家的最先进的方法更好的性能。
2019-03-27 cs.IT math.IT
Single Snapshot Super-Resolution DOA Estimation for Arbitrary Array Geometries
本文研究了在单次快拍和相干源条件下任意几何形状传感器阵列的无搜索波达方向估计问题。我们扩展的搜索自由的超分辨率波束形成的方法，原来只适用于均匀线阵，阵列的任意几何形状。将连续角域上的无穷维原原子范数极小化问题转化为一个对偶问题。利用周期性，对偶函数，然后表示与三角多项式使用截断傅立叶级数。一个线性的经验法则，推导出用于选择准确的多项式表示所需的傅立叶系数的最小数目，从一个参考点的最远的传感器的距离的基础上。对偶问题，然后表示为一个半定规划和有效地解决。最后，通过多项式求根得到无搜索DOA估计，并通过最小二乘法恢复源幅度。使用圆形和随机平面阵列的仿真表明，完美的DOA估计在无噪声的情况下。
2018-11-15 cs.IT eess.SP math.IT
Joint ML calibration and DOA estimation with separated arrays
本文研究了参数化波达方向（DOA）估计在一个特定的背景下：i）每个传感器的特征在于一个未知的复增益和ii）阵列由一个子阵列的集合，这些子阵列基本上彼此分离，导致一个结构化的噪声协方差阵。本文提出了两种基于极大似然（ML）估计的迭代算法，适用于阵列校准和DOA估计的联合应用。数值仿真结果表明，迭代最大似然（IML）和改进的迭代最大似然（MIML）联合阵列校准和DOA估计算法性能优于现有方法，且MIML算法在迭代次数较少的情况下达到了克拉美-拉奥界。
2017-01-22 cs.IT math.IT stat.AP
Multi Snapshot Sparse Bayesian Learning for DOA Estimation
利用稀疏贝叶斯学习（SBL）方法，从多快拍传感器阵列数据中估计平面波的到达方向（DOA）。先验源振幅假设为独立的零均值复高斯分布，超参数为未知方差（即源功率）。对于超参数为未知噪声方差的复高斯似然，导出了相应的高斯后验分布。对于给定数量的DOA，通过最大化证据自动选择超参数，并促进稀疏DOA估计。讨论了SBL DOA估计方法，并与LASSO（$\ell_1$ -正则化）、常规波束形成和MUSIC方法进行了比较
2016-02-29 cs.IT math.IT math.ST
Enhanced Low-Redundancy Restricted Array for Direction of Arrival Estimation
本文提出一种具有受限间距的传感器阵列配置及闭式表达式，并设计多类低冗余阵列，相比SNA和MISC阵列显著降低冗余比和互耦，仿真验证其在DOA估计中的优越性。
2023-11-13 cs.IT math.IT
Grid-free compressive beamforming
波达方向（DOA）估计问题涉及到从传感器阵列上有限数量的观测值中定位少数源，因此它可以被表述为稀疏信号重构问题，并可以通过压缩感知（CS）有效地解决以实现高分辨率成像。在离散角网格上，当波达方向与网格上的角方向不一致时，由于基失配，CS重建会退化。为了克服这一限制，连续制定的DOA问题，并引入了优化过程，这促进了连续优化变量的稀疏性。具有无穷多个未知数的DOA估计问题，即，源位置和振幅，解决了几个优化变量与半定规划。无网格CS重建提供了高分辨率成像，即使与非均匀阵列，单快照数据和噪声条件下的实验拖曳阵列数据上证明。
2015-03-12 cs.IT math.IT
Sparse Methods for Direction-of-Arrival Estimation
波达方向（DOA）估计是指从组成传感器阵列的多个接收天线的输出中恢复多个电磁波/源的方向信息的过程。波达方向估计是阵列信号处理中的一个重要问题，在雷达、声纳、无线通信等领域有着广泛的应用。随着稀疏表示和压缩感知技术的发展，近十年来，波达方向估计的研究取得了巨大的进展。本文的目的是提供一个概述这些稀疏方法的DOA估计，特别强调最近发展的无网格稀疏方法，例如，这些基于协方差拟合和原子范数。最后对今后的研究方向进行了展望。
2017-01-07 cs.IT math.IT
Multi-target DoA estimation with a single Rydberg atomic receiver by spectral analysis of spatially-resolved fluorescence
Huazhong University of Science and Technology（华中科技大学）；Khalifa University（哈利法大学）；CentraleSupelec, University ParisSaclay（巴黎萨克雷大学中央理工-高等电力学院）
本文提出了一种基于单个瑞利德原子接收器的多目标方向估计方法，通过谱分析实现多目标检测并恢复全带宽能力。
2026-01-30 cs.IT math.IT
Maximum Likelihood and Maximum A Posteriori Direction-of-Arrival Estimation in the Presence of SIRP Noise
波达方向（DOA）估计是传感器阵列处理中的一个重要课题，极大似然（ML）和最大后验概率（MAP）估计技术被广泛应用于DOA估计。传统上，在DOA估计上下文中的ML估计器假设传感器噪声遵循高斯分布。然而，在现实生活中的应用中，这种假设有时是无效的，将噪声建模为非高斯过程通常更准确。在本文中，我们推导出一个迭代ML以及迭代MAP估计算法的DOA估计问题下的球不变的随机过程噪声的假设，最流行的非高斯模型之一，特别是在雷达的上下文中。数值模拟结果提供评估我们提出的算法，并显示其优势，在性能方面比传统的ML算法。
2016-03-29 cs.IT math.IT stat.AP
DOA Parameter Estimation with 1-bit Quantization - Bounds, Methods and the Exponential Replacement
虽然1位模数转换（ADC）允许显著降低无线接收系统的模拟复杂度，但是使用硬限幅系统模型的精确似然函数以便在数字域中获得有效算法可能使1位信号处理具有挑战性。如果量化器之前的信号模型由相关的高斯随机变量组成，则需要N维多变量高斯分布的尾概率（一般正交概率），以便公式化量化器输出的似然函数。作为一个封闭形式的表达一般orthant概率是一个开放的数学问题，制定有效的处理方法相关和量化的数据和分析性能评估，尽管它们的高实用性，只有发现在文献中的关注有限的量化估计理论。在这里，我们审查的方法，取代原来的系统模型的指数族内的等效分布。对于1比特信号处理，这允许规避一般正交概率的计算，并提供对接收似然的保守近似的访问。对于K个传感器阵列的盲到达方向（DOA）参数估计的应用，每个传感器执行1位量化，我们演示了指数替换如何能够制定一个悲观版本的Cramér-Rao下界（CRLB），并推导出一个渐进实现保守的最大似然估计（CMLE）。基于悲观CRLB的1-bit DOA性能分析指出，采用1-bit ADC的低复杂度无线前端设计特别适合于在中等信噪比条件下大量阵元的盲无线DOA估计。
2016-02-17 cs.IT math.IT
Rydberg Atomic Quantum Receivers for Multi-Target DOA Estimation
Nanyang Technological University（南洋理工大学）；Khalifa University（哈利法大学）；University of Southampton（南安普顿大学）
本研究提出利用Rydberg原子量子接收机实现多目标方向估计，通过改进的RAQ-ESPRIT算法显著提升DOA估计精度。
2025-12-11 cs.IT eess.SP math.IT
Direction of Arrival Estimation Using Co-prime Arrays: A Super Resolution Viewpoint
本文研究了利用一种新提出的非均匀线阵结构（互素阵）进行波达方向估计的问题。通过利用接收信号的二阶统计信息，互质阵列在只有M + N个传感器的情况下表现出O（MN）自由度。提出了一种基于稀疏性的恢复方法，以充分利用这些自由度。与传统的稀疏恢复方法不同，该方法是基于超分辨率理论的发展，它考虑了一个连续的范围内的可能来源，而不是离散到一个离散的网格。该方法可以忽略传统稀疏恢复中的离网效应，从而提高了DOA估计的精度。在本文中，我们表明，在无噪声的情况下，理论上可以检测到M N源只有2M + N传感器。噪声2统计的互质阵列进行了分析，以证明所提出的优化方案的鲁棒性。提出了一种基于稀疏方法重构频谱的信源个数检测方法。通过大量的数值算例，与空间平滑的MUSIC方法和离散稀疏恢复方法相比，本文方法在DOA估计精度、自由度和分辨能力等方面都具有明显的优越性。
2013-12-30 cs.IT math.IT
A Bayesian Compressed Sensing Kalman Filter for Direction of Arrival Estimation
在本文中，我们期待解决的问题，估计动态方向的到来（DOA）的窄带信号冲击传感器阵列从远场。使用贝叶斯压缩感知（BCS）框架进行初始估计，然后使用贝叶斯压缩感知卡尔曼滤波器（BCSKF）进行跟踪。BCS框架将角度区域分割成N个潜在的DOA，并且强制执行这样的信念，即只有少数DOA将具有存在的非零值信号。然后可以使用相同的框架使用BCSKF来跟踪DOA的变化。当DOA接近阵列的端射时，可能会出现问题。在该角度区域中，当前方法可能难以准确地估计和跟踪DOA的变化。为了解决这个问题，我们建议改变传统的稀疏信念与BCS的信念，估计信号将匹配的预测信号给定一个已知的DOA变化。这是通过将预期稀疏接收信号与估计稀疏接收信号之间的差异建模为高斯分布来完成的。提供了示例测试场景，并与传统的基于BCS的估计方法进行了比较。他们表明，估计精度的提高是可能的，而不会显着增加计算复杂性。
2015-09-21 cs.IT math.IT stat.ML
Multiple and single snapshot compressive beamforming
本文研究基于压缩感知的DOA估计，利用ℓ1稀疏约束和MAP估计处理单快拍与多快拍数据，在相干多径和低信噪比下实现优于传统波束形成的高分辨率定位。
2015-08-21 cs.IT math.IT math.ST
Efficient ML Direction of Arrival Estimation assuming Unknown Sensor Noise Powers
提出了一种在未知传感器噪声功率的情况下计算最大似然DOA估计的有效方法。该方法结合了高效的交替投影（AP）程序与牛顿迭代。该方法的效率在于其所有中间步骤具有低复杂度。本文的主要贡献是该方法的最后一步，其中集中的成本函数是最大化的DOA和噪声功率在几个迭代通过牛顿过程。该步骤具有低复杂度，因为它采用了本文中提出的代价函数的梯度和Hessian的封闭形式表达式。在典型情况下，该方法的总计算负担仅为几兆次浮点运算。我们提出了确定性和随机ML估计的方法。对确定性ML代价函数梯度的分析揭示了其相关估计器的一个意想不到的缺点：如果噪声功率未知，则它要么退化要么不一致。的均方根（RMS）误差性能和计算负担的方法进行了评估。
2020-01-07 cs.IT eess.SP math.IT
One-Bit-Aided Modulo Sampling for DOA Estimation
针对模数采样中远近效应和单比特量化动态范围受限问题，提出单比特辅助模数采样方案，利用反正弦定律估计协方差并采用盲整数强迫解码，实现高性能DOA估计。
2023-12-30 cs.IT eess.SP math.IT
Performance analysis of spatial smoothing schemes in the context of large arrays
本文讨论了在观测数$N$明显小于传感器数$M$，且平滑参数$L$使得$M$和$NL$具有相同数量级的情况下，利用传感器阵列的空间平滑子空间DOA估计方案的统计特性。该上下文由渐进机制建模，其中$NL$和$M$都以相同的速率向$\infty$收敛。在最近的作品致力于研究（未平滑）子空间方法的情况下，$M$和$N$是相同的数量级，它表明，它仍然是可能的，以获得改进的DOA估计称为广义MUSIC与空间平滑（G-MUSIC SS）。这项工作的关键成分是一个技术性的结果表明，最大的奇异值和相应的奇异向量的低秩确定性扰动的某些高斯块汉克尔大随机矩阵的行为，如果后者的随机矩阵的条目是独立同分布。这允许得出结论，当源的数量和它们的DoA不与$M,N,L,$成比例时，建模宽间隔DoA场景的情况，则传统和广义空间平滑子空间方法都提供一致的DoA估计，其收敛速度比$\frac{1}{M}$快。DoA的情况下，间隔的波束宽度的顺序，模型紧密间隔的源，也被认为是。结果表明，G-MUSIC SS估计的收敛速度是不变的，但它不再是MUSIC SS的情况。
2015-02-10 cs.IT math.IT math.PR
A Novel Sparse recovery based DOA estimation algorithm by relaxing the RIP constraint
非相关和相干混合源的波达方向估计是阵列信号处理中一个长期存在的难题。压缩感知在阵列信号处理中的应用开辟了一类令人兴奋的算法。研究了正交匹配追踪（OMP）算法在不同场景下的波达方向（DOA）估计中的应用，特别是在相干源和观测结果不一致的情况下。在本文中，提出了一种改进的OMP算法，以克服这些不足，利用最大方差为基础的标准，只有一个快照。该准则放松了测量矩阵的约束等距性（RIP），从而降低了局部OMP算法输入向量的稀疏性。此外，它还处理源，而不管它们的一致性。给出了弱-1 RIP算法稀疏性降低的条件，并说明了该算法优于OMP算法的原因。此外，还提出了一种简单的方法来计算均匀线阵中的源距参考点的距离。数值分析表明了该算法的有效性。
2018-09-07 cs.IT eess.SP math.IT
Reducing ADC Sampling Rate with Compressive Sensing
许多通信系统涉及高带宽而稀疏的射频（RF）信号。处理高频信号需要适当的系统级组件，如高速模数转换器（ADC）。具体而言，模拟信号应以满足奈奎斯特要求的速率采样，以避免混叠。然而，实现高速ADC器件可能是一个限制因素，而且成本高昂。为了减轻高速ADC的警告，可以在若干维度上探索解空间，例如利用压缩感测（CS）框架，以便将采样率降低到信号的信息速率的量级，而不是由奈奎斯特指示的速率。在这篇文章中，我们回顾了压缩感知结构及其对连续时间信号的扩展，这最终用于降低高速ADC器件的采样率。此外，我们考虑压缩感知框架在无线传感器网络中的应用，以节省能源，通过降低传感器节点的传输速率。我们提出了一种替代的解决方案，可以解决使用梯度下降方法的CS最小化问题。修改的最小化问题是潜在的更快和更简单的实现在硬件级别。
2015-03-01 cs.IT math.IT
Intelligent Reflecting Surface Assisted Localization: Performance Analysis and Algorithm Design
针对基站与目标直连链路受阻场景，本文提出半无源 IRS 辅助定位架构，推导联合 ToA/DoA 估计的 CRB 与非迭代估计器，并验证其长距离亚米级定位优势。
2023-09-26 cs.IT eess.SP math.IT
Sound localization using compressive sensing
Bell Labs, Alcatel-Lucent（阿尔卡特-朗讯贝尔实验室）
在具有远程传感器设备的传感器网络中，重要的是具有能够利用从传感器传输的少量数据来准确地定位声音事件的方法。在本文中，我们提出了一种新的方法定位的声源使用压缩传感。代替在时域中以奈奎斯特采样率对大量数据进行采样，声学传感器进行在时间上积分的压缩测量。压缩测量可以用于精确地计算声源的位置。
2013-02-28 cs.IT cs.SD math.IT
Multi-Active-IRS-Assisted Cooperative Sensing: Cramér-Rao Bound and Joint Beamforming Design
本研究提出多主动IRS辅助协作感知框架，推导目标到达方向估计的闭式CRB，并通过联合优化BS发射与IRS反射波束成形最小化最大CRB，以克服NLoS感知路径损耗。
2024-07-18 cs.IT eess.SP math.IT
Direction Finding Based on Multi-Step Knowledge-Aided Iterative Conjugate Gradient Algorithms
Pontifical Catholic University of Rio de Janeiro（里约热内卢天主教大学）；University of York（约克大学）
在这项工作中，我们提出了方向的到达（DoA）估计算法的基础上的Krylov子空间，有效地利用先验知识的信号，冲击传感器阵列。建议的多步知识辅助迭代共轭梯度（CG）（MS-KAI-CG）算法执行减法的传感器数据的估计协方差矩阵中发现的不需要的条款。此外，我们开发了一个版本的MS-KAI-CG配备了前向-后向平均，称为MS-KAI-CG-FB，这是适当的相关信号的情况下。与当前的知识辅助方法不同，该方法利用已知的DOA来增强对输入数据的协方差矩阵的估计，MS-KAI-CG算法利用前后向平滑协方差矩阵的结构及其干扰项的知识。对不相关和相关信号的仿真表明，MS-KAI-CG算法优于现有技术。
2018-12-16 cs.IT cs.LG cs.SD
Spatial Compressive Sensing for MIMO Radar
我们研究压缩感知在空间域中实现目标定位，特别是到达方向（DOA），使用多输入多输出（MIMO）雷达。针对发射和接收单元随机布置的MIMO阵列，提出了一种稀疏定位框架。这使得所需的元件数量大幅减少，同时仍能获得与填充（奈奎斯特）阵列相当的性能。通过利用结构随机矩阵的属性，我们开发的结果测量矩阵的一致性的约束，并获得条件下，测量矩阵满足所谓的各向同性属性。相干性和各向同性的概念被用来建立均匀和非均匀的恢复保证内提出的空间压缩感知框架。特别地，我们证明了如果发射和接收单元数的乘积MN（也是自由度的数目）与K（log（G））^2成比例，则保证非均匀恢复，其中K是目标的数目，G与阵列孔径成比例，并确定角度分辨率。与其中乘积MN与G线性缩放的填充虚拟MIMO阵列相比，在所提出的框架中对G的对数依赖性支持由虚拟阵列孔径提供的高分辨率，同时使用少量MIMO雷达元件。在数值结果中，我们表明，在所提出的框架中，压缩感知恢复算法能够比经典的方法，如波束成形和MUSIC更好的性能。
2013-10-30 cs.IT math.IT
Applications of Compressed Sensing in Communications Networks
本文介绍了一个教程CS在通信网络中的应用。香农采样定理指出，为了恢复信号，采样率必须至少是奈奎斯特速率。压缩感知（CS）基于一个令人惊讶的事实，即为了恢复在某些表示中稀疏的信号，可以以远低于奈奎斯特速率的速率进行采样。自2006年成立以来，CS引起了研究界的极大兴趣，并在天文学，生物学，通信，图像和视频处理，医学和雷达等领域获得了广泛的应用。CS在通信网络中也有成功的应用。CS被应用于无线信号的检测和估计、信源编码、多址信道、传感器网络中的数据汇集以及网络监控等。在许多情况下，CS被证明可以带来10倍数量级的性能增益。我们相信这只是CS在通信网络中应用的开始，未来CS在我们领域的应用将会更加富有成效。
2014-02-05 cs.IT cs.NI math.IT
On the Foundation of Sparse Sensing (Part II): Diophantine Sampling and Array Configuration
在系列论文的第二部分，我们开始研究稀疏感知的算法效率。源于互质感知，我们提出了一个广义的框架，称为丢番图传感，它利用一般丢番图方程理论和高阶稀疏标尺，以加强采样时间，自由度（DoF），和采样稀疏性，同时。借助于高阶矩统计，提出的丢番图框架提出了两个根本的改进。首先，在频率估计上，我们证明了在任意大的下采样率下，存在采样方案，其中所需的样本数仅与DoF和所需的快照数之和成比例，这意味着线性采样时间。其次，在到达方向（DoA）估计，我们提出了两种通用的阵列结构，使得给定N个传感器，传感器之间的最小距离可以是N，O（N^q）的多项式，这表明，一个任意稀疏的阵列（具有任意小的互耦）存在给定足够多的传感器。此外，渐近地，所提出的阵列配置产生的最佳已知的自由度界相比，现有的稀疏阵列设计。
2021-08-23 cs.IT math.CO math.IT
Non-Uniform Wavelet Sampling for RF Analog-to-Information Conversion
从宽带射频（RF）信号中提取特征提取，例如频谱占用、发射能量和类型或到达方向，在越来越多的应用中得到使用，因为它增强了具有认知能力的RF收发器，并且使得能够对传统RF链进行参数调谐。在功率和成本受限的应用中，例如，对于物联网中的传感器节点，利用常规奈奎斯特速率模数转换器进行宽带RF特征提取是不可行的。然而，许多RF特征（诸如信号稀疏性）的结构使得能够使用压缩感测（CS）技术，该压缩感测（CS）技术以亚奈奎斯特速率获取这样的信号。虽然这种基于CS的模拟-信息（A2 I）转换器有可能实现低成本和高能效的宽带RF感测，但它们受到各种现实限制，例如噪声折叠、低灵敏度、混叠和有限的灵活性。本文提出了一种新的基于CS的A2 I架构称为非均匀小波采样（NUWS）。我们的解决方案直接在RF域中提取精心选择的小波系数子集，从而缓解了现有A2 I转换器架构的主要问题。对于多频带RF信号，我们提出了一种称为非均匀小波带通采样（NUWBS）的专用变体，通过利用多频带信号结构进一步提高灵敏度并降低硬件复杂性。我们使用模拟来证明NUWBS方法的理论性能极限的$\ell_1$范数为基础的稀疏信号恢复。我们调查硬件设计方面，并显示ASIC的测量结果的小波生成阶段，突出NUWBS的功效，广泛的RF特征提取任务的成本和功率受限的应用。
2017-09-04 cs.IT math.IT
Non-uniform sampling and reconstruction of multi-band signals and its application in wideband spectrum sensing of cognitive radio
采样理论是信号处理设备和通信系统的核心。为了在保持低计算成本的同时适应高操作速率，必须开发高效的模数（ADC）转换器。在电流转换器中遇到的许多限制是由于传统的假设，即采样状态需要以奈奎斯特速率（对应于两倍的信号带宽）采集数据。本文研究了稀疏谱多带信号远低于奈奎斯特采样率的采样方法。该方法被称为周期性非均匀采样，并且它在诸如数据转换器、传感器阵列成像和图像压缩的各种应用中是有用的。首先，在频域中准备采样系统的模型。它将观测到的压缩样本的傅里叶变换与信号的未知频谱联系起来。接下来，提供了基于压缩感知主题的重构过程。我们表明，采样参数的平均采样率和重建信号的质量起着重要的作用。介绍了条件数的概念及其在噪声情况下对重构信号的影响，并给出了一种选择低条件数样本模式的可行方法。我们区分了已知频谱和未知频谱信号的情况。其中一个模型参数由信号频带位置确定，在未知频谱信号的情况下，应该从采样数据中估计信号频带位置。因此，我们采用子空间方法和非线性最小二乘法估计这个参数。在这种情况下，我们还使用了信息论准则（Akaike和MDL）和指数拟合检验技术来选择模型阶数。
2010-10-11 cs.IT math.IT
Sequential adaptive elastic net approach for single-snapshot source localization
Aalto University（阿尔托大学）
本文提出了一种基于压缩波束形成（CBF）的单次快拍信号源波达方向（DoA）精确恢复算法。在CBF中，传统的传感器阵列信号模型被转换为欠定复值线性回归模型，稀疏信号恢复方法用于解决DOA发现问题。我们开发了一个复值路径加权弹性网（c-PW-WEN）算法，该算法在EN调谐参数值的路径（或网格）上的惩罚参数值的节点处找到解决方案。在c-PW-WEN算法的基础上，我们提出了一种基于c-PW-WEN算法的自适应加权EN（SAEN）算法。大量的仿真研究表明，SAEN提高了真正的支持的精确恢复的概率相比，传统的稀疏信号恢复方法，如拉索，弹性网或正交匹配追求在几个具有挑战性的多目标场景。SAEN的有效性是更明显的存在高度相互一致性。
2018-05-19 cs.IT cs.LG math.CV
Source Localization and Tracking for Dynamic Radio Cartography using Directional Antennas
利用定向天线是一种有效的频谱感知和精确的源定位和跟踪的解决方案。配备定向天线的频谱传感器应不断扫描空间，以跟踪发射源并发现感兴趣区域的新活动。在本文中，我们提出了一种新的配方，统一接收信号强度（RSS）和波达方向（DoA）的压缩感知（CS）的框架。底层CS测量矩阵是传感器的波束成形向量的函数，并且被称为传播矩阵。与全向天线的情况相比，我们采用的传播矩阵提供了更多的非相干投影，这是压缩感知理论中的一个重要因素。基于新的公式，我们优化天线波束，提高频谱感知效率，跟踪活跃的主用户准确和监测频谱活动在一个感兴趣的区域。在许多实际场景中，没有融合中心来整合来自频谱传感器的接收数据。我们提出了分布式版本的算法，这种情况下。实验结果表明，在源定位精度的显着改善，相比的情况下，当传感器配备全向天线。动态无线电制图的建议框架的适用性。此外，将估计的动态RF图随时间与地面实况进行比较，证明了我们提出的方法用于精确信号估计和恢复的有效性。
2019-05-21 cs.IT eess.SP math.IT
Using the LASSO's Dual for Regularization in Sparse Signal Reconstruction from Array Data
来自隐藏在加性噪声中的稀疏源集合的波由传感器阵列观测。我们把稀疏源集的估计作为一个广义复值LASSO问题。给出了相应的对偶问题，并证明了当源数目给定时，该对偶解对于选择LASSO的正则化参数是有用的。分析了复值LASSO的求解路径。对于给定数目的源，相应的正则化参数确定的顺序递归算法和两个迭代算法的基础上进一步的近似。利用这个正则化参数，可以估计所有源的到达角。
2015-09-02 cs.IT math.IT math.ST
Direction of Arrival Estimation with Sparse Subarrays
PUC-Rio（里约热内卢天主教大学）；University of York（约克大学）；The Hong Kong Polytechnic University（香港理工大学）；Ilmenau University of Technology（伊尔默瑙工业大学）
本文针对部分校准的稀疏子阵列提出I型和II型阵列架构及GCA-MUSIC和GCA root-MUSIC算法，在有限硬件和计算复杂度下实现超自由度DOA估计，并通过仿真验证其性能优于现有方法。
2024-08-17 cs.IT cs.LG eess.SP
A Unified Approach to Sparse Signal Processing
稀疏信号处理的统一观点是以教程的形式提出的，汇集了各个领域。对于这些领域中的每一个，已经开发出利用稀疏性的各种算法和技术，被简洁地描述。显着降低采样率和处理操作的共同利益。稀疏信号处理的主要应用是采样、编码、谱估计、阵列处理、分量分析和多径信道估计。在重建算法方面，与随机采样、压缩感知和创新率相联系。有限/实伽罗瓦域中的信道编码引入的冗余与具有类似重构算法的采样相关。接下来讨论Prony、Pisarenko和MUSIC方法用于稀疏频域表示。具体地说，Prony方法的关系，一个零化滤波器和误差多项式的编码强调，Pisarenko和MUSIC方法是Prony方法的进一步改进。这样的谱估计方法，然后涉及到阵列处理中的多源定位和DOA估计。稀疏阵列波束形成和稀疏传感器网络的概念也被介绍。在不可观测的源信号的稀疏性也被证明，以促进声源分离在SCA，在这方面开发的算法也被广泛用于压缩感知。最后，多径信道估计问题被证明有一个稀疏的制定，类似的采样和编码算法被用来估计OFDM信道。
2009-02-11 cs.IT math.IT
