L1_SVD方法的稀疏矩阵的DOA估计

写点题外话，最近，一直在研究Malioutouv的

这是他毕业论文摘出来的一篇论文，他的毕业论文下载地址：D. M. Malioutov. (2003, Jul.) A Sparse Signal Reconstruction Perspective for Source Localization With Sensor Arrays. M.S. thesis, Mass. Inst. Technol., Cambridge, MA. [Online]. Available: http://ssg.mit.edu/~dmm/publications/malioutov_MS_thesis.pdf

虽然毕业论文还是有一些错误，但是对这篇论文的解释比较详尽，有看不懂的地方可以回本科论文里面找，基本都能解释清楚。

其实我是想说，人和人的天资是天差地别的，最近对压缩感知的学习，让我深深地为自己的理解能力和数学基础感到忧虑。上一篇ＬＰ球，我是占个位置，因为我还不是很清楚ＬＰ与稀疏性的关系，留着以后想清楚了再补充吧。

／／正文

论文中的方法说明

示意图：

步骤：

１.获得观测值（与ＭＵＳＩＣ算法得到Ｙ＝ＡＳ＋Ｎ类似）

２.对观测值进行奇异值分解（ＳＶＤ（））

３.对观测值和稀疏信号进行降维

　观测值（阵元数＊快拍数）－＞（阵元数＊信元数）

　稀疏信号（网格数（可能存在的位置数，如果你认为从１：１８０都有可能存在，那他的网格数就是１８１，对应文中的Ｎ＿θ）＊快拍数）－＞（网格数＊信元数）

　由于信元数远远小于快拍数（在多快拍的情况下），所以大大减小了这两个矩阵的维度

　【这里想快拍数到底什么意思想了很久，现在认为快拍就是对信号进行若干次采样，采样次数多了，得到的结果比较准确，就好比检测产品合格率，你不能拿到一个好的产品就认为这一批产品全是好的，也不能拿到一个坏的就认为这批产品全坏了，因此要选取大量的样本，才能保证结果的准确性。这里暂时理解到这里，回头跟我导讨论一下再来补充】

４.计算Ｓｓｖ每一行的Ｌ２范数

　这块卡了很久，没看明白‘ｓｐａｔｉａｌ　ｉｎｄｅｘ　ｉ’到底什么意思？空间索引？很方，当时觉得怎么出现了空间这个问题，后来看了几遍才看明白，ｉ表示的是

Ｎ＿θ，也就是可能出现点的位置。也就是说如果我们是从０：１８０°以１°为步长画网格，那我们的ｉ就是（１：１：１８１）的意思，就是位置，他要是用ｌｏｃａｔｉｏｎ表达，可能我就不会看这么费劲，还是要好好学英语啊

５.用约束条件进行最优化

其中约束条件用框图中的直接写是解不出来的，我试了。。。（好尴尬）

要用附录中的说明方法解

其中Ｙｓｖ就是我们降维后的矩阵（阵元数＊信源数），已知

＂１＂代表（网格数＊１）的全１向量

ｐ，ｑ，ｒ，Ｓｓｖ是变量

ｐｑｒ都是网格数的实变量

Ｓｓｖ是（网格数＊信源数）的复变量

ｌａｍｄａ的选值很复杂，严格来讲应该一次一次试，通过迭代得到一个结果最稳定最适合这个模型的值，当然我是随便写的，２

贴代码：

%2017.6.6
%author:Lola
%功能：实现稀疏矩阵l1-SVDDOA估计
%reference:A Sparse Signal Reconstruction Perspective for Source
%Localization With Sensor Arrays [Malioutov]
clc
clear all
close allM = 8;                                                                 %阵元数
K = 2;                                                                 %信源数
L= 100;                                                           %快拍数
d_lamda =0.5;                                                  %阵元间距半波长
fc=[2*10^3 ,5*10^3];                                         %信号频率
fs=[20*10^3];                                                      %采样频率
theta1 = [0 15];                                               %信号来向
snr=20;                                                              %信噪比
for k=1:Ks=sqrt(10.^(snr/10))*[randn(K,L)+1j*2*pi*fc'*[1:L]/fs];                         %信号（信源数*快拍数）for kk=1:MA(kk,k)=exp(-1j*2*pi*(kk-1)*d_lamda*sin(theta1(k)*pi/180));                               %阵列流型（阵元数*信源数）end
end
X=A*s;
Y=awgn(X,snr);                                                 %加入高白噪声,得到观测信号
Searching_doa=-90:90;
for m=1:length(Searching_doa)AA(:,m) = exp(-1j*(0:M-1)*d_lamda*2*pi*sin(Searching_doa(m)*pi/180));  %构造一度为网格间距的完备基矩阵
end
Y=X;                  %得到观测数据矩阵
Dk1=eye(K);
Dk2 = zeros(K,L-K);
Dk = [Dk1,Dk2].';
[U,D,V] = svd(Y);       %进行奇异值分解
Ysv = Y*V'*Dk;
Sumvector=ones(length(Searching_doa),1);
cvx_begin quiet
variables p q
variables r(length(Searching_doa))
variable SSV1(length(Searching_doa),K)  complex;
expression xsv(length(Searching_doa),1)
expressions Zk(M,K) complex
minimize(p+2*q);
subject toZk = Ysv-AA*SSV1;
Zvec = vec(Zk);         %把矩阵转化为向量
norm(Zvec) <=p;         %第一个不等式约束
Sumvector'*r<=q;        %第二个不等式约束for i=1:length(Searching_doa)       %第三个不等式约束xsv(i,:)=norm(SSV1(i,:));
end
for i=1:length(Searching_doa)xsv(i)<=r(i);
end
cvx_end
power=10*log10(abs(SSV1(:,1))/max(abs(SSV1(:,1))));
plot(Searching_doa,power,'r');
xlabel('DOA/degree');
ylabel('PowerdB');

继续好好学数学

论文不给附录我肯定是不知道那个问题要用二阶锥解得，就算告诉我用二阶锥方法解我也不知道怎么解。这个仿真从研究到写到调试用了差不多五个小时。。。理解能力太差，受到了深深的打击。。。

L1_SVD方法的稀疏矩阵的DOA估计相关推荐

宽带信号doa matlab,宽带信号DOA估计处理方法研究
学术研究 DOI:10． 3969/j． issn． 1001-3824． 2012． 06． 008 宽带信号 DOA 估计处理方法研究收稿日期:2012-06-14 闫杰1,周围1,2,杜晓 ...
基于毫米波的DOA估计方法浅谈
关于毫米波信道的几种建模 <存在相位校准误差的毫米波大规模天线阵列角度估计算法研究(2018)>一文中,将毫米波建模为"带有相位误差的宽带DOA"进行处理. 原因做几点 ...
【通信】基于非相干信号子空间(ISM)的宽带源DOA估计方法
1 简介智能天线技术作为未来移动通信系统的关键技术之一,是当前通信领域的研究重点.智能天线系统通过天线阵列扩展了空间域,充分利用了空间扩展所提供的资源,能有效提高系统容量.能提供更大带宽和降低多径效 ...
阵列信号DOA估计系列(一).概述
阵列信号DOA估计系列之概述 1.从相位差说起 2.空间相位差的来源 3.从"空间相位差"到"DOA估计" 3.1 时域 3.2 空域 3.3 DOA估计 ...
【阵列信号处理】DOA估计算法
DOA估计中的ESPRIT算法 ESPRIT算法时一种利用子空间旋转法估计DOA参数的方法,其算法的基本思想是将阵列在结构上分成两个完全一致的子列,两个子列相应阵元偏移的距离相等,也就是说阵列的阵元被 ...
基于空间平滑MUSIC算法的相干信号DOA估计(1)
空间平滑MUSIC算法(1) 1. 前言在上一篇博客中有提到,当多个入射信号相干时,传统MUSIC算法的效果就会不理想.具体原因是多个入射信号相干时,有部分能量就会散发到噪声子空间,使得MUSIC算 ...
阵列信号DOA估计系列(三).MVDR/Capon波束形成(附代码)
标题阵列信号DOA估计系列(三).MVDR/Capon波束形成 MVDR算法得基本思路是在频域/空间形成一个窄带滤波器,从此出发,可见MVDR不但对噪声有抑制作用,来对观察频率/角度之外的信号有抑制作 ...
阵列信号DOA估计系列(二).导向矢量与空间FFT(附代码)
阵列信号DOA估计系列(二).导向矢量在DOA估计里面,经常会看到导向矢量这个名词,也有的地方叫方向矢量,方向矩阵,基本上都是array steering vector 的翻译. 本文首先对均匀线阵 ...
基于空间平滑MUSIC算法的相干信号DOA估计(2)
空间平滑MUSIC算法(2) 继续上一篇博客,继续讲后向空间平滑和前/后向空间平滑MUSIC算法. 基于空间平滑MUSIC算法的相干信号DOA估计(1) 2.3 后向空间平滑算法后向空间平滑更准确的 ...

L1_SVD方法的稀疏矩阵的DOA估计

L1_SVD方法的稀疏矩阵的DOA估计相关推荐

最新文章

热门文章