SAMV ( итеративная разреженная асимптотическая минимальная дисперсия [1] [2] ) представляет собой алгоритм сверхразрешения без параметров для линейной обратной задачи в спектральной оценке , оценке направления прихода (DOA) и томографической реконструкции с приложениями в обработке сигналов , медицинской визуализации. и дистанционное зондирование . Название было придумано в 2013 году [1], чтобы подчеркнуть его основу на критерии асимптотически минимальной дисперсии (AMV). Это мощный инструмент для восстановления как амплитудных, так и частотных характеристик нескольких сильно коррелированныхисточники в сложных условиях (например, ограниченное количество снимков и низкое отношение сигнал / шум ). Приложения включают радар с синтезированной апертурой , [2] [3] компьютерную томографию и магнитно-резонансную томографию (МРТ) .
Определение [ править ]
Формулировка алгоритма SAMV дается как обратная задача в контексте оценки DOA. Предположим , что -элементное равномерная линейный массив (БАУ) получают узкополосные сигналы , излучаемые из источников , расположенных в местах , соответственно. Датчики в ULA накапливают снимки за определенное время. В мерные векторы моментального снимка
где - управляющая матрица , содержит формы сигналов источника и - шумовой член. Предположим, что , где - дельта Дирака, и она равна 1, только если и 0 в противном случае. Также предположим, что и независимы, и что , где . Пусть будет вектор , содержащий неизвестные силы сигнала и дисперсии шума, .
Ковариационная матрица из , которая содержит всю информацию о IS
Эта ковариационная матрица традиционно может быть оценена с помощью выборочной ковариационной матрицы, где . После применения оператора векторизации к матрице полученный вектор линейно связан с неизвестным параметром как
,
где , , , , и пусть где есть произведение Кронекера.
Алгоритм САМВ [ править ]
Чтобы оценить параметр по статистике , мы разработали серию итерационных подходов SAMV, основанных на критерии асимптотически минимальной дисперсии. Из [1] ковариационная матрица произвольной согласованной оценки на основе статистики второго порядка ограничена действительной симметричной положительно определенной матрицей
где . Кроме того, эта нижняя граница достигается ковариационной матрицей асимптотического распределения, полученной минимизацией,
где
Следовательно, оценка может быть получена итеративно.
И что минимизирует может быть вычислено следующим образом . Предположим, что и были аппроксимированы до определенной степени на th итерации, они могут быть уточнены на th итерации с помощью,
где оценка на й итерации дается выражением с .
Помимо точности сканирования сетки [ править ]
Разрешающая способность большинства методов локализации источника на основе сжатого зондирования ограничена точностью сетки направлений, которая покрывает пространство параметров местоположения. [4] В модели восстановления разреженного сигнала разреженность сигнала истинности зависит от расстояния между соседними элементами в переполненном словаре , поэтому возникает сложность выбора оптимального переполненного словаря . Вычислительная сложность прямо пропорциональна тонкости сетки направлений, высокоплотная сетка не является практичной с точки зрения вычислений. Чтобы преодолеть это ограничение разрешения, налагаемое сеткой, бессеточный SAMV-SML (итеративная разреженная асимптотическая минимальная дисперсия - стохастический максимум правдоподобия ) [1], которые уточняют оценки местоположения путем итеративной минимизации стохастической функции стоимости максимального правдоподобия относительно одного скалярного параметра .
Применение к дальномерной доплеровской визуализации [ править ]
Типичное применение алгоритма SAMV в SISO радар / гидролокатор дальности - проблема доплеровской визуализации . Эта проблема визуализации представляет собой приложение для создания одного снимка, и включены алгоритмы, совместимые с оценкой одного снимка, т. Е. Согласованный фильтр (MF, аналогичный периодограмме или обратной проекции , который часто эффективно реализуется как быстрое преобразование Фурье (FFT)), IAA , [5] и вариант алгоритма САМВ (САМВ-0). Условия моделирования идентичны: [5] Сжатие многофазного импульса A -элементом.В качестве передаваемого импульса используется код P3, и в общей сложности моделируются девять движущихся целей. Из всех движущихся целей три имеют мощность в дБ, а остальные шесть - мощность в дБ. Предполагается, что принятые сигналы загрязнены однородным белым гауссовским шумом мощностью в дБ.
Результат обнаружения согласованного фильтра страдает от сильных эффектов размытия и утечки как в доплеровской области, так и в области дальности, поэтому невозможно различить цели в дБ. Напротив, алгоритм IAA предлагает улучшенные результаты визуализации с наблюдаемыми оценками дальности до цели и доплеровскими частотами. Подход SAMV-0 обеспечивает очень разреженный результат и полностью устраняет эффекты размытия, но не пропускает слабые целевые значения дБ.
Реализация с открытым исходным кодом [ править ]
Реализацию алгоритма SAMV в MATLAB с открытым исходным кодом можно скачать здесь .
См. Также [ править ]
- Обработка массива
- Соответствующий фильтр
- Периодограмма
- Отфильтрованная обратная проекция (преобразование Радона)
- MUltiple SIgnal Classification (MUSIC), популярный параметрический метод сверхразрешения
- Импульсно-доплеровский радар
- Изображения в сверхвысоком разрешении
- Сжатое зондирование
- Обратная задача
- Томографическая реконструкция
Ссылки [ править ]
- ^ а б в г д Абейда, Хабти; Чжан, Цилинь; Ли, Цзянь; Мерабтин, Наджим (2013). «Итерационные подходы на основе разреженной асимптотики с минимальной дисперсией для обработки массивов» (PDF) . Транзакции IEEE по обработке сигналов . 61 (4): 933–944. arXiv : 1802.03070 . Bibcode : 2013ITSP ... 61..933A . DOI : 10.1109 / tsp.2012.2231676 . ISSN 1053-587X .
- ^ a b Глентис, Джордж-Отон; Чжао, Кэсинь; Якобссон, Андреас; Абейда, Хабти; Ли, Цзянь (2014). «Получение изображений SAR с помощью эффективных реализаций редких подходов машинного обучения» (PDF) . Обработка сигналов . 95 : 15–26. DOI : 10.1016 / j.sigpro.2013.08.003 .
- ^ Ян, Сюэминь; Ли, Гуанцзюнь; Чжэн, Чжи (2015-02-03). "Оценка DOA некруглого сигнала на основе разреженного представления". Беспроводная персональная связь . 82 (4): 2363–2375. DOI : 10.1007 / s11277-015-2352-Z .
- ^ Малиутов, Д .; Cetin, M .; Вилски, AS (2005). «Перспектива восстановления разреженного сигнала для локализации источника с помощью массивов датчиков». Транзакции IEEE по обработке сигналов . 53 (8): 3010–3022. Bibcode : 2005ITSP ... 53.3010M . DOI : 10.1109 / tsp.2005.850882 .
- ^ a b Ярдиби, Тарик; Ли, Цзянь; Стойка, Петре; Сюэ, Мин; Баггероэр, Артур Б. (2010). «Локализация источника и зондирование: непараметрический итеративный адаптивный подход, основанный на взвешенных наименьших квадратах». IEEE Transactions по аэрокосмическим и электронным системам . 46 (1): 425–443. Bibcode : 2010ITAES..46..425Y . DOI : 10,1109 / taes.2010.5417172 . hdl : 1721,1 / 59588 .