コンテンツにスキップ

英文维基 | 中文维基 | 日文维基 | 草榴社区

利用者:Bikingdog/SAMV (アルゴリズム)

SAMV反復スパース漸近最小分散[1][2])は、信号処理におけるスペクトル推定および到着方向(DOA)推定のためのパラメータフリーの超解像アルゴリズムです。 この名前は、漸近最小分散(AMV)基準の基礎を強調するために造語されました。 限られた数のスナップショット、低い信号対雑音比など、厳しい環境下で複数の高相関ソースの振幅と周波数の両方の特性を回復する強力なツールです。合成アパーチャレーダーイメージングとさまざまなソースローカリゼーション [2][3]




SAMVアルゴリズム

[編集]

推定パラメータ からの統計 を展開しておりますシリーズの繰り返しSAMVに基づくアプローチにより、漸近的に最小分散評価のポイントになります。 から には、共分散行列 の任意の一推定法 に基づく二次統計量 囲の実対称行列

場所 ます。 また、この下限が可能になるの共分散行列の漸近分布 得られた最小化

場所

そのため、推定 取得可能な繰り返します。

- を最小化するような を算出することが可能です。 想 - て近似をある程度の 回繰り返し処理でさらに 回繰り返しにより、

の見積りの 回繰り返し処理で与えられます ます。

超えた走査グリッドの精度

[編集]

の解決に最も 圧縮センシング に基づく源定位技術により細かさ方向のグリッドカバーする位置パラメータ空間です。 の像モデルのsparsityることが明らかになっ信号 の距離を隣接する要素のovercomplete辞書 は、そのため、難易度の選択、最適な overcomplete辞書 が発生します。 計算の複雑さに比例の細かさ方向のグリッド、高密度グリッドではない計算実践します。 この分解能の制限が課されるグリッド、グリッド-無料 SAMV-SML (反復疎漸近最小分散-確率の最大尤度)が提案され、ァの位置推定 による繰り返最小化の確率的 最尤 コスト関数に対して単一のスカラパラメータ ます。

応用範囲-ドップラ画像

[編集]
思 範囲をドップラ画像の結果との比較三5dB、25dBの目標です。 (a)地真(b)の合rilter(MF)、(c)IAAのアルゴリズム、(d)SAMV-0のアルゴリズムです。 すべての出力レベルはdBです。 両MF IAA理解像度のドップラー軸となる。 SAMV-0優れた分解能の範囲は、ドップラーです。

典型的アプリケーションのSAMVアルゴリズムの 思 レーダー/ソナー -ドップラ画像 の問題です。 この画像の問題はシングルスナップショット、アルゴリズム対応のシングル-スナップショット推定が含まれ、 マッチフィルター (MFの periodogramは、IAA、このSAMVアルゴリズム(SAMV-0)です。 シミュレーションの条件が同一である : 要素誘 パルス圧縮 P3コードを採用しての送信パルス計の移動対象にシミュレーションしました。 すべての移動目標というのがあり dB力との間の dB力します。 して、受信信号を想定して汚染された均一な白色ガウスノイズの dB力します。

の マッチングフィルタ の検出結果から厳しい塗および 漏洩 の影響のドップラーおよび範囲でドメインができる dBの目標です。 それとは逆に、IAAのアルゴリズムには、強調イメージング結果と観測対象範囲の見積もりとドップラー周波数です。 のSAMV-0アプローチを提供高い疎結果を解消し塗効果は完全では捉弱 dBの目標です。

オープンソースの実施

[編集]

オープンソース のMATLAB の実施 SAMV アルゴリズムがダウンロード はここです。

参照

[編集]
  • 配列の処理
  • マッチングフィルタ
  • 複数信号区分 (音楽)は、人気のパラメトリック superresolution 方法
  • Periodogram
  • パルスドップラーレーダー

参考文献

[編集]
  1. ^ Abeida, Habti; Zhang, Qilin; Li, Jian; Merabtine, Nadjim (2013). “Iterative Sparse Asymptotic Minimum Variance Based Approaches for Array Processing”. IEEE Transactions on Signal Processing (IEEE) 61 (4): 933–944. doi:10.1109/tsp.2012.2231676. ISSN 1053-587X. https://qilin-zhang.github.io/_pages/pdfs/SAMVpaper.pdf. 
  2. ^ a b Glentis, George-Othon; Zhao, Kexin; Jakobsson, Andreas; Abeida, Habti; Li, Jian (2014). “SAR imaging via efficient implementations of sparse ML approaches”. Signal Processing (Elsevier BV) 95: 15–26. doi:10.1016/j.sigpro.2013.08.003. 
  3. ^ Yang, Xuemin; Li, Guangjun; Zheng, Zhi (2015-02-03). “DOA Estimation of Noncircular Signal Based on Sparse Representation”. Wireless Personal Communications (Springer Nature) 82 (4): 2363–2375. doi:10.1007/s11277-015-2352-z. 

[[Category:フーリエ解析]] [[Category:三角法]] [[Category:波動力学]]