论文部分内容阅读
随着电磁环境的日益复杂,现代电子战的各个领域需要处理的信号带宽明显增大,对信号接收、传输和存储的要求不断提高,传统采样定理已经成为制约超宽带信号发展的瓶颈。压缩感知理论(Compressive Sensing,CS)作为一项革命性技术,仅取决于信号本身是否具有稀疏性。不但采样频率远低于Nyquist采样频率,而且可以将采样、压缩同时进行。然而CS理论的研究对象是离散信号,在电子侦察过程中,大多数信号为模拟信号,利用模拟-信息转换器AIC可以实现对模拟信号直接压缩采样。非均匀采样结构(Non-uniform Sampling,NUS)是AIC的一种特殊结构,其特点是结构简单,有较强的工程可实现性,本文结合CS理论对超宽带稀疏信号直接压缩采样,将得到的非均匀采样信号分别使用OMP算法、LASSO算法和BCS算法进行频谱重构并恢复原始信号。为了降低计算复杂度,提高重构效率,对非均匀采样信号分别使用EM算法、TD算法和ATD算法直接进行功率谱密度重构以得到频谱信息。本文主要研究内容如下:1.首先介绍了压缩感知理论,并引入NUS非均匀采样结构。对得到的采样信号,分别采用三种算法进行频谱重构,根据仿真结果总结如下:OMP算法计算时间最短,重构效率较高,但是重构精度低、计算复杂度高、需要大量的观测值数量,得到的解一般为次优解。LASSO算法在观测值数量较少的情况下也能很好的恢复原始信号,计算量较小,重构精度较高,容易得到最优解,但是所需的计算时间较长,不满足实时性要求。BSC算法随着观测值数量增大,耗时变化不大,具有稳健性,同时在观测值数量较低和含有噪声时,都具有较好的重构性能。2.重构算法不但计算复杂度高,而且可能造成信号信息丢失,因此我们提出对非均匀采样信号直接进行功率谱密度重构,减少计算复杂度的同时提高重构效率。根据信号在时域的自相关性,采用基于预定模式的非均匀采样模型,通过EM算法对缺失信号进行估计,由于EM算法不改变功率谱密度(PSD)的边缘位置,且其边缘矢量在频域近似稀疏,因此我们结合CS理论,通过估计PSD的边缘位置以重构PSD。3.最后引入基于最小稀疏尺的非均匀采样结构,通过TD和ATD两种算法得到原始信号和测量矢量各自的自相关矢量之间的关系,接着采用最小二乘法得到原始信号的自相关矢量,并求出其功率谱密度,进而可以直接恢复得到原始信号频谱,减小了计算量和对硬件设备的压力。