包邮基于稀疏表示理论的空间谱估计

第1章 空间谱估计研究背景和发展 1.1 阵列信号处理与空间谱估计 1.2 空间谱估计发展和现状 1.3 基于稀疏表示的空间谱估计概述 1.3.1 基于Lp范数的稀疏DOA估计 1.3.2 基于协方差稀疏迭代的DOA估计 1.3.3 基于稀疏贝叶斯学习的DOA估计 l.3.4 基于原子范数的DOA估计 本章参考文献 第2章 稀疏表示的基本理论 2.1 基本数学概念 2.1.1 范数与赋范线性空间 2.1.2 矢量的内积 2.1.3 信号分解和正交变换 2.1.4 框架 2.2 稀疏信号表示与分解 2.2.1 稀疏信号与可压缩信号 2.2.2 稀疏表示与过完备字典 2.2.3 稀疏表示与压缩感知 2.3 稀疏重构的条件 2.3.1 零空间条件 2.3.2 字典矩阵的约束等距性质 2.3.3 字典矩阵与相关性 2.3.4 多测量值的稀疏分解 2.4 稀疏重构算法介绍 2.5 本章小结 本章参考文献 第3章 空间谱估计相关基础 3.1 阵列接收信号模型 3.1.1 窄带信号阵列接收模型 3.11 2宽带信号阵列接收模型 3.1.3 相干信号的接收模型 3.1.4 克拉美罗界 3.2 波达方向估计经典方法 3.2.1 波束搜索测向算法 3.2.2 Capon测向算法 3.2.3 MUSIC测向算法 3.2.4 Root-MUSIC算法 3.2.5 ESPRIT算法 3.2.6 优选似然算法 3.3 稀疏表示解决DOA估计问题的合理性 3.4 稀疏表示测向方法的特殊性 3.5 本章小结 本章参考文献 第4章 基于贪婪技术的DOA估计 4.1 匹配追踪算法 4.2 正交匹配追踪算法 4.2.1 算法原理 4.2.2 算法收敛性 4.2.3 多快拍OMP算法 4.3 其他贪婪算法 4.3.1 正则化正交匹配追踪算法 4.3.2 子空间追踪算法 4.4 稀疏重构DOA估计与贪婪算法性能分析 4.5 仿真与性能分析 4.6 本章小结 本章参考文献 第5章 基于L1范数正则化的DOA估计 5.1 不适定逆问题求解与正则化 5.1.1 正则化技术 5.1.2 稀疏正则化 5.1.3 正则化直观解释 5.2 基于L1范数的DOA估计方法 5.2.1 单快拍信号重构 5.2.2 多快拍时间联合重构方法 5.2.3 基于奇异值分解的多快拍信号重构方法 5.2.4 加权L1-SVD算法原理 5.2.5 正则化参数选取 5.3 L1范数正则化*小化问题的求解 5.3.1 二次规划求解 5.3.2 ADMM求解 5.4 基于协方差稀疏表示的DOA估计算法 5.4.1 协方差稀疏表示模型 5.4.2 L1-SRACV算法原理 5.41 3多分辨率网格重构 5.5 仿真与性能分析 5.6 本章小结 附录5.A ADMM计算过程及其缩放形式表示 本章参考文献 第6章 基于Lp范数正则化的DOA估计 6.1 基于FOCUSS算法的DOA估计 6.1.1 经典FOCUSS算法原理 6.1.2 正则化FOCUSS算法 6.1.3 正则化多快拍FOCUSS算法 6.1.4 正则化多快拍FOCUSS算法的收敛分析 6.2 平滑Lp范数DOA估计 6.2.1 平滑Lp范数估计算法原理 6.2.2 改进平滑Lp范数算法 6.2.3 仿真与性能分析 6.3 本章小结 附录6.A 关于式（6.1.29）的推导 本章参考文献 第7章 基于稀疏贝叶斯学习的DOA估计 7.1 贝叶斯估计与稀疏优化 7.1.1 贝叶斯理论 7.1.2 稀疏贝叶斯学习 7.2 基于RVM贝叶斯学习的DOA估计 7.2.1 单快拍稀疏贝叶斯DOA估计 7.2.2 多快拍稀疏贝叶斯DOA估计 7.2.3 仿真与性能分析 7.3 基于一阶近似的离网稀疏贝叶斯学习算法 7.3.1 一阶近似离网DOA估计信号模型 7.3.2 离网情况下的贝叶斯推断 7.3.3 离网模型贝叶斯推断与算法流程 7.3.4 仿真与性能分析 7.4 求根离网稀疏贝叶斯学习算法 7.4.1 稀疏贝叶斯模型与算法实现 7.4.2 仿真与性能分析 ……