基于动态压缩感知的多频带时变流信号多域参数认知方法

Multi-domain parameters cognition of wireless signal plays a fundamental role in civil field and military field, such as cognitive radio, electromagnetic environment monitoring, electromagnetic map construction and electronic warfare. However, some problems should be solved for current compressed parameter cognition, such as inefficacy and high computational complexity, and some assumptions about wireless signals are impractical. Therefore, inspired by some advantages of dynamic compressed sensing, multi-domain parameters cognition of multi-band time-varying streaming signal is researched. By exploiting sparsity in frequency domain and angle domain and correlation of different times of multi-band time-varying streaming signal, some key topics of multi-domain parameters cognition are considered, mainly including computational complexity, anti-noise performance, blind cognition and convergence of parameter cognition. In this project, time-varying two-dimensional sparse representation, dynamic construction of measurement matrix and two-dimensional correlation model are studied firstly. Based on previous results, multi-domain parameters cognition model of multi-band time-varying streaming is built. And then, cognition algorithm of multi-domain parameters in initial time is presented based on the foregoing cognition model. Next, tracking method and updating method of multi-domain parameters in subsequent time are researched. Finally, the presented algorithms are testified in terms of demonstration platform. Through this project, the leaps from single-domain cognition to multi-domain cognition and from static cognition to dynamic cognition are achieved, and resource utilization rate of wireless signal can be also improved..

无线信号多域参数认知在认知无线电、电磁环境监测、电磁频谱地图建立以及信息战等民用和军事领域均占有基础性地位，但目前利用传统压缩感知进行参数认知存在效率低和计算量大等问题，并且对无线信号的一些假设与实际不符。因此本课题以实际无线通信中的多频带时变流信号为对象，借助动态压缩感知仅对残差压缩等优点研究多域参数认知方法。其思路是利用多频带时变流信号频域和角度域的稀疏性以及前后时刻相关性，解决多域参数认知的计算复杂度、抗噪声性能、盲识别和收敛性等问题。课题首先研究时变二维稀疏表示、动态测量矩阵构建以及二维相关模型，由此提出多频带时变流信号多域参数认知模型。然后，根据模型研究起始时刻的多域参数认知算法，利用动态压缩感知提出后续时刻多域参数更新和跟踪方法。最后，建立验证演示平台对理论研究结果进行验证。通过课题研究实现由单域认知到多域认知以及静态认知到动态认知的飞跃，为提高无线信号资源利用率提供有效方法。

目前，各种无线业务需求越来越多。由于环境变化、需求差异、技术进步、业务迅速增长和投资保护等因素造成了多个异构无线网络并存的局面。虽然能够满足一时需求，但这些无线网络中普遍存在的资源静态管理，条块分割使用等问题使信号可用资源分布高度不均衡，资源短缺和资源浪费共存。更为重要的是，各种无线应用业务不能根据需求和环境的变化而动态调整等矛盾日益尖锐，已经成为制约无线通信发展的主要瓶颈。为了解决这些矛盾，本课题利用动态压缩感知理论进行多域参数的识别和跟踪。. 首先课题结合卡尔曼滤波器理论，从频域稀疏的角度建立动态宽带压缩频谱感知模型，实现动态宽带压缩频谱感知。然后，利用角度域稀疏性将单比特DOA估计建模为分类问题提出一种基于分类算法的单比特DOA估计算法，并同时利用一致性重建以去除网格效应。以上述研究为基础，建立了频域和角度域联合稀疏模型，结合压缩感知和阵列信号处理技术提出了一种简化亚奈奎斯特采样结构。借助该结构，利用子空间类算法不仅能够实现欠采样下信号的频率和DOA联合估计，还能实现信号的恢复。接下来，考虑到无线信号中心频率时不变特点和DOA时变特性我们仅仅针对DOA研究参数跟踪方法。采用稀疏贝叶斯理论提出了一种基于动态阵列流形的DOA跟踪算法。提出的跟踪算法无需进行空间角度划分和信号维度扩展，直接在低维度利用贝叶斯学习的框架实现DOA跟踪，从而使计算量大大减小，且没有网格效应，精度更高。最后，采用NI以及自制的PXI设备和FPGA开发平台搭建了演示验证平台，对相关算法进行了验证。. 该课题的研究成果能充分挖掘信号多域资源的潜在优势，最大限度地提高信号资源利用率，其研究成果能为未来无线通信智能化提供理论依据和实用算法，使得参数认知由单域认知到多域认知、静态认知到动态认知的飞跃。