,劉艷群,張廣良,劉 旺,楊 力

(酒泉衛(wèi)星發(fā)射中心,甘肅 酒泉 732750)

基于稀疏系數(shù)和多級(jí)搜索策略的信號(hào)參數(shù)估計(jì)*

秦國(guó)領(lǐng)**,劉艷群,張廣良,劉 旺,楊 力

(酒泉衛(wèi)星發(fā)射中心,甘肅 酒泉 732750)

參數(shù)估計(jì)是盲信號(hào)處理的關(guān)鍵環(huán)節(jié)，對(duì)后續(xù)信號(hào)的偵察處理意義重大。針對(duì)當(dāng)前壓縮域信號(hào)參數(shù)估計(jì)問題，提出了一種新的信號(hào)參數(shù)估計(jì)算法，利用稀疏系數(shù)在不同測(cè)量矩陣中相同稀疏字典下位置相同的特點(diǎn)，實(shí)現(xiàn)了信號(hào)參數(shù)估計(jì)的區(qū)間預(yù)判；基于理論分析確定了多級(jí)搜索策略的最優(yōu)級(jí)次，實(shí)現(xiàn)了稀疏字典原子數(shù)目的降低。仿真結(jié)果表明，算法在提高信號(hào)參數(shù)估計(jì)精度的同時(shí)顯著降低了運(yùn)算復(fù)雜度。

信號(hào)參數(shù)估計(jì)；壓縮感知；稀疏位置估計(jì)；多級(jí)搜索策略；正交匹配追蹤

1 引 言

壓縮感知，又稱壓縮傳感[1]，是一種新興的信號(hào)處理方法。它通過線性映射可實(shí)現(xiàn)低于奈奎斯特采樣定律下信號(hào)的高概率信號(hào)恢復(fù)[2]，為大帶寬信號(hào)采樣速率高、數(shù)據(jù)運(yùn)算量大、實(shí)時(shí)處理復(fù)雜的問題提供了一種新的思路。

當(dāng)前，稀疏字典設(shè)計(jì)與信號(hào)稀疏重構(gòu)是壓縮感知的重點(diǎn)研究?jī)?nèi)容[3-4]。但如果僅從采樣數(shù)據(jù)中提取某些特征信息，精確重構(gòu)信號(hào)既不經(jīng)濟(jì)也非必要，信號(hào)參數(shù)估計(jì)也屬此類，其關(guān)鍵是通過處理某些特征信息來確定信號(hào)的參數(shù)值。參數(shù)估計(jì)作為盲信號(hào)處理的關(guān)鍵環(huán)節(jié)，對(duì)后續(xù)信號(hào)的偵察處理影響重大，因此基于少量壓縮測(cè)量數(shù)據(jù)精確估計(jì)信號(hào)參數(shù)是壓縮感知研究的重要內(nèi)容。當(dāng)前，許多學(xué)者對(duì)壓縮域的信號(hào)參數(shù)估計(jì)進(jìn)行了研究。Davenprot[5]首次指出不需信號(hào)重構(gòu)直接利用壓縮測(cè)量數(shù)據(jù)也可以實(shí)現(xiàn)信號(hào)的參數(shù)估計(jì)。Gurbuz和Cevher[6-7]從信號(hào)波達(dá)方向的角度構(gòu)建了估計(jì)模型和原子字典，實(shí)現(xiàn)了陣列信號(hào)到達(dá)角(Direction Of Arrival,DOA)的信號(hào)參數(shù)估計(jì)。劉兆震等[8]基于正交匹配追蹤(Qrthogonal Matching Pursuit,OMP)算法實(shí)現(xiàn)了正弦信號(hào)的參數(shù)估計(jì)，但如果要繼續(xù)提高參數(shù)估計(jì)精度，稀疏字典的原子數(shù)目將非常龐大，運(yùn)算復(fù)雜度也將迅猛提高。王建偉[9]將down-chirp算法和雙階段搜索策略相結(jié)合，通過區(qū)間延拓，在保證信號(hào)參數(shù)估計(jì)精度的前提下實(shí)現(xiàn)了稀疏字典原子數(shù)目的有效減少，但由于只是雙階段搜索，對(duì)于高精度的參數(shù)估計(jì)需要設(shè)計(jì)的稀疏字典原子數(shù)目仍將非常大，且在低信噪比下可能出現(xiàn)首次區(qū)間誤判導(dǎo)致估計(jì)誤差快速增加的問題。

針對(duì)上述研究的不足，本文提出了一種新的信號(hào)參數(shù)估計(jì)算法，仿真結(jié)果驗(yàn)證了該算法不僅提高了信號(hào)參數(shù)估計(jì)精度，且極大降低了運(yùn)算復(fù)雜度。

2 改進(jìn)信號(hào)參數(shù)估計(jì)算法

在信號(hào)稀疏表示中，松弛算法、貪婪算法和非凸算法是常見的稀疏重構(gòu)算法[11]。綜合算法復(fù)雜度、重構(gòu)精度、最小觀測(cè)數(shù)據(jù)和實(shí)現(xiàn)困難等多方面的考慮[12]，本文選擇貪婪算法中的OMP算法進(jìn)行迭代重構(gòu)。OMP算法通過迭代內(nèi)積運(yùn)算來確定稀疏字典中的匹配原子，最終基于多次迭代更新支撐集來重建原始信號(hào)。

通過分析傳統(tǒng)信號(hào)參數(shù)估計(jì)算法的步驟可知，算法的估計(jì)精度與兩個(gè)環(huán)節(jié)息息有關(guān)[13]。首先，與稀疏系數(shù)位置信息的獲取有關(guān)。考慮到低信噪比(Signal-to-Noise Ratio，SNR)下稀疏系數(shù)取值易受噪聲影響，可能出現(xiàn)稀疏系數(shù)求解錯(cuò)誤導(dǎo)致位置信息提取錯(cuò)誤的情況。其次，與稀疏字典的設(shè)計(jì)有關(guān)。稀疏字典的精度越高，原子數(shù)目越多，相應(yīng)的運(yùn)算復(fù)雜度也越大。

針對(duì)傳統(tǒng)信號(hào)參數(shù)估計(jì)算法的不足，本文從影響算法估計(jì)精度的兩個(gè)環(huán)節(jié)著手，利用相同稀疏字典下不同測(cè)量矩陣的稀疏系數(shù)位置信息相同提高稀疏系數(shù)獲取的準(zhǔn)確度,在確保估計(jì)精度的前提下基于時(shí)間最短原則實(shí)現(xiàn)算法復(fù)雜度的降低。

2.1算法原理

設(shè)信號(hào)x是離散序列，Ψ=[Ψ1,Ψ2,…Ψi…,ΨN]是空間N×N維的稀疏字典，Φ1=[Φ11,Φ12,…Φ1i…,Φ1N]、Φ2=[Φ21,Φ22,…Φ2i…,Φ2N]是與Ψ不相關(guān)的測(cè)量矩陣，y1、y2是相應(yīng)的壓縮測(cè)量值，則

(1)

式中：a1、a2為系數(shù)向量。

計(jì)算向量a1、a2中絕對(duì)值最大的元素以及相應(yīng)的位置：

(2)

式中：max(x)為取向量x中最大的元素，abs(x)為對(duì)向量x的每個(gè)元素求絕對(duì)值，location(y)為取元素值y在向量中的位置。

信號(hào)重構(gòu)與測(cè)量矩陣和稀疏字典有關(guān)。如果信號(hào)x中只有目標(biāo)信號(hào)，當(dāng)改變測(cè)量矩陣Φ時(shí)，由于稀疏基Ψ沒有變化，則其稀疏系數(shù)的位置信息為L(zhǎng)1=L2；如果信號(hào)x中只有噪聲，由于稀疏字典Ψ是基于目標(biāo)信號(hào)構(gòu)建的，則噪聲對(duì)Ψ來說是非稀疏的，因此稀疏系數(shù)的位置信息L1=L2成立的概率非常小。因此，通過稀疏系數(shù)位置信息L1與L2的一致性判決，可以提高位置信息估計(jì)的準(zhǔn)確性，從而根本上提高估計(jì)精度。

隨著估計(jì)精度的提高，稀疏字典的原子數(shù)目呈指數(shù)倍增，如果單純通過全局搜索來提高估計(jì)精度無疑導(dǎo)致運(yùn)算量的指數(shù)級(jí)增長(zhǎng)，因此，本文提出一種多次搜索、逐層遞進(jìn)、逐級(jí)精細(xì)的快速搜索策略，用局部搜索代替全局搜索從而達(dá)到降低運(yùn)算量的目的。最簡(jiǎn)單的兩級(jí)搜索原理如圖1所示。

圖1 兩級(jí)搜索原理圖Fig.1 The principle diagram of two-stage search

具體原理描述如下：首先進(jìn)行粗略估計(jì)(i=1)，遍歷全部可能參數(shù)，估計(jì)精度為k1，重構(gòu)算法確定的粗略估計(jì)值為p1，然后進(jìn)行以p1為中心、以k1/2為半徑進(jìn)行精細(xì)估計(jì)(i=2)，由此確定精確估計(jì)值p2。相比于全局搜索算法，二級(jí)搜索在保證精度的前提下其運(yùn)算復(fù)雜度大大降低。

在實(shí)際中，二級(jí)搜索只能適應(yīng)簡(jiǎn)單的信號(hào)參數(shù)估計(jì)，對(duì)于大多數(shù)信號(hào)參數(shù)，有必要研究多級(jí)搜索策略進(jìn)而實(shí)現(xiàn)信號(hào)參數(shù)的精確估計(jì)。通過對(duì)二級(jí)搜索策略分析發(fā)現(xiàn)，估計(jì)精度k是影響搜索策略的關(guān)鍵要素，下面通過理論計(jì)算獲得估計(jì)精度與級(jí)次的數(shù)學(xué)關(guān)系。

考慮到稀疏字典設(shè)計(jì)相比迭代運(yùn)算的時(shí)間非常短，忽略稀疏字典的設(shè)計(jì)時(shí)間。

設(shè)根據(jù)實(shí)際設(shè)計(jì)的稀疏字典原子數(shù)目是N，則共需進(jìn)行N次迭代來實(shí)現(xiàn)信號(hào)參數(shù)的估計(jì)，一次迭代的時(shí)間是Td，則實(shí)現(xiàn)精確估計(jì)的總時(shí)間是NTd。

設(shè)通過M級(jí)搜索遍歷可以實(shí)現(xiàn)直接進(jìn)行迭代要求的估計(jì)精度，每一級(jí)迭代的次數(shù)是ki，則

(10)

且實(shí)現(xiàn)精確估計(jì)的總時(shí)間是

(11)

由于ki>0，根據(jù)均值不等式[14]可知

(12)

因此,

(13)

(14)

此時(shí),

L=lnN。

(15)

考慮到實(shí)際中ki是正整數(shù)，因此L常取值為N以10為底的對(duì)數(shù)，即

L=lgN。

(16)

2.2算法實(shí)現(xiàn)

本文所提出算法的實(shí)現(xiàn)流程如下：

Step1 初始化：位置矩陣Pos=[]，設(shè)置級(jí)次M，搜索次數(shù)k=0。

Step2 稀疏字典與測(cè)量矩陣設(shè)計(jì)：基于級(jí)次、搜索次數(shù)設(shè)計(jì)稀疏字典Ps_k和測(cè)量矩陣Ph_1k、Ph_2k。

Step3 確定內(nèi)積最大值：信號(hào)y與估計(jì)矩陣Θ1k=Ph_1k*Ps_k、Θ2k=Ph_2k*Ps_k的所有列向量Θ1ki、Θ2ki分別求內(nèi)積，確定內(nèi)積最大值，即nt1=arg maxj=1,2，…，N||、nt2=arg maxj=1,2，…，N||。

Step4 更新變量矩陣：變量矩陣Aug_t_1=[]和Aug_t_2=[]賦空，更新矩陣Aug_t_1=[Aug_t_1,Θnt1]、Aug_t_2=[Aug_t_2,Θnt2]，并對(duì)nt1、nt2的對(duì)應(yīng)列Θnt1、Θnt2賦空。

我國(guó)的生態(tài)環(huán)境問題日益突出，尤其是土壤沙漠化的問題尤為嚴(yán)重，進(jìn)行營(yíng)造林工作在一定程度上能夠起到防風(fēng)固沙的作用，同時(shí)實(shí)現(xiàn)對(duì)土壤沙漠化的改善。營(yíng)造林工程能夠?qū)崿F(xiàn)對(duì)土壤的保護(hù)、對(duì)坡地進(jìn)行穩(wěn)定，防止對(duì)土壤表面的沖刷和腐蝕，同時(shí)還能提升土壤的蓄水能力，實(shí)現(xiàn)生態(tài)環(huán)境的改善。

Step5 計(jì)算稀疏系數(shù)：利用最小二乘計(jì)算稀疏系數(shù)a1=(Aug_t_1T*Aug_t_1 )-1*Aug_t_1T*y，a2=(Aug_t_2T*Aug_t_2 )-1*Aug_t_2T*y。

Step6 確定稀疏系數(shù)位置：L1=location(a1)，L2=location(a2)。

Step7 位置信息判決：如果L1=L2，判定檢測(cè)到的是目標(biāo)信號(hào)，如果k

Step8 精確估計(jì)參數(shù)：根據(jù)稀疏系數(shù)位置信息估計(jì)信號(hào)參數(shù)。

Step9 輸出信號(hào)參數(shù)。

2.3復(fù)雜度分析

從運(yùn)算量上來分析，3種估計(jì)算法的運(yùn)算復(fù)雜度主要體現(xiàn)在OMP重構(gòu)時(shí)最大投影系數(shù)的搜索。文獻(xiàn)[8]運(yùn)算復(fù)雜度的數(shù)學(xué)表示為O(MN)，M和N分別代表壓縮觀測(cè)點(diǎn)數(shù)與稀疏字典原子數(shù)目；考慮到稀疏字典數(shù)目大大減少，文獻(xiàn)[9]的運(yùn)算復(fù)雜度為O(MN1)，N1是基于搜索策略確定的稀疏字典原子數(shù)目，N1<

3 仿真實(shí)驗(yàn)與分析

實(shí)驗(yàn)選擇常見的線性調(diào)頻(Linear Frequency Modulation,LFM)信號(hào)為目標(biāo)信號(hào)，混頻后載波頻率為25.01 MHz，調(diào)頻斜率為60.01 MHz/μs，采樣頻率fs=256 MHz，脈寬T=2 μs。為實(shí)現(xiàn)載波頻率和調(diào)頻斜率參數(shù)的準(zhǔn)確估計(jì)，采用傳統(tǒng)信號(hào)參數(shù)估計(jì)算法，設(shè)載波頻率和調(diào)頻斜率的遍歷范圍分別是[21.01:0.01:30]MHz和[56.01:0.01:65]MHz/s，則稀疏原子數(shù)目共106個(gè)。采用本文的多級(jí)搜索原子算法，由于有兩個(gè)參數(shù)需要估計(jì)，計(jì)算可得級(jí)次為

L=lg(106)/2=3 。

(17)

3.1算法估計(jì)性能有效性與運(yùn)算復(fù)雜度分析

參數(shù)方面，觀測(cè)點(diǎn)數(shù)M=N/8，信噪比遍歷范圍為[-10:5:10]dB，仿真分析改進(jìn)算法與傳統(tǒng)信號(hào)參數(shù)估計(jì)算法，得到不同信噪比下載波頻率和調(diào)頻斜率的均方根誤差(Root Mean Square Error，RMSE)和運(yùn)算時(shí)間如表1和表2所示。

表1 不同信噪比下載波頻率和調(diào)頻斜率的均方根誤差Tab.1 The RMSE of carrier frequency and chirp rate in different SNR

表2 3種算法的運(yùn)算時(shí)間Tab.2 Operation time of three adgorithms

由表1和表2可知，即使在低信噪比(-10 dB)下，算法也能實(shí)現(xiàn)信號(hào)參數(shù)的較高精度估計(jì)，算法的有效性得到充分驗(yàn)證。從復(fù)雜度上看，在同等精度的前提下，全局搜索對(duì)應(yīng)的原子數(shù)目是NP1=106，而采用本文算法對(duì)應(yīng)的原子數(shù)目是NP2=300，稀疏字典的原子數(shù)目大大精簡(jiǎn)，運(yùn)算時(shí)間大大縮短，運(yùn)算復(fù)雜度明顯降低。

3.2信噪比變化對(duì)算法估計(jì)性能的分析

參數(shù)方面，觀測(cè)點(diǎn)數(shù)M=N/8，信噪比遍歷范圍為[-10:1:10]dB，仿真分析本文算法(改進(jìn)算法)與文獻(xiàn)[8-9]算法的性能，得到不同信噪比下載波頻率和調(diào)頻斜率的均方根誤差如圖2所示。由圖2可知,隨著信噪比的增加，3種算法估計(jì)出載波頻率和調(diào)頻斜率的誤差逐漸減小，反映了3種算法的估計(jì)性能逐步增強(qiáng)；載波頻率的估計(jì)誤差小于調(diào)頻斜率的估計(jì)誤差，這主要是因?yàn)檎{(diào)頻斜率是二次項(xiàng)的系數(shù)，其估計(jì)難度高于一次項(xiàng)系數(shù)的載波頻率；當(dāng)SNR>0 dB時(shí)，載波頻率和調(diào)頻斜率的估計(jì)誤差幾乎相等，這說明高信噪比下3種算法對(duì)一次項(xiàng)和二次項(xiàng)的估計(jì)精度大致相當(dāng)；在相同信噪比下，本文算法載波頻率與調(diào)頻斜率參數(shù)的估計(jì)誤差均小于另外兩種算法。

(a)載波頻率參數(shù)估計(jì)的均方根誤差

(b)調(diào)頻斜率參數(shù)估計(jì)的均方根誤差圖2 不同信噪比下的均方根誤差Fig.2 The RMSE in different SNR

3.3壓縮比變化對(duì)算法估計(jì)性能的分析

參數(shù)方面，信噪比為0 dB，壓縮比遍歷范圍為[0.02:0.0125:0.15]，仿真得到不同壓縮比下載波頻率和調(diào)頻斜率的RMSE如圖3所示。

(a)載波頻率參數(shù)估計(jì)的均方根誤差

(b)調(diào)頻斜率參數(shù)估計(jì)的均方根誤差圖3 不同壓縮比下的均方根誤差Fig.3 The RMSE in different compression ratio

由圖3可知,隨著壓縮比的增加，3種算法估計(jì)出載波頻率和調(diào)頻斜率的誤差值逐漸減小，反映了算法的估計(jì)性能逐步增強(qiáng)；載波頻率的估計(jì)誤差首先小于調(diào)頻斜率的估計(jì)誤差，然后兩者基本相等，原因已在3.2節(jié)分析過；當(dāng)壓縮比大于0.1時(shí)，載波頻率和調(diào)頻斜率的估計(jì)誤差變化緩慢，說明此時(shí)壓縮比對(duì)算法估計(jì)的性能影響不大；在相同壓縮比下，本文算法獲得的載波頻率與調(diào)頻斜率參數(shù)估計(jì)誤差均小于另外兩種算法。

5 結(jié)束語

本文從信號(hào)參數(shù)估計(jì)的基本原理出發(fā)，提出了一種稀疏系數(shù)位置信息和多級(jí)搜索策略相綜合的信號(hào)參數(shù)估計(jì)算法。該算法充分利用稀疏系數(shù)的位置信息，實(shí)現(xiàn)了信號(hào)參數(shù)估計(jì)的預(yù)判決；利用多級(jí)搜索策略，降低了稀疏字典的原子數(shù)目，提高了信號(hào)參數(shù)估計(jì)的時(shí)效性，降低了運(yùn)算的復(fù)雜度，實(shí)現(xiàn)了信號(hào)參數(shù)的精確估計(jì)。仿真結(jié)果表明，本文提出的參數(shù)估計(jì)算法較文獻(xiàn)[8-9]提出的算法估計(jì)性能明顯增強(qiáng)。對(duì)于其他的壓縮域信號(hào)參數(shù)估計(jì)，只要針對(duì)性的設(shè)計(jì)恰當(dāng)?shù)南∈枳值?，本文算法仍具有適用性，這也是筆者下一步的研究方向。

[1] 秦國(guó)領(lǐng)，張鐵茁，程艷合，等. 基于稀疏系數(shù)位置和歸一化殘差的壓縮感知信號(hào)檢測(cè)[J]. 電訊技術(shù)，2016，56(10)：1081-1085. QIN Guoling，ZHANG Tiezhuo，CHENG Yanhe，et al.Compresssed sensing signal detection based on sparse coefficient location and normalized residual[J]. Telecommunication Engineering，2016，56(10)：1081-1085.(in Chinese)

[2] 張永順，賈鑫，尹燦斌. 基于壓縮感知的直擴(kuò)通信多音干擾抑制[J]. 電訊技術(shù)，2015，55(8)：848-853. ZHANG Yongshun，JIA Xin，YIN Canbin. Direct sequence spread spectrum communications multi-tone jamming suppression based on compressive sensing[J]. Telecommunication Engineering，2015，55(8)：848-853.(in Chinese)

[3] YU Y，PETROPULU，Poor A. Mimo radar using compressive sampling[J]. Signal Processing，2010，4(1)：146-163.

[4] HE X，LIU C，LIU B，et al.Sparse frequency diverse mimo radar imaging for off-grid target based on adaptive iterative map[J]. Remote Sense，2013，5(2)，631-647.

[5] DAVENPORT M，BOUFOUNOS P，WAKIN M，et al.Signal processing with compressive measurements[J]. IEEE Journal on Selected Topics in Signal Processing，2010，4(10)：445-460.

[6] MASSA A，ROCCA P，OLIVERI G. Compressive sensing in electromagneticsa review[J]. IEEE Transactions on Magnetics,2015，57(1)，224-238.

[7] EKANADHAM C，TRANCHINA D，SIMONCELLI E P. Recovery of sparse translation invariant signals with continuous basis pursuit[J]. Signal Processing，2011，59(10)：4735-4744.

[8] 劉兆震，何勁，劉中. 基于壓縮感知的高分辨頻率估計(jì)[J]. 信號(hào)處理，2009，25(8)：1252-1256. LIU Zhaozhen，HE Jin，LIU Zhong. High resolution frequency estimation with compressed sensing[J]. Signal Processing，25(8)：1252-1256.(in Chinese)

[9] 王建偉. 基于壓縮感知的寬帶LFM信號(hào)參數(shù)估計(jì)[D]. 長(zhǎng)春：吉林大學(xué)，2016. WANG Jianwei. The parameter estimation of wideband LFM signal based on compressive sensing[D]. Changchun：Jilin University，2016.(in Chinese)

[10] 程艷合，楊文革，屈文星，等. 壓縮域直擴(kuò)測(cè)控通信信號(hào)載波同步技術(shù)[J]. 電訊技術(shù)，2015，55(6)：585-593. CHENG Yanhe，YANG Wenge，QU Wenxing，et al.Carrier synchronization technique for compressed domain DS TT&C and communication signal[J]. Telecommunication Engineering，2015，55(6)：585-593.(in Chinese)

[11] 邵文澤，韋志輝. 壓縮感知基本理論：回顧與展望[J]. 中國(guó)圖象圖形學(xué)報(bào)，2012，17(1)：1-12. SHAO Wenze，WEI Zhihui. Advances and perspectives on compressed sensing theory[J]. Journal of Image and Graphics，2012，17(1)：1-12.(in Chinese)

[12] 王康. 基于壓縮感知的LFM雷達(dá)信號(hào)偵察處理算法研究[D].北京：裝備學(xué)院，2014. WANG Kang. Research on signal reconnaissance algorithms of LFM radar based on compressed sensing[D]. Beijing：Equipment Academy，2014.(in Chinese)

[13] 王康，敖洪，周波，等. 基于變步長(zhǎng)搜索的壓縮感知信號(hào)檢測(cè)和信源個(gè)數(shù)估計(jì)算法[J]. 計(jì)算機(jī)工程與應(yīng)用，2016，52(4)：80-84. WANG Kang，AO Hong，ZHOU Bo，et al.Detection and source number estimation algorithm for compressive sensing signal based on variable step search[J]. Computer Engineering and Applications，2016，52(4)：80-84.(in Chinese)

[14] 趙秀. 均值不等式的應(yīng)用與實(shí)踐[J]. 黑龍江科學(xué)，2016，7(23)：25-26. ZHAO Xiu. Application and practice of mean value inequality[J]. Heilongjiang Science，2016，7(23)：25-26.(in Chinese)

更正聲明

本刊2017年第3期發(fā)表的《基于像素失真耦合邊緣特征融合的無參考質(zhì)量評(píng)價(jià)》(doi:10.3969/j.issn.1001-893x.2017.03.018)一文作者羅陽倩子和廖威的單位均為“廣東農(nóng)工商職業(yè)技術(shù)學(xué)院，廣州 510507”，對(duì)應(yīng)的英文單位為“Guangdong AIB Polytechnic,Guangzhou 510507,China”。

特此更正。

本刊編輯部

SignalParameterEstimationBasedonSparseCoefficientandMulti-stageSearchStrategy

QIN Guoling，LIU Yanqun,ZHANG Guangliang,LIU Wang,YANG Li

(Jiuquan Satellite Launch Center,Jiuquan 732750,China)

Estimation of signal parameter is the key procedure in blind signal processing,which is very important for subsequence signal capture analysis. In order to solve the problem of signal parameter estimation in compressed domain,a new algorithm for signal parameter estimation is proposed.According to the characteristics that the sparse coefficient has same location information between different measurement matrix in same sparse dictionary,it realizes the signal parameter interval pre-estimation.It uses the optimal multi-level search strategy to reduce atom numbers in sparse dictionary. Simulations of the linear frequence modulation(LFM) signal show that the algorithm obtains high estimation performance and decreases computational complexity.

signal parameter estimation;compressed sensing;sparse location estimation;multi-stage search strategy;orthogonal matching pursuit(OMP)

date:2016-12-05；Revised date：2017-05-10

10.3969/j.issn.1001-893x.2017.09.002

秦國(guó)領(lǐng),劉艷群,張廣良,等.基于稀疏系數(shù)和多級(jí)搜索策略的信號(hào)參數(shù)估計(jì)[J].電訊技術(shù)，2017,57(9):986-991.[QIN Guoling，LIU Yanqun,ZHANG Guangliang,et al.Signal parameter estimation based on sparse coefficient and multi-stage search strategy[J].Telecommunication Engineering,2017,57(9):986-991.]

TN971.1

：A

：1001-893X(2017)09-0986-06

秦國(guó)領(lǐng)(1990—)，男，河南周口人，2014年于裝備學(xué)院獲碩士學(xué)位，現(xiàn)為工程師，主要研究方向?yàn)楹教鞙y(cè)控、信號(hào)處理和效能評(píng)估；

Email:qinguoling@outlook.com

劉艷群(1990—)，女，湖南株洲人，助理工程師，主要研究方向?yàn)樾盘?hào)處理、導(dǎo)航仿真；

張廣良(1987—)，男，安徽阜陽人，工程師，主要研究方向?yàn)樾盘?hào)處理和壓縮感知；

劉旺(1989—)，男，湖南湘潭人，工程師，主要研究方向?yàn)樾盘?hào)處理和壓縮感知；

楊力(1976—)，男，陜西西安人，工程師，主要研究方向?yàn)樾盘?hào)處理和壓縮感知。

2016-12-05；

：2017-05-10

**通信作者：qinguoling@outlook.com Corresponding author：qinguoling@outlook.com