最新要闻
- 烟台高新区不断推进工程建设项目审批“应享尽享”水平 世界速看料
- 不愧是高端旗舰 RTX 4090游戏本性能爆棚:前提不差钱
- 高达12种!小米13成为史上颜色最多的小米手机
- 掀翻OLED!苹果自研MicroLED屏幕:进展顺利-每日速看
- 咋回事?董明珠1150万股格力股份遭冻结 市值约4亿元
- 对标拼多多?抖音推出“超便宜的小店”:试水低价电商|全球快看点
- 无锡市举办纪念五四运动 104周年主题团日活动
- 深圳:港澳青年在深创业个人最高可贷60万元
- 苹果联合创始人炮轰马斯克自动驾驶画饼:想死就买特斯拉!
- 李佳琦面试75岁奶奶主播引围观:老人直呼为推广国货努力 这是国家自信
- 开封市通许县四所楼镇:让社情民意联络点当好民声传话筒|全球快讯
- 支持华为HMS服务!酷比魔方Pad 50Pro发布 首发899元
- 世界热点评!陌陌被苹果下架 官方回应:技术问题正解决 老用户不影响
- 这五一超20万人去淄博:鲁C变身网红旅游名城_快资讯
- 当前讯息:怎么看?老人欲插队被服务员严词拒绝:前有插队婆孙被网曝 还被做车贴很恶心
- 功能不成熟 马斯克推特直播秒变马赛克 网友吐槽:8-Bit埃隆_世界新要闻
手机
iphone11大小尺寸是多少?苹果iPhone11和iPhone13的区别是什么?
警方通报辅警执法直播中被撞飞:犯罪嫌疑人已投案
- iphone11大小尺寸是多少?苹果iPhone11和iPhone13的区别是什么?
- 警方通报辅警执法直播中被撞飞:犯罪嫌疑人已投案
- 男子被关545天申国赔:获赔18万多 驳回精神抚慰金
- 3天内26名本土感染者,辽宁确诊人数已超安徽
- 广西柳州一男子因纠纷杀害三人后自首
- 洱海坠机4名机组人员被批准为烈士 数千干部群众悼念
家电
环球信息:基于原子范数的深度展开网络实现
严肃声明
严格禁止未经本人允许转载本文工作成果(包括引言、证明、代码分析等),一经发现被用于学术或商业用途,将予以法律警告。
引言
毫米波雷达具有较高的中频带宽和多普勒带宽,这决定了其在距离和速度维的高分辨率特性,即目标相对雷达的空间距离与速度具有强确定性。然而,现阶段毫米波雷达多以小阵列孔径为主,因此限制了其角度分辨能力。为提升雷达的角分辨性能,现有的两种手段为虚拟孔径和超分辨·DOA估计·算法,增加虚拟孔径的方案有MIMO
方式(通过TDM-MIMO
以牺牲时间分辨为代价换取空间分辨)、自适应波形设计(对每个载波可以进行频率和相位的调制使每根接收天线在不同时间产生不同的相位,以虚拟出更多的接收天线)等。超分辨率算法则更偏向于后端信号处理,通过充分利用阵列接收信号或协方差矩阵中信息提升角度分辨性能。
DOA估计算法
的起源最早可追溯到常规波束形成算法(Conventional Beamforming,CBF
),这种算法将不同阵元接收到的信号视为不同间隔时间的采样数据,通过傅里叶变换将信号扩展到空域,实现空间谱估计。CBF方法容易受到瑞利极限的约束,无法分辨同处一个波束内的待测目标。为将时域非线性信号处理技术扩展到空间谱估计领域,谐波分析法、最小方差谱估计法、最大熵谱法被提出用于克服瑞利限的约束,但未充分利用阵元的二阶统计特性,难以满足实际工程需求。
(资料图片)
为突破瑞利极限约束,子空间方法被提出用改进空间信号估计性能,最典型的代表为由Schmidt等提出的多重信号分类方法(Multiple Signal Classification,MUSIC
)和由Roy
等提出的旋转子空间方法(Esitimating Signal Parameter via Rotation Invariance Techniques,ESPRIT
),前者是基于信号子空间和噪声子空间的正交性先验,通过对搜索噪声子空间的零谱谱峰来估计信号在空间中的位置;后者是基于子阵列的信号子空间旋转不变性来求解旋转因子确定入射信号位置。实质上,这两种方法均基于严格的数据模型和协方差矩阵假设,具有较强的参数依赖性,对模型误差的容忍性有限,且对快拍数及信噪比、信号源相关性等外部条件要求较高。当参数假设不充分满足时,信号子空间和噪声子空间会发生能量泄露,即子空间正交性或旋转不变性不严格满足,因而影响角度估计性能。除了子空间分解以外,以最大似然方法(Deterministic maximum likelihood,DML
)为代表的子空间拟合方法是另一种参数化模型的体现,这种方法通过对阵列流形矩阵和阵列接收信号子空间之间的最佳拟合实现对目标信号的估计,弥补了子空间分解方法在小快拍、低信噪比、相干源下的性能缺陷;然而,这种方法需要对目标信号来向进行联合搜索,计算复杂度较高,难以应用于实际的场景中。除此以外,子空间方法存在的共性问题是信源数目依赖性。
随着信号理论的发展,Candes
等提出了压缩感知理论,其打破了奈奎斯特采样定理中采样率的带宽限制条件,可使用较低的采样率实现有效信息的恢复,为DOA估计
算法的设计打开了新思路。在DOA估计
中,若将空域视为完备角度集,空间中不存在信号的角度对应的能量可视为零,只有少数项为非零值,那么目标入射信号相对整个空域范围是稀疏的,因此可以通过完备基中若干个原子的线性组合来表示目标信号,进而提取有用信息。通常,压缩感知重构算法可以等价为欠定方程组的求解问题,但由于解的稀疏性未知,该问题等价为基于\(l_0\)范数的NP-HARD
问题。为解决NP-HARD
问题,现前的研究主要基于信源与网格匹配假设分为在网(on-grid
)、离网(off-grid
)和无网格(gridless
)等三类模型。
在网模型是通过采样将空域角度离散化处理,并假设入射信号恰好落在网格上,然后扩展阵列接收模型得到的空域完备阵列接收模型。Mallat
等利用完备集在信号稀疏重构中的特性,提出了匹配追踪算法,即"通过逐次迭代从完备集中选取基函数实现与前次残差信号最匹配的原子作为支撑,然后将上次残差减去其在已选支撑上的投影作为新的残差”,直至满足收敛。这种算法便于实现且计算量小,无需依赖噪声先验假设,但是分辨能力不足且收敛性无法保证。为改善匹配追踪类算法的缺陷,以\(L_p\)范数类凸优化问题为代表的的稀疏重构算法被提出,这类方法降低了信源数要求,在低信噪比、少快拍等信号环境具有较好的性能,典型的代表有\(L_1-SVD\)、\(L_1-SRACV\)(Sparse Representation of Array Covariance Vectors
)、SPICE
(Sparse Iterative Covariance-based Estimation
)等。Malioutov
提出的\(L_1-SVD\)方法从信号本身出发,通过构造包含波达角信息的过完备字典,将DOA估计
问题转换为稀疏向量恢复问题,有效解决了单快拍和相干信号源下估计性能不足的问题,并且采用奇异值分解降低了多快拍数据矩阵求解的复杂度,但其全局极值解相对真实信号是有偏的。Yin
等人提出的\(L_1-SRACV\)方法通过利用协方差矩阵中的信号方位和快拍能量信息,可实现更好的空间信号重构,但依赖于协方差矩阵的精确估计,即对快拍要求高。为降低快拍数对协方差矩阵的影响,Stoica
等提出了SPICE
方法,通过采用协方差拟合标准可得到近似真实协方差矩阵的估计值,进而实现DOA估计。除以上方法外,迭代自适应算法(Iterative Adaptive Approach,IAA)
则是基于加权最小二乘法的非参自适应谱估计方法,通过最小化干扰和噪声的代价函数逐步迭代找到信号的稀疏表示,这种方法无需目标数目先验,在单快拍条件下亦可取得不错的估计性能。
实际中,当目标入射信号偏离网格时会形成网格失配效应,进而影响高精度DOA估计
性能。解决网格失配效应有两种思路:其一为增加网格采样密度,但这会导致计算复杂度的增加,并且加剧字典原子相关性以破坏有限等距性(Restricted Isometry Property,RIP
)条件;其二为通过将网格参数化处理,和稀疏信号联合处理实现估计,即离网模型。离网模型主要可分为基于偏移量和基于动态网格这两类方法。偏移量模型是通过在阵列导向矢量引入一阶泰勒展开纠正项,以构建一阶偏移量和稀疏信号共同作为联合变量的估计模型,Yang
等提出的OGSBI(Off-Grid Sparse Bayesian Inference)
则是最经典的代表算法,能够有效地恢复各信号空域特征参数。动态网格方法则是通过在信号模型中引入网格变量后求解稀疏信号恢复问题。Austin
等人提出了一种基于\(L_1\)范数的优化模型,这种方法可以实现求解非凸模型,但存在正则化参数的选取问题。Hu
等则利用变分稀疏贝叶斯的思想对稀疏信号和网格进行了联合求解。
尽管离网模型在一定程度上缓解了网格失配效应,但这引入了额外的网格变量,增加了模型的复杂度,并且在求解非凸优化过程中难以保证全局收敛;其本质上仍为网格模型,并且受到RIP
限制。为了调和离散的网格点和系统模型连续的值域空间之间的矛盾,以协方差拟合标准和原子范数理论为代表的无网格方法提供了新的思路。Yang等基于SPICE中的协方差拟合标准提出了无网格SPICE(Gridless Spice,GLS)
和稀疏参数方法(Sparse and Parametric Approach,SPA)
,这两者相互补充,SPA
是GLS
在多快拍场景中的扩展,这两种方法无需噪声功率和入射信号个数等先验,不涉及正则化参数,在小快拍下可实现渐近最大似然估计。Tang等提出了无噪声情况下基于半定规划(Semi-Definite Programming,SDP)
的线谱估计和有噪声情况下采用原子范数软阈值法(Atomic Norm Soft Thresholding,AST)
的线谱恢复方法,并验证了原子范数性能显著优于\(L_1\)范数。然而,基于无网格模型的需求求解SDP问题,计算复杂度较高,因此,交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)
相比CVX
工具箱而言能够提供更高的计算效率与全局收敛保障。
总的来说,毫米波雷达的角度分辨性能受限于物理孔径,且现有的空间谱估计方法多依赖于大快拍、信噪比以及计算资源等限制,难以在真实场景中实现高精度的多目标方位估计与分辨。有鉴于此,本文旨在通过结合深度展开网络
和基于ADMM优化的原子范数
方法,将稀疏表示算法展开为一个以算法迭代次数为层数、算法参数为网络学习参数的神经网络,旨在克服无网格估计方法SDP
求解的计算复杂度高、ADMM
最优解易受参数初值选择影响等问题,实现单快拍下目标的鲁棒定位。
方法论
原子范数理论
目标定位主要通过对雷达的天线维信号处理以恢复出真实目标在空间中的位置分布,为目标理解提供可靠的数据保证。现有的目标定位方法包括子空间分解、子空间拟合以及稀疏重构等,这些方法具有较强的可解释性与稳定性,但在小阵列孔径、单快拍和低信噪比等条件约束下的目标估计性能较差,并且计算复杂度较高;相较而言,以深度学习为主的目标定位方法则具有更快的推理和估计能力,但其可解释性较差。
为结合传统理论模型和深度学习的优势,深度展开方法提供了新的解决思路。深度展开方法将特定的系数重构方法展开为深度神经网络,将算法的迭代次数作为层数,算法参数则作为网络的学习参数。现前,基于迭代软阈值的学习算法(Iterative Soft Thresholding Algorithm Based Learning,LISTA)
实现了阵列缺陷下的快速DOA估计
,迭代定点连续算法(Iterative Fixed-point Continuation, FPC)
通过和深度神经网络结合实现了单比特DOA估计
。诚然,通过有效地结合模型驱动与数据驱动的方法,与原有稀疏重构方法相比,深度展开方法能够大大降低计算复杂度,并实现更好的全局收敛、提升DOA估计
性能。基于上述思想,本研究提出了基于无网格原子范数的深度展开方法,这种方法的底层原理基于交替方向投影算子优化的一阶原子范数理论,通过网络优化正则参数和惩罚因子,可有效解决参数初始化不合理造成的收敛和估计问题。
在窄带信号模型中,设有M
个阵元组成的均匀线性阵列接收K
个远场窄带信号,那么阵列信号模型可以表示为:\(y=x+n=A(θ)s+n\)
其中,\(A(θ)=[a(θ_1 ),a(θ_2 ),…,a(θ_K)]\)为阵列流形矩阵,\(a(θ_k )=[1,e^{-j2πdsinθ_k/λ},….,e^{-j2π(M-1)dsinθ_k/λ}]\), \(s\)为入射信号,\(n\)为高斯白噪声信号。
引入一个可描述连续参数空间的无限字典,即为原子集合A
,那么该集合可以表述为\(A={a(θ_k ):θ∈[-90,90]}\)。原子集合对应的凸包为conv(A)
,凸包关于原点中心对称,由原子集合A
中的元素a构成,并且A
中的任意元素不会处在除a
以外的其他元素构成的凸包conv(A/a)
中,即A的元素都是conv(A)
的极值点。
原子范数由凸包conv(A)
的尺度函数定义,通过\(‖·‖_A\)表征。对单快拍信号x
在凸包上的原子范数可以表示为:\(\left\|x\right\|_A=\inf\limits_{f_k,s_k}\{t>0\colon X\in t\text{con}v(A)\}\)
根据范德蒙分解定理,将\(‖·‖_A\)原子范数转化为等价的SDP
形式为:\(\|x\|_A=\min\frac{1}{2}(t+u_1),s.t.\begin{bmatrix}t&&x^H\\ x&&T(u)\end{bmatrix}\geq0\)
其中,\(u_1\)为\(u\)的第一个元素。
在有噪声环境下,可以纠正无噪声原子范数表达式为如下目标函数:\(\min\limits_{t,u}\|y-x\|_2^2+\tau\|x\|_A\)其中,\(‖·‖_2\)表示向量的\(L_2\)范数,\(\tau\)为正则化参数,其取值体现了不同项的权重。根据原子范数的定义,将有噪声问题转化为SDP
问题,即:
\(\min\limits_{t,u}\frac{1}{2}\|y-x\|_2^2+\frac{\mathtt r}{2}\big(t+u_1\big),s.t.\begin{bmatrix}t&&x^H\\ x&&T(u)\end{bmatrix}\ge0\)
其中\(T(u)\in C^{M\times M}\)是托普利兹矩阵。
如果考虑多快拍下的情况,那么对应的原子范数可以定义为\(\|X\|_{A_{MMV}}=\inf\limits_{f_{k},\mathcal{x_k}}\{t>0\colon X\in tconv\big(A_{MMV}\big)\}\)
等价的半正定规划形式为:
\(\|X\|_{A_{MMV}}=\min\limits_{W,u}\frac{1}{2\sqrt{M}}\big[tr(W)+tr\big(T(u)\big)\big],s.t.\begin{bmatrix}W&X^H\\ X&T(u)\end{bmatrix}\geq0\)
其中,tr(⋅)
表示矩阵的迹。与之对应的DOA估计问题则可以表述为:\(\min\limits_{t,u}\frac{1}{2}\|Y-X\|_F^2+\eta\|X\|_A\)
\(‖N‖_F\)表示矩阵的Frobenious
范数,它的定义为\(\|N\|_F=\left(\sum_{i=1}^m\sum_j^n\bigg|n_{i,j}\bigg|^2\right)^{\frac{1}{2}}\),至此,多快拍条件下原子范数最小化的优化问题可以转换为以下的SDP
问题:\(\operatorname*{min}_{t,u}\frac{1}{2}\|Y-X\|_{\mathsf{F}}^{2}+\frac{\eta}{2\sqrt{M}}\Big[t r(W)+t r\Big(T(u)\Big)\Big],s.t.\Big[\begin{matrix}{T(u)}&{X}\\ {X^{H}}&{W}\end{matrix}\Big]\geq0\)
ADMM推导
通过凸优化工具箱可以求解上述单快拍和多快拍原子范数的SDP
问题的解\(T(u)\),之后基于半正定托普利兹矩阵的范德蒙分解特性利用估计得到的矩阵\(T(u)\)实现DOA估计
,或利用子空间方法实现DOA估计
。考虑到凸优化工具包求解复杂度较高,可以采用交替方向乘子法ADMM
求解,这种方法通过分解协调过程,将大的全局问题分解为多个较小、较容易求解的局部子问题,并通过协调子问题的解而得到大的全局问题的解,能够较好地保证算法的收敛性与减少算法的求解时间。在使用ADMM
求解无网格DOA`估计问题时,以多快拍信号为例,求解流程可表述如下:
将优化问题重写为下述形式:\(\min\limits_{t,u}\frac{1}{2}\|Y-X\|_F^2+\frac{\tau}{2}\big(Tr(W)+Tr(u)\big),s.t.Z=\begin{bmatrix}T(u)&X\\ X^H&W\end{bmatrix},Z\geq0.\)
将上式重写为无约束条件下的增广拉格朗日函数形式,\(\Lambda\)为拉格朗日乘子
\(L_\rho=\frac{1}{2}\|Y-X\|_2^2+\frac{\tau}{2}(Tr(W)+Tr(u))++\frac{\rho}{2}\|\Theta-\begin{bmatrix}T(u)&X\\ X^{H}&W\end{bmatrix}\Vert^2\)
依次对各变量进行求导更新,步骤如下:
\((X^{k+1},W^{k+1},u^{l+1}){\leftarrow}\textbf{argmin}_{t,u,x}{L}_{\rho}(W,u,X,\Theta^k,\Lambda^k)\)
\(\Theta^{k+1}{\leftarrow}\mathbf{argmin}_{Z\geq0}L_{\rho}(W,u,X,\Theta^{k},\Lambda^{k})\)
\(\Lambda^{k+1}{\leftarrow}\Lambda^{k}+\rho(\Theta^{k+1}-\left[\begin{matrix}T(u^{k+1})&X^{k+1\cdot}\\ (X^{k+1})^{H}&W^{k+1}\end{matrix}\right])\)
对变量\(t,x,u\)的更新过程表述如下:(可以参考范数经典问题的推导与分析,如果实在觉得困难不能够胜任矩阵形式的推导,在评论区或私信笔者会提供一份矩阵版本的推导。)
\(X^{(k+1)}=1/(1+2\rho)(Y+2\Lambda_{X}^{(k)}+2\rho\Theta_{X}^{(k)})\)
\(W^{k+1}=\Theta_W^{(k)}+\frac{\Lambda_W^{K}-\frac{\tau}{2}I_L}{\rho}\)
\(u^{(k+1)}=\Gamma\left(T^*\left(\Theta_{T(u)}^k+\frac{\Lambda_{T(u)}}{\rho}\right)-\frac{\tau}{2\rho}Me_1\right),\Gamma_{ii}=\begin{cases}\frac{1}{M},i=1\\ \frac{1}{2(M-i+1)},i>1\end{cases}\)
其中,\(Γ\)为对角矩阵。
\(\Theta^{(k+1)}=\begin{bmatrix}T\left(u^{k+1}\right)&&X^{k+1}\\ (X^{k+1})^H&&W^{k+1}\end{bmatrix}-\frac{1}{\rho}\Lambda^{(k)}\)
\(\Lambda^{(k+1)}=\Lambda^{(k)}+\rho(\Theta^{k+1}-[\begin{matrix}{T(u^{k+1})}&{X^{k+1}}\\ {(X^{k+1})^{H}}&{W^{k+1}])}\\ \end{matrix}\)
深度展开
根据上述推导,模型驱动ADMM
算法的参数,包括惩罚因子\(ρ\)和正则化因子\(\tau\)需要预先设置,这对实际应用是一个挑战。同时,不适当的参数设置会降低ADMM算法
的收敛速度和精度,从而增加计算复杂度,降低DOA估计
性能。即使可以通过理论分析和交叉验证方法选择合适的参数,固定的参数设置也不能保证ANM-ADMM
算法的最优收敛。基于深度展开方法的思想,可以将该算法扩展为深度神经网络ANM-ADMM-Net
,并从构造的服从特定分布的数据中学习其最优参数,以解决相关问题。
将ANM-ADMM
的K
次迭代映射为实际的K
层网络,输入信号为\(Y,\Theta^{(0)}=0_{\boldsymbol{M\times L}},\Lambda^{(0)}=0_{\boldsymbol{M\times L}}\),网络可学习参数为\(\Omega=\left\{\Omega^{(k+1)}\right\}_{k=0}^{K-1}=\left\{\rho_{k+1},\tau_{k+1},\eta_{k+1}\right\}_{k=0}^{K-1}\),\(F_{k+1}\{\cdot\}\)包括了5个主要的结构子层,包括重构子层、辅助变量子层、托普利兹变换子层、非线性子层和乘法器子层,可表述如下:
重构子层A
:A
层输出可以作为D
和E
的输入
\(X^{(k+1)}=1/(1+2\rho_{k+1})(Y+2\Lambda_{X}^{(k)}+2\rho_{k+1}\Theta_{x}^{(k)})\)
辅助变量子层B
: (\(τ_{k+1}\)为可学习参数,B
层输出可作为D
和E
的输入。
\(W^{(k+1)}=\rho_{k+1}^{-1}\Lambda_{W}^{(k)}+\Theta_{W}^{(k)}-\tau_{k+1}/2\rho_{k+1}I_{L}\)
托普利兹变换层C
:C
层输出可作为D
和E
的输入
\(u^{(k+1)}=\Gamma\Bigg(T^{*}\left(\rho_{k+1}^{-1}\Lambda_{T(u)}^{(k)}+\Theta_{T(u)}^{(k)}-\frac{x_{k+1}}{2\rho_{k+1}}M e_{1}\right)\Bigg).\)
非线性层D
:
\(\Theta^{(k+1)}=\begin{bmatrix}T(u^{k+1})&X^{k+1}\\ (X^{k+1})^H&W^{k+1}\end{bmatrix}-\rho_{k+1}^{-1}\Lambda^{(k)}\)
\(\Theta^{(k+1)}=Gdiag\big(\{\delta_g\}\big)G^{-1},\Theta^{(k+1)}=Gdiag\Big(\{\delta_g\}_+\Big)G^{-1}\)
乘法器更新子层E
:
\(\Lambda^{(k+1)}=\Lambda^{(k)}+\eta_{k+1}(\Theta^{k+1}-[\begin{matrix}T(u^{k+1})&X^{k+1}\\ (X^{k+1})^{H}&W^{k+1}])\\ \end{matrix}\)
如下图所示为所设计的深度展开网络
核心代码实现
下面给出MATLAB版本
的ANM-ADMM
核心程序和Python版本
的深度展开网络核心程序[PS:笔者在这里挖了坑,防止某些人抱着拿来主义
的心理~]
完整程序请见:链接:评论或私信笔者。
本文的思路是Python
训练模型、获取学习参数表、在Matalb
上进行推理测试。
function [X_new, T_new] = ADMM_ANM(Y, tau_list, rho_list, eta_list, iter) % 本程序针对多快拍下的原子范数ANM应用ADMM求解 % 参考论文:Deep Unfolded Gridless DOA Estimation Networks Based on Atomic Norm Minimization % By Xuliang, 20230304 % Y: 基带信号 % tau: 正则参数 % rho: 惩罚因子 % iter: 迭代次数 % 初始化变量 W X u Theta为0 [M, L] = size(Y); % M 阵元 L 快拍 Lam_old = zeros(M+L, M+L); % [LamT, LamX; LamXH, LamW] The_old = zeros(M+L, M+L); % LamT-M*M LamW-L*L LamX-M*L for id = 1 : iter % 最小化 X W Theta u X_new = (Y + Lam_old(1:M,M+1:end) + Lam_old(M+1:end,1:M)" + rho_list(id) * The_old(1:M,M+1:end) + rho_list(id) * The_old(M+1:end,1:M)") / (1 + 2 * rho_list(id)); % LamX TheX M*L W_new = 1 / rho_list(id) * Lam_old(M+1:end,M+1:end) + The_old(M+1:end,M+1:end) - tau_list(id) / (2*rho_list(id)) *eye(L); % LamW TheW normalizer = 1 ./ [M;((M-1):-1:1)."]; % 归一化系数 e1 = zeros(M,1);e1(1)=1; u = 1 / rho_list(id) * normalizer .* (toeplitz_adjoint(Lam_old(1:M,1:M))... + rho_list(id) * toeplitz_adjoint(The_old(1:M, 1:M)) - tau_list(id) / 2 * M * e1); T_new = toeplitz(u); The_temp = [T_new, X_new; X_new", W_new] - 1 / rho_list(id) * Lam_old; % 对其进行特征值分解 [The_G, The_D] = eig(The_temp); diag_data = diag(The_D); data_idx = find(diag_data>0); The_new = The_G(:, data_idx) * diag(diag_data(data_idx)) * pinv(The_G(:, data_idx)); The_new = (The_new + The_new") / 2; Lam_new = Lam_old + eta_list(id) * (The_new - [T_new, X_new; X_new", W_new]); % 更新 Lam_old = Lam_new; The_old = The_new; end
class AnmNetwork(nn.Module): def __init__(self, K=10): super(AnmNetwork, self).__init__() self.RO = nn.ParameterList([nn.Parameter(torch.FloatTensor([1])) for i in range(K)]) # 惩罚因子 self.TA = nn.ParameterList([nn.Parameter(torch.FloatTensor([1])) for i in range(K)]) # 正则参数 self.ET = nn.ParameterList([nn.Parameter(torch.FloatTensor([1])) for i in range(K)]) # 控制Lamda的学习率 self.max_iter = K # 迭代次数 def forward(self, Y): # Y为输入信号 K为迭代次数 batchs, M, L = Y.size(0), Y.size(1), Y.size(2) # batch * M * snap Theta = torch.zeros(batchs, M + L, M + L, dtype=torch.complex128).to(device) Lamda = torch.zeros(batchs, M + L, M + L, dtype=torch.complex128).to(device) for i in range(self.max_iter): rho = self.RO[i] tau = self.TA[i] eta = self.ET[i] X_new = self.reconstruction_layer(Y, rho, Lamda, Theta, M, L) W_new = self.auxiliary_layer(rho, tau, Lamda, Theta, M) T_new = self.toeplitz_layer(rho, tau, Lamda, Theta, M) Theta = self.nonlinear_layer(rho, T_new, X_new, W_new, Lamda) Lamda = self.multiplier_layer(eta, T_new, X_new, W_new, Lamda, Theta) # 提取 u 向量 uvec = torch.zeros((Lamda.size(0), 1, M), dtype=torch.complex128).to(device) for i in range(M): for j in range(i, M): uvec[:, 0, i] = uvec[:, 0, i] + T_new[:, j, j - i] uvec[:, 0, i] /= (M - i) * 1. # return spectrum uvec = uvec.squeeze(1) return T_new, uvec
参考文献
[1] 范数问题的经典推导, https://www.cnblogs.com/yuxuliang/p/MyNorm_1.html[2] Zhu, H.; Feng, W.; Feng, C.; Ma, T.; Zou, B. Deep Unfolded Gridless DOA Estimation Networks Based on Atomic Norm Minimization. Remote Sens.2023, 15, 13. https://doi.org/10.3390/rs15010013
[3] W. -G. Tang, H. Jiang and Q. Zhang, "Admm for Gridless Dod and Doa Estimation in Bistatic Mimo Radar Based on Decoupled Atomic Norm Minimization with One Snapshot," 2019 IEEE Global Conference on Signal and Information Processing (GlobalSIP), Ottawa, ON, Canada, 2019, pp. 1-5, doi: 10.1109/GlobalSIP45357.2019.8969436.
关键词:
-
天天看热讯:Apache 配置https虚拟主机
一、安装带ssl的Apache2 2 211、安装apache之前需要先检查openssl是否安装完毕,yumlist"*openssl*",如果
来源: 环球信息:基于原子范数的深度展开网络实现
天天看热讯:Apache 配置https虚拟主机
世界快看点丨到底什么是小程序插件?
天天报道:如何不显示我的电脑、回收站等图标?
烟台高新区不断推进工程建设项目审批“应享尽享”水平 世界速看料
不愧是高端旗舰 RTX 4090游戏本性能爆棚:前提不差钱
高达12种!小米13成为史上颜色最多的小米手机
掀翻OLED!苹果自研MicroLED屏幕:进展顺利-每日速看
咋回事?董明珠1150万股格力股份遭冻结 市值约4亿元
对标拼多多?抖音推出“超便宜的小店”:试水低价电商|全球快看点
无锡市举办纪念五四运动 104周年主题团日活动
【天天速看料】Java基础学习之大数字处理相关的类有哪些?
将Windows系统设置NTP服务器-NetTime篇
金仓数据库字符串分割函数_天天速看料
深圳:港澳青年在深创业个人最高可贷60万元
苹果联合创始人炮轰马斯克自动驾驶画饼:想死就买特斯拉!
李佳琦面试75岁奶奶主播引围观:老人直呼为推广国货努力 这是国家自信
环球即时:调试器是个大骗子!
快速高效的C#FTP文件传输库FluentFTP|全球速讯
开心档之MySQL 导入数据-焦点报道
开封市通许县四所楼镇:让社情民意联络点当好民声传话筒|全球快讯
支持华为HMS服务!酷比魔方Pad 50Pro发布 首发899元
世界热点评!陌陌被苹果下架 官方回应:技术问题正解决 老用户不影响
这五一超20万人去淄博:鲁C变身网红旅游名城_快资讯
当前讯息:怎么看?老人欲插队被服务员严词拒绝:前有插队婆孙被网曝 还被做车贴很恶心
功能不成熟 马斯克推特直播秒变马赛克 网友吐槽:8-Bit埃隆_世界新要闻
今年全国快递业务量突破400亿件
常用的热门 API 汇总 环球热推荐
即时看!jasperreport开发手册--ireport教程
世界百事通!什么是EMR?为什么要以电子病历(EMR)为核心,建设医院信息集成平台?
安全验证必备——语音验证码短信 API 当前快看
火山引擎 DataTester 上线全新 MAB 智能调优实验
坎普斯boss怎么打_坎普斯怎么打_当前快讯
一机多用:劲能电钻/电动螺丝刀39元起(100元大额券) 每日速递
【天天热闻】向华为供货740万块硬盘 被重罚3亿美元!希捷:已和解并开始付罚金
当前观点:特斯拉公共充电桩功率仅23KW 比亚迪车主一度愧疚:把人家功率吸走了
又一五菱神车!宝骏悦也5月15日首发:车尾背个“大手表”
iPhone平均售价越来越高了!Pro和Pro Max最受果粉喜爱
当前短讯!浙江师范大学2023年硕士研究生复试录取办法
seventeen是哪个公司?seventeen在韩国是几线?seventeen有几个人?
冰淇淋和冰激凌区别是什么?明胶在冰淇淋中的作用是什么?
厨师的高帽子叫什么?为什么厨师要戴白色高帽子?
梦华录里的西京是哪里?梦华录是在哪些地方取景?
富士山在日本的哪里?富士山是私人的吗?富士山为什么是私人的?
boot priority是什么意思?boot priority怎么设置?
小米3s什么时候上市的?小米3s参数配置
百度网盘邀请码怎么使用?百度网盘邀请码大全
辽篮回沈阳!全员餐厅吃饭,张镇麟狂笑,莫兰德搞怪,回去仍加练-今亮点
centos7安装oracle11g11.2.0.4.0
【解决办法】三层交换机通过静态路由和接口互联,实现不同VLAN间通信的两种方法
ES全文检索,Neo4J,activiti审批流的知识库管理系统
thinkpad扩展坞接口怎么用?thinkpad的扩展坞有什么用?
移动磁盘无法写入文件怎么回事?移动磁盘无法写入文件怎么解决?
调查显示:电影“五一”档女性观众购票用户首次突破六成
699元 70迈4K旗舰行车记录仪A810发布:首发索尼IMX678_环球热头条
祝融号有重大发现:火星低纬度存在液态水
联想小新K3机械键盘发布:199元 91键小而全
天天头条:国内油价有望怒跌超3毛!基本抵消掉第八轮的微涨4毛
热血又感人!海外影迷评《长空之王》:5岁儿子非常喜欢
有景区免费发冰棍,有景区一盘炒鸡蛋48元——记者调查五一小长假山西景区旅游现状
当前关注:Zabbix“专家坐诊”第190期问答汇总
Linux IMX6ULL RTC掉电不保存问题解决|全球快报
苏宁零钱宝在哪里查看_苏宁零钱宝 环球看点
小记者手抄报 赛场小记者手抄报
放心买吧!最新研究:电动车电池比车本身更耐用|天天微资讯
真我11系列来了:2亿新影像 支持多焦段无损变焦
视点!小米13 Ultra全新限量定制色成了!雷军称特别多人喜欢 非常意外
赔钱卖车?福特汽车加入价格战 电动车利润率-102%
7人吃自助4小时炫300多个螃蟹 还有四五十盒榴莲等:网友直呼厉害_环球热讯
『徐州味·旅游季』料足滋味长 天天热头条
ios证书免费分享
滚动:【财经分析】清洁能源基础设施REITs发展空间广阔 应高度重视项目前期培育
天天快看:3699元起!联想小新mini主机上市:13代酷睿标压处理器加持
全球快报:全球多地出现罕见高温!厄尔尼诺或将带来全球变暖新高峰
秒杀安卓所有!苹果发财报:iPhone全球卖爆 营收历史新高 库克感谢国人|全球焦点
环球即时:演员张智霖在线求华为Mate X3息屏显示长开 华为李小龙回应
世界今热点:政策多管齐下撬动农村大市场
工银国际对美联储5月FOMC点评:加息“暂停” 降息“未定” 环球实时
【财经分析】欧洲央行最激进的货币紧缩周期将进入尾声_焦点信息
今热点:厂里不签合同还扣工资
欧盟警告苹果不准加密USB-C接口:必须兼容安卓数据线/充电器 否则禁售-快报
vivo X90S曝光:处理器升级为天玑9200+ 安卓最强芯-新要闻
男子误把每月汇款当捐款 4年收到24万竟是工资引热议:专家喊话薪酬透明化
世界看点:学系统集成项目管理工程师(中项)系列17b_范围管理(下)
淄博鸭头小哥直播中气到落泪:被女粉骚扰 1天18万人逛仅卖6千元-观察
当前关注:孝敬父母事迹(关于孝敬父母的名言)
【解决方法】调整CRT终端窗口的配色,透明度,标题栏内容,并自定义配色
销量火爆!AMD 12nm Zen+锐龙APU重出江湖:专供中国 热推荐
注意!一种藏在厨房的致癌物 很多人都忽略了 天天关注
给AI 100美元 让它去赚钱:结果真的“赚”大了 全球资讯
一款满足所有“X幻想”的App:消失4年 终于回来了_全球快看
天天速读:光荣使命ol进不去咋办_光荣使命ol进不去
支付宝转账被骗能追回_支付宝被骗了怎样能追回钱
贵州财经大学创新创业园:创业孵化助力青年创业“圆梦” 消息
重庆成立青年团员律师法律服务志愿队 将开展百场普法宣讲
环球新资讯:Exp6 MSF应用基础
环球微资讯!“世界上最难修的铁路”:青藏铁路将开行复兴号
西湖景区通报1500元打捞手机、日入一万:竟是自导自演-世界热点评
【全球聚看点】SK海力士中国工厂增产“落后”工艺:内存还要降价15%!
快资讯:日均充电车辆8700台次 湖南高速服务区护航“五一”绿色出行