| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景及其意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 空间谱估计研究现状 | 第11-12页 |
| 1.2.2 基于压缩感知的DOA估计研究现状 | 第12-14页 |
| 1.3 论文的工作内容及安排 | 第14-15页 |
| 第二章 压缩感知理论与传统DOA估计方法 | 第15-30页 |
| 2.1 压缩感知基本理论 | 第15-17页 |
| 2.1.1 信号的稀疏表示 | 第15-16页 |
| 2.1.2 信号的压缩采样 | 第16页 |
| 2.1.3 信号的稀疏重构条件 | 第16-17页 |
| 2.2 稀疏信号重构算法 | 第17-20页 |
| 2.2.1 凸优化算法 | 第18页 |
| 2.2.2 贪婪算法 | 第18-20页 |
| 2.3 DOA估计理论介绍 | 第20-29页 |
| 2.3.1 DOA估计基本原理 | 第20-23页 |
| 2.3.2 传统的DOA估计算法 | 第23-29页 |
| 2.3.3 压缩感知与DOA估计之间的联系 | 第29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 经典CS-DOA估计算法 | 第30-52页 |
| 3.1 CS-DOA估计算法的稀疏表示模型 | 第30-32页 |
| 3.2 基于混合范数约束法的DOA估计 | 第32-46页 |
| 3.2.1 l_1-SVD算法 | 第32-36页 |
| 3.2.2 自相关矩阵稀疏重构法 | 第36-39页 |
| 3.2.3 加权1l范数最小化约束法 | 第39-46页 |
| 3.3 基于贝叶斯压缩感知的DOA估计算法 | 第46-51页 |
| 3.4 本章小结 | 第51-52页 |
| 第四章 基于面阵的二维DOA估计算法 | 第52-65页 |
| 4.1 信号接收模型 | 第52-55页 |
| 4.1.1 基于UCA的信号接收模型 | 第52-54页 |
| 4.1.2 基于URA的信号接收模型 | 第54-55页 |
| 4.2 常用面阵模型的DOA估计方法及仿真分析 | 第55-58页 |
| 4.2.1 基于子空间分解类算法的二维DOA估计 | 第55-57页 |
| 4.2.2 基于稀疏表示算法的二维DOA估计 | 第57-58页 |
| 4.3 基于可分割的观测模型的稀疏表示DOA估计算法 | 第58-64页 |
| 4.3.1 信号模型 | 第58-60页 |
| 4.3.2 算法介绍及仿真 | 第60-64页 |
| 4.4 本章小结 | 第64-65页 |
| 第五章 基于可分割的观测模型DOA估计算法的改进 | 第65-76页 |
| 5.1 基于MT-BCS算法分步重构方法 | 第65-68页 |
| 5.2 基于加权l_1范数最小化约束与MT-BCS结合的分步重构方法 | 第68-74页 |
| 5.2.1 加权l_1范数最小化约束重构辅助变量Z | 第69-70页 |
| 5.2.2 MT-BCS方法重构稀疏矩阵R | 第70-74页 |
| 5.3 本章小结 | 第74-76页 |
| 第六章 总结与展望 | 第76-78页 |
| 6.1 本文工作总结 | 第76页 |
| 6.2 展望 | 第76-78页 |
| 致谢 | 第78-79页 |
| 参考文献 | 第79-83页 |
| 攻读硕士学位期间取得的成果 | 第83-84页 |
