| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 第1章 绪论 | 第9-21页 |
| 1.1 引言 | 第9页 |
| 1.2 研究意义及选题背景 | 第9-11页 |
| 1.3 研究问题概述 | 第11-18页 |
| 1.3.1 矢量水听器与声矢量阵列信号处理 | 第11-14页 |
| 1.3.2 空间谱估计 | 第14-16页 |
| 1.3.3 信号的稀疏分解 | 第16-17页 |
| 1.3.4 压缩感知理论 | 第17-18页 |
| 1.4 本文的主要研究工作和内容安排 | 第18-21页 |
| 第2章 相关理论基础 | 第21-32页 |
| 2.1 引言 | 第21页 |
| 2.2 阵列信号数学模型 | 第21-25页 |
| 2.2.1 阵列形式 | 第21-23页 |
| 2.2.2 窄带信号模型 | 第23-24页 |
| 2.2.3 宽带信号模型 | 第24-25页 |
| 2.3 稀疏表示理论 | 第25-27页 |
| 2.3.1 信号的稀疏表示 | 第25页 |
| 2.3.2 超完备冗余字典 | 第25-27页 |
| 2.4 压缩感知理论 | 第27-30页 |
| 2.4.1 压缩感知理论的基本原理 | 第27-28页 |
| 2.4.2 观测矩阵的设计 | 第28-29页 |
| 2.4.3 信号重构 | 第29页 |
| 2.4.4 常用的重构算法介绍 | 第29-30页 |
| 2.5 本章小结 | 第30-32页 |
| 第3章 声矢量阵方位估计方法研究 | 第32-40页 |
| 3.1 引言 | 第32页 |
| 3.2 声矢量水听器阵列方位估计模型 | 第32-33页 |
| 3.3 方位估计基本方法 | 第33-38页 |
| 3.3.1 波束形成法 | 第33-35页 |
| 3.3.2 MVDR算法 | 第35-36页 |
| 3.3.3 MUSIC算法 | 第36-38页 |
| 3.4 基于稀疏重建的水声目标方位估计 | 第38-39页 |
| 3.4.1 数学模型 | 第38-39页 |
| 3.4.2 稀疏重构算法实现目标方位估计 | 第39页 |
| 3.5 本章小节 | 第39-40页 |
| 第4章 基于压缩感知理论的声矢量阵方位估计 | 第40-47页 |
| 4.1 引言 | 第40页 |
| 4.2 基于压缩感知的声矢量阵方位估计模型 | 第40-41页 |
| 4.3 平滑l_0范数的原理 | 第41-43页 |
| 4.3.1 平滑l_0范数的基本原理 | 第41-42页 |
| 4.3.2 平滑l_0范数算法的流程 | 第42-43页 |
| 4.4 实验仿真及结果分析 | 第43-46页 |
| 4.4.1 压缩感知声矢量阵方位估计 | 第44页 |
| 4.4.2 各算法角度分辨能力比较分析 | 第44-45页 |
| 4.4.3 各算法运算耗时比较分析 | 第45页 |
| 4.4.4 不同输入信噪比下各算法误差分析 | 第45-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第5章 基于稀疏贝叶斯学习的远场低速目标方位估计方法研究 | 第47-57页 |
| 5.1 引言 | 第47页 |
| 5.2 基于稀疏贝叶斯学习算法（SBL）的矢量阵方位估计原理 | 第47-50页 |
| 5.2.1 建立信号AR模型 | 第47-48页 |
| 5.2.2 稀疏贝叶斯学习算法原理 | 第48-49页 |
| 5.2.3 矢量阵稀疏贝叶斯学习DOA算法中超参数求解过程 | 第49-50页 |
| 5.3 实验仿真及结果分析 | 第50-55页 |
| 5.3.1 算法有效性分析 | 第51-53页 |
| 5.3.2 性能比较分析 | 第53-55页 |
| 5.4 本章小结 | 第55-57页 |
| 第6章 总结与展望 | 第57-61页 |
| 6.1 主要研究成果 | 第57-58页 |
| 6.2 工作展望 | 第58-61页 |
| 参考文献 | 第61-65页 |
| 攻读硕士学位期间发表或撰写的学术论文 | 第65-67页 |
| 致谢 | 第67页 |
