摘要 | 第4-6页 |
Abstract | 第6-8页 |
第1章 绪论 | 第15-35页 |
1.1 课题的研究背景和意义 | 第15-17页 |
1.2 亚奈奎斯特采样研究现状分析 | 第17-31页 |
1.2.1 多陪集采样研究现状 | 第17-18页 |
1.2.2 压缩感知与模拟-信息转换研究现状 | 第18-24页 |
1.2.3 MWC亚奈奎斯特采样及其研究现状 | 第24-31页 |
1.3 现有亚奈奎斯特采样技术比较及分析 | 第31-33页 |
1.4 本文的主要研究内容 | 第33-35页 |
第2章 基于随机投影思想的多测量向量问题重构算法研究 | 第35-64页 |
2.1 引言 | 第35页 |
2.2 多测量向量问题与亚奈奎斯特采样重构 | 第35-41页 |
2.2.1 多测量向量问题及MWC采样重构概述 | 第36-39页 |
2.2.2 相关研究工作及分析 | 第39-41页 |
2.3 RPMB算法框架 | 第41-44页 |
2.3.1 RPMB算法框架原理证明 | 第41-43页 |
2.3.2 RPMB算法框架描述及分析 | 第43-44页 |
2.4 RPMB框架下MMV求解器算法 | 第44-51页 |
2.4.1 求解器算法描述 | 第44-45页 |
2.4.2 求解器算法分析 | 第45-51页 |
2.5 仿真实验及结果分析 | 第51-63页 |
2.5.1 RPMB框架在求解一般MMV问题中的重构性能实验 | 第51-57页 |
2.5.2 RPMB框架在亚奈奎斯特采样中的重构性能实验 | 第57-63页 |
2.6 本章小结 | 第63-64页 |
第3章 基于多信号分类思想的单MWC重构算法及多MWC联合重构算法研究50 | 第64-87页 |
3.1 引言 | 第64-65页 |
3.2 现有重构算法重构性能分析 | 第65-66页 |
3.3 基于多信号分类思想的MWC重构算法 | 第66-76页 |
3.3.1 基于MUSIC的MMV问题联合稀疏重构 | 第66-68页 |
3.3.2 基于奇异值分解思想的降维变换 | 第68-70页 |
3.3.3 基于SVD与MUSIC的MWC重构算法描述 | 第70-72页 |
3.3.4 仿真实验及结果分析 | 第72-76页 |
3.4 多MWC分布采样联合重构算法研究 | 第76-85页 |
3.4.1 多MWC亚奈奎斯特采样模式 | 第76-77页 |
3.4.2 分布式亚奈奎斯特采样重构问题描述 | 第77-78页 |
3.4.3 DSNS联合重构算法 | 第78-79页 |
3.4.4 仿真实验及结果分析 | 第79-85页 |
3.5 几种亚奈奎斯特采样重构算法的比较与分析 | 第85-86页 |
3.6 本章小结 | 第86-87页 |
第4章 全盲亚奈奎斯特采样方法研究 | 第87-105页 |
4.1 引言 | 第87-88页 |
4.2 利用MWC理论进行宽带频谱感知需解决的问题 | 第88页 |
4.3 频谱稀疏信号全盲亚奈奎斯特采样 | 第88-91页 |
4.3.1 频谱稀疏信号模型 | 第89页 |
4.3.2 盲谱重构充分条件 | 第89-91页 |
4.3.3 频谱感知中MWC通道数的确定 | 第91页 |
4.4 稀疏度自适应重构算法 | 第91-95页 |
4.4.1 SAMPMMV算法描述 | 第92-93页 |
4.4.2 SAMPMMV算法分析 | 第93-95页 |
4.5 仿真实验及结果分析 | 第95-104页 |
4.6 本章小结 | 第104-105页 |
第5章 MWC实现及实验数据分析 | 第105-131页 |
5.1 引言 | 第105页 |
5.2 MWC系统概述 | 第105-107页 |
5.3 采样系统关键技术研究 | 第107-113页 |
5.4 数据预处理方法研究 | 第113-116页 |
5.4.1 MWC采样方程扩展理论分析 | 第114-115页 |
5.4.2 采样值矩阵时域扩展方法 | 第115-116页 |
5.5 采样矩阵实验构建方法 | 第116-119页 |
5.6 实验及结果分析 | 第119-130页 |
5.7 本章小结 | 第130-131页 |
结论 | 第131-134页 |
论文的主要创新性工作 | 第132-133页 |
工作展望 | 第133-134页 |
参考文献 | 第134-145页 |
附录 MWC采样理论及分析 | 第145-152页 |
攻读博士学位期间发表的论文及其它成果 | 第152-154页 |
致谢 | 第154-155页 |
个人简历 | 第155页 |