Principles and Applications of RELAX:A Robust and Universal Estimaton--详细介绍

图书搜索
帮助
热门图书
平面设计基础(第二版)
EDA技术实用教程——V...
中国中西部南北旅游大通道...
内蒙古大兴安岭汗马国家级...
管理学基础
汽车维护实训指导
食品理化检验技术
基于深度学习的医学图像数...
数控车削操作与实训
推荐系统进展:方法与技术
成本核算与管理
机电设备基本电路装接与调...
基于评估的智障学生职业教...
机电设备操作
新编大学计算机基础——计...
学前儿童区域游戏经典案例
体能和形体训练(下)
C语言程序设计实验指导与...
区域性幼儿园游戏化课程设...
电子技术基础与实训教程
建筑装饰工程施工组织与管...
财经法规与会计职业道德
[ 本科及研究生教材 ]
    [ 信息技术,电子 ]
        [ 信息技术,电子 ]
    [ 经济管理 ]
        [ 经济管理 ]
    [ 建筑 ]
        [ 建筑 ]
    [ 机械,制造 ]
        [ 机械,制造 ]
    [ 公共课 ]
        [ 公共课 ]
[ 高职高专教材 ]
    [ 信息技术,电子 ]
        [ 信息技术,电子 ]
    [ 经济管理 ]
        [ 经济管理 ]
    [ 建筑 ]
        [ 建筑 ]
    [ 机械,制造 ]
        [ 机械,制造 ]
    [ 农林环境 ]
        [ 农林环境 ]
    [ 公共课 ]
        [ 公共课 ]
[ 中职中专教材 ]
    [ 信息技术,电子 ]
        [ 信息技术,电子 ]
    [ 经济管理 ]
        [ 经济管理 ]
    [ 建筑 ]
        [ 建筑 ]
    [ 机械,制造 ]
        [ 机械,制造 ]
    [ 公共课 ]
        [ 公共课 ]
[ 店销书,专著 ]
    [ 信息技术,电子 ]
        [ 信息技术,电子 ]
    [ 经济管理 ]
        [ 经济管理 ]
    [ 建筑 ]
        [ 建筑 ]
    [ 机械,制造 ]
        [ 机械,制造 ]
    [ 农林环境 ]
        [ 农林环境 ]
    [ 其他 ]
        [ 其他 ]
 当前位置:店销书,专著 信息技术,电子 信息技术,电子 信息技术,电子 Principles and Applications of RELAX:A Robust and Universal Estimaton
   
Principles and Applications of RELAX:A Robust and Universal Estimaton
作者:吴仁彪
书名:Principles and Applications of RELAX:A Robust and Universal Estimaton
定价:¥ 280 元
光盘: 
丛书名:  
免费资源下载:
本书PPT下载:
目录和样章下载: 样章下载地址
开本: 小16K
标准书号: 978-7-03-060605-1
字数(千): 400
页数: 320
出版日期: 2019-4-17
发行号: TN-1712.0101
装帧: 精装
点击热度: 187
最新印刷日期:    
 
编辑推荐
...........................................................................................................................................
 
获奖情况
...........................................................................................................................................
 
图书介绍
...........................................................................................................................................
 
前言
...........................................................................................................................................
What is signal processing? A very classic explanation of signal processing was given by Dr. Don Johnson (former President of IEEE Signal Processing Society): “Signal processing is a ‘stealth technology’ that only the people who actually work in signal processing think about who we are and what we do”. This quote stated the essence of signal processing. Weak signal detection and parameter estimation are some of the most fundamental theories in signal processing.
The theoretical bases of signal detection and parameter estimation are infor­
mation theory, whose mathematical bases include probability, random processes, mathematical statistics, linear algebra, matrix analysis, optimization theories and algorithms, etc. The applications of radar and sonar in the 1940s greatly promoted the development of these related theories. At present, these theoretic bases have become a common foundation in the ?elds of communication, radar, sonar, navi­ gation, automatic control, medicine, celestial observation, seismic exploration, and so on. The objective of the parameter estimation method is to identify signals and systems based on the modeling technology. When the model is in good agreement with the actual situation, the parametric method often has better performance than the nonparametric method. But the parameter estimation method is more sensitive to various model errors, including signal, noise or interference modeling errors, calibration errors of the sensor array (including location error, channel mismatch, mutual coupling), uncertainty of the number of signal sources, and the estimation error caused by a limited number of observations. How to maintain parameter estimation methods good performance in the presence of various model errors has always been the focus and eternal topic of signal processing. In this book, we choose to use “robustness” for this performance measure.
In the years of 1996–1998, 2001, and 2002, I worked 3 times as a Postdoctoral
Fellow and Visiting Professor at the Spectral Analysis Laboratory of the Department of Electrical and Computer Engineering at Florida University in the United States and had fruitful collaborations with Professor Jian Li who was the director of the laboratory and a young IEEE fellow. Between 2004 and 2007, supported by the National Natural Science Foundation of China, Professor Jian Li had spent 2 months every year working at the Tianjin Key Lab for Advanced Signal


v
 
vi    Preface

Processing, located at Civil Aviation University of China which was led by me. In 1996, she proposed a signal estimation method for sinusoidal signals called RELAX, which is a parameterized cyclic optimization algorithm based on Nonlinear Least Squares (NLS) criterion and RELAXation. Later, we worked together on more than 20 IEEE/IEE publications to expand the applications of RELAX on time delay estimation, radar target imaging, airborne radar ground moving target high resolution imaging, ground penetrating radar, and vehicle cavitation shape control for underwater supercavitation. At the same time, the research team of the Civil Aviation University of China led by me has carried out research on the applications of RELAX in adaptive anti­jamming of satellite nav­ igation and airborne weather radar, and published dozens of related papers.
For parameter estimation problems involving multiple overlapping signals in noise or interference, the Nonlinear Least Squares (NLS) method is a common method to solve such problems. In white or colored Gaussian noise or even non­Gaussian noise backgrounds, the NLS method has identical or similar esti­ mation performance as the maximum likelihood method and is more robust. Because it does not estimate the parameters in the noise, the computation load is smaller than that of the maximum likelihood method, but the NLS method cannot avoid the multidimensional search over the signal parameter space so the amount of computation is still very large, and it is dif?cult to guarantee convergence toward the global optimal solution.
This book generalizes the basic ideas of RELAX to solve these problems. Like RELAX, the generalized version also transforms a multiple signal parameter estimation problem into a series of single signal parameter estimation problems using the signal separation estimation method or the cyclic optimization method with special structures. As a result, it can not only greatly reduce the amount of computation, but also have a good global convergence property, and does not need a separate initialization process. The RELAX estimation method is a commonly used multiple signal parameter estimation method, which is insensitive to various model errors so it is robust. By using the word RELAX (meaning relaxation), we imply that the method has superior performance and robustness because it is an ef?cient implementation of NLS estimation method.
This book has seven chapters. Chapter 1 introduces the fundamentals of parameter estimation, including the basic principles of maximum likelihood esti­ mation, Bayes estimation, linear minimum mean squared error estimation, the standards of evaluating the performance of an estimator, and the compact and general Slepian­Bangs formula used for estimating the vector parameters’ Cramer­Rao Bound (CRB) under Gaussian background. In Chap. 2, a general representative data model for multiple signal parameter estimation is proposed, and we introduce the least squares method, a well­known method of another class of parameter estimation, which includes the basic theories of linear and Nonlinear Least Squares (NLS) estimations. The direct solution method and the cyclic opti­ mization method of NLS are introduced, and from that foundation we give the basic principles and implementation frames of the RELAX method and point out the relationship between RELAX and the Matching Pursuit (MP) greedy algorithm,
 
Preface     vii

which is a very popular method for compressed sensing applications at the present time. Chapter 3 introduces the application of RELAX on line spectrum estimation, including one­dimensional and two­dimensional hybrid spectrum estimations, exponential attenuation, and arbitrary envelope sinusoidal signal parameter esti­ mation. Chapter 4 introduces the applications of RELAX on time delay estimation problems, including the general time delay estimation method WRELAX, the estimation methods when the cost functions are highly oscillatory or when the time delay intervals are very close to each other, and using multiple looks data for time delay estimation in a colored noise background. Chapter 5 introduces the appli­ cation of RELAX on Direction of Arrival (DOA) estimation problems, including the DOA and waveform estimation for narrowband and wideband signal sources. Chapter 6 discusses the application of RELAX in the ?eld of radar target imaging, including Synthetic  Aperture Radar (SAR)  auto­focusing and  semi­parametric imaging, curvilinear SAR auto­focusing and three­dimensional imaging, Inverse Synthetic Aperture Radar (ISAR) imaging, and maneuvering target ISAR imaging. Chapter 7 briefly introduces the typical applications of RELAX in other aspects, including airborne moving target detection, airborne radar ground moving target high range resolution imaging, airborne weather radar, ground penetrating radar, adaptive anti­jamming for satellite navigation, cavitation shape control for under­ water supercavitation vehicle, sparse array signal processing for compressive sensing, biomedical signal processing, and so on.
I’d like to thank Professor Jian Li at University of Florida for giving me many
opportunities to work and study in her laboratory. During my work at her lab, I was lucky to get some guidance and help from Professor Petre Stoica from Uppsala University in Sweden who is a world famous signal processing expert. I’d also like to thank Professor Jian Li and my colleagues from the Spectrum Analysis Lab (Dr. Zhengshe Liu, Dr. Guoqin Liu, Dr. Xi Li, Dr. Zhaoqiang Bi, Dr. Nanzhi Jiang, Dr. Jianhua Liu, and Mr. Kunlong Gu) for long­term collaboration and exchange. Some contents of this book are the results of our collaborated research over many years. During the process of writing this book, Professor Jian Li has provided the newest RELAX research results generated in her lab. In addition, Professor Jian Li strongly recommended that we differentiate between the RELAX approach and the Matching Pursuit (MP) related greedy algorithms used for compressive sensing which has been a very active research topic at present. In her communication with me, she commented as follows: RELAX was ?rst published in 1996, well before the emergence of “compressive sensing” and Matching Pursuit (MP) related algo­ rithms, including MP, Orthogonal MP (OMP), Compressive Sensing MP (CoSeMP), Least Squares MP, etc. These are the so­called greedy methods in compressive sensing literature, which have been used in many diverse applications due to the compressive sensing topic being a hot topic for over a decade. Yet, MP is just CLEAN, but RELAX is Super CLEAN, and hence should outperform most of these MP variations in most applications. I have adopted her suggestion and more details on this topic will be discussed in Chap. 2.
 
viii    Preface

I’d like to thank Professor Zheng Bao (the author’s doctoral dissertation advisor) and Professor Mengdao Xing at Xidian University’s National Key Laboratory of Radar Signal Processing for sharing their research results in the ?eld of ISAR imaging of maneuvering targets. More details can be found in Chap. 6.
I’d like to thank my former master student, Dr. Guangli Wang, who wrote
Sect. 7.6, in which he describes how he skillfully used the RELAX algorithm learned at our laboratory to handle the multi­electrode recording signal of retinal neuron activity during his doctor’s study at Shanghai Jiao Tong University.
I’d like to thank my three co­authors who are teachers and researchers from the Tianjin Key Laboratory for Advanced Signal Processing at Civil Aviation University of China: Qiongqiong Jia, Lei Yang, and Qing Feng. There are also a large number of teachers and graduate students who have provided help in writing this book. Teachers include Professor Han Ping, Professor Hai Li, Dr. Guimin Jia, Dr. Xiaoguang Lu, Professor Wenyi Wang, Dr. Dan Lu, Dr. Weikun He, Associate Professor Tieqiao Hu, Professor Zhigang Su, and Lecturer Lu Wang. Ph.D. students include Yan Bi and Lina Bao, and master students include Chenchen Wu, Hao Zhang, Wen Ren, Zhihua Niu, Wei Zhu, Lei Zhan, Chenxi Ma, Chao Liu, Ruihua Zhang, Lei Chen, Anfei Zhao, Juan Liu, and Jiayi Li.
This book has been funded by the National Natural Science Foundation of China under grants 61471363 and 61231017.

Renbiao Wu The ?rst draft was written on the Chinese National Day of 2016 at Civil Aviation University of China, Tianjin, China
The ?nal version was completed during the 2017 Chinese Spring
Festival holidays in the beautiful Zhuhai city
 
图书目录
...........................................................................................................................................
1    Fundamentals of Parameter Estimation    1
1.1    Introduction    1
1.2    Maximum Likelihood Estimation    2
1.3    Bayesian Estimation    4
1.3.1    Random Parameter Estimation Model    5
1.3.2    Common Cost Functions    6
1.3.3    Risk Assessment    7
1.4    Linear Minimum Mean Squared Error Estimation     12
1.4.1    Estimation Criterion     12
1.4.2    Orthogonality Principle     13
1.5    Performance Measure of Estimators     15
1.6    Cramer­Rao Bound     17
1.7    Comparisons of Several Estimation Methods     21
1.8    Bayesian Revolution in Big Data Era     22
1.9    Summary     24
Appendix 1.1: CRB for Vector Parameter Estimation Under
the Conditions of General Distribution     25
Appendix 1.2: CRB for Vector Parameter Estimation
Under the Conditions of Gaussian Distribution     26
References     29
2    Basic Principles of the RELAX Estimation Algorithm    33
2.1    Introduction     33
2.2    Linear Least Squares Estimation     34
2.2.1    Ordinary Least Squares Solution     35
2.2.2    Total Least Squares Solution     37
2.3    Nonlinear Least Squares Estimation     39
2.3.1    Problems that Can Be Simpli?ed     40
2.3.2    Conventional Iterative Algorithm     41
2.3.3    Cyclic Minimizer     44
xi
 





2.4.2   RELAX Algorithm for Multiple General Signal
 

Contents    


4.5.1    


MODE­WRELAX Algorithm for Complex­Valued    xiii
        Signals . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .     123
    4.5.2    MODE­WRELAX for Real­Valued Signals . . . . . . . . . . . .     127
    4.5.3    Ef?cient Implementation of MODE­WRELAX . . . . . . . . .    129
    4.5.4    Experimental Results . . . . . . . . . . . . . . . . . . . . . . . . . . . .     132
4.6    Time Delay Estimation with Multiple Look in Colored Gaussian
Noise     139
4.6.1    Data Model     139
4.6.2    Basic Principle of TWRELAX     140
4.6.3    Experimental Results     146
4.7    Chapter Summary     147
Appendix 4.1: CRB for Time Delay Estimation of Complex­Valued
Signals     148
Appendix 4.2: CRB for Time Delay Estimation of Real­Valued
Signals     150
Appendix 4.3: CRB for Time Delay Estimation with Multiple
Look in Colored Gaussian Noise     152
References     155
5    Application of RELAX in Direction of Arrival Estimation     159
5.1    Introduction     159
5.2    DOA Estimation of Narrowband Signals     160
5.2.1    Basic Array Processing Concepts     160
5.2.2    Data Model     164
5.2.3    Statistic Characteristics of Array Data     164
5.2.4    NB­RELAX Algorithm     168
5.2.5    Experimental Results     170
5.3    DOA Estimation of Wideband Signals     172
5.3.1    Data Model     172
5.3.2    WB­RELAX Algorithm     174
5.3.3    Experimental Results     176
5.4    Chapter Summary     177
Appendix 5.1: CRB for DOA Estimation of Narrowband
Signals     178
Appendix 5.2: CRB for DOA Estimation of Wideband
Signals     179
References     182
6    Application of RELAX in Radar Target Imaging     187
6.1    Introduction     187
6.2    Synthetic Aperture Radar Imaging     189
6.2.1    Data Model     189
6.2.2    MCCLEAN Autofocus Algorithm and Experimental
Results     191
 
6.2.3    Semi­parametric SPAR Imaging Algorithm
and Experiment Results    202
6.3    Three­Dimensional Curvilinear SAR Imaging    224
6.3.1    Data Model    225
6.3.2    Autofocus and 3D Imaging Method    227
6.3.3    Experimental Results    230
6.4    Inverse Synthetic Aperture Radar Imaging    231
6.4.1    Data Model    235
6.4.2    AUTOCLEAN Algorithm Based on a Single Dominant
Scatter    238
6.4.3    AUTOCLEAN Algorithm Based on Multiple Dominant
Scatters    240
6.4.4    Experimental Results    245
6.5    ISAR Imaging of Maneuvering Target    249
6.5.1    2D Imaging Model for 3D Motion Targets    251
6.5.2    Range Cell Target Image Reconstructions from
Wavenumber Spectral Function    253
6.5.3    Reconstruction of Target Image Based on Echo
Time­Frequency Distribution    255
6.6    ISAR Imaging Algorithm for Maneuvering Targets    258
6.6.1    Experimental Results    261
6.7    Summary    263
References    264
7    Other Typical Applications of RELAX    269
7.1    Introduction    269
7.2    Application in Radar Target Detection    270
7.2.1    Air Maneuvering Target Detection Using Airborne Early
Warning Phased Array Radar    270
7.2.2    High Range Resolution Imaging for Ground Moving
Targets    272
7.2.3    Airborne Weather Radar    277
7.2.4    Ground Penetrating Radar    280
7.3    Application in GNSS Interference Mitigation    282
7.3.1    Anti­jamming    283
7.3.2    Spoo?ng Suppression    284
7.3.3    Multipath Suppression    287
7.4    Application in Cavity Shape Control for Underwater
Supercavitation Vehicles    289
7.5    Application to Compressive Sensing DOA Estimation    291
7.6    Application to Neuronal Information Demixing in Biomedical Engineering     293
7.7    Summary    295
References    295
 
 
本站首页 | 联系我们 | 所有图书 | 资源下载 | 作者投稿 | 读者反馈 | 业务联系 | 招聘信息 | 加入收藏    
Copyright www.abook.cn All Rights Reserved
地址:北京市海淀区北三环西路43号青云当代大厦21层2109   邮编:100086
站长QQ:693638799 Email:693638799@qq.com 电话:010-62140850
版权所有:科学出版社 职教技术出版中心
京ICP备13039988号