2016畢業設計論文開題報告範文
畢業設計作爲大學結束時間的一個實踐環節，有着其不可替代的地位所在!下面是小編整理的2016畢業設計論文開題報告範文，歡迎大家閱讀!
【2016畢業設計論文開題報告範文】
一、課題來源、國內外研究現狀與水平及研究意義、目的。(附主要參考文獻)
1.1 課題來源
數據的獲取是實驗研究的關鍵步驟，過去的幾十年間傳感系統獲取數據的能力不斷地得到增強,需要處理的數據量也不斷增多。而在傳統的採樣過程中，爲了避免信號失真，採樣頻率不得低於信號最高頻率的2倍，依照奈奎斯特採樣定律會導致海量採樣數據，大大增加了存儲和傳輸的代價，這無疑給信號處理的能力提出了更高的要求，也給相應的硬件設備帶來了極大的挑戰。尋找新的數據採集、處理方法已成爲一種必然，近幾年誕生的壓縮傳感(Compressive Sensing，CS)理論是一個充分利用信號稀疏性或可壓縮性的全新信號採集、編解碼理論。該理論表明當信號具有稀疏性或可壓縮性時，通過採集少量的信號投影值就可實現信號準確或近似重構。壓縮傳感理論爲數據採集技術帶來了革命性的突破，受到了國內外研究人員的廣泛關注。在低成本數碼相機音頻、醫學成像、雷達成像和圖像重建、天文學觀測(圖像本身就稀疏，例如天空的星星)、軍事偵查(用很簡易的攝像機隨機記錄場景可以完全重構軍事地圖)、資源探測、信道編碼等高、精、尖等領域有着廣闊的應用前景。因此開展這方面的研究很有意義,應用前景也非常廣泛。
探地雷達是一種有效的淺層隱藏目標探測技術,利用電磁波在媒質電磁特性不連續處產生的反射和散射實現非金屬覆蓋區域中目標的成像探測。在工程地質勘探方面已經獲得廣泛的應用,尤其是它的高分辨率和地下目標快速成像技術,得到了普遍的認可。但是國內投入使用的探地雷達幾乎全部是從國外進口的。因此研製和開發具有自主知識產權的探地雷達系統是十分必要的。從事探地雷達研究的主要任務之一就在於如何使探地雷達接收到的回波信號以圖像的形式顯示,並對接收的回波信號進行處理,以改善數據質量,爲進一步的地質解釋提供清晰的探地雷達回波剖面圖,從而使我們能夠方便地觀測、識別地下目標物體。
由於探地雷達信號具有很好的稀疏性,可以很好的滿足壓縮傳感的條件,因此將壓縮傳感技術運用在探地雷達圖像數據獲取上,可以解決海量數據採集和存儲問題,能顯著降低圖像處理的計算量。此外還可以省去雷達接收端的脈衝壓縮匹配濾波器,降低接收端對模數轉換器件帶寬的要求。設計重點由傳統的設計昂貴的接收端硬件轉化爲設計新穎的信號恢復算法,從而簡化雷達成像系統。
1.2 國內外研究現狀與水平
壓縮傳感理論是應用數學與信號處理領域中一個非常新的研究方向，自從2006 年起有正式論文發表之後，迅速引起國內外相關領域研究者的高度重視。該領域的先驅者有加州大學洛杉磯分校的Terence Tao、加州理工大學的Emmanuel Candès、斯坦福大學的David Donoho、以及萊斯大學的Richard Baraniuk 等。國內關於這方面的研究則剛剛起步，發表論文甚少，但中科院電子所、西安電子科技大學、燕山大學、西南交通大學、華南理工大學、北京交通大學等單位的一些研究組已經開始着手研究。
目前該領域的研究工作主要集中在理論層面，奠基性的工作有，Tao、Candès、Donoho 等人已經構建了壓縮傳感的理論框架，給出傳感矩陣Φ 須滿足的充分條件，即一致不確定性原理(Uniform Uncertainty Principle，UUP);傳感矩陣的行數M 與信號稀疏度K 之間須滿足M ≥ K *log(N) 等等，發表了一系列重要論文[5-8]。除此之外，也有許多關於解決該理論中具體問題的研究成果，主要集中在傳感矩陣與重構算法兩個大的方面。關於傳感矩陣的研究，目前選用的矩陣是隨機的，如高斯矩陣或貝努利矩陣等[9-12]。如何構造確定的(非隨機的)傳感矩陣是目前該領域中的一個公開問題。DeVore 利用多項式構造方法獲得滿足UUP 特性的矩陣，但只針對稀疏度K 較小的情況成立[13]，該問題還遠沒有得到解決。在信號重構方面，有大量文獻將最優化方法和匹配跟蹤方法引入該問題中進行求解[14-17]，但缺乏對算法收斂性與穩定性的討論。在硬件實現上，Rice 大學的Baraniuk 教授等研製出單像素相機[18]和A/I 轉換器[19-21]，吸引了國內外衆多媒體的眼球。隨後也有一些硬件方面的相繼報道，例如，麻省理工學院Wald 教授等人研製出MRI RF脈衝設備[22]，麻省理工學院Freeman 教授等人研製出編碼孔徑相機[23]，伊利諾伊州立大學Milenkovic 等人研製出DNA 微陣列傳感器[24]等等，然而，由於缺乏有效的壓縮傳感矩陣判別理論，除Rice 大學的單像素相機(硬件成本昂貴，重建算法效率低下)外，其它硬件均缺乏嚴格的理論分析。經過近兩年的發展，壓縮傳感在理論方面已經取得了許多重要的成果，許多研究者已經開始將之投入到實際應用當中，如信息、醫學等學科[25-36]。
探地雷達技術在國外起步較早。德國人Hulsmcyer在1904年首次嘗試用電磁波信號來探測遠距離地面物體。1910年，Lcimbach和Lowy在德國專利中提出了利用電磁波來探測埋藏物體的方法。20世紀70年代以來，由於高速脈衝形成技術、取樣接收技術及汁算機技術的飛速發展，探地雷達技術得到迅速的發展，地下淺層目標探測得以實現，國外開始出現各種形式的實驗性雷達，美、日、加拿大等國有幾家公司相繼推出了自己的產品，探測深度可達50多米，分辨率達釐米級。美國陸軍已開始實施代號爲FCS—MDN(Future Combat System Mine Detection and Neutralization)的研究計劃，在1996年至2006年問投入大量資金用於研製有效的反坦克塑性地雷探測裝置，並已經研製出一些演示系統，目前正在進行進一步的技術攻關。這一項目中研製的探地雷達系統包括馬可尼(Marconi)公司的手持和車載下視探地雷達、SRIInternational的前視探地雷達、Mirage Systems開發的用於直升機的三維合成孔徑探地雷達和PSI的車載下視合成孔徑探地雷達。爲克服傳統脈衝雷達的缺陷，這些系統普遍使用步進頻率雷達而且具有合成孔徑成像能力。歐洲聯合科研中心(Joint Research Center)也開展了地雷探測技術的研究，並且建立地雷信號數據庫,該數據庫蒐集了多種類型探地雷達的大量實測數據。
國內對探地雷達的研究起步較晚，國內產品在分辨率、使用方便性、對雷達信號成像和圖像解釋技術等方面與國外產品存在差距，但是由於不斷引進和借鑑國外的先進技術，近年來在該領域內也取得了較爲顯著的研究成果。航天部25所從20紀80年代中期開始進行用於地雷檢測的探地雷達技術的研究和實驗。20世紀90年代以來，我國開始重視探地雷達技術的研究和應用，並且開發出新的實用產品，如北京愛爾迪公司的CBS一9000和CR-20 GPR系統，中國電波傳播研究所研製的LTD-3探地雷達等。
當前隨着探地雷達技術的飛速發展，先進的高分辨數據處理和成像技術成爲探地雷達技術發展的關鍵，成像算法也趨於多樣化。本世紀初Carlton chen等提出了時域有限差分逆時偏移(FDTD reverse time migration)技術，提高了探地雷達成像算法的適用性，簡化了計算。2003年XuXiaoyin提出了基於熵最小化的優化Stolt偏移成像算法，能夠適用於水平速度變化的情況。目前常用的探地雷達成像算法有距離偏移(Range Migration,RM)算法、逆時偏移(Reverse Time Migration ,RTM)算法、標準後向投影(Standard Back Projection,SBP)算法等通過標量波動方程建立目標散射場和目標函數之間的關係進而對目標散射場數據進行成像處理。爲了得到較好的成像效果,以上算法都要求雷達系統對目標散射信號進行高密度採樣以獲取足夠的成像數據。當探測區域較大時,還需要雷達系統在大采樣區域實施高孔徑密度採樣,這導致雷達系統採樣數據量大、測量時間長。這些算法都沒有考慮到地下非層狀目標一般僅佔探測區域很小部分這一先驗知識。
小波變換是近年來提出的一種非平穩信號的分析方法,它被認爲是Fourier分析的突破性進展。它克服了Fourier分析中所存在的時頻局部分析能力差的缺點,能夠在不同的時間和頻率尺度上對信號進行分析。同時,小波理論表明,小波變換可以使一個信號的能量在小波變換域中集中於少數係數上,小波係數較大者,攜帶信號能量也較多;小波係數較小者,攜帶信號能量也較少。這也是該文中小波去噪的理論基礎。
1.3 研究意義、目的
經過近兩年的發展，壓縮傳感在理論方面已經取得了許多重要的成果，許多研究者已經開始將之投入到實際應用當中，如圖像壓縮、去噪、信號的檢測與估計、傳感器網絡等。壓縮傳感理論通過隨機測量利用少量的採樣數據可以很好的重建稀疏目標信號,在信號分析和重建領域有重要研究價值。最具代表性的工作是美國賴斯大學Baraniuk 率領的研究小組採用壓縮傳感技術設計出了單像素相機，吸引了國內外衆多媒體的眼球。除此之外，壓縮傳感在其他許多方面都有着很好的應用前景，比如去噪與壓縮，信息論與編碼，統計信號處理，機器學習，雷達成像，特徵綜合，目標識別，醫學成像，天體光譜處理等等。本文通過將壓縮傳感技術運用在探地雷達圖像數據獲取和圖像重建上,可以解決海量數據採集和存儲問題,能顯著降低圖像處理的計算量。此外還可以省去雷達接收端的脈衝壓縮匹配濾波器,降低接收端對模數轉換器件帶寬的要求。設計重點由傳統的設計昂貴的接收端硬件轉化爲設計新穎的信號恢復算法,從而簡化雷達成像系統,大大減低設備製造成本。因此基於壓縮傳感的雷達成像技術研究具有重要的理論和實際運用價值。
1.4 主要參考文獻
[1] E Candès and T Tao, Near optimal signal recovery from random projections: Universal encoding strategies? IEEE Trans. Inform. Theory, 2006.12, 52(12): 5406-5425
[2] D Donoho and Y Tsaig, Extensions of compressed sensing. Signal Processing, 2006.3, 86(3): 533-548
[3] R Baraniuk, A lecture on compressive sensing, IEEE Signal Processing Magazine, 2007.7, 24(4): 118-121
[4] W Bajwa, J Haupt, G Raz, S Wright and R Nowak, Toeplitz-structured compressed sensing matrices. IEEE Workshop on Statistical Signal Processing (SSP), Madison, Wisconsin, 2007.8, 294-298
[5] E Candès and J Romberg, Sparsity and incoherence in compressive sampling. Inverse Problems, 2007,23(3): 969-985
[6] 方紅, 章權兵, 韋穗, 基於亞高斯隨機投影的圖像重建方法[J],計算機研究與發展, 2008,45(8):1402-1407
[7] 傅迎華, 可壓縮傳感重構算法與QR 分解[J], 計算機應用, 2008, 28(9): 2300-2302
[8] R DeVore, Deterministic constructions of compressed sensing matrices. Journal of Complexity, 2007,23(4-6): 918-925
[9] J Tropp and A Gilbert, Signal recovery from random measurements via orthogonal matching pursuit. IEEE Trans. Inform. Theory, 2008.12, 53(12): 4655-4666
[10] D Needell and R Vershynin, signal recovery from incomplete and inaccurate measurements via regularized orthogonal matching pursuit (preprint, 2007)
[11] L Rebollo-Neira and D Lowe, Optimized Orthogonal Matching Pursuit Approach, IEEE Signal Processing Letters, 2002.4, 9: 137-140
[12] T Do Thong, Lu Gan, Nam Nguyen and Trac D Tran, Sparsity adaptive matching pursuit algorithm for practical compressed sensing, Asilomar Conference on Signals, Systems, and Computers, Pacific Grove, California, 2008.10
[13] M Duarte, M Davenport, D Takhar, J Laska, T Sun, K Kelly and R Baraniuk, Single-pixel imaging via compressive sampling, IEEE Signal Processing Magazine, 2008.3, 25(2): 83-91 11
[14] S Kirolos, J Laska, M Wakin, M Duarte, D Baron, T Ragheb, Y Massoud and R Baraniuk,
Analog-to-information conversion via random demodulation, Proceedings of the IEEE Dallas Circuits and Systems Workshop, Washington D. C., 2006, 71-74
[15] J Laska, S Kirolos, Y Massoud, R Baraniuk, A Gilbert, M Iwen and M Strauss, Random sampling for analog-to-information conversion of wideband signals, IEEE Dallas/CAS Workshop on Design,
Applications, Integration and Software, Washington D. C., 2006, 119-122
[16] T Ragheb, S Kirolos, J Laska, A Gilbert, M Strauss, R Baraniuk and Y Massoud, Implementation models for analog-to-information conversion via random sampling, Proceedings of the 50th Midwest Symposium on Circuits and Systems, Washington D. C., 2007, 325-328
[17] A Zelinski, L L Wald, K Setsompop, et al, Sparsity-enforced slice-selective MRI RF excitation pulse design , IEEE Trans. Medical Imaging, 2008.9, 27(9): 1213-1229
[18] A Levin, R Fergus, F Durand and W. T. Freeman, Image and depth from a conventional camera with a coded aperture, Proc. of Intl. Conf. Comp. Graphics. and Inter. Tech., 2007
[19] M Sheikh, O Milenkovic and R Baraniuk, Designing compressive sensing DNA microarrays. IEEE
Workshop on Computational Advances in Multi-Sensor Adaptive Processing (CAMSAP), St. Thomas, U.S. Virgin Islands, 2007.12
[20] D Takhar, J Laska, M Wakin, et al, A new compressive imaging camera architecture using optical-domain compression. Computational Imaging IV at SPIE Electronic Imaging, San Jose, California, 2006.1
[21] M Duarte, M Davenport, M Wakin, et al, Multiscale random projections for compressive Conf. on Image Processing (ICIP), San Antonio, Texas, 2007.9
[22] 宋琳, 曹吉海, 基於隨機濾波的雷達信號採樣和目標重建方法[J], 科技導報, 2008, 26(13): 64-67
[23] C Hegde, M Wakin and R Baraniuk, Random projections for manifold learning. Neural Information Processing Systems (NIPS), Vancouver, Canada, 2007.12
[24] J Wright, A Ganesh, A Yang and Y Ma, Robust face recognition via sparse representation. IEEE , 2008.4, 31(2): 210-217
[25] J Bobin, J Starck and R Ottensamer, Compressed sensing in astronomy. IEEE Journal of Selected Topics in Signal Processing, 2008, 2(5): 718-726
[26] V Cevher, A Sankaranarayanan, M Duarte, et al, Compressive sensing for background subtraction.
European Conf. on Computer Vision (ECCV), Marseille, France, 2008.8
[27] P Nagesh and Baoxin Li, Compressive Imaging of Color Images IEEE Intl. Conf. on Acoustic, Speech &Signal Processing (ICASSP), Taipei, Taiwan, preprint, 2009
[28] J Haupt and R Nowak, Signal reconstruction from noisy random projections, IEEE Trans. Inform. Theory,2006.9, 52(9): 4036-4048
[29] P Boufounos, M F Duarte and R G Baraniuk, Sparse signal reconstruction from noisy compressive
measurements using cross validation, SSP 2007, 299-303
[30] M Elad and M Aharon, Image denoising via learned dictionary and sparse representation. Proceedings of the 2006 IEEE Computer Society Conference on CVPR, 2006, 1: 895-900 12
[31] 張春梅等, 基於冗餘字典的信號超完備表示與稀疏分解[J], 科學通報, 2006.3, 51(6): 628-633
[32] T Blumensath and M E Davies, Gradient Pursuits, IEEE Trans. Signal Processing, 2008.6, 56(6):2370-2382
[33] T Blumensath and M E Davies, Stagewise Weak Gradient Pursuit Part I: Fundamentals and NumericalStudies(preprint, 2008)
[34] T Blumensath and M. E. Davies, Stagewise Weak Gradient Pursuit Part II: Theoretical Properties(preprint,2008)
[35] S S Chen, D L Donoho and M A Saunders, Atomic decomposition by basis pursuit, SIAM Journal of Scientific Computing, 1998, 20(1): 33-61
[36] M Figueiredo, R Nowak and S Wright, Gradient projection for sparse reconstruction: Application to compressed sensing and other inverse problems, IEEE Journal of Selected Topics in Signal Processing, 2007.12, 1(4): 586-597
[37] P J Garrigues and Laurent EI Ghaoui, An homotopy algorithm for the lasso with online observation. Neural Information Processing Systems, Vancouver, Canada, 2008.12, 489-496
[38] D Angelosante and B G Georgios, RLS-weighted lasso for adaptive estimation of sparse signals. IEEE Int. Conf. on Acoustics, Speech, and Signal Processing (ICASSP), Taipei, Taiwan, 2009.4, 3245-3248
[39] H Zayyani, M Babaie-Zadeh and C Jutten, Bayesian pursuit algorithm for sparse representation. IEEE . on Acoustics, Speech, and Signal Processing (ICASSP), Taipei, Taiwan, 2009.4
[40] D Baron, S Sarvoham and R G Baraniuk, Bayesian compressive sensing via belief propagation(preprint,2008)
[41] S Senay, L F Chaparro, M Sun and R J Sclabassi , Asynchronous sigma delta modulator based neural implants for epilepsy patients. 35th Northeast Biomedical Engineering Conference, MIT, Boston, April 3-5,2009
[42] Ruizhen Zhao, Xiaoyu Liu, Ching-Chung Li, R J Sclabassi and Mingui Sun. A new denoising method based on wavelet transform and sparse representation. ICSP’08 Proceedings, 2008.10, 1: 171-174
[43] Ruizhen Zhao, Xiaoyu Liu, Ching-Chung Li, R J Sclabassi and Mingui Sun. Wavelet denoising via sparse representation. Science in China, Series F, 2009.8, 52(8): 1371-1377
[44] 小波分析理論與MATLAB7 實現[M]。北京:電子工業出版社,2005 :14215,4202422。
[45] 陸宏波,施惠昌。基於小波變換的圖像融合方法[J]。微電子與基礎產品,2001 ,27 (5) :55。
[46] 劉貴喜,楊萬海。基於小波分解的圖像融合方法及性能評價[J]。自動化學報,2002,28 (6):929。
[47] 李曉春,陳京。基於小波變換的圖像融合算法研究[J]。遙感技術與應用,2003,18。(1)。
[48] 喻玲娟,謝曉春。壓縮感知理論簡介[J]。數字視頻,2006,5。
[49] 劉立業,雷文太。探地雷達中衍射層析算法[J]。雷達科學與技術
[50] 雷文太。探地雷達近場三維距離偏移成像算法[J]。電子與信息學報
[51] 雷文太,粟毅表層穿透雷達遞歸反向投影成像算法[J] 。電子學報
[52] 趙勇。探地雷達回波信號成像和小波去噪的方法與實現[J] 武漢大學碩士論文 2004
[53] xiao and wei 。 random samping using shannon interpolation and poisson summation formula
[54] synthetic aperture radar image formation from compressed data using a new computation technique.
[55]餘慧敏,方廣友。壓縮感知理論在探地雷達三維成像中的應用[J]。電子與信息學報,2010,32:1-16.
[56] sujit bhattacharya。fast encoding of systheic aperture radar raw data using compressed sensing [J]。IEEE;
[57] richard baraniuk。compressive radar imaging。IEEE 2007
[58] 鞠曉傑。基於VEGA的雷達圖像生成仿真系統設計[J]。圖像分析,2007,34(7):50-53。
[59] 保錚,邢孟道。雷達成像技術[M]。電子工業出版社,2002,7(10) :985-993。
[60] 李樹濤,魏丹。壓縮傳感綜述[J]。自動化學報,2007,(18) :280 - 281。
[61] 王愛玲,葉明生,鄧秋香。MATLANR2007圖像處理技術與應用[M]。電子工業出版社:356-365
[62] 曹 聞,張 勇。基於小波包變換與IHS變換的遙感圖像融合[J]。測繪學院學報,(02) :39 - 42。
注：本報告一式兩份。第三學期末，交研究生助理。(院、系、所)管理存檔。
