1 / 32

Compressive Sensing untuk Direction of Arrival Estimation

Compressive Sensing untuk Direction of Arrival Estimation. Oleh : Koredianto Usman NIM : 33213002. Promotor : Prof. Dr. Andriyan Bayu Suksmono. Dipresentasikan dalam SEMINAR MINGGUAN | 14 MARET 2014. PROGRAM DOKTOR SEKOLAH TEKNIK ELEKTRO DAN INFORMATIKA INSTITUT TEKNOLOGI BANDUNG

keisha
Download Presentation

Compressive Sensing untuk Direction of Arrival Estimation

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Compressive Sensing untukDirection of Arrival Estimation Oleh : KorediantoUsman NIM : 33213002 Promotor: Prof. Dr. AndriyanBayuSuksmono Dipresentasikandalam SEMINAR MINGGUAN | 14 MARET 2014 PROGRAM DOKTOR SEKOLAH TEKNIK ELEKTRO DAN INFORMATIKA INSTITUT TEKNOLOGI BANDUNG 2014

  2. OUTLINE • TUJUAN • DeskripsiSignifikansiMateri • TeoridanPermasalahanpadaDirection of Arrival (DoA) Estimation | ALGORITMA UTAMA • Compressive Sensing • SkemaCompressive Sensing untuk DOA | PROPOSAL • Simulasiawal • Penutup

  3. 1. TUJUAN Presentasiinibertujuan: • MemaparkanTeoridari • DoA • CS • Link CS danDoA • MemaparkanPaper EksplorasiCS danDoA • Memaparkanpeluangriset di bidangCS-DoA

  4. 2. DeskripsiSignifikansiMateri PenentuanDoAsignifikanpadabidangradardansonar. Radar : Military danSipil (lalu, sekarang, yad) Sonar : Military danSipil (lalu, sekarang, yad) Aplikasi hot sekarangdanyad: • Behind the Wall Radar • Ground Penetrating Radar • Synthetic Aperture Sonar

  5. 2. DeskripsiSignifikansiMateri

  6. 2. 2. TEORI` Sumber : electriciantraining.tpub.com Sumber : electriciantraining.tpub.com

  7. 2. TEORI 2.1 Direction of Arrival (DoA) Estimation SUMBER SIGNAL PROCESSOR  PermasalahanDoA : BerapaJumlahSumber? Sudutberapakedatangansumber? AtributDoA : Array Antena Array Processing Arah Rx (x BeamformingarahTx)

  8. 2. TEORI 2.1 Direction of Arrival (DoA) Estimation METODE ESTIMASI • Metode Delay and Sum (DAS) • Capon’s Minimum Variance (MVDR) • MUSIC • ESPRIT

  9. 2.1 DoA Estimation • A. METODE MVDR J.Capon, High-resolution frequency-wavenumber spectrum analysis, Proc. IEEE, Vol. 57, 1408-1418, tahun 1969. 1 : N RxxE(x.xH)= • “SCANNING”

  10. 2.1.DoA Estimation • B. METODE MUSIC R.O. Schmidt, Multiple Emitter Location and Signal Parameter Estimation, IEEE Trans. Antennas & Propagation, vol. 34, no. 3, March 1986. 1 : N Signal Subspace Noise Subspace Rxx EVD =[UsUn] Rxx • “SCANNING”

  11. 2.1.DoA Estimation • Perbandingan Performa MVDR & MUSIC • PERBEDAAN: • MVDR menghitung invers RXX, MUSIC menghitung EVD • MVDR menghitungspektrumdengan Invers Rxx, MUSIC denganNOISE SUBSPACE Rxx • PERSAMAAN : • MemerlukanN x Nsnapsdata • MemerlukanperhitunganRxx(O(N x Nsnaps2)) • Scanning sudut ( -90 s.d. 90 derajat)

  12. 2. TEORI 2.2. COMPRESSIVE SENSING 2.1 Sampling Rate Jikadiketahuinaturedarisinyal x CS t t t 1/Fs Nyquist Fs = 2 x fmax

  13. I.2. PENGANTAR COMPRESSIVE SENSING • 1.2 Compressive Sensing (Matematis) CS x y A Rekonstruksi y W x

  14. 1.2. PENGANTAR COMPRESSIVE SENSING • 1.2 Compressive Sensing (Syarat) • xbersifatSparse (padasuatu basis) • AbersifatRestricted Isometric Property (RIP) RIP SPARSE |x| A |y|

  15. 1.2. PENGANTAR COMPRESSIVE SENSING Contoh CS denganrandom sampling Sumber : ‘Emmanuel Candès, Compressive sampling, 2006, Int. Congress of Mathematics, 3, pp. 1433-1452, Madrid, Spain.’

  16. 1.2. PENGANTAR COMPRESSIVE SENSING X = [1 2 1 2 1 2 1 2 1 2 1 2]T Sinyalx sparse : • Contoh : Matrikscompressed sensing A : Sinyalcompressed y: y = [4 8] Matriksrekonstruksi *) : Sinyalrekonstruksi : X = [1 2 1 2 1 2 1 2 1 2 1 2]T *) W diambildaripseudo inverse A. Tidaksemuakasus CS dapatdiselesaikan denganpseudo invers

  17. 1.2. PENGANTAR COMPRESSIVE SENSING • Compressive Sensing (Rekonstruksi) y W X(‘sedekatmungkindengan x’) Y= W= X= Sedekatmungkindiukurdengan norm | | • Norm orde 0 (l0) • Norm orde1 (l1) • Norm orde2 (l2)

  18. 1.3.Link antara CS danDoA CS : 1 Nyquist Nyquist CS : : N N x Ncs N x Nsnapshot 30 x 10 30 x 10.000 *) RxxE(x.xH)= Operasi : N2 x Ncs2 Operasi : N2 x Nsnapshot2 900 x 100.000.000 900 x 100 Invers, EVD, … … … *) : http://www.radartutorial.eu/10.processing/sp05.en.html; asumsifrekuensi sampling 10 MHz, danwaktu sampling 1 ms.

  19. II. PENELITIAN CS-DoA Paper yang berupayauntukMenggabungkan CS danDoA Paper 1, 10 dan 11 akandibahaspadaBagian III: Critical Review

  20. III. Critical Review I. Irina F. Gorodnitsky, and Bhaskar D. Rao, Sparse Signal Reconstruction from Limited Data Using FOCUSS: A Re-weighted Minimum Norm Algorithm, IEEE Transaction on Signal Processing, 1997 LatarBelakang • Perlunyaalgoritma yang dapatbekerjapada data yang sedikitnamunberasaldari data sparse • Beberapaaplikasisptneuroimaging yang tidakmemungkinkanakuisisi data yang komprehensif (padasuatukondisi) • BeberapaaplikasisepertiDoAsecaratradisionalmengolah data yang sangatbesarpadahalumumnyaberupadata sparse • KelemahanalgoritmaRekonstruksi yang ada (Greedy : tidakmemanfaatkannature darisinyal | Linear Programming : cost function aktualtidakdiketahui)

  21. Paper #1 : Metode FOCUSS Mentransformasimatrikspengamatan Transformasidilakukandengan proses iterasi Basis algoritmaadalahdari Pseudo Invers:

  22. Paper #1 : Novelty • Novelty • Mengusulkanmetodemodifikasidarialgoritmadengan norm minimum (menamainyadengan : FOCUSS) • Penulismenyertaidengandasarteorimatematik • PenulismembuktikannyadengancontohaplikasipadaNeuroimaging danDoA

  23. Paper #1 : HasildanPeluangPengembangan • Hasil

  24. III. Critical Review 2. Ying Wang, et. al. Direction Estimation Using Compressive Sampling Array Processing IEEE SSP, 2009 LatarBelakang • Perlunyaskema yang efisiendalammengimplementasikan CS padaDoA • Skemaimplementasi (hardware) masihsangatjarang • Skemapemilihanmatriks CS belumdibahassecaramendalam

  25. Paper #2 : METODE Skema CS di Rx yang diusulkan: Pengujiandilakukanuntuk 36 antenadan 8 antena SpektrumDoAdiperoleh: CS dilakukandenganmatriks

  26. Paper #2 : Novelty • Mengusulkanskema Rx untuk CS-DoA • PengusulanSkema Sub-Sampling yang lebihefisiendi Rx dibandingGaussian Random Sampling yang umumdiketahui • PendemonstrasianpenggabunganmetodaDoA MVDR dengan CS

  27. Paper #2 : HasildanPeluangPengembangan

  28. III. Critical Review 3. Jong Min Kim, et. al. Compressive MUSIC: Revisiting the Link Between Compressive Sensing and Array Signal Processing Information IEEE Transaction on Information Theory, 2012 LatarBelakang

  29. PAPER #3 : METODE PenulismengadopsialgoritmaDoA MUSIC, kemudianmemodifikasidenganskema CS sepertidisamping

  30. PAPER #3 : NOVELTY • Kontribusidari Paper iniadalah : • UnifikasiantaraCS danArray Processing (MUSIC) yang sebelumnyadipeloporiolehFengdanBresler (1990an) • UnifikasitersebutdibuktikandenganTeoriMatematik • UnifikasitersebutdisebutpenulissebagaiCompressive MUSIC • Penulismengklaimalgoritmainimendekati lower-bound optimisasi l0

  31. Paper #3 : HasildanPeluangPengembangan SnapshotHasil

  32. IV RESUME EKSPLORASI: Paper CS-DoAumumnyaadalah paper Teori Proposal awaldenganhasilsimulasiawal Olehkarenaitu, peluangdalampengembangandanpematangan Algoritma CS + algoritmaDoA = Algoritma CS-DoA [Peluanginvestigasipenggabunganmasihluas] Paper CS-DoApadaumumnyadilakukanpadalingkunganpenerimatidakbergerak(radar statis), lingkunganbergerakbelumdibahas. Di sisi lain, Channel Compressive Sensing telahmulaiberkembangluas *) *) WaheedU. Bajwa, Jarvis Haupt, Gil Raz, Robert Nowak, Compressed Channel Sensing, March 2008, Conf. on Info. Sciences and Systems (CISS), Princeton, New Jersey

More Related