基于压缩感知的GPR成像算法

传统的探地雷达(ground penetrating radar, GPR)数据采集需要满足Nyquist采样定理,严重影响了GPR成像效率。基于压缩感知理论,稀疏信号可以在远低于Nyquist采样率的情况下通过求解l₁范数约束下的凸最优化问题得到精确恢复,克服了传统算法中数据采集的局限。将压缩感知理论应用于GPR成像,利用仿真数据系统分析了测量矩阵维度、信噪比、数据损失程度和目标密集度等因素对成像结果的影响。实验结果表明,与传统的GPR成像算法相比,压缩感知成像算法成像精度高,虚警少,对噪声和数据损失有一定的鲁棒性,可以大大节省数据存储空间和采集时间。     

基于压缩感知理论的稀疏遥感成像系统设计

高分辨率的应用需求使得传统的遥感成像系统面临高速率采样、海量数据存储等难以突破的瓶颈问题。基于压缩感知理论设计的雷达和光学稀疏遥感成像系统,突破了Shannon-Nyquist定理的限制,以较少的测量数据实现了同等甚至更高质量的信号重构。首先,根据被测目标和场景的不同特性,分别设计了稀疏表示矩阵;其次,根据互相关最小化原则,选择了与稀疏表示矩阵相适应的最优感知矩阵;最后,研究了适用于二维成像大规模数据的稀疏重构算法。专业电磁散射仿真软件生成的雷达观测数据和复杂场景光学图像的数值仿真,验证了本文设计的稀疏遥感成像系统原理上的可行性。     

基于压缩感知的条带随机噪声雷达稀疏成像方法

将压缩感知理论与条带随机噪声雷达相结合,在假设场景目标稀疏的前提下,通过构造随机噪声的不同时延矩阵为稀疏变换矩阵以及通过构造随机噪声与部分单位阵的乘积为观测矩阵,提出了一种基于压缩感知的条带随机噪声雷达稀疏成像方法。该方法能在大幅减少回波信号采样数据量的前提下,准确重建出原始场景目标高分辨像。仿真结果证明了该方法的有效性与鲁棒性。     

基于压缩感知的稀疏无源雷达成像

当窄带外辐射源数目稀少且空间分布不均匀时,通常会在无源雷达成像中产生稀疏的无规则空间谱填充,使得传统快速逆傅里叶方法(inverse fast Fourier transform, IFFT)或极坐标方法难以获得良好的目标成像效果。针对这种空间谱填充的稀疏性和非均匀性,利用压缩感知理论在处理稀疏随机采样信号重构问题上的优势,提出了稀疏无源雷达成像方法。同时通过构造传感矩阵的互相关和积累相关函数,对目标图像的可重构性进行了分析。理论分析和仿真结果表明,对具有稀疏随机空间谱特点的无源雷达成像,本文提出的成像方法是有效的。     

基于压缩感知的条带SAR缺失数据恢复成像方法

针对条带模式合成孔径雷达回波缺失数据,提出了一种利用压缩感知恢复缺失数据并成像的方法。将条带数据分块为多个子孔径数据,对子孔径利用压缩感知恢复缺失数据并拼接得到条带数据,缩短了整个数据的恢复时间,推导了压缩感知处理的基矩阵和测量矩阵。运用最大似然估计的特征向量方法(eigenvector method for maximum- likelihood estimation, EMMLE)实现了子孔径缺失数据的自聚焦,满足了压缩感知对图像的稀疏要求。利用压缩感知恢复完整的相位误差信号,解决了子孔径补偿相位误差数据的拼接问题。最后通过对恢复的雷达回波数据成像并自聚焦校正了距离徙动,得到了聚焦良好的完整图像,提高了缺失数据的成像质量。     

基于关联计算的相控阵雷达前视成像技术

基于关联计算成像原理, 提出一种适用于相控阵雷达的前视成像技术, 其随机移相是由配置二维相控阵雷达来实现的.为了模拟经典量子关联成像中的随机涨落光场以实现测量的不相关性, 需要控制二维相控阵辐射出的波前呈现随机幅相波动特性, 再结合压缩感知(compressive sensing, CS)的模型框架与稀疏贝叶斯学习(sparse Bayesian learning, SBL)算法解决关联耦合问题以实现目标场景的方向维和俯仰维超分辨成像。甚至可以在不需要雷达与目标相对运动的情况下, 结合宽带信号体制实现雷达前视超分辨三维成像。仿真实验和实测数据验证了其原理的正确性和算法的有效性。     

基于深度学习的捷变相参雷达1-Bit块稀疏重构

近年来,量化压缩感知理论在雷达目标参数估计问题中得到了广泛应用,其主要思想是对采样回波数据进行量化,并将雷达观测模型建模为欠定方程,再利用压缩感知理论对稀疏目标信号进行恢复,降低回波数据的位宽,达到简化系统、提升效率的目的 .本文建立了捷变相参雷达信号的块稀疏压缩感知模型,并提出一种基于深度学习的1 Bit块稀疏重建网...     

用去卷积方法测量和差通道延时补偿量

宽带单脉冲三维成像雷达具有很高的距离分辨率,差信号经过相对于和信号的归一化处理后就能提供目标方位、俯仰信息;但和差通道微小延迟差可能对角度测量造成较大影响.介绍了宽带脉冲三维成像雷达原理和用去卷积测量和差通道延迟补偿量的方法,分析了和差通道延迟不同对角误差测量结果的影响,并用去卷积方法测量了仿真数据的和差通道延时补偿量.由分析可知,去卷积方法测量和差通道延迟补偿量不仅计算量小,并具有很高的测量精度.     

基于压缩感知的频率步进探地雷达成像算法

与时域无载频脉冲体制的探地雷达技术相比,频率步进探地雷达（stepped frequency ground penetrating radar, SFGPR）具有较多优越性,但由于其工作频率是以阶梯方式步进,导致成像速度较慢。提出了一种基于压缩感知(compressive sensing, CS)的频率步进探地雷达成像算法。实验结果表明,基于CS理论构建的CS SFGPR系统具有数据采集时间短、成像速度快等特点。〖JP〗     

基于卷积ADMM网络的高效结构化稀疏ISAR成像方法

结构化稀疏逆合成孔径雷达(inverse synthetic aperture radar, ISAR)成像是空间态势感知与目标识别的重要手段。该问题可通过压缩感知(compressive sensing, CS)方法解决。目前, 许多传统CS方法仍存在运算效率低、参数适应性不强等问题。针对该问题, 本文提出了一种基于卷积交替方向乘子法网络(convolutional alternating direction method of multipliers network, C-ADMMN)的结构化稀疏ISAR成像方法。利用深度展开方法, 结合传统结构化稀疏ISAR成像模型, 构建C-ADMMN网络。通过监督学习, C-ADMMN仅需约10层网络便可达到传统方法上百次迭代的效果, 具有较高的运算效率且对不同目标具有一定适应性。基于仿真与实测数据的实验结果验证了网络的高效性与参数适应性。     

Novel imaging methods of stepped frequency radar based on compressed sensing

The theory of compressed sensing (CS) provides a new chance to reduce the data acquisition time and improve the data usage factor of the stepped frequency radar system. In light of the sparsity of radar target reflectivity, two imaging methods based on CS, termed the CS-based 2D joint imaging algorithm and the CS-based 2D decoupled imaging algorithm, are proposed. These methods incorporate the coherent mixing operation into the sparse dictionary, and take random measurements in both range and azimuth directions to get high resolution radar images, thus can remarkably reduce the data rate and simplify the hardware design of the radar system while maintaining imaging quality. Experiments from both simulated data and measured data in the anechoic chamber show that the proposed imaging methods can get more focused images than the traditional fast Fourier transform method. Wherein the joint algorithm has stronger robustness and can provide clearer inverse synthetic aperture radar images, while the decoupled algorithm is computationally more efficient but has slightly degraded imaging quality, which can be improved by increasing measurements or using a robuster recovery algorithm nevertheless.     

基于混沌随机滤波器的CS-MIMO雷达测量矩阵优化设计

提出了一种在压缩感知多输入多输出（compressive sensing-multiple input multiple output,CS-MIMO）雷达中利用混沌非线性系统设计随机滤波器进而实现测量矩阵优化的方法。目前,大部分研究采用高斯随机矩阵作为测量矩阵,这类测量矩阵的局限性是,每次仿真实验产生的矩阵互不相同,雷达系统无法实现在线优化,且其对硬件要〖JP〗求高,实现困难。在CS-MIMO雷达信号模型基础上构造稀疏基,提出了基于随机滤波器结构的测量矩阵设计方法,利用混沌序列构造随机滤波器系数,完成对雷达回波的压缩观测。同时以Gram矩阵逼近对角矩阵为准则对随机滤波等效测量矩阵进行优化,进一步提高雷达系统性能。仿真结果表明所提出的基于混沌随机滤波器的CS-MIMO雷达测量矩阵设计与优化算法能够有效提高波达角(direction of arrival, DOA)估计精度。     

基于压缩感知测量值的扩展目标检测

针对宽带雷达扩展目标检测这一问题,提出了一种在复高斯白噪声背景下基于压缩感知(compressed sensing, CS)测量值的检测新方法。新方法将CS理论引入到宽带雷达扩展目标检测领域,首先通过构造sinc基来稀疏表示扩展目标的一维距离像(high resolution range profile, HRRP),再由复杂的近似消息传递(complex approximate message passing, CAMP) 算法从被复高斯白噪声污染的CS测量值中得到HRRP由sinc基线性表示的相关系数,最后由基于l-0范数的检测器实现扩展目标检测,同时经过推导得到虚警概率和检测概率。基于实测宽带雷达回波数据的实验结果表明,所构造的sinc基可以较好地稀疏表示扩展目标的HRRP；和传统的检测器相比,所提出的新方法可以更好地实现扩展目标检测。     

用反卷积法获得雷达目标回波波形特征

本文探讨了高、低分辨力两类雷达视频回波与目标散射特性的关系,提出了适用于低分辨力雷达目标识别的回波卷积模型;利用微波暗室测量与数字仿真得到低分辨力雷达视频回波波形,并采用投影迭代反卷积算法,获得目标散射中心特征波形,这些波形在提取目标特征及识别方面优于原始视频回波,从而验证本文模型及算法的可行性。     

宽带雷达通信一体化波形设计与雷达成像方法研究

雷达与通信系统一体化可以实现电子资源的共享。提出并设计了一种宽带雷达通信一体化波形--随机调制线性调频步进信号,在实现雷达成像的同时实现数据通信。该信号充分利用现有的随机步进线性调频信号波形设计上的高度灵活性特点,以其子脉冲的载波频率调制通信数据,以子脉冲调频斜率的方向表示地址信息,实现了点到多点通信;分析计算了一体化信号下的信道容量、多址信号的正交性和接收机错误概率等通信性能指标;提出了随机化预处理方法来解决一体化信号在雷达成像中的问题,利用统计相关法实现宽带雷达的一维距离成像,提出并推导了部分参数对成像效果的影响。最后,从通信和雷达成像两方面仿真验证了该一体化信号的可用性和有效性。     

基于双谱-谱图特征和深度卷积神经网络的HRRP目标识别方法

针对雷达高分辨距离像(high resolution range profile, HRRP)目标识别中有效表示和特征提取这一关键问题,提出了基于双谱-谱图特征和深度卷积神经网络(deep convolution neural network, DCNN)的识别方法。首先,提取HRRP的双谱-谱图特征表示作为CNN的输入。然后,通过网络训练提取出深层本质特征,实现对雷达目标的识别。最后,对不同特征表示的识别结果进行对比。采用卫星目标实测数据进行实验,结果表明,该方法可以准确有效地识别雷达目标,而且与其他常用特征表示相比,双谱-谱图特征表示具有更好的识别准确率和噪声鲁棒性。     

小样本条件下SCGAN+CNN低分辨雷达目标一步识别算法

现有低分辨雷达目标识别方法,通常采用先特征提取、再进行目标分类的两步识别算法,这种算法存在识别率难以提高和方法泛化性不足的问题,对此,提出一种增强条件生成对抗网络（strengthening condition generative adversarial network,SCGAN）+卷积神经网络（convolutional neural network,CNN）的低分辨雷达目标一步识别算法。该算法利用CNN自动获取采样数据深层本质特征,无需特征提取,实现对目标的一步识别。为进一步提高小样本条件下的识别效果,基于CGAN理论来提高样本在特征空间的覆盖程度,并对CGAN的判别器进行改进,在损失函数中增加混叠惩戒项,通过SCGAN生成不混叠的生成样本来更好地训练CNN,提高其在小样本条件下的识别能力。仿真对比实验校验了一步识别算法较传统两步识别算法的优越性,以及SCGAN+CNN的低分辨雷达目标一步识别算法在小样本条件下的有效性。