基于多观测向量块稀疏的MIMO雷达非理想正交波形成像

基于稀疏恢复的多输入多输出(multiple input multiple output, MIMO)雷达波形分离方法,能够代替匹配滤波,提高MIMO雷达非理想正交波形分离效果,对目标高分辨成像。但由于目标像稀疏性较弱,多观测向量(multiple measurement vector, MMV)稀疏恢复算法的效果有限。通过调整感知矩阵发掘目标像的块稀疏性,提出了一种基于块稀疏的MMV稀疏重构算法来提高成像质量。首先采用改进的复合三角函数(improved composite trigonometric function, ICTF)作为平滑函数近似l₀范数,然后将其扩展到基于块稀疏的MMV模型,最后通过自适应调整正则化参数提升算法稳健性。通过实验验证了该算法在不同稀疏度、不同信噪比下的重构性能,仿真分析了其应用于MIMO雷达对多散射点目标模型的成像效果。仿真结果表明,所提算法能够更好地提高成像质量。     

基于多观测向量块稀疏的MIMO雷达非理想正交波形成像

基于稀疏恢复的多输入多输出(multiple input multiple output, MIMO)雷达波形分离方法,能够代替匹配滤波,提高MIMO雷达非理想正交波形分离效果,对目标高分辨成像。但由于目标像稀疏性较弱,多观测向量(multiple measurement vector, MMV)稀疏恢复算法的效果有限。通过调整感知矩阵发掘目标像的块稀疏性,提出了一种基于块稀疏的MMV稀疏重构算法来提高成像质量。首先采用改进的复合三角函数(improved composite trigonometric function, ICTF)作为平滑函数近似l₀范数,然后将其扩展到基于块稀疏的MMV模型,最后通过自适应调整正则化参数提升算法稳健性。通过实验验证了该算法在不同稀疏度、不同信噪比下的重构性能,仿真分析了其应用于MIMO雷达对多散射点目标模型的成像效果。仿真结果表明,所提算法能够更好地提高成像质量。     

一种基于稀疏重构的多视角MIMO雷达关联成像算法研究

为改善复杂目标的成像表现、提升雷达图像的视觉效果,提出一种基于稀疏重构的多视角多输入多输出(multiple input multiple output, MIMO)雷达关联成像方法,设计了多视角雷达散射面积(radar cross section, RCS)起伏的稀疏重构关联成像模型。所提算法能提高辐射场信号随机性,改善复杂目标雷达关联成像参考信号与回波之间相关性退化的情况,减小多视角RCS起伏对相关性的影响,提升多视角下的关联成像质量。最后,通过仿真验证了所提方法的有效性。     

基于外辐射源的机载无源SAR成像算法

提出一种基于外辐射源的单发单收模式的机载无源SAR成像方法。该方法基于单个外辐射源,利用载机作规则的环形运动来合成等效雷达孔径对地面静止目标进行成像。由于接收到的数据非均匀且数据量较少,通过对接收回波数据进行坐标变换和插值运算,直接在频域数据空间利用二维傅里叶变换重建目标的散射函数分布。理论推导和计算机仿真结果证明该方法是有效的。     

基于稀疏贝叶斯学习的拖曳线列阵空间谱估计

针对常规拖曳线列阵目标方位估计中存在的左右舷模糊问题,提出了联合多个时刻机动拖曳线列阵信号模型的稀疏贝叶斯学习空间谱重构估计方法。首先,建立了机动拖曳线列阵的阵元域信号超完备稀疏表示模型;然后,根据稀疏贝叶斯学习原理将目标的空间角度稀疏特性通过信号双层先验假设进行隐性描述;最后,对目标空间谱的变化过程采用隐马尔可夫模型进行描述,并将空间谱连续慢变的客观规律应用到目标信号超参数的概率密度计算中,构建基于多个时刻阵列信号模型的空间谱稀疏重构模型。计算机仿真研究和海试数据验证结果表明:所提方法在拖曳线列阵机动条件下,能够有效抑制固有的左右舷模糊,同时具有更好的重构精度,从而实现拖曳线列阵空间谱的优效估计。     

基于改进OMP算法的稀疏目标微波关联成像方法

利用稀疏重构类方法进行雷达微波关联成像时, 传统的正交匹配追踪(orthogonal matching pursuit, OMP)算法在每一次迭代过程中均需要求解目标函数的最小二乘解, 导致成像算法计算复杂度随矩阵规模和迭代次数增加而急剧攀升。针对此问题, 结合频率捷变思想, 提出了一种改进OMP算法的稀疏目标微波关联成像方法。首先, 阐明了微波关联成像机理, 并构建了微波关联成像信号模型; 然后, 利用共轭梯度法对OMP算法中的最小二乘求解步骤进行了改进, 并分析了改进后算法的计算量; 最后, 通过与最小二乘成像方法、匹配滤波成像方法和基于传统OMP稀疏重构的成像方法进行计算机对比仿真实验, 证明了本文算法的正确性与优越性。     

基于组网雷达的空间旋转对称进动目标三维重构

对于空间旋转对称进动目标,单部雷达成像仅能获得目标在雷达视线(line of sight,LOS)方向的一个切面,无法反映目标真实的三维结构,同时进动增加了成像的复杂度。利用组网雷达多视角观测的特点,提出一种基于组网雷达的旋转对称进动目标三维重构方法。首先建立了旋转对称进动目标的回波模型;在估计视线-轴线夹角的基础上,采用复数逆投影方法实现进动目标的二维成像,并分析了允许的夹角误差范围;基于分布式雷达二维图像,提出一种适用于旋转对称目标的三维重构方法,通过对各二维图像进行空间定标、匹配融合、强点检测和曲线圆拟合,最终实现目标的三维重构;最后通过仿真实验初步验证了该方法的有效性。     

基于稀疏重构的机动拖曳线列阵空间谱估计

针对常规单拖曳线列阵声纳目标方位估计中存在的左右舷模糊问题,提出了一种联合多个波束快拍量测的空间谱稀疏重构估计方法。首先给出了拖曳线阵转向机动时的阵形递推估计方法,建立机动拖曳线列阵的接收信号模型;然后,利用拖曳线列阵转向机动引起的目标方位变化特征,从构造矩阵相关性角度分析实现拖曳线列阵空间谱无模糊重构的机理,构建了基于连续多个时刻波束快拍量测的稀疏重构模型。通过计算机仿真研究,对比分析了所提方法与常规波束形成方法的空间谱估计性能,结果表明所提方法对模糊目标的抑制比远大于目标信噪比,同时具有更好的角度分辨率,从而实现了拖曳线列阵全向空间谱估计。     

多径环境下的无源分布式孔径雷达成像方法

研究多径环境下分布式孔径无源雷达成像方法,首先针对分布式孔径探测,给出一种新的无源雷达回波模型,该模型适用于复杂的多径散射环境,而且不需要已知发射源信息。然后研究一种基于二元假设检验的成像方法,依据最大信噪比原则构造检验统计量,该统计量依赖于空间位置信息,通过对成像区域中的每个位置进行检测,可实现空间分辨,获得成像结果。接着详细分析该方法在多径散射环境中的性能,并在模拟多径环境中采用地面数字电视信号对成像方法进行仿真实验验证。理论分析和实验结果表明,采用空间可分辨的检验统计量形成图像可以正确重建目标,并且可利用多径效应进行成像。     

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。     

基于特征增强的非均匀采样SAR三维稀疏成像

对于非均匀采样数据, 现有三维稀疏成像方法中的数据局部插值会带来误差, 且得到的分布式目标成像结果与其连续散射的本质不符。针对这些问题, 首先将成像问题直接建模为三维空间中联合的稀疏重构问题, 并通过选取候选散射中心进行字典降维; 然后, 在降维后的模型中增加三维特征增强约束项, 建立三维空间中相邻散射中心之间的联系; 最后, 结合高斯迭代法以及优化的信号处理技巧, 提出了一种高效的模型求解算法。实验结果表明, 相比于其他成像方法, 本文方法对旁瓣的抑制能力强, 成像结果分辨率高、精度高, 且保证了分布式目标成像结果的连续性。     

基于复近似信息传递的多通道SAR成像方法

偏置相位中心天线(displaced phase center antenna, DPCA)技术作为一种实现高分辨率、宽测绘带宽的有效技术手段,被广泛应用于高性能合成孔径雷达(synthetic aperture radar, SAR)系统研制中。为了实现最佳的成像效果,DPCA雷达成像系统需要满足方位向均匀采样条件,否则会导致方位向等效相位中心的周期性非均匀分布,进而使用经典匹配滤波成像方法会产生严重的方位模糊。根据稀疏信号处理理论,本文提出了一种基于复近似信息传递(complex approximate message passing, CAMP)算法的多通道非均匀采样DPCA成像方法,可以有效地解决多通道SAR因非均匀采样所产生的方位模糊以及杂波干扰问题,实现对观测区域的高精度重建。仿真和实际数据实验验证了该方法的有效性。     

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。     

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。     

双层稀疏组Lasso高分辨SAR结构特征增强成像

针对合成孔径雷达(synthetic aperture radar, SAR)成像中,基于?₁正则化线性回归(简称为Lasso)的凸优化类算法在进行稀疏特征增强时会导致弱散射体结构特征丢失，进而影响稀疏信号恢复精度的问题,本文提出一种基于双层稀疏组Lasso罚高斯回归模型的交替方向多乘子算法。该算法以散射体的块结构(组)特征为先验,首先针对SAR数据分类特征引入?₁范数对应的近端算子,通过在交替方向多乘子方法框架中利用高斯-赛德尔思想对其近端算子进行对偶迭代运算,实现第一层和第二层SAR组间的稀疏特征增强。另外混合范数中的?_F范数为高斯惩罚项,可对SAR回波复数据整体进行平滑,实现SAR结构特征增强成像。因此，所提算法可在SAR回波复数据处理中同时实现稀疏特征和结构特征联合增强。实验选取SAR、SAR地面动目标成像(SAR ground moving target imaging, SAR-GMTIm)和逆SAR的仿真数据与实测数据,分别从定性和定量两种角度对所提算法和传统算法进行对比,其中定量分析时采用相变图(phase transition diagram, PTD)方法来验证所提算法的重建能力，从而验证了本文所提算法应用于SAR稀疏与结构特征增强的有效性与优越性。     

高分辨SAR目标成像方向性结构特征增强

针对传统稀疏特征增强的方式仅能完成对目标场景中特显点的增强,对复杂的目标结构特征无能为力的问题,考虑目标细节特征的复杂性,提出方向性结构全变分(directional total structure variation,DTSV)正则子进行结构先验表征,实现对成像目标复杂结构特征任意梯度变化的拟合,进而实现对结构特征的...     

ISAR成像系统的二维资源自适应调度算法

现有认知雷达成像系统的资源调度策略只从距离向(或波形设计)或者方位向一个维度进行资源调度,没有充分分配和利用雷达系统资源,为此提出了一种针对步进频率逆合成孔径雷达成像系统的二维资源自适应调度算法,来进一步提高雷达系统的工作效率。该算法在对目标特征认知的基础上,根据压缩感知原理,计算对目标二维稀疏观测所需脉冲资源,依据二维资源调度模型,自适应分配二维脉冲资源,实现对多目标的交替稀疏观测成像。最后通过仿真验证了算法的可行性并与常规算法相比在资源饱和的情况下,可以执行更多的成像任务。     

基于块稀疏矩阵恢复的MIMO雷达扩展目标高分辨成像算法

针对现有多输入多输出(multiple input multiple output, MIMO)雷达稀疏恢复成像算法中存在的运算量大、对扩展目标成像质量低的问题，提出一种基于块稀疏矩阵恢复的MIMO雷达扩展目标高分辨成像算法, 通过引入目标块稀疏特征, 提高对空间扩展目标的成像质量。首先, 通过构造距离向和方位向感知矩阵, 建立目标散射系数估计的块稀疏矩阵恢复模型。然后, 采用分块二维序列一阶负指数(sequential order one negative exponential, SOONE)函数对目标块稀疏特征进行提取。最后, 利用梯度投影算法对块稀疏矩阵范数优化问题进行求解, 在欠采样条件下得到目标高质量图像。相比于传统成像算法, 所提算法可以在实现对扩展目标高分辨成像的同时, 降低数据采样量, 且具有较高的准确性、鲁棒性和较低的运算量。仿真实验验证了所提成像算法的有效性。     

基于属性稀疏特征差异度的动态抽象聚类方法

针对高属性维稀疏数据聚类问题,提出高属性维稀疏信息系统概念,给出一种新的基于稀疏特征差异度的动态抽象聚类方法。该方法的优势在于可伸缩性强,是一种面向属性稀疏特征,通过稀疏特征差异度可动态地、有效地实现对属性的归并,且具有一定容错性。该方法将在高属性维稀疏数据挖掘中起重要的作用。