相参频率捷变雷达目标稀疏重建性能边界综述

相比频率固定的脉冲多普勒体制, 频率捷变体制在抗干扰方面具有显著优势。但在该体制下, 基于匹配滤波的信号处理算法存在旁瓣平台问题, 难以与动目标检测兼容。压缩感知理论将目标参数估计建模作为欠定方程求解, 为该问题提供了解决思路。在相参频率捷变雷达中, 压缩感知能否准确重建目标是一个基础性问题。本文梳理了针对该问题的相关研究, 借助相变理论与相变曲线的解析表达式, 定量描述了捷变频雷达重建目标的成功概率与主要系统和目标参数之间的关系; 该理论性能边界与仿真实际所能达到的性能相接近。此外, 还探讨了现有成果在实际应用中的价值, 展望了未来研究方向。     

基于交替下降条件梯度的前视成像

基于网格的压缩感知(compressive sensing, CS)算法存在格点失配问题, 在分辨力不足的情况下容易产生伪影。而无网格的CS算法常用于二维谐波估计问题, 不适用于存在交叉项等复杂信号模型。对此, 提出一种基于交替下降条件梯度的前视成像算法。所提算法每次迭代首先获得散射点参数的粗估计, 并更新参数集合, 然后对更新的参数集合进行梯度下降, 获得参数集合的精细估计, 实现了在复杂信号模型下连续参数的二维高分辨成像。仿真实验说明了所提算法的优越性与有效性。     

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块稀疏重建网络B-BAdaLISTA, 该重建网络与传统1-Bit硬判决迭代算法比较, 在1 Bit采样量化下具有相近的重构性能和更快的收敛速度, 同时将块稀疏的结构特征融入到网络结构中, 显著提高了雷达目标参数的恢复质量。通过仿真实验定量分析了B-BAdaLISTA重建网络在无噪、有噪条件下的恢复能力, 验证了算法的有效性。     

频率捷变雷达的扩展目标检测

本文研究频率捷变雷达的扩展目标检测问题。当频率捷变雷达的合成带宽较大时, 雷达目标会变成扩展目标, 导致雷达无法直接应用传统的恒虚警检测算法。针对这一问题, 本文建立了频率捷变雷达的扩展目标检测模型, 推导了基于广义似然比的检验统计量, 并且通过数值仿真展示了相应的检测概率和虚警概率。为了提升雷达的抗干扰能力和频谱利用率, 本文考虑了雷达只使用一部分发射频点的场景。数值结果表明, 在高信噪比下, 频率捷变雷达使用的发射频点越多、合成带宽越大时, 扩展目标检测的性能越好。