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〗     

基于随机卷积的压缩感知雷达成像

压缩感知理论为解决传统高分辨雷达面临的大带宽信号采样、海量数据存储、传输与处理等问题提供了契机。基于随机卷积的压缩感知是一种通用有效的数据获取策略,且便于物理实现。研究了基于随机卷积的压缩感知雷达成像方法,对随机测量体系中降采样的不同实现方式进行分析和讨论。仿真和实测数据验证了成像方法的有效性,并对比分析了不同降采样方式下信噪比和样本数对成像性能的影响。     

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。     

MIMO雷达反向投影成像算法

针对多输入多输出(multiple-input multiple-output, MIMO)雷达的多收发固定阵列结构,在标准反向投影(back projection, BP)成像算法基础上,提出了一种修正BP成像算法。该算法首先对MIMO雷达距离压缩回波数据进行时延曲线校正处理,而后沿方位向直接相干叠加各路回波处理数据,从而无需距离插值即可实现方位聚焦。与标准BP算法相比,修正BP算法大大降低了运算量,同时也克服了现有快速BP算法大都没有考虑距离插值运算的缺陷。MIMO雷达外场实测数据处理表明：与标准BP算法相比,修正BP算法有效节省了运算时间,并保持了雷达成像质量。     

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。     

机动平台大斜视压缩感知SAR成像方法

为降低合成孔径雷达(synthetic aperture radar, SAR)成像系统的数据量并提高其平台适应性,提出了一种基于频域近似观测算子的机动平台大斜视压缩感知SAR成像方法。在构建近似观测算子的过程中,首先,基于等斜视角曲线构建了一种能够精确描述地面散射点成像参数空变性的斜距模型。然后,引入距离走动校正函数和高阶时域扰动因子实现了距离方位的解耦和空变距离徙动的校正,并通过构建时频域的相位滤波因子校正了方位压缩参数的空变性。最后,采用复近似信息传递(complex approximation message passing, CAMP)算法对稀疏和非稀疏场景进行快速、高精度重建。该方法通过校正成像参数的空变性,提高了近似观测算子的精度,实现了扩展场景的机动平台大斜视压缩感知SAR成像,仿真结果支撑了理论分析并验证了所提方法的有效性。     

机动平台大斜视压缩感知SAR成像方法

为降低合成孔径雷达(synthetic aperture radar, SAR)成像系统的数据量并提高其平台适应性,提出了一种基于频域近似观测算子的机动平台大斜视压缩感知SAR成像方法。在构建近似观测算子的过程中,首先,基于等斜视角曲线构建了一种能够精确描述地面散射点成像参数空变性的斜距模型。然后,引入距离走动校正函数和高阶时域扰动因子实现了距离方位的解耦和空变距离徙动的校正,并通过构建时频域的相位滤波因子校正了方位压缩参数的空变性。最后,采用复近似信息传递(complex approximation message passing, CAMP)算法对稀疏和非稀疏场景进行快速、高精度重建。该方法通过校正成像参数的空变性,提高了近似观测算子的精度,实现了扩展场景的机动平台大斜视压缩感知SAR成像,仿真结果支撑了理论分析并验证了所提方法的有效性。     

基于压缩感知的自适应匹配追踪算法优化

针对基于压缩感知的稀疏自适应匹配追踪(sparsity adaptive matching pursuit,SAMP)算法运行效率低的问题,给出了一种优化的自适应匹配追踪(modified adaptive matching pursuit,MAMP)算法.该算法在支撑集选择过程中对稀疏度进行了初步估计,并优化了迭代停止的条件.实验表明,该算法相比于SAMP有更快的收敛速度,并且实现更优的重建效果.     

基于压缩感知的高频地波雷达射频干扰抑制

工作在短波频段的高频地波雷达,受到大量射频(radio frequency, RF)信号的干扰,严重影响了对目标的正常检测和参数估计。根据RF干扰经混频和低通滤波后的时域输出特性,提出了基于压缩感知理论的RF干扰抑制方法。该方法能够利用少量未被干扰的采样数据对目标的距离参数做出精确估计。理论分析和仿真结果表明,该方法在RF干扰较少和密集的情况下都能保持良好的干扰抑制效果和对目标参数的准确估计。     

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.     

基于贝叶斯压缩感知的SAR目标识别

针对合成孔径雷达(synthetic aperture radar, SAR)目标识别问题,提出一种基于贝叶斯压缩感知(Bayesian compressive sensing, BCS)的图像域SAR目标识别方法。该方法首先对SAR图像进行分割预处理,得到目标区图像数据;然后基于BCS模型,根据训练样本构造传感矩阵;求解测试样本相应的稀疏系数矢量,根据稀疏系数矢量中对应训练样本类别元素的L2范数判定目标类型。采用美国运动和静止目标获取与识别(moving and stationary target acquisition and recognition, MSTAR)计划公开发布的SAR目标数据库进行实验,结果表明该方法具有良好的识别效果。     

散射区域加权压缩感知ISAR成像

压缩感知(compressive sensing,CS)理论为少量脉冲条件下实现高分辨逆合成孔径雷达(inverse synthetic aperture radar, ISAR)成像提供了新方法。然而由于CS的噪声敏感性,其成像易受到噪声污染;另外,少量脉冲条件下很难保证噪声参数估计精度,这进一步加剧了ISAR成像污染。针对这一问题,提出一种散射区域加权CS ISAR成像算法,利用目标散射区域信息对冗余字典中的基函数进行加权,修正CS重建算法以抑制噪声散斑。为提高噪声参数估计精度,对回波采样建立子序列矩阵,提出矩阵扰动理论噪声参数估计方法。实验结果表明,所提方法能够有效抑制噪声影响,提高低信噪比和少量脉冲条件下ISAR成像质量。     

Degradation algorithm of compressive sensing

The compressive sensing(CS) theory allows people to obtain signal in the frequency much lower than the requested one of sampling theorem.Because the theory is based on the assumption of that the location of sparse values is unknown,it has many constraints in practical applications.In fact,in many cases such as image processing,the location of sparse values is knowable,and CS can degrade to a linear process.In order to take full advantage of the visual information of images,this paper proposes the concept of dimensionality reduction transform matrix and then selects sparse values by constructing an accuracy control matrix,so on this basis,a degradation algorithm is designed that the signal can be obtained by the measurements as many as sparse values and reconstructed through a linear process.In comparison with similar methods,the degradation algorithm is effective in reducing the number of sensors and improving operational efficiency.The algorithm is also used to achieve the CS process with the same amount of data as joint photographic exports group(JPEG) compression and acquires the same display effect.