基于压缩感知的随机噪声成像雷达

近年来提出的压缩感知(CS)理论指出可以从很少的采样点中以很大的概率准确重建原始的未知稀疏信号。该文将压缩感知与随机噪声雷达相结合,提出了基于压缩感知的随机噪声雷达,并给出了该雷达系统的基本原理框图,从理论上证明了基于压缩感知的随机噪声雷达的回波观测矩阵具有很好的等容性质,在目标场景稀疏或可以稀疏表示时,基于压缩感知的随机噪声雷达可以采集远小于常规随机噪声雷达成像所需的回波数据并能实现准确成像,最后通过仿真实验验证了该文的结论。     

压缩感知雷达成像技术综述

压缩感知理论突破了传统Nyquist采样定理的限制,它基于信号的稀疏性、测量矩阵的随机性和非线性优化算法完成对信号的压缩采样和重构。这种全新的信号处理理论为克服传统雷达固有缺陷,解决传统高分辨雷达面临的高采样率、大数据量和实时处理困难等问题提供了可能。本文概述了压缩感知基本理论,详细讨论了基于压缩感知的雷达成像技术,对压缩感知在高分辨雷达成像领域中的研究现状进行了归纳和分析,应用对象包括SAR/ISAR、穿墙雷达、MIMO雷达、探地雷达等,充分体现了压缩感知在简化雷达硬件设计、弥补雷达数据缺陷、改善雷达成像质量等方面的巨大潜力,明确了研究中存在的问题,阐述了有待进一步研究的方向,并总结了压缩感知用于雷达成像的优势和缺陷。      

基于压缩感知的探地雷达成像算法研究

压缩感知理论通过从一系列非自适应线性测量中求解一个凸L_1最小化问题,从而对稀疏信号进行重构。该文基于压缩感知理论对宽带合成孔径雷达成像,利用空间目标信号成像的稀疏性,提出了一种全新的低采样率数据采集重构算法。此算法在获取雷达信号原始数据时采用压缩感知的算法,减少了原始信号数据的采样量,并且用少量的测量数据和测量孔径获得重建测量目标的信息。最后将此算法与传统的反投影成像进行了比较,其仿真试验数据表明,基于压缩感知的探地雷达成像算法比传统反向投影算法成像效果好,且所需数据量少。     

艇载稀疏阵列MIMO雷达地面运动目标成像方法

本文针对地面运动目标成像问题,提出了基于平流层飞艇平台的稀疏阵列MIMO(Multiple-Input Multiple-Output)雷达的成像方法.该方法首先利用MIMO雷达阵列对观测场景进行空间并行采样获取其散射信息,其次由于两次脉冲回波信号中的运动目标信息不同而地杂波(或静止地物)信息相同,因此利用一次相消技术抑制回波信号中的地杂波分量.然后基于观测场景中运动目标的稀疏特性,将压缩感知理论引入到对运动目标重建过程中.该方法可有效避免地面运动目标成像时的地杂波干扰和运动补偿问题,同时采用稀疏阵列可大幅减少天线阵元个数,从而降低对飞艇平台的要求和系统成本,便于工程应用.最后利用仿真实验验证了该方法的有效性和可行性.     

基于压缩感知的雷达信号处理技术研究

雷达信号具有带宽范围大、分辨率高的特点,但ADC采集速率比DSP处理速率高1~2个数量级,硬件设备为雷达信号的采集和处理带来了一定的困难。采用压缩感知技术打破了奈奎斯特采样定理的限制,利用雷达信号稀疏性的特点,降低了信号采样率和存储传输的代价。文章应用压缩感知技术将高维信号压缩为低维信号,通过信号重构还原雷达信号在距离向和方位向原始信号,实现了超分辨率雷达成像。     

基于DCS 的统计MIMO 雷达信号模型及参数估计

分布式压缩感知(Distributed Compressed Sensing, DCS)将单信号的压缩采样扩展到信号群的压缩采样,利用信号内相关性和互相关性对多个信号进行联合重构。统计多输入多输出(Multiple-Input Multiple-Output,MIMO)雷达系统通过多发多收配置,在发射机、目标以及接收机之间构成对目标的分布式探测系统。该文将DCS应用到统计MIMO 雷达中,通过对该场景中目标回波的延时在距离空间稀疏性的分析,提出联合所有接收信号重构目标场景的设想,建立了接收信号的联合稀疏模型,并实现了目标参数估计的联合重构算法。仿真结果表明与基于压缩感知(Compressed Sensing, CS)的算法相比,基于DCS 的算法在进一步降低采样数目的同时提高了参数估计精度,同时也验证了DCS-MIMO 雷达可以有效克服目标的雷达散射截面积(Radar Cross Section, RCS)起伏。      

压缩感知在超宽带雷达成像中的应用

利用信号的先验稀疏性,通过压缩感知(Compressive Sensing,CS)方法可以实现从少量的非适应性随机测量数据重建原始信号。将压缩感知理论应用到超宽带雷达高分辨率成像中,提出基于CS理论的二维方位-距离向成像算法,可以显著减少数据采集时间、数据量、处理时间以及节省信号带宽,并利用矢量网络分析仪(Vector Network Analyzer,VNA)测量的实验数据验证了采用时间和空间减采样数据的CS算法可以实现与传统的延迟-求和波束形成方法(Delay-Sum Beamform-ing,DSBF)相当的成像质量和分辨率。     

相变图在稀疏微波成像变化检测降采样分析中的应用

相变图是稀疏微波成像雷达性能评估的一种重要方式,它可以准确刻画出雷达成像性能随稀疏度、采样比和信噪比3个参数的变化趋势,给出不同参数组合下场景准确重建的概率值。稀疏微波成像变化检测中,由于场景的变化相对于整个观测区域是稀疏的,利用分布式压缩感知方法可以在采样比组合满足一定条件下准确提取场景变化量。该文在场景稀疏度和信噪比不变的情况下,研究前后观测数据的采样比对变化检测结果的影响,绘制稀疏微波成像变化检测相变图,并利用相变图分析变化检测结果随前后两次观测的采样比参数的变化趋势,确定可以实现准确重建的采样比参数组合范围。最后通过仿真和实验验证相变图用于分析稀疏微波成像变化检测结果的可行性和有效性,为实际稀疏微波成像系统降低数据采集量和系统设计复杂度提供依据。     

基于压缩感知的多发多收高分辨SAR成像算法研究

压缩感知理论指出,稀疏信号可以通过以低于奈奎斯特采样的测量数据重建出原始信号。针对高分辨率SAR成像在奈奎斯特理论下所面临的高速A／D采样、大数据量存储、传输等问题挑战。本文提出了一种基于压缩感知理论的多发多收高分辨率SAR二维成像算法。该算法减轻了高分辨率SAR成像的压力,采用压缩感知处理降低了A／D采样速率、数据量...     

基于贝叶斯压缩感知的合成孔径雷达高分辨成像

基于压缩感知(CS)的合成孔径雷达成像方法可以显著减少数据采样时间、数据量以及节省信号带宽。然而,基于CS的方法对噪声和杂波相当敏感,在信噪比较低的时候,成像质量较差。该文结合CS理论提出了合成孔径雷达中的随机孔径贝叶斯压缩感知(BCS)高分辨2维成像方法。在距离向应用CS减少采样数据的同时,在方位向随机抽取部分孔径位置发射和接收信号,以少量的测量孔径和测量数据获得重建目标空间的足够信息。基于贝叶斯的分析方法由于考虑了成像场景中的杂波以及压缩采样过程中的加性噪声,因而能够更好地重建目标空间。仿真结果表明,基于贝叶斯方法得到的图像比基于FFT方法得到的图像更加尖锐,比基于CS方法得到的图像更加稀疏,因而具有更高的分辨率。     

The high resolution MIMO radar system based on minimizing the statistical coherence of compressed sensing matrix

Compressed Sensing (CS) theory is a great breakthrough of the traditional Nyquist sampling theory. It can accomplish compressive sampling and signal recovery based on the sparsity of interested signal, the randomness of measurement matrix and nonlinear optimization method of signal recovery. Firstly, the CS principle is reviewed. Then the ambiguity function of Multiple-Input Multiple- Output (MIMO) radar is deduced. After that, combined with CS theory, the ambiguity function of MIMO radar is analyzed and simulated in detail. At last, the resolutions of coherent and non-coherent MIMO radars on the CS theory are discussed. Simulation results show that the coherent MIMO radar has better resolution performance than the non-coherent. But the coherent ambiguity function has higher side lobes, which caused a deterioration in radar target detection performances. The stochastic embattling method of sparse array based on minimizing the statistical coherence of sensing matrix is proposed. And simulation results show that it could effectively suppress side lobes of the ambiguity function and improve the capability of weak target detection.     

CS与GPR联合反演目标成像

压缩传感(CS)理论是在已知信号具有稀疏性或可压缩性的条件下对信号数据进行采集、编解码的新理论。压缩传感采用非自适应线性投影来保持信号的原始结构,能通过数值最优化问题准确重构原始信号。压缩传感以远低于奈奎斯特频率进行采样,在高分辨压缩成像系统、视频图像采集系统、雷达成像以及MRI医疗成像等领域有着广阔的应用前景。阐述了压缩传感理论框架以及信号稀疏表示、CS编解码模型,并进行了压缩传感与探地雷达联合反演目标成像。反演结果表明,随机孔径压缩传感成像算法比递归反向投影算法和最小二乘法所需数据量少,成像效果好,目标旁瓣小,对噪声的鲁棒性更好。     

基于低秩稀疏约束的穿墙雷达成像算法

针对穿墙雷达(TWR)成像过程中墙杂波与成像空间分别具有低秩性和稀疏性的特点,提出了一种基于低秩稀疏约束的穿墙雷达成像算法.所提成像算法通过奇异值软阈值法和l1范数最小化技术进行迭代求解低秩稀疏约束优化问题,实现在墙体强反射波存在的探测环境中基于压缩感知框架对墙后隐蔽目标的准确成像重建.仿真和实验数据的处理结果验证了所提成像算法的有效性和准确性.     

压缩感知理论及其应用前景

压缩感知理论是近年来提出的一种基于信号稀疏性的新兴采样理论。与通常的数据采样定理不同,该理论提出可以用远远少于传统采样定理所需的采样点数或观测点数恢复出原信号或图像。本文主要阐述了压缩感知中信号的稀疏表示、测量矩阵的设计及信号的重构算法等基本理论,论述了该理论的广阔应用前景。     

利用线性Bregman迭代的ISAR高分辨成像

为获得ISAR方位向高分辨成像性能,基于压缩感知理论,提出了一种具有方位向高分辨能力的算法。该算法基于线性Bregman迭代(LBI)实现ISAR方位向高分辨。首先将重构精度高的LBI推广到复数域;然后进行了算法的理论分析,与正交匹配追踪算法对比分析了LBI算法的有效性以及稀疏度和采样率对重构精度的影响,仿真结果表明推广到复数域后的LBI能够有效实现复数稀疏信号的重构,验证了算法的优越性;最后将算法运用于ISAR方位向成像。仿真结果验证了LBI算法可明显提高ISAR方位向分辨率。     

Multipath Ghosts in Through-the-Wall Radar Imaging: Challenges and Solutions

In through-the-wall radar imaging (TWRI), the presence of front and side walls causes multipath propagation, which creates fake targets called multipath ghosts. They populate the scene and reduce the probability of correct target detection, classification, and localization. In modern TWRI, specular multipath exploitation has received considerable attention for reducing the effects of multipath ghosts. However, this exploitation is challenged by the requirements of the reflecting geometry, which is not always available. Currently, the demand for a high radar image resolution dictates the use of a large aperture and wide bandwidth. This results in a large amount of data. To tackle this problem, compressive sensing (CS) is applied to TWRI. With CS, only a fraction of the data are used to produce a high-quality image, provided that the scene is sparse. However, owing to multipath ghosts, the scene sparsity is highly deteriorated; hence, the performance of the CS algorithms is compromised. This paper presents and discusses the adverse effects of multipath ghosts in TWRI. It describes the physical formation of ghosts, their challenges, and existing suppression techniques.     

压缩感知及其应用:从稀疏约束到低秩约束优化

压缩感知（或称压缩采样）是国际上近期出现的一种信息理论。其核心思想是只要某高维信号是可压缩的或在某个变换域上具有稀疏性,就可以用一个与变换基不相关的测量矩阵将该信号投影到一个低维空间上,然后通过求解一个最优化问题以较高的概率从这些少量的投影中重构出原始信号。压缩感知理论突破了香农定理对信号采样频率的限制,能够以较少的采样资源,较高的采样速度和较低的软硬件复杂度获得原始信号的测量值。该理论已经被广泛应用于数字相机、医学成像、遥感成像、地震勘探、多媒体混合编码、通讯、结构健康监测等领域。本文归纳了压缩感知研究中的关键问题,探讨压缩感知从稀疏约束到低秩约束优化的发展历程,对压缩感知在遥感、地震勘探等几个相关领域的应用研究进行了综述。      

使用能量匹配的监控视频自适应速率压缩感知

获取信号稀疏度对压缩感知(CS)性能的提升有重大意义,但在采样端不进行完整信号数字化采集和存储的情况下,对信号稀疏度进行估计比较困难。现有方法在稀疏度估计性能和计算复杂度方面难以取得较好的平衡。针对采样端对信号特性未知的监控视频应用,该文提出一种新的使用能量匹配的自适应速率压缩感知方法(ARCS-EM),通过观测一个恒定低速率的压缩感知观测结果来对当前帧实际稀疏度进行估计,然后根据估计结果决定当前帧应执行的压缩感知测量数,再进行补充测量得到当前帧的优化压缩感知采样结果。实验结果表明,该方法可以较好地适应视频中前景稀疏度的变化,为每帧图像分配适当的压缩感知测量速率,在不显著提高采样端计算复杂度的前提下,有效提高重建视频的质量。