基于自适应分块和联合优化光滑l0范数的二维压缩感知算法

传统的压缩感知模型和重构方法，虽能有效减少数据量，但压缩和重构性能不佳，故该文提出一种基于自适应分块和联合优化光滑l₀范数(SL0)的2维压缩感知算法。压缩过程利用灰度熵和四叉树算法进行自适应分块和采样率分配，同时对压缩模型改进，使用混沌循环矩阵作为测量矩阵，提升了压缩性能。重构过程基于SL0算法，采用陡峭性更高的拟合函数，结合拟牛顿法和动态迭代的方案提高重构质量和效率。该算法峰值信噪比和结构相似性指数相比现有算法平均提升了5.44 dB和21.08%，平均计算时间仅需1.59 s，表明该算法能稳定、快速地实现图像的压缩感知和精确重构，为压缩感知和图像重构提供了新方法。     

基于BFGS拟牛顿法的压缩感知SL0重构算法

平滑l₀范数(SL0)算法是一种基于近似l₀范数的压缩感知信号重构算法,采用最速下降法和梯度投影原理,通过选择一个递减序列来逐步逼近最优解,具有匹配度高、计算量低、不需要已知信号稀疏度等优点。但是,其迭代方向为负梯度方向,使得在迭代过程中产生“锯齿现象”,导致在最优解附近收敛速度较慢。牛顿法具有较快的收敛速度,但是对初值的要求较高,并且需要计算Hesse矩阵。拟牛顿法则克服了这个缺点,利用BFGS公式计算Hesse矩阵的近似矩阵,只需要计算1阶导数信息。该文在SL0算法的基础上,结合BFGS拟牛顿法,提出一种改进的压缩感知信号重构算法。首先采用最速下降法迭代得到信号的某个估计值,然后将此估计值作为拟牛顿法的初值继续迭代,直至得到最优解。计算机仿真结果表明,在相同的条件下,该算法在重构精度、峰值信噪比和重建匹配度等方面均有较大提高。     

分块压缩感知的全变差正则化重构算法

针对分块压缩感知(BCS)重建图像质量较差问题,该文提出一种最小化l₀范数的分块压缩感知全变差(TV)正则化迭代阈值图像重构算法(BCS-TVIT)。BCS-TVIT算法考虑图像的局部平滑、有界变差等性质,将最小化l₀范数与图像的全变差TV正则项结合,构建目标函数。针对目标函数中l₀范数项和分块测量约束项无法直接优化问题,采用迭代阈值法使重构图像l₀范数最小化,并通过凸集投影保证满足约束条件,完成了目标函数的优化求解。实验表明,与基于l₀范数最小化的分块压缩感知平滑投影算法(BCS-SPL)相比,BCS-TVIT算法重构图像峰值信噪比提高2 dB,能消除BCS-SPL的“亮斑”效应,且在视觉效果上明显优于BCS-SPL算法;与最小全变差算法相比,BCS-TVIT算法重构图像峰值信噪比提升1 dB,且能降低重构时间约2个数量级。     

用于压缩感知信号重建的SL0改进算法

SL0算法是一种基于近似l₀范数的压缩感知信号重建算法,其思想是用一个光滑函数来近似l₀范数,然后求解一个优化问题。目前采用的光滑函数都是高斯函数族,文中突破了以往采用高斯函数族近似l₀范数,提出了采用复合三角函数作为近似估计l₀范数的函数,然后结合修正牛顿法和阻尼牛顿法提出一种更精确的重建算法DNSL0。实验结果表明,在相同测试环境下,DNSL0算法在峰值信噪比和匹配度方面比SL0算法和NSL0算法都有了大幅提高。     

基于二维阈值SL0范数算法的压缩感知ISAR成像

在对非合作目标的逆合成孔径雷达(ISAR)成像中,快速成像甚至实时成像具有非同寻常的意义。平滑l₀范数(SL0)算法是一种计算快速的压缩感知类参数重构算法,在ISAR成像中得到关注和应用。常规SL0算法在迭代过程中,无论参数重构的收敛效果如何,每轮内循环的迭代次数都是固定的预设次数,导致多次内循环无效进行。文中针对常规SL0算法迭代收敛机制僵化的问题,提出一种二维阈值平滑l₀范数(2D T-SL0)快速算法,用于ISAR成像中的强散射点提取。该算法引入迭代效率指标来评定内循环的有效性。在内循环的迭代过程中,若其迭代效率指标高于设定阈值,说明参数估计值能得到优化,该轮内循环继续进行;反之说明参数估计值已接近收敛,则终止该轮内循环,进入下一轮内循环。ISAR成像实验结果表明,相比常规SL0算法,2D T-SL0算法能减少很多无效迭代,明显降低运算量。在成像效果方面,2D T-SL0算法与常规SL0算法相当,明显好于传统的距离-多普勒(R-D)算法和旋转不变参数估计(ESPRIT)算法。     

OFDM系统中基于压缩传感理论的信道估计算法

信道估计是OFDM系统中的一项关键技术,信道估计质量的好坏对整个系统的性能有重要的影响。传统的最小均方算法对稀疏信道进行估计时存在精确性差的缺陷。本文利用信道冲激响应的稀疏性,提出了一种基于近似l₀范数的信道估计算法。该算法用三种函数逼近l₀范数,应用梯度下降法和梯度投影算法获得代价函数的最优解,从而得到信道的最稀疏解。仿真实验结果表明:在相同条件下,与基于l₁范数的信道估计算法比较,本文算法的收敛速度快,估计值信噪比高,且均方误差小。      

基于混合范数稀疏约束的ISAR高分辨成像算法

基于逆合成孔径雷达(ISAR)信号的稀疏性，提出了一种基于混合范数稀疏约束的ISAR高分辨成像算法。该方法通过利用压缩感知理论建立了一个基于l_2,0混合范数稀疏约束下的最优化ISAR信号模型，通过求解该最优化模型实现短相干积累时间下ISAR图像的高分辨重建。该模型利用了l_2,0混合范数的优势，运算时可实现更快收敛，大大提高了模型求解的运算速度；同时，该最优化模型在求解时采用了共轭梯度下降法和快速傅里叶变换操作，提高了算法的求解运算效率。仿真和实测数据都验证了方法的有效性。     

基于联合稀疏性的高分辨全极化雷达成像研究

针对频率步进体制高分辨全极化雷达,本文研究了基于稀疏信号表示的高分辨全极化雷达成像,并提出了一种基于极化平滑l₀范数算法的成像方法.算法中的联合稀疏性度量综合利用了目标在全极化下的散射特性,因而成像结果兼具全极化处理和稀疏优化算法的优点,不仅能以较少的观测回波获得高分辨距离像,还能全面准确反映目标全极化散射特性,有利于目标识别等进一步应用.仿真和暗室实测数据实验结果验证了本文方法的有效性.     

基于l2,1范数和神经网络的非线性特征选择方法

在基于l_2,1范数的特征选择方法中,l_2,1范数可以使选择的特征具有组间稀疏性和组内稀疏性,同时还可以去除特征数据中的异常值。然而,大多数基于l2,1范数的特征选择算法常通过线性方程求解,无法探究特征之间的非线性关系。因此,本文提出了一种基于l2,1范数的非线性特征选择方法,将l_2,1范数与神经网络相结合。一方面,该方法利用神经网络的非线性特性对l_2,1范数进行求解。另一方面,该方法利用l2,1范数实现基于神经网络框架的特征选择。最后,本文将该方法与当前流行的特征选择方法在八个公开数据集进行了对比,实验结果验证了该方法具有一定的优越性。      

基于近似l0范数的稳健稀疏重构算法

针对测量值受噪声污染的稀疏重构问题,本文提出了稳健近似l0范数最小化算法.该算法首先利用反正切函数近似l0范数,然后建立基于近似l0范数的含噪稀疏重构模型,最后通过拟牛顿法求解该模型,并分析了算法的收敛性.数值仿真表明,本文提出的算法重构稀疏向量时需要较少的测量值,且具有较高的计算精度.     

基于协方差匹配SLO算法的MIMO雷达DOA估计

利用加权平滑l0范数(Smoothed l0, SL0)算法估计MIMO雷达目标DOA时,需要把协方差矩阵进行矢量化来获得相应的稀疏重构模型,并利用信号和噪声子空间的正交性来构造加权向量。然而当存在相干信源时,MIMO雷达协方差矩阵的秩将退化,这会使得稀疏重构模型的误差较大以及无法正确区分信号和噪声子空间,导致加权SL0算法的DOA估计性能恶化。针对上述问题提出了一种基于协方差匹配SL0算法的MIMO雷达DOA估计方法。该方法利用协方差匹配准则重构出一个满秩的协方差矩阵,恢复MIMO雷达协方差矩阵的Toeplitz特性,并利用协方差逆矩阵的高阶幂来近似噪声子空间从而计算加权向量。仿真分析表明,该方法能够在无需预知信源数目的情况下有效地完成对相干信号的DOA估计。     

基于截断修正平滑l0范数的MIMO雷达目标参数估计

在多输入多输出(MIMO)雷达中,针对平滑l0范数(SL0)因感知矩阵的病态性而导致其失效的问题,提出了一种基于截断修正SL0的MIMO雷达目标参数估计方法.该方法在对MIMO雷达感知矩阵进行截断奇异值分解(TSVD)处理的基础上,将保留的奇异值以均值为截断门限,分成较大和较小的两部分,分别采用不同的修正准则进行修正;然后经奇异值分解(SVD)反变换获得非病态感知矩阵,利用该非病态感知矩阵通过SL0算法对MIMO雷达目标参数进行估计,从而显著提高了MIMO雷达目标参数估计的精度和速度.仿真结果验证了该方法的有效性.     

基于压缩感知和LBG算法的SAR数据压缩与重构方法

针对如何大幅压缩SAR海量数据并获得有效的重构结果以完成SAR场景目标的高分辨成像问题,本文提出利用压缩感知（Compressed Sensing, CS）和Linde-Buzo-Gray （LBG）算法共同完成。对于SAR所接收到的回波信号,首先依据CS理论构造随机高斯噪声观测矩阵对回波信号进行降维处理,然后,利用LBG算法对CS压缩后的数据再进行压缩编码以达到进一步大幅压缩的目的。对于数据重构问题,同样分为两步:一是利用LBG算法编码的逆过程进行解码恢复,二是依据CS理论利用平滑L0（smooth L0, SL0）算法重构原始回波信号。在此基础上,再利用传统频率变标（Frequency Scaling, FS）SAR成像算法进行高分辨成像。仿真结果证明了本文方法的有效性。      

距离徙动校正和斜地变换的实时算法研究

距离徙动校正插值处理是距离多普勒域(RD)算法的重要步骤,图像校正中的斜地变换也需要插值处理,插值处理会对图像引入插值误差。该文分析了距离徙动校正和斜地变换的原理,推导出一种把两种处理结合实现的方法,该方法通过一次插值处理完成距离徙动校正和斜地变换。与传统的实现方法相比,该方法减少了图像中由于插值处理引入的误差,提高了图像处理的精度,并且很大程度上减少了运算量。采用机载SAR原始数据验证了该算法的有效性。该算法对于高分辨率SAR的大量数据的实时成像处理,具有较大的应用价值。     

一种机载大斜视SAR运动补偿方法

大斜视合成孔径雷达(SAR)成像要求较长的合成孔径,这样载机的不平稳性对其影响较大,如何对大斜视SAR进行运动补偿是实现大斜视成像的关键.本文根据大斜视SAR成像的几何模型,推导出大斜视SAR的瞬时多普勒调频率表达式,并利用从数据中估计得到的多普勒调频率和运动平台的惯导参数来分离和估计运动误差的空间分量,然后利用所得的运动误差对大斜视SAR数据进行包络和相位的运动误差校正.本文所提出的大斜视SAR运动补偿方法能和大斜视SAR成像算法很好地结合,并且仿真和实测数据的成像结果验证了该方法的有效性.     

基于子孔径相位误差拼接的相位梯度自聚焦算法

随着雷达技术的发展,合成孔径雷达的成像精度也得到了大幅提升,与之相匹配的,也需要能更精确地进行运动补偿的算法。由于惯导精度无法满足需求,如果仅使用惯导数据对运动误差进行补偿,补偿的结果中含有残余的距离单元徙动,这会损失图像的精度。本文首先分析了残余的距离单元徙动对快速分解后向投影成像算法和相位梯度自聚焦算法的影响,再将用于聚束SAR相位误差补偿的相位梯度自聚焦算法进行优化,提出了基于子孔径相位误差拼接的相位梯度自聚焦算法,使其可以对残余的距离单元徙动进行补偿,并可以将其应用到条带SAR的运动补偿中,最后利用Ku波段雷达的实测数据验证算法的有效性。     

Impact of wide-band I/Q modulation errors in SAR imaging analysis and compensation method resaerch

Direct quadrature modulation technology is suitable for wide-band radar signal generation. However, this method has rigorous requirements on amplitude and phase balance of the orthogonal input signals. If the requirements are not satisfied, there would be modulation errors such as image frequency and oscillator leakage that cannot be filtered. The modulation errors will therefore raise the noise floor of the range profile and reduce the dynamic range of the Synthetic Aperture Radar (SAR) image as a whole. In this paper, the wide-band In-phase/Quadrature-phase (I/Q) modulation errors are modeling analyzed, and the influence of wide-band I/Q modulation errors on SAR imaging is discussed. Furthermore, a compensation method of modulation errors is proposed, and the circuit implementation of the radar signal generation and pre-distortion is presented. The experimental results illustrate that the curves of the I/Q amplitude and phase imbalance errors are successfully extracted and the rejection of image frequency improved significantly, thus meets the requirements of the SAR imaging.     

一种无人机机载SAR运动补偿的方法

为了能够得到较理想的无人机SAR图像,本文通过对无人机SAR系统的运动误差分析,提出了一种有效的运动补偿方法,该方法是通过天线伺服系统来补偿载机的转动误差,而平动误差是根据对所建立的误差模型的分析,从SAR数据的瞬时多普勒调频率中估计得到,并且平动误差补偿是对数据在包络和相位上进行分别校正.结合实测数据处理的结果表明该方法可得到质量较高的无人机载SAR图像.     

基于ROMP 的压缩感知算法在雷达成像中的应用

压缩感知理论能够解决大带宽、多通道雷达系统的大数据量存储和传输问题。本文将压缩感知理论应用到雷 达高分辨率成像中,研究了基于正则匹配追踪算法（ROMP）的雷达成像算法,并把它和基于平滑0-范数（SL0）优化 和1-范数优化(L1)的雷达成像算法做了对比。通过对数值仿真实验,验证了这三种成像算法的有效性。仿真结果表 明基于ROMP 的压缩感知雷达成像算法在计算速度方面优于基于SL0 和L1 范数的压缩感知雷达成像算法。     

Motion compensation using substrip PGA

MOtion COmpensation （MOCO） is an essential step in high resolution airborne Synthetic Aperture Radar （SAR） imaging.Generally,a reference altitude level is assumed and external Digital Elevation Model （DEM） is required for the scene topography heavily varied.To overcome the shortcoming,we propose a MOCO method based on Phase Gradient Autofocus （PGA） which can obtain well focused images without DEM.In the implementation,we first compensate the normal range-invariant term.Then the data are divided into strips in range-compressed domain and PGA is applied to each substrip to extract the phase errors.Finally,the phase error surface is obtained using interpolation and then compensated.Real airborne SAR data of a UAV-SAR system experiments and comparisons demonstrate the validity and effectiveness of the proposed algorithm.The results show that our algorithm is effective.