基于贝叶斯压缩感知的噪声MIMO雷达稳健目标参数提取方法

针对压缩感知雷达(Compressive Sensing Radar, CSR)面临测量噪声、信道干扰及系统精度误差等扰动时,非自适应随机测量值和感知矩阵失配导致传统CSR目标参数提取性能下降的问题,该文提出一种基于贝叶斯压缩感知(Bayesian Compressive Sensing, BCS)的噪声MIMO雷达稳健目标参数提取方法。文中首先建立了噪声MIMO雷达的稀疏感知模型,推导了基于目标参数稀疏贝叶斯模型的联合概率密度函数,随后将 BCS 方法与 LASSO (Least-Absolute Shrinkage and Selection Operator)算法相结合对联合概率密度函数进行优化求解。与传统CSR算法相比,该方法能够在CSR系统模型存在失配误差时对目标参数进行有效估计,降低了目标参数估计误差,改善了CSR目标参数提取的准确性和鲁棒性。计算机仿真验证了该方法的有效性。     

MIMO雷达三维成像自适应Off-grid校正方法

在压缩感知成像算法中,真实目标点一般不会恰好落在预先划定的网格点上,这种网格偏离(Off-grid)问题会带来真实回波与测量矩阵之间的失配,严重降低雷达成像的性能。针对多输入多输出(MIMO)雷达3维成像的网格失配问题,该文提出一种自适应的Off-grid校正方法,基于Off-grid目标的稀疏回波模型构造贝叶斯概率密度函数,采用最大后验概率(MAP)方法求解含有失配偏差的稀疏像。与传统方法相比,该方法可以充分利用失配参数的先验信息,自适应地更新参数,降低了失配误差的影响,并能实现对稀疏目标和噪声功率的高精度估计。仿真结果表明,该方法可以有效地实现对网格失配的优化,具有精确且稳定的成像性能。     

基于稀疏贝叶斯学习的超材料孔径计算微波成像系统离网格成像方法

基于超材料孔径的计算微波成像可以看作微波压缩感知成像。这种成像方式的成像效果受网格失配误差的严重影响。该文针对超材料孔径计算微波成像系统对2维场景的重构过程进行分析,构建了一种基于Sinc插值函数的2维离网格(Off-grid)观测模型,并在此基础上提出一种基于稀疏贝叶斯学习的Sinc插值离网格成像方法(OGSISBL)。在期望最大化算法的框架下,恢复散射体回波的幅值和位置,同时校准网格失配误差。通过对超材料孔径计算微波成像系统的仿真数据进行成像处理验证所提算法的性能,结果表明所提算法具有很强的鲁棒性。     

基于贝叶斯压缩感知的ISAR自聚焦成像

针对ISAR自聚焦成像,该文提出一种基于贝叶斯压缩感知的高分辨率成像算法。首先利用目标图像的稀疏特性构建级联形式的稀疏先验模型,同时将相位误差建模为均匀分布模型;然后基于最大后验准则,依据贝叶斯压缩感知理论交替迭代求解目标图像和相位误差。与传统稀疏方法相比,所提算法进一步利用了目标图像的联合稀疏信息,将ISAR CS成像转化为MMV联合稀疏优化问题的求解,可以有效改善自聚焦的精度以及成像质量。仿真结果验证了该算法的有效性。     

基于块压缩感知的SAR层析成像方法

基于压缩感知(Compressive Sensing, CS)的SAR层析成像方法(SAR Tomography, TomoSAR),虽然实现了对目标的3维重构,但对于具有结构特性的目标其重构性能较差。针对这一问题,该文提出了采用块压缩感知(Block Compressive Sensing, BCS)算法,该方法首先在CS方法基础上将具有结构特性的目标信号重构问题转化为BCS问题,然后根据目标结构特性与雷达参数的关系确定块的大小,最后对目标进行块稀疏的l1/l2范数最优化求解。相比基于CS的SAR层析成像方法,该方法更好地利用了目标的稀疏特性和结构特性,其重构精度更高、性能更优。仿真数据和Radarsat-2星载SAR实测数据的试验结果验证了该方法的有效性。      

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。     

基于压缩感知的频率编码脉冲雷达高分辨距离成像方法

针对频率编码脉冲雷达(Frequency-Coded Pulse Radar, FCPR),该文提出一种基于压缩感知(Compressive Sensing, CS)的目标高分辨距离成像方法。利用目标场景的空间稀疏性,建立FCPR目标回波稀疏信号模型,提出基于CS的FCPR脉冲相参合成处理方法。该方法采用少量FCPR信号子脉冲对目标频域响应进行采样,即可提取目标高分辨距离像信息。为了降低CS重构算法的运算复杂度,提出一种基于FFT目标速度预估计的动态构造降维感知矩阵的方法,提高了采用CS进行FCPR脉冲相参合成处理的速度。仿真结果表明该方法较传统IFFT脉冲相干合成算法具有更小的目标强散射中心幅度估计误差,对速度估计误差及噪声的鲁棒性更好。     

基于方差成分扩张压缩的稀疏贝叶斯ISAR成像方法

基于贝叶斯框架下的稀疏重构方法,由于考虑了稀疏信号的先验信息以及测量过程中的加性噪声,因而能够更好地重建目标系数,然而传统的稀疏贝叶斯学习(SBL)算法参数多,时效性差。该文考虑一种新的稀疏贝叶斯学习方法方差成分扩张压缩(ExCoV),其不同于SBL中赋予所有的信号元素各自的方差分量参数,ExCoV方法仅仅赋予有重要意义的信号元素不同的方差分量,并拥有比SBL方法更少的参数。基于计算机层析成像技术框架下的ISAR成像模型,该文将ExCoV方法结合压缩感知(CS)理论将其进行ISAR成像,并从适用性和成像效果等方面与常用的极坐标格式算法(PFA),卷积逆投影算法(CBPA)和传统的稀疏重构算法进行比较,点目标仿真结果表明基于ExCoV的方法得到的ISAR像具有低旁瓣,高分辨率的特点,真实数据的成像结果表明该方法是一种比SBL更有效的ISAR成像算法。     

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。     

一阶Born近似下的不均匀目标贝叶斯压缩感知微波成像方法

针对不均匀散射体重构问题,提出了一种基于Born 近似下的贝叶斯压缩感知微波成像方法。在一阶Born 近似框架下,基于电场积分方程并对成像区域网格离散建立稀疏感知模型,然后构造基于高斯先验的贝叶斯概率密度函数,并利用相关向量机方法对目标函数进行优化求解,最终实现对目标的微波成像。通过对多像素单目标、不均匀单目标、不均匀多目标等的微波成像研究并考虑了噪声影响,数值算例结果表明基于高斯先验的贝叶斯压缩感知方法重构结果要优于共轭梯度迭代算法和正交匹配追踪压缩感知重构算法,验证了文中方法的有效性和鲁棒性。     

对比源框架下的多任务贝叶斯压缩感知微波成像方法

针对强散射体微波成像困难问题,本文提出了一种对比源框架下的基于拉普拉斯先验的多任务贝叶斯压缩感知方法,实现了稀疏强散射体的微波成像.在对比源框架下,基于"数据"积分方程并对成像区域网格离散建立稀疏感知模型,前向问题采用矩量法数值模拟;构造基于拉普拉斯先验的贝叶斯压缩感知分层模型;在多入射波情况下,利用多任务贝叶斯压缩感知方法对对比源进行优化求解;最后利用"状态方程"实现了目标函数的重构.本文在考虑噪声情况下,通过对多像素单目标、不均匀目标、多目标的微波成像数值模拟,并与共轭梯度方法、一阶Born近似框架下的多任务贝叶斯压缩感知方法的重构结果比较,验证了本文方法的有效性和鲁棒性.     

Narrow-band radar imaging for off-grid spinning targets via compressed sensing

Due to the spinning target’s distribution on a continuous scene, it is impossible to guarantee that all scatterers are located exactly on the pre-discretized grid. Off-grid problem will lead to the mismatch of sensing matrix, which severely affect the performance of conventional narrow-band radar imaging based on compressed sensing. By reformatting the signal model and improving the sparse recovery algorithm, a robust narrow-band radar imaging method for off-grid spinning targets is proposed. Firstly, an imaging model, considering the gridding error, is developed, which is more close to the distribution of real target. Secondly, we put forward an improved orthogonal matching pursuit algorithm for the optimization of reconstruction, and introduce the nonlinear least squares method to further improve the reconstruction accuracy of scatterers. Finally, the effectiveness of the proposed method is verified by simulation and real data, and the selection rule of grid size is presented by quantitative analysis.     

High resolution 3D imaging in MIMO radar with sparse array

High resolution three-dimensional (3D) imaging method using MIMO radar with sparse array is studied in this paper. A method based on compressive sensing (CS) is firstly given. However, the CS-based method has the off-grid problem which will reduce the estimation accuracy of scatterers’ position on the target. Moreover, a high dimensional measurement matrix is required in the CS-based method, which will lead to a heavy storage and computation burden. To solve the two problems of CS, a new method based on matrix completion is proposed in this paper. After reshaping the sparse 3D echo into a low-rank structured matrix, the full 3D echo can be recovered by solving a nuclear norm minimization problem. Then the accurate position of scatterers can be estimated by applying multi-dimensional harmonic retrieval methods to the full 3D echo. Finally, the high resolution 3D image of targets is reconstructed. The effectiveness of the method is validated by the results of comparative simulations.     

组合字典下超宽带穿墙雷达自适应稀疏成像方法

针对现有超宽带穿墙雷达稀疏成像算法大多只采用点目标稀疏基表示模型和稀疏优化的正则化参数不能被自适应调整以及目标位置不在划分网格上带来虚假像的问题,该文提出一种基于贝叶斯证据框架的自适应稀疏成像方法。该方法首先利用组合字典独立稀疏表示场景中的点目标和扩展目标,然后在建立的偏离网格稀疏表示模型的基础上分层最大化各参数的似然函数,用第1层推理结合共轭梯度算法估计组合字典的各稀疏表示系数,用第2层推理估计正则化参数和目标的偏离网格量,最终通过迭代优化参数的设置得到问题的求解。仿真和实验结果表明,该方法不仅同时自适应增强穿墙场景中的点目标和扩展目标,还消除了偏离网格目标引起的虚假像。     

基于快速SBL的双基地ISAR成像

针对稀疏孔径条件下双基地ISAR成像分辨率低、运算时间长等问题,提出了一种基于快速稀疏贝叶斯学习的高分辨成像算法。首先,建立基于压缩感知的双基地ISAR稀疏孔径回波模型,然后将整个二维回波数据进行分块处理,并假设目标图像各像元服从高斯先验,建立稀疏贝叶斯模型,再利用快速边缘似然函数最大化方法求解得到高质量目标图像,最后将所求的每块回波对应的目标图像合成整个二维图像。由于采取了分块处理,在每块图像重构时减少了数据存储量和计算量。另外,相比于传统的稀疏贝叶斯学习求解方法,本文所提快速算法在保证重构质量的同时进一步缩短了运算时间,仿真实验验证了算法的有效性和优越性。     

Off-Grid DOA Estimation Via Real-Valued Sparse Bayesian Method in Compressed Sensing

A novel real-valued sparse Bayesian method for the off-grid direction-of-arrival (DOA) estimation is proposed in compressed sensing (CS). The off-grid model is reformulated by the second-order Taylor expansion to reduce modeling error caused by mismatch. To apply the Bayesian perspective in CS conveniently, complex data are addressed to yield a real-valued problem by utilizing a unitary transformation. By assuming that sources among snapshots are independent and share the same sparse prior, joint sparsity is exploited for DOA estimation. Specifically, a full posterior density function can be provided in the Bayesian framework. The convergence rate and convergence stability of the proposed method can be guaranteed in the iterative procedure. Simulation results show superior performance of the proposed method as compared with existing methods.     

基于压缩感知的室内多目标无线定位算法

针对现存无线传感器网络定位算法中需要采集、存储和处理大量数据导致运算量较大与能耗过高的问题,提出了一种改进的基于贝叶斯压缩感知的多目标定位算法.该算法利用锚节点对监控区域的划分,结合贝叶斯压缩感知理论将多目标定位问题转换为稀疏信号重构的问题.针对传统观测矩阵难以实现的缺陷,该算法中改进观测矩阵的设计可实现且与稀疏变换基相关性较低,进而使得算法的重构性能较高,从而降低了定位的误差.仿真结果表明,与现有的一些方法相比,所提算法在保证较低的计算复杂度的情况下更加充分地利用了网络节点,有效提高了定位精度,同时具有较强的鲁棒性.     

基于稀疏贝叶斯学习的无源雷达高分辨成像

针对无源雷达压缩感知成像,该文提出一种基于稀疏贝叶斯学习的高分辨成像算法。基于一次快拍模式下的无源雷达回波模型,文中首先考虑目标散射系数的统计特性及其对微波频率的依赖关系,将无源雷达成像转化为MMV(Multiple Measurement Vector)联合稀疏优化问题;然后对目标建立了级联形式的稀疏先验模型,并利用稀疏贝叶斯学习技术进行求解。相比之前基于目标确定性假设的稀疏恢复方法,所提算法更好地利用了目标的统计先验信息,具有能够自适应调整参数(目标模型参数和未知噪声功率)和高分辨反演目标等优点。仿真结果验证了该算法的有效性。