穿墙雷达建筑物结构布局稀疏成像方法

在穿墙雷达建筑物布局成像中,鉴于内部目标、墙角及杂波会对墙体回波产生较大的影响,导致形成的墙体图像模糊、轮廓不明显。为此,提出一种联合低秩稀疏分解和全变分约束稀疏重构的成像方法。该方法首先通过快速迭代软阈值算法求解低秩稀疏分解,恢复出墙体回波,然后通过增广拉格朗日和交替方向算法求解全变分约束下的稀疏重构系数,重构墙体图像。仿真和实测结果表明,该方法可以有效消除建筑物内部目标、墙角及杂波对墙体成像的影响,从而得到清晰的建筑物布局轮廓。     

基于块稀疏贝叶斯模型的ISAR成像方法

传统ISAR稀疏成像主要针对独立散射点散射系数的重构问题,然而实际情况下目标散射点之间并不是独立存在的,而是以区域或块的形式存在,在该情形下利用常用的稀疏重构算法并不能完全地刻画块状目标的真实结构,因此该文考虑采用块稀疏重构算法进行目标散射系数重建。基于块稀疏贝叶斯模型和变分推理的重构方法(VBGS),包含了稀疏贝叶斯学习(SBL)方法中参数学习的优点,其利用分层的先验分布来表征未知信号的稀疏块状信息,因而相对于现有的恢复算法能够更好地重建块稀疏信号。该方法基于变分贝叶斯推理原理,根据观测量能自动地估计信号未知参数,而无需人工参数设置。针对稀疏块状目标,该文结合压缩感知(CS)理论将VBGS方法用于ISAR成像,仿真实验成像结果表明该方法优于传统的成像结果,适合于具有块状结构的ISAR目标成像。     

穿墙雷达墙体与目标回波信号学习分离方法

在穿墙雷达成像中，事先有效分离墙体回波与目标信号，可以避免它们在后续的建筑物布局反演和内部目标成像中的相互影响。然而，现有的稀疏分离方法往往需要人工选择阈值参数，在一定程度上影响了分离效果，为此提出一种墙体回波与目标信号的学习分离方法。该方法将两信号的分离视为一种联合低秩-稀疏约束问题，使用迭代软阈值分离算法求解稀疏解，然后把稀疏解的迭代过程映射成多层神经网络中的每一层，并用数据集自适应训练所有层中的阈值参数。仿真和实测数据处理结果表明，该方法与人工选择阈值参数相比，有效提高了墙体与目标回波信号的分离效果。     

基于稀疏重建的穿墙雷达墙体参数估计方法

未知墙体参数的估计对穿墙雷达(TWR)的应用具有重要意义。时延估计(TDOE)方法能够有效获取被测均匀墙体参数。对于TDOE 方法,墙面反射回波时延估计的精度直接影响墙体参数估计的准确性。文中基于墙体回波的稀疏性提出了一种基于稀疏重建的墙体参数估计方法,通过利用正交匹配追踪(OMP)稀疏重建算法对每个双基地天线间隔下墙体回波信号进行时延估计,然后基于双基地和单基地混合测量模式采用TDOE 方法可以获得墙体的相对介电常数、厚度和电导率。仿真和实验结果表明所提出的估计方法能够提供更高精度的墙体参数估计。     

穿墙雷达扩展目标自聚焦稀疏成像方法

实际场景中穿墙雷达成像的墙体参数大多是未知的,采用现有的穿墙稀疏成像算法会出现目标位置偏移和图像模糊,提出一种基于结构化贝叶斯压缩感知的自聚焦稀疏成像方法。该方法首先把墙体厚度和介电常数视为字典的参数,建立了参数化字典稀疏表示模型,并且充分考虑扩展目标像素间的结构信息,然后对未知墙体参数的字典矩阵在墙体参数上进行一阶泰勒级数展开,采用变分法进行分层交替迭代优化相应的隐变量和参数。仿真和实验结果表明,该方法通过修正墙体参数偏差,有效消除了目标位置偏移和图像模糊,实现了未知墙体参数下的高分辨自聚焦成像。     

超宽带雷达建筑物结构稀疏成像

超宽带雷达具备穿透墙体获得建筑物内部结构布局的能力,为建筑物内人员探测定位提供更丰富的信息。传统成像常存在较为严重的旁瓣,而且墙后目标成像位置也会受墙体影响而产生偏移。为提高成像质量,稀疏重构技术被引入穿墙成像领域,但传统方法对弱散射目标的重构概率较低。该文提出结合相干因子(Coherence Factor, CF)加权的稀疏重构方法,在稀疏重构提取支撑集的过程中,利用CF增强成像的结果来提高支撑集原子的正确性,降低稀疏重构过程中强散射目标旁瓣的影响,最终提高场景中弱散射目标的重构概率。同时建立了多层墙体位置校正模型,将场景校正放到稀疏重构之后进行,从而以较低的计算复杂度降低墙体定位误差。实测数据处理结果表明,相比于传统的稀疏成像方法,相同的数抽取比例下,该文提出的方法能够有效提高场景中弱散射目标重构概率,并将建筑物内部墙体定位误差降低至10 cm以内。      

基于方位向互相干因子的建筑物布局成像

针对超宽带MIMO穿墙雷达建筑物布局成像中墙体位置偏移以及稀疏阵列引起的旁瓣和栅瓣问题,利用方位向上距离向轮廓在主瓣周围相似而在旁瓣/栅瓣周围不同的特性,提出一种基于方位向互相干因子加权的建筑物布局成像方法。首先计算方位向互相干因子,加权消除图像的旁瓣/栅瓣;然后结合Hough变换检测墙体位置并计算未知墙体的厚度,分别按墙体位置和墙体厚度划分子图像和补偿时延,获得墙体位置校正后的子图像;最后融合子图像得到最终的建筑物布局成像。仿真实验和实测数据处理结果表明,该方法在抑制旁瓣/栅瓣的同时也校正了墙体位置并实现聚焦成像。     

基于联合块稀疏模型的随机调频步进ISAR成像方法

在回波数据稀疏、低信噪比等不利条件下,利用随机调频步进信号进行ISAR成像时,成像性能将会严重下降。针对上述问题,该文在充分分析随机调频步进信号回波特性的基础上,提出利用目标距离向具有的联合块稀疏特征来获得高质量ISAR图像的新方法。首先,推导了在随机调频步进信号发射波形条件下目标回波信号的联合块稀疏成像模型并分析了该模型特征;其次,提出了联合块稀疏正交匹配追踪稀疏重构算法(JBOMP)实现对模型的求解。该算法利用ISAR回波信号具有的块稀疏以及联合稀疏等先验信息,因此在低量测值、低信噪比条件下的ISAR成像性能得到了增强。所提算法还可以实现对多维信号的联合处理,且具有较快的运算速度。理论分析与仿真实验均验证了所提方法的有效性。     

基于贝叶斯压缩感知的复数稀疏信号恢复方法

该文利用复数稀疏信号的时域相互关系提出一种新的稀疏贝叶斯算法(CTSBL)。该算法利用复数信号的实部与虚部分量具有相同的稀疏结构的特点,提升估计信号的稀疏程度。同时将多个测量信号间的内部结构信息引入到了信号恢复中,使原始的多测量稀疏信号恢复问题转变为单测量块稀疏信号恢复问题,使恢复性能得到了提升。理论分析和仿真结果证明,提出的CTSBL算法相较于目前的针对复数信号的多测量矢量贝叶斯压缩感知(CMTBCS)算法和块正交匹配追踪算法(BOMP)在估计精度上具有更好的性能。     

稀疏线性调频步进信号ISAR成像观测矩阵自适应优化方法

基于压缩感知(CS)理论的稀疏线性调频步进信号(SFCS)逆合成孔径雷达(ISAR)成像技术能够从少量观测数据中高概率重构出目标像,其中,观测矩阵的优化设计是提高成像质量和减少观测数据量的有效途径。然而,现有的观测矩阵优化设计研究通常没有考虑目标特征信息的有效利用,对目标的自适应能力不足。因此,该文在充分利用目标特征信息的基础上,结合稀疏SFCS信号的实际物理观测过程,提出一种ISAR成像观测矩阵自适应优化方法。该方法首先建立参数化稀疏表征成像模型以解决稀疏SFCS信号多普勒敏感问题,在此基础上,以在达到成像质量要求条件下使用最少观测数据量获得最优成像结果为目标对观测矩阵进行自适应优化设计,最终能够利用最少的数据量获得满意的目标成像结果。仿真实验验证了该算法的有效性。     

一种基于二维信号稀疏重构的互质采样星载SAR成像处理方法

互质采样星载SAR通过方位互质采样代替传统方位均匀采样,可有效缓解空间分辨率与有效成像宽度之间的相互制约,提升SAR系统的对地探测性能。然而,方位向互质采样使得回波信号呈现方位欠采样及非均匀采样特性,导致传统SAR成像处理方法无法实现互质采样星载SAR的有效成像处理。该文提出一种基于2维信号稀疏重构的互质采样星载SAR成像处理方法。该方法在距离向脉冲压缩后,根据各距离门的多普勒参数截取2维观测信号并构造相应的稀疏字典,然后通过改进的2维信号稀疏度自适应匹配追踪算法完成方位聚焦处理。该方法不仅可以补偿SAR回波信号的距离方位2维耦合,还可以消除成像参数随距离空变对稀疏重构造成的影响,从而实现全场景的精确重构。点目标及分布目标仿真实验结果验证了所提算法可在远低于奈奎斯特采样率的情况下实现稀疏场景的有效重构。      

InSAR通道联合稀疏贝叶斯特征化成像

针对干涉合成孔径雷达(InSAR)成像,该文提出了一种通道联合结构化稀疏的贝叶斯成像算法,可实现图像稀疏特征化增强,以提升干涉相位噪声滤波和相干斑抑制性能。基于贝叶斯准则,利用多层级统计模型建立稀疏成像模型,结构化稀疏表示InSAR图像。在稀疏成像求解中,利用最大期望(EM)算法进行图像重构和多层级统计参数估计。由于能够联合利用通道稀疏统计特性,所提算法能够有效提升InSAR幅度和相位噪声滤波性能。最后,通过实验分析进一步验证该文算法的有效性。      

毫米波MIMO系统中稀疏度自适应的压缩感知信道估计

利用毫米波MIMO系统的稀疏特性,信道估计可以转化为稀疏信号重构的问题。解决毫米波MIMO稀疏信道估计问题时,传统的OMP方法需要信号的稀疏度作为先验信息,实际系统难以满足此需要。文中引入StOMP算法,根据信号已知的稀疏先验信息确定阈值,并结合动态的阈值调整,提出一种新的StOMP-D算法,实现了稀疏度自适应的毫米波MIMO信道估计。仿真结果表明,所提的方法与传统的LS方法比较,信道估计性能显著提高,并且与稀疏度已知的OMP方法性能十分接近,在稀疏度未知时有明显的优势。     

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.     

从稀疏到结构化稀疏:贝叶斯方法

稀疏分解算法是稀疏表达理论和压缩感知理论中的核心问题,也是当前信号处理领域的一个热门话题。近年来,研究人员发现除了稀疏以外,如果引入稀疏系数之间的相关性先验信息,可以大大提高稀疏分解算法的精度,这种方法称为“结构化稀疏分解算法”。本文归纳和总结了从稀疏到结构化稀疏的信号模型,并且介绍了两种不同的贝叶斯稀疏（或者结构化稀疏）算法,以及从稀疏到结构化稀疏贝叶斯稀疏分解算法的扩展。同时,本文还介绍了结构化稀疏分解算法在医学信号处理和语音信号处理中的应用。      

基于墙体补偿与多视角融合的穿墙雷达建筑物布局成像算法

穿墙雷达能够对建筑进行布局成像,并准确获取建筑内部结构信息,已广泛应用于灾害搜救、反恐作战等领域。针对建筑物墙体穿透导致的墙体展宽、位置偏移和墙体多径杂波导致的多径鬼影等成像问题,本文提出了一种基于墙体补偿与多视角融合的建筑布局成像算法。首先,对雷达回波的后向投影成像结果应用Radon变换,通过恒虚警率检测提取峰值,提取墙体位置信息,以墙体前后表面中心为分界线将图像分割为两个子图像;其次,对包含偏移墙体的子图像进行自适应补偿,矫正墙体位置;最后,对多个视角成像结果进行图像融合,抑制多径鬼影。仿真结果表明,该方法可以有效解决图像中墙体展宽、位置偏移和多径鬼影问题,得到正确清晰的建筑布局图像。     

Bayesian compressive sensing using reweighted laplace priors

Bayesian compressive sensing (BCS) plays an important role in signal processing for dealing with sparse representation related problems. BCS utilizes a Bayesian model to solve the compressing sensing (CS) problem, such as signal sampling processing and model parameters using the hierarchical Bayesian framework. The use of Gaussian and Laplace distribution priors on the basic coefficients has already been demonstrated in previous works. However, the two existing priors cannot more effectively encode sparsity representation for unknown signals. In this paper, a reweighted Laplace distribution prior is proposed for hierarchical Bayesian to fully exploit the sparsity of unknown signals. The proposed algorithm can automatically estimate all the coefficients of unknown signal, and the expected model parameters are solely gotten from observation by developing a fast greedy algorithm to solve the Bayesian maximum posterior and type-II maximum likelihood. Theoretical analysis on the sparsity of the proposed model is analyzed and compared with the Laplace priors model. Moreover, numerical experiments are conducted to prove that the proposed algorithm can achieve superior performance for reconstructing unknown sparse signal with low computational burden as well as high accuracy.     

基于压缩感知的连续场景稀疏阵列SAR三维成像

该文提出一种基于压缩感知的连续场景稀疏阵列SAR 3维成像方法。利用多孔径观测结构,使SAR复图像在频域和变换域具备稀疏性,将压缩感知(CS)方法引入频域和变换域的信号处理过程中,实现高分辨率3维成像,获得与满阵成像结果相同的成像质量。该文方法适用于随机稀疏阵列,可减少对高程向阵型的设计约束,为孔径综合处理后无法获得满阵条件下实现对地成像提供了可能。仿真试验验证了该文方法的有效性。     

一种改进的稀疏度自适应匹配追踪算法

压缩感知理论是一种充分利用信号稀疏性或可压缩性的全新信号获取和处理理论。针对未知稀疏度信号重构,提出了一种改进的稀疏度自适应匹配追踪算法。该算法首先利用一种基于原子匹配测试的方法得到信号稀疏度的初始估计,然后在稀疏度自适应匹配追踪(SAMP)框架下采用变步长分阶段思想实现稀疏度的逼近,在初始阶段利用大步长实现稀疏度的快速粗接近,以提高收敛速度,在随后的迭代中逐渐减小步长,实现稀疏度的精逼近,最终实现信号的精确重构。理论分析和仿真结果表明,该算法在一定程度上解决了SAMP算法在大稀疏度条件下运算量较大以及固定步长导致的欠估计和过估计问题,较好地实现了未知稀疏度信号的精确重建,并且重建性能和重建效率均优于现有的同类算法。