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。     

基于压缩感知的步进频雷达目标检测算法

为了解决压缩感知步进频雷达在低信噪比下的目标检测问题,结合传统雷达的恒虚警检测和压缩感知雷达重构思想,建立基于压缩感知的步进频雷达的目标检测模型,利用复近似消息传递消息的特性,提出了一种基于多脉冲的重构算法,并结合恒虚警检测实现了低信噪比下的压缩感知步进频雷达目标检测。仿真结果表明：文中所提的方法提高了检测概率,改善了目标检测性能。     

基于压缩感知的外辐射源雷达目标检测

外辐射源雷达是利用电视、广播等非合作照射源对运动目标进行探测、定位和跟踪的雷达系统。由于目标回波信号功率微弱,淹没在直达波、多径杂波以及接收机热噪声中,一般需要通过杂波对消和相干积累来检测目标。考虑到回波信号互模糊函数在距离-多普勒域的稀疏性,建立了基于压缩感知(Compressive Sensing,CS)的外辐射源雷达目标检测模型。该模型对辐射源信号形式没有要求,不需要杂波对消,并且在强目标存在的情况下不影响对弱目标的检测。仿真结果表明:基于该模型的方法在性能上与常规方法相当,并且在强目标存在时也能有效检测到弱目标。     

基于压缩感知的CFAR目标检测算法

该文提出一种基于压缩感知(Compressive Sensing, CS)的恒虚警率(Constant False Alarm Rate, CFAR)目标检测算法,首先分析了目标在距离单元上具有稀疏特性,并构造了目标回波的稀疏字典,设计特定的测量矩阵以及基于CS的CFAR检测结构,然后实现了对回波信号的压缩测量和CFAR检测,无需对回波信号重构。该文提出的算法具有很好的降噪性能并提高了检测效率,可以对低信噪比、低信杂比信号成功检测。仿真结果表明：当信噪比为-14 dB,信杂比为-10 dB时,该算法与传统匹配滤波检测算法相比,减少了一半数据运算量,性能明显优于压缩匹配滤波检测算法。     

基于压缩感知的CFAR目标检测在机会雷达中的应用

提出一种基于压缩感知(CS)技术在机会雷达系统中进行恒虚警率(CFAR)目标检测的算法,根据目标回波在距离单元上的稀疏性,采用压缩感知技术对目标回波进行压缩采样;设计了一种新的建立在压缩域上的CA-CFAR检测器,它能在不恢复原始信号的条件下,快速完成目标回波的检测;进行了检测门限理论分析,设计出一种适用于压缩域检测的门限选定方法;给出系统检测结果与接收机的性能曲线。仿真结果表明,本算法可以实现低信噪比下雷达信号的直接检测,无需信号重构,节省了运算量。     

随机噪声雷达的脉冲压缩方法研究

文中针对传统的匹配滤波算法在进行脉冲压缩时存在的高距离旁瓣问题,提出了将卡尔曼滤波法和Pisarenko法应用于随机噪声雷达的脉冲压缩。在建立随机噪声雷达系统模型的基础上,详细论述了卡尔曼滤波法和Pisarenko法在该系统脉冲压缩中的实现方法。通过仿真试验对这两种方法的脉冲压缩性能进行了对比分析。结果表明,卡尔曼滤波法和Pisarenko法都能够在不牺牲分辨率的基础上有效地改善随机噪声雷达的脉冲压缩性能,降低脉冲压缩的     

基于压缩感知的实时目标追踪算法

提出了一种高效的基于压缩感知的实时目标追踪算法,该算法将空域数据转换到小波域,然后利用变密度采样矩阵对小波域数据进行压缩,从而极大地降低了数据量。在稀疏重建上,将St-OMP算法代替OMP算法以提高稀疏重建的速度。在多种具有挑战性的视频序列上进行实验,结果表明该算法提高了追踪准确度和速度。     

基于压缩感知理论的雷达成像技术与应用研究进展

压缩感知理论基于信号稀疏性,将对信号采样转换为对信息自由度的采样,可大大降低采样率。而将压缩感知理论应用于雷达成像时有望在以下几个方面得到改善：增强成像性能,简化雷达硬件设计,缩短数据获取时间,减少数据量和传输量等。该文从压缩感知的稀疏性,压缩采样,无模糊重建3个关键步骤与成像雷达有机结合的角度,对近年来基于压缩感知理论的雷达成像技术研究现状进行系统综述,重点论述场景稀疏性与成像关系, 压缩采样方法(包括硬件)设计,场景图像快速高精度重建以及成像系统体制应用等方面,最后探讨了压缩感知理论应用尚需解决的问题和进一步发展方向。     

基于压缩感知的二维雷达成像算法

压缩感知理论能够有效地降低高分辨率雷达成像系统的数据率。该文通过对复基带雷达回波信号模型的稀疏性分析,提出了一种具有保相性的压缩感知距离压缩算法。在此基础上建立了距离向采用压缩感知距离压缩算法,方位向采用传统的雷达成像算法处理的雷达2维成像方案。通过对仿真和实测逆合成孔径雷达数据的成像处理验证了方案的有效性。     

基于压缩感知的分布式MIMO雷达速度估计与联合检测

针对分布式MIMO雷达系统,在站间大间隔配置获得空间分集增益的基础上,提出了一种基于压缩感知的目标速度估计与检测的联合算法,并利用二阶锥规划提高了感知算法在低信噪比时的估计精度。该算法有效降低了常规最大似然估计的计算成本,且在噪声功率未知时联合检测的性能上要明显优于距离门检测。通过理论分析证明,所提出的估计与联合检测算法能够有效估计速度并检测目标。仿真实验也验证了算法的有效性。     

基于压缩感知的外辐射源雷达分数阶杂波估计

参考信号信杂比(SCR)是评估外辐射源雷达积累增益损失的重要参数。利用数字电视地面广播(DTTB)辐射源中的PN序列进行信杂比估计时,将出现接收信号相对于本地帧头的分数阶时延问题,导致信杂比估计出现严重偏差。针对该问题,该文利用信号在时延维的稀疏性,提出基于压缩感知的信杂比估计算法。仿真结果表明,该算法对不同强弱的信号都能得到精确的时延和强度估计,从而保证了信杂比估计的准确性。实测数据处理结果表明,实测数据的参考信号信杂比较高,积累损失较小,约为0.5 dB;信杂比与基线距离有关,基线越长信杂比越低,积累损失越大。     

基于压缩感知的伪随机多相码连续波雷达

该文利用雷达目标空间的稀疏特性,提出了一种基于压缩感知的伪随机多相码连续波雷达。建立了目标信息感知模型,采用压缩感知以低于奈奎斯采样率对目标回波采样,然后从少量的采样数据中提取噪声背景下的目标场景信息。为了提高目标信息提取的有效性,采用模拟退火算法对波形进行优化。仿真结果表明了该方法的优越性。     

一种基于压缩感知的地面运动目标检测方法

针对实际非均匀环境空时自适应处理(STAP)难以获取足够独立同分布样本的问题,该文提出一种基于压缩感知的运动目标检测方法。该方法首先将待检测距离门的回波数据变换至2维频率域进行能量积累,并构造相应2维频率域的冗余字典,然后利用贝叶斯压缩感知技术提取若干强静止散射点谱峰,估计杂波谱能量支撑区,最后通过基于加权的最小l1范数优化模型实现杂波抑制与运动目标检测。理论分析及仿真实验结果表明该方法具有较高的角度和多普勒分辨率,并且在低信噪比情况下也可以获得良好的检测效果。     

一种稳健的盲稀疏度压缩感知雷达目标参数估计方法

针对压缩感知雷达(Compressive Sensing Radar, CSR)在感知矩阵和目标信息矢量失配时距离-多普勒参数估计性能下降的问题,该文提出一种稳健的盲稀疏度CSR目标参数估计方法。首先建立了CSR系统模型失配时的距离-多普勒2维参数稀疏感知模型,推导了以最小化感知矩阵相干系数(Coherence of Sensing Matrix, CSM)为准则的波形优化目标函数。其次提出了一种新的盲稀疏度CSR目标参数估计方法,通过发射波形,系统模型失配误差和目标信息矢量的相互迭代,逐步校正系统感知矩阵,最终以较高精度估计目标距离-多普勒参数。与传统CSR目标参数估计方法相比,该方法显著降低了CSR系统距离-多普勒参数的估计误差,改善了CSR目标参数估计的准确性和鲁棒性。计算机仿真验证了该方法的有效性。     

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。     

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。     

压缩感知的多参数链路故障定位算法

为了提高故障定位性能,降低单一判别参数在单位过程中的约束,该文提出一种基于压缩感知和信息熵差的多参数链路故障定位算法。该算法首先利用贝叶斯网络进行快速故障预测,其次引入参数故障覆盖范围,利用压缩感知进行故障筛选,最后定义参数故障信息熵差完成根源故障定位。仿真结果表明,该算法预测出的故障集合具有可压缩性,筛选后的故障集合保留了真实故障,定位时具有较高的故障检测率和较低的故障误检率。