基于随机滤波的探地雷达成像方法

探地雷达是一种超宽带雷达系统,若按传统的奈奎斯特采样,雷达回波信号需要大量空间存储。压缩感知可以实现利用少量的测量值对稀疏信号进行重构,其中最为关键的是测量矩阵和重构算法的选择。本文将压缩感知应用于探地雷达成像,并利用随机滤波的思想选择测量矩阵,可以有效减少测量矩阵中非零值的个数。利用正交匹配追踪算法对信号进行重构,算法简单,降低了数据的存储量和运算复杂度,该算法同样可以对时间和空间上同时压缩的数据进行成像。最后,本文给出基于时间连续信号的GPR接收机一种CS实现方案。仿真结果表明,本文提出的成像方法可以以少量数据精确地对信号进行重构,并且运算量少。      

基于稀疏贝叶斯学习的低空测角算法

为解决米波雷达低空测角的精度问题,该文结合稀疏贝叶斯学习方法,利用相邻快拍稀疏结构的相似性,将多观测向量模型通过Kronecker积变换成具有块稀疏结构的单观测向量模型,同时通过矩阵变换解决了贝叶斯准则在复数域中的应用。通过稀疏贝叶斯学习的不断迭代恢复出了信号在感知矩阵下的系数矩阵,得到了信源的角度信息。仿真实验验证了该方法相对于广义MUSIC和M-FOCUSS算法具有更好的性能,并且分析了快拍数变化对算法性能的影响。     

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。     

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。     

基于变分模态分解和压缩感知的弱观测条件下雷达信号重构方法

针对弱观测条件下雷达信号存在数据残损的问题,该文提出一种基于变分模态分解和压缩感知(VMD-CS)的雷达信号重构方法。首先通过变分模态分解对采样数据进行降解去噪处理,其次在压缩感知框架下构造观测矩阵、稀疏表示字典矩阵,然后基于正交追踪匹配(OMP)算法重构出稀疏表示向量。在此基础上利用离散余弦稀疏矩阵重构信号,实现对残损雷达信号的数据重构。在连续丢失数据和随机丢失数据两种情况下,对实际采集的线性调频(LFM)雷达信号进行仿真实验。实验结果表明:在数据连续丢失率不高于30%或随机丢失率不高于60%的情况下,该文方法能有效重构雷达信号,在时域、频域和瞬时频率上能够准确逼近原始信号。     

基于变分模态分解和压缩感知的弱观测条件下雷达信号重构方法

针对弱观测条件下雷达信号存在数据残损的问题,该文提出一种基于变分模态分解和压缩感知(VMD-CS)的雷达信号重构方法.首先通过变分模态分解对采样数据进行降解去噪处理,其次在压缩感知框架下构造观测矩阵、稀疏表示字典矩阵,然后基于正交追踪匹配(OMP)算法重构出稀疏表示向量.在此基础上利用离散余弦稀疏矩阵重构信号,实现对残损雷达信号的数据重构.在连续丢失数据和随机丢失数据两种情况下,对实际采集的线性调频(LFM)雷达信号进行仿真实验.实验结果表明:在数据连续丢失率不高于30％或随机丢失率不高于60％的情况下,该文方法能有效重构雷达信号,在时域、频域和瞬时频率上能够准确逼近原始信号.     

利用多角度SAR数据实现三维成像

利用多角度 SAR 数据实现目标高分辨率3维成像对雷达自动目标识别具有重要价值。该文在目标散射稀疏性前提下提出了基于压缩感知的多角度SAR 3维成像方法。文章首先论证多角度SAR测量能够改善测量矩阵的互不相关性。然后根据互不相干影响因素分析,合理选择目标离散间隔构造多角度 SAR 测量矩阵。最后利用分段正交匹配追踪算法实现目标向量的稀疏重构。该文算法不仅改善了高度分辨率,而且克服了多角度 SAR空间采样不连续导致的高旁瓣问题。实验验证了该算法的可行性和稳定性。     

基于分圆类构造卷积压缩感知测量矩阵

卷积压缩感知是近年来兴起的新型压缩感知技术.卷积压缩感知选用循环矩阵作为测量矩阵,其采样可以简化为卷积的过程,因此大大降低算法复杂度.该文基于分圆类构造适用于卷积压缩感知的测量矩阵,测量值通过利用确定性序列循环卷积信号,然后进行随机2次采样获得.该文构造的测量矩阵的相关性小于已有文献构造的测量矩阵的相关性.模拟仿真结果表明,该文构造的测量矩阵与同等条件下的随机高斯矩阵相比,可以更好地恢复稀疏信号;所构造的矩阵还可以应用于信道估计以及2维图像的重构.     

基于压缩感知理论的随机噪声雷达目标检测算法研究

随机噪声雷达通常利用时域相关完成脉冲压缩从而进行目标检测。该文根据压缩感知理论提出一种适用于噪声雷达目标检测的新算法,它用低维投影测量和信号重建取代了传统的相关操作和压缩处理,将大量运算转移到后期处理。该算法以噪声雷达所检测的目标空间分布满足稀疏性为前提;利用发射信号形成卷积矩阵,然后通过随机抽取卷积矩阵的行构建测量矩阵;并采用迭代收缩阈值算法实现目标信号重建。该文对算法作了详细的理论推导,形成完整的实现框架。仿真实验验证了算法的有效性,并分析了对处理结果影响较大的因素。该算法能够有效地重建目标,具有良好的运算效率。与时域相关法相比,大幅度减小了目标检测误差,有效抑制了输出旁瓣,并保持了信号的相位特性。     

有源欺骗干扰环境下的DOA估计

针对有源欺骗干扰环境下基于小样本的DOA估计问题,该文提出自适应极化滤波(APF)联合块稀疏贝叶斯学习(BSBL)算法的DOA估计方法。首先,通过APF抑制干扰能量,提高信干比。然后,建立有源欺骗干扰环境下的稀疏贝叶斯模型,基于相邻快拍相关性,利用BSBL算法进行DOA估计。仿真和实测数据处理结果表明,所提方法降低了干扰对BSBL算法的影响,且与APF联合子空间类算法或最大似然算法(ML)相比,具有更高的空间分辨率和DOA估计精度。     

Rakeness with block sparse Bayesian learning for efficient ZigBee‐based EEG telemonitoring

Future healthcare systems are shifted toward long‐term patient monitoring using embedded ultra‐low power devices. In this paper, the strengths of both rakeness‐based compressive sensing (CS) and block sparse Bayesian learning (BSBL) are exploited for efficient electroencephalogram (EEG) transmission/reception over wireless body area networks. A binary sensing matrix based on the rakeness concept is used to find the most energetic signal directions. A balance is achieved between collecting energy and enforcing restricted isometry property to capture the underlying signal structure. Correct presentation of the EEG oscillatory activity, EEG wave shape, and main signal characteristics is provided using the discrete cosine transform based BSBL, which models the intra‐block correlation. The IEEE 802.15.4 wireless communication technology (ZigBee) is employed, since it targets low data rate communications in an energy efficient manner. To alleviate noise and channel multipath effects, a recursive least square based equalizer is used, with an adaptation algorithm that continually updates the filter weights using successive input samples. For the same compression ratio (CR), results indicate that the proposed system permits a higher reconstruction quality compared with the standard CS algorithm. For higher CRs, lower dimensional projections are allowed, meanwhile guaranteeing a correct reconstruction. Thus, low computational high quality data compression/reconstruction are achieved with minimal energy expenditure at the sensors nodes.     

基于信息辅助块稀疏贝叶斯学习的直扩通信窄带干扰抑制

现有基于Nyquist-Shannon采样定理的窄带干扰(Narrowband Interference,NBI)抑制方法存在应用受限于采样率较高的问题。应用压缩感知(Compressive Sensing,CS)理论解决上述问题,利用NBI在频域表现出的块稀疏特性以及直接序列扩频(Direct Sequence Spread Spectrum,DSSS)信号的类噪声特性,提出了基于块稀疏贝叶斯学习(Block Sparse Bayesian Learning,BSBL)框架的DSSS通信NBI抑制模型。实现干扰抑制后,利用传统的CS重构算法实现DSSS信号的压缩域解调。为进一步提高算法性能,将NBI稀疏分块的块内自相关矩阵建模为单位矩阵,提出了信息辅助BSBL(Aid BSBL,ABSBL)算法,设计了基于ABSBL的DSSS通信NBI抑制算法。该算法在保持较好NBI抑制性能的条件下,提高了运算效率并且不依赖NBI的稀疏结构。仿真验证和对比分析结果表明,所提方法能够有效抑制DSSS通信中的NBI,在干扰强度相同的条件下,NBI带宽越小、压缩率越大,算法对NBI的抑制性能越好。     

基于非均匀FFT的压缩感知雷达信号快速重构方法

雷达处理是压缩感知理论重要的应用方向之一,基于压缩感知的雷达处理可以降低对回波信号的采样速率要求,并且在部分应用中也可改善处理性能。然而,压缩感知重构算法的计算复杂性限制了压缩感知理论在实际雷达信号处理中的应用,尤其是大尺度雷达数据的处理。本文提出了一种基于压缩感知的雷达信号快速重构方法,利用均匀和非均匀快速傅里叶变换运算实现了常规压缩感知重构算法中的矩阵-向量乘法运算,有效降低了重构算法的计算复杂度,加快了压缩感知雷达信号的重构速度。同时,由于引入了快速傅里叶变换运算,该方法消除了大多数常规重构算法对感知矩阵的存储需求。仿真实验验证了该方法的可行性和高效性。      

时域流信号的多任务稀疏贝叶斯动态重构方法研究

为了解决多任务观测条件下时域流信号动态重构面临的块效应问题,该文基于重叠正交变换(LOT)和稀疏贝叶斯学习的贪婪重构框架先后提出了一种流信号多任务稀疏贝叶斯学习算法及其鲁棒增强型的改进算法,前者将LOT时域滑窗推广到多任务条件下,通过贝叶斯概率建模将未知的噪声精度的估计任务从信号重构中解耦并省略,后者进一步引入了重构不确定性的度量,提高了算法的鲁棒性和抑制误差积累的能力。基于浮标实测数据的实验结果表明,相比多任务重构领域代表性较强的时间多稀疏贝叶斯学习(TMSBL)和多任务压缩感知(MT-CS)算法,本文算法在不同信噪比、观测数目和任务数目条件下具有显著更高的重构精度、成功率和效率。     

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。     

认知WSN中基于能量有效性自适应观测的梯度投影稀疏重构方法

针对认知无线传感器网络中传感器节点侧的模拟信息转换器对本地感知数据进行稀疏表示与压缩测量,该文提出一种基于能量有效性观测的梯度投影稀疏重构(GPSR)方法。该方法根据事件区域内认知节点对实际感知到的非平稳信号空时相关性结构,映射到小波正交基级联字典进行稀疏变换,通过加权能量子集函数进行自适应观测,以能量有效的方式获取合适的观测值,同时对所选观测向量进行正交化构造测量矩阵。汇聚节点采用GPSR算法进行自适应压缩重构。仿真比较了GPSR自适应重构与正交匹配追踪(OMP)重构算法。仿真结果表明,在压缩比小于0.2的区域内,基于能量有效性观测的GPSR自适应重构效果优于传统随机高斯测量信号重构。在相同节点数情况下,GPSR自适应压缩重构方法在低信噪比区域内具有较小的重构均方误差,且该方法所需观测数明显低于随机高斯观测,同时有效保障了感知节点的能耗均衡。     

基于多字典联合与分层块稀疏贝叶斯框架的多辐射源直接定位方法

基于压缩感知的直接定位方法依赖准确的信号传播模型，当传播模型的参数部分未知时，其定位性能会显著下降。针对这个问题，该文提出了一种基于多字典联合与分层块稀疏贝叶斯框架的多辐射源直接定位方法。该文将辐射源定位问题转化为恢复对应不同字典但具有共享稀疏性的信号，通过多字典联合来解决存在信道衰减的辐射源定位问题。仿真结果表明:所提方法在低信噪比和少快拍条件下，相比稀疏贝叶斯方法和直接定位方法具有更优的定位性能。