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。     

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。     

衍射层析模型下穿墙雷达三维学习成像方法

针对现有穿墙雷达三维稀疏成像中,存在网格时延构建字典矩阵所需内存过大以及凸优化稀疏成像算法阈值参数不确定影响重建图像质量的问题,提出了一种基于衍射层析稀疏模型的学习近似消息传递三维成像方法。该方法在衍射层析成像算法上通过构造快速傅里叶变换算子来建立三维成像稀疏模型,然后修正近似消息传递算法求解稀疏解,并将其迭代过程映射成多层神经网络,最后通过数据驱动自适应学习多层神经网络中的可调参数,从而实现三维学习成像。仿真和实验数据处理结果表明,该方法不仅减小了系统所需内存,还避免了参数的人工调整对成像质量的影响。     

基于稀疏贝叶斯学习的网格自适应多源定位

多源定位是信号处理中的重要问题。该文针对目标偏离初始网格点引起的基不匹配问题,构建具有Laplace先验的稀疏贝叶斯学习框架,提出基于稀疏贝叶斯学习的网格自适应多源定位算法AGMTL。本质上,AGMTL实现了稀疏信号重建和网格自适应定位字典的学习。仿真结果表明,AGMTL通过网格自适应调整,在定位误差,估计可靠性,抗噪性能上均远远优于传统的压缩感知定位算法。     

基于贝叶斯压缩感知的FD-MIMO雷达Off-Grid目标稀疏成像

传统压缩感知(CS,Compressive Sensing)成像方法一般假定目标精确位于事先划定的成像网格上,实际中由于散射点空间位置是连续分布的,因此偏离网格(Off-grid)问题必然存在.这会引起真实回波测量值与默认系统观测矩阵之间失配,导致传统CS成像方法性能恶化.本文基于频率分集多输入多输出(FD-MIMO,Frequency Diverse Multiple-Input Multiple-Output)雷达,针对Off-grid目标提出了一种基于贝叶斯压缩感知的稀疏自聚焦(SAF-BCS,Sparse Autofocus Imaging Method Based on Bayesian Compressive Sensing)成像算法.该算法依据最大后验(MAP,Maximum A Posteriori)准则,利用变分贝叶斯学习技术求解含有Off-grid目标的稀疏像.与传统稀疏重构方法相比,所提方法充分利用了目标先验信息,可自适应调整参数,能够更好地反演稀疏目标,同时具有校正Off-grid目标的网格位置偏差以及估计噪声功率等优势.仿真结果表明SAF-BCS算法对网格划分不敏感,具有稳健的成像性能.     

复合正则化联合稀疏贝叶斯学习的高光谱稀疏解混算法

将稀疏贝叶斯学习引入线性混合像元分解中,提出一种基于复合正则化联合稀疏贝叶斯学习的高光谱稀疏解混算法.在多观测向量的稀疏贝叶斯框架下,对各参数建立概率模型,经贝叶斯推断得到基于L2,1正则化的联合稀疏贝叶斯解混模型,并将丰度向量的非负与和为一约束加入到凸优化的目标函数中,通过变量分离法将复合正则化问题分解成多个单一正则化问题交替迭代求解,并利用参数自适应算法对正则化参数进行更新.模拟数据和真实数据的实验结果表明,该算法比贪婪算法和凸优化算法能获得更高的解混精度,并且适用于端元个数较多和信噪比较低的高光谱数据.     

基于粒子群优化的正则化水下图像盲复原

水下图像恢复的难点在于缺少海水的点扩展函数的足够信息,而导致病态的问题.为了提高水下激光成像系统的成像质量,提出了用粒子群优化正则化参量的盲图像复原算法.该方法结合Tikhonov正则化和改进的全变分正则化的技术特点,使用一种交替迭代方法,分别估计点扩展函数和估计复原图像,同时用粒子群算法优化正则化参量.结果表明,该方法对水下图像复原具有较好的鲁棒性,算法收敛稳定.     

基于稀疏表示的图像超分辨率重建算法

文中提出一种基于图像块稀疏表示的单幅图像超分辨率重建方法。所提出的重建过程提供了一个更好的稀疏解决方案,即L1范数优化过程。在优化过程中,利用高效的特征提取算子保证了高分辨率图像块的准确性。最后,利用粒子群优化算法选择最佳自适应稀疏正则化参数,使全局重建过程具有鲁棒性。目前使用字典耦合的训练方式学习字典。各种图像质量评价标准证明该方法相对于现有的超分辨率重建方法有很大的优越性。     

基于原子范数的无网格动目标参数估计

针对现有参数稀疏恢复空时自适应处理中动目标参数估计方法在字典失配条件下性能下降的问题，提出一种基于原子范数无网格稀疏恢复技术的动目标参数估计方法，该方法利用目标回波在角度-多普勒域的稀疏特性，根据连续压缩感知和低秩矩阵恢复理论实现了运动目标方位角和速度的高精度估计，避免了基于固定离散字典模型进行参数稀疏恢复时遇到的字典失配问题，有效提高了动目标参数的估计性能。仿真结果证实了所提方法参数估计性能优于已有基于字典网格的稀疏恢复参数估计方法。     

基于改进稀疏表示正则化的SR重建算法

基于视觉的无人机自主导航过程中,对航路点进行准确识别是引导无人机朝着航路点方向精确飞行的关键。然而,当无人机到达航路点识别距离后,由于机载图像传感器受天气因素及成像过程中的脱焦、衍射等现象影响,常导致获取到的航拍图像模糊、空间分辨率较低,从而直接影响了后续航路点识别的精度。针对这一问题,提出了一种改进稀疏表示正则化的航拍图像超分辨率重建算法。首先,基于稀疏表示正则化框架,利用自回归和非局部相似约束构建目标函数的正则化项;其次,根据图像局部方差能有效区分图像的边缘区域和平滑区域这一特性,自适应地选取正则化参数得到超分辨率重建模型中的目标函数;最后,使用MM (Majorization-Minorization) 算法求解目标函数的凸优化问题,得到重建后的高分辨率图像。实验结果表明:与传统的正则化SR重建算法相比,文中算法能够有效的提高航拍图像的空间分辨率,使得重建后的图像包含了更多的特征细节信息,这为航路点识别提供了帮助。     

基于稀疏贝叶斯正则化的阵列SAR高分辨三维成像算法

阵列合成孔径雷达(Linear Array Synthetic Aperture Radar, LASAR) 3维成像技术是一种具有重要潜在应用价值的雷达成像新体制,但受线阵天线及平台尺寸限制,传统匹配滤波成像算法难以实现LASAR高分辨3维成像。该文利用LASAR回波信号及观测目标的先验分布特性,提出了一种基于快速稀疏贝叶斯正则化重构的LASAR高分辨3维成像算法。该算法先结合贝叶斯估计准则及最大似然估计原理,构造LASAR目标重构的稀疏贝叶斯最小化代价函数;再利用迭代正则化方法求解联合范数最优化问题实现LASAR稀疏目标高分辨3维成像。另外,针对稀疏贝叶斯正则化成像运算量大的问题,结合位置预测快速成像思路,利用阈值分割算法对稀疏粗成像进行强目标提取,进而提升算法运算效率。仿真数据和实测数据验证了该文算法的有效性。      

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。     

参数自适应调整的稀疏贝叶斯重构算法

稀疏表示模型中的正则化参数由未知的噪声和稀疏度共同决定,该参数的设置直接影响稀疏重构性能的好坏。然而目前稀疏表示问题优化求解算法或依靠主观、或依靠相关先验信息、或经过实验设置该参数,均无法自适应地设置调整该参数。针对这一问题,该文提出一种无需先验信息的参数自动调整的稀疏贝叶斯学习算法。首先对模型中各参数进行概率建模,然后在贝叶斯学习的框架下将参数设置及稀疏求解问题转化为一系列混合L1范数与加权L2范数之和的凸优化问题,最终通过迭代优化得到参数设置和问题求解。由理论推导和仿真实验可知,已知理想参数时,该算法与其它非自动设置参数的迭代重加权算法性能相当,甚至更优;在理想参数未知时,该算法的重构性能要明显优于其它算法。     

基于稀疏贝叶斯学习的双基雷达关联成像

双基雷达具有隐蔽性高、抗干扰性能强等优点,在现代电子战中发挥重要作用。基于雷达关联成像原理,该文研究运动目标双基雷达关联成像问题。首先,针对采用均匀线性阵列作为收发天线的双基雷达系统,在发射随机频率调制信号条件下,分析运动目标雷达回波信号特点,建立双基雷达关联成像参数化稀疏表征模型;其次,针对建立的参数化稀疏表征模型,提出一种基于稀疏贝叶斯学习的迭代关联成像算法。该算法在建立贝叶斯模型基础上,通过贝叶斯推理,得到稀疏重构信号,从而实现对运动目标成像和运动参数的精确估计。最后,通过仿真实验验证所提方法的有效性。     

基于贝叶斯压缩感知的子空间拟合离格DOA估计

针对传统的基于稀疏贝叶斯学习（Sparse Bayesian Learning,SBL）的波达方向估计算法对噪声鲁棒性不高的问题,提出了一种基于SBL的子空间拟合离格波达方向(Direction of Arrival,DOA)估计方法。首先对接收数据的协方差矩阵进行特征分解,获得信号的加权子空间,构造等价信号的稀疏表示模型并利用贝叶斯学习算法进行参数求解。同时对于网格划分带来的建模误差问题,采用了离格贝叶斯推导（Sparse Bayesian Inference,SBI）算法进行求解,利用期望最大化算法迭代更新相应的参数。仿真结果表明,相对于传统的DOA方法,该方法具有更好的估计精度。     

Regularized MSBL algorithm with spatial correlation for sparse hyperspectral unmixing

Sparse unmixing is a promising approach that is formulated as a linear regression problem by assuming that observed signatures can be expressed as a linear combination of a few endmembers in the spectral library. Under this formulation, a novel regularized multiple sparse Bayesian learning model, which is constructed via Bayesian inference with the conditional posterior distributions of model parameters under a hierarchical Bayesian model, is proposed to solve the sparse unmixing problem. Then, the total variation regularization and the non-negativity constraint are incorporated into the model, thus exploiting the spatial information and the physical property in hyperspectral images. The optimal problem of the model is decomposed into several simpler iterative optimization problems that are solved via the alternating direction method of multipliers, and the model parameters are updated adaptively from the algorithm. Experimental results on both synthetic and real hyperspectral data demonstrate that the proposed method outperforms the other algorithms.     

基于联合稀疏重构模型的双基MIMO雷达off-grid目标参数快速估计

针对多输入多输出(MIMO)雷达二维参数稀疏估计中的不在格点上(off-grid)目标问题,利用两次泰勒展开对信号模型进行修正,构建联合稀疏重构模型,将off-grid问题转化为联合稀疏重构问题;为降低计算复杂度,针对该联合稀疏重构模型提出Joint-2D-OMP算法。仿真结果表明:所提模型和算法在解决off-grid问题的同时,可有效提高参数估计的速度。     

结合SBL的双脉冲频控阵雷达离网目标定位方法

目标定位是雷达信号处理中一个具有重要理论意义与实际意义问题。为解决频控阵雷达传统的目标定位算法存在计算量大、目标真实位置偏离空间离散采样网格等问题。本文将频控阵雷达特性与离网稀疏贝叶斯模型结合提出了基于稀疏贝叶斯学习的双脉冲频控阵雷达离网目标定位算法。频控阵雷达发送两个脉冲,其频率偏移量分别为零和非零,然后基于离网稀疏贝叶斯模型估计目标的方位角与斜距。这种方法可以理解为当频控阵雷达以零频偏发射脉冲时,在角度域中检测目标,然后通过适当选择非零频率偏移量在距离域中对目标定位。仿真结果表明,即使在较粗糙的采样网格下,该算法也能保持较高的估计精度,显示了其优于传统算法的优势,证明了该方法的有效性与可靠性。