压缩感知雷达成像技术综述

压缩感知理论突破了传统Nyquist采样定理的限制,它基于信号的稀疏性、测量矩阵的随机性和非线性优化算法完成对信号的压缩采样和重构。这种全新的信号处理理论为克服传统雷达固有缺陷,解决传统高分辨雷达面临的高采样率、大数据量和实时处理困难等问题提供了可能。本文概述了压缩感知基本理论,详细讨论了基于压缩感知的雷达成像技术,对压缩感知在高分辨雷达成像领域中的研究现状进行了归纳和分析,应用对象包括SAR/ISAR、穿墙雷达、MIMO雷达、探地雷达等,充分体现了压缩感知在简化雷达硬件设计、弥补雷达数据缺陷、改善雷达成像质量等方面的巨大潜力,明确了研究中存在的问题,阐述了有待进一步研究的方向,并总结了压缩感知用于雷达成像的优势和缺陷。      

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。     

基于压缩感知的认知雷达多目标跟踪方法

该文提出了一种基于压缩感知的认知雷达跟踪方法,该方法将压缩感知理论引入到认知雷达跟踪的问题中。通过对回波信号的稀疏表示,完成稀疏变换矩阵和观测矩阵的设计,实现了降采样条件下量测信号的重构。在系统的接收端,考虑到传统的粒子滤波容易陷入局部最优,对粒子数目要求大等问题,采用了粒子群优化的粒子滤波来对目标状态进行实时估计。在系统的发射端,采用优化后验克拉美罗界(Posterior Cramr-Rao Bounds, PCRB)设计了雷达发射波形参数,降低了对目标跟踪精度的PCRB。仿真表明,相比于传统跟踪方法,该文所提跟踪方法不仅有效地减少了雷达的数据量,而且较大地提高了目标的跟踪性能。      

基于块稀疏贝叶斯学习的雷达目标压缩感知(英文)

高速采样和传输是目前雷达系统面临的一个重要挑战。针对这一问题,该文提出一种利用信号块结构特性的雷达目标压缩感知方法。该方法采用一个简单的测量矩阵对信号进行采样,然后运用块稀疏贝叶斯学习算法恢复信号。经典的块稀疏贝叶斯学习算法适用于实信号,该文将其扩为可直接处理雷达信号的复数域稀疏贝叶斯算法。相对于现有压缩感知方法,该方法不仅具有更好的信号重构精度和鲁棒性,更重要的是其压缩测量矩阵形式简单、易于硬件实现。数值仿真实验结果验证了该方法的有效性。      

压缩感知技术综述

压缩感知(Compressed Sensing或Compressed Sampling,Cs)理论突破了经典的奈奎斯特采样定理的极限,提出一种全新的采样理论,通过开发信号的稀疏特性,在远小于Nyquist采样率的条件下,用随机采样获取信号的离散样本,然后通过数值最优化问题精确重构出原始信号.本文综述了CS基本原理,介绍了信号稀疏表示、测量矩阵的设计和信号的重构算法等内容以及CS理论研究现状和在相关领域的应用.     

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。     

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。     

基于感知矩阵统计相关系数最小化的压缩感知雷达波形优化设计

为了改善压缩感知雷达(Compressive Sensing Radar, CSR)目标参数提取的性能,该文提出一种最小化感知矩阵统计相关系数的CSR波形优化设计方法。文中首先建立了通用的CSR系统模型,推导了最小化感知矩阵统计相关系数的波形优化目标函数,其次以多相编码信号作为优化码型并采用遗传算法对目标函数进行优化求解。优化设计的波形使得感知矩阵子矩阵近似正交程度达到最优,与传统波形相比,能够有效降低目标参数估计误差,提高可检测目标个数的上限,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。     

一种快速的压缩感知信号重构算法

重构算法是压缩感知技术的重要环节之一,文中针对现有重构算法收敛速度较慢的问题,提出了一种适用于压缩感知的快速重构算法。该方法的思想是在求解过程中,设计一种有效的步长迭代方案,以此来更新由梯度Lipschitz指数确定的迭代步长,再利用更新后的步长对原始信号的稀疏域表示向量进行迭代收缩,提高收敛速度。实验结果表明,相比传统的正交匹配追踪(OMP)算法、固定步长的l1范数重构算法,该方法在保证信号恢复精度的前提下,具有更快的收敛速度和更高的重构精度。     

基于复数因子分析模型的步进频数据压缩感知

认知雷达发射高距离分辨率步进频信号通常需要较长的观测时间。为了节省时间资源,该文提出一种贝叶斯重构算法,用较少的步进频信号脉冲得到的频点缺失频域数据,重构出相应的全带宽频域数据。首先利用复数贝塔过程因子分析(Complex Beta Process Factor Analysis, CBPFA)模型对一组全带宽频域数据进行统计建模,求解得到其概率密度函数;然后在目标被跟踪且姿态变化不大的情况下,只发射步进频信号的部分脉冲,根据先前CBPFA模型得到的概率密度函数,对频点缺失的频域数据利用压缩感知理论和贝叶斯准则解析地重构出相应的全带宽频域数据。基于实测1维高分辨距离(High Range Resolution, HRR)数据的重构实验,证明了该文提出方法的性能。     

基于压缩感知的脉冲体制雷达

本文提出一种基于压缩感知的脉冲体制雷达信号处理方案。在目标场景稀疏的前提下,对回波信号进行稀疏采样。构建一组时一频基,通过求解带约束的优化方程实现场景恢复,得到目标的距离和速度信息。该方法有别于传统雷达的处理方式,能够在低采样率条件下获得更高的时一频分辨率。仿真表明了该方法的有效性。     

认知无线电网络中基于压缩感知的有限反馈

提出一种基于压缩感知技术的认知无线电网络中的有限反馈协议,反馈带宽仅与感知接收机个数的对数呈线性增长。在二种信道误差模型下,采用压缩感知重建算法（LASSO算法）,仿真分析系统的重建性能,结果表明在信道信息不完美的情况下,能够保持较好的重建性能,同时还表明通过适当增加反馈带宽可换取系统对差错容忍程度的大幅提高。     

基于压缩感知的LFM雷达转发干扰方法

首先指出压缩感知理论是突破目前超宽带系统干扰技术发展困境的方向之一,介绍了压缩感知理论在LFM信号处理中的应用,然后提出基于压缩感知的转发干扰系统结构和工作流程,给出了假目标欺骗干扰、密集假目标干扰和灵巧噪声干扰等三种干扰信号生成方法.最后对这三种方式进行仿真对比分析,结果表明了此干扰方法的可行性和有效性.     

基于两步式融合重构的压缩频谱检测方法

在宽带频谱检测技术中,针对传统分布式压缩感知方法(DCS)数据传输量大、能耗高的问题,提出了一种基于两步式融合重构的压缩频谱检测(TS-CSS)方法.该方法的数据重构过程分为先支撑集信息融合,后信号联合重构两步,通过支撑集信息融合获得的先验信息可指导信号的联合重构.仿真结果表明,联合重构时随机选择50％的用户参与,即可获得与传统DCS接近甚至更优的频谱检测性能,因而,该方法能够有效地降低系统数据传输量,节省频谱检测耗能.     

基于压缩感知的SAR图像目标识别

提出一种基于压缩感知的合成孔径雷达图像目标识别方法,将目标识别问题转化为稀疏表示的近似求解问题。该方法利用测试样本在全体训练样本基下的稀疏性,实现样本间的近似稀疏表示。通过考察稀疏系数主要集中于样本真实类别之上的分布特性,研究了稀疏系数本身对目标类别具有的可区分能力,最后基于稀疏系数的分布特性设计分类算法完成目标识别。基于MSTAR数据中三类目标的实验证明,与目前已有的几种典型方法相比,该方法可以取得更高的识别率,是一种有效的合成孔径雷达图像目标识别方法。     

基于压缩感知在线稀疏的红外视频遥感凝视成像

压缩感知理论是一种新兴的数字信号处理方法,在红外遥感视频成像中有很好的应用前景.为了提高红外视频遥感成像的效果,提出了基于压缩感知在线稀疏的红外遥感视频凝视成像方法.介绍了该方法的视频图像分块压缩采样策略,视频图像在线稀疏方法,以及视频图像重构方法.重点研究了有运动目标的红外遥感图像在线稀疏表示方法,提出了迭进分块训练样本的设计方法和累积冗余字典构造方法.通过数值计算可以看出,该方法提高了遥感红外图像的重构效果.     

基于压缩感知的无源雷达超分辨DOA估计

波达方向(DOA)信息是目标定位过程中一个非常重要的量。但是在无源雷达中,目标回波通常掩盖在强直达波、多径干扰以及噪声的背景之下,因此很难对其进行DOA估计,特别是在多目标的情况下。该文提出一种基于压缩感知的无源雷达超分辨DOA估计方法,为了消除直达波和多径干扰以及提高目标回波的信噪比,首先进行时域干扰相消和距离-多普勒2维相关处理,最后在目标对应的距离-多普勒单元处进行方位向压缩感知稀疏重构,以获得目标的DOA信息。仿真分析表明,该文方法能够在无源雷达中进行有效的超分辨DOA估计。     

压缩感知理论在OFDM稀疏信道估计中的应用

结合压缩感知(CS)理论,针对OFDM系统信道稀疏的特性,采用一种新的方法进行信道估计——可压缩采样的匹配追踪算法(CoSaMP),它本质上是一种贪婪算法,利用比较少的导频获得较好的信道估计性能,提高频谱资源利用率的同时,运算速度更快。详细地介绍了CoSaMP的算法原理及步骤,并将它与正交匹配追踪算法(OMP)和匹配追踪算法(MP)的性能进行了比较和分析。通过理论分析和实验仿真,证明了CoSaMP算法的有效性。     

基于Bandelet变换的图像压缩传感

提出并讨论了一种基于Bandelet变换的图像压缩传感算法。该算法可自适应跟踪图像的正则方向,提高对图像的稀疏表示能力,进而提高重构后的图像质量。对一幅图像在不同测试矩阵下利用小波法、DCT法和Bandelet法压缩传感算法进行图像重建仿真,仿真结果表明,该算法具备更为出色的图像还原质量和更优的PSNR。     

一种新的基于压缩感知的毫米波信道估计算法

针对传统稀疏重构算法需要信道稀疏度先验信息、复杂度高、不利于实际应用的问题,提出了一种新的基于波束空间分解的稀疏度自适应毫米波信道估计算法。该算法利用毫米波信道稀疏性的特点对信道进行波束空间分解,构造基于码本的感知矩阵,获得l1范数约束问题模型;其次结合分段弱匹配追踪算法,采用弱阈值从感知矩阵筛选原子,再通过分组选择机制对选择的原子进行二次优化;最后根据最小二乘法估计出毫米波信道。仿真结果表明,所提算法的估计精度和复杂度在低信噪比和低训练长度情况下明显优于传统匹配追踪算法。