基于多通道GAN的图像去噪算法

针对图像采集和传输过程中所产生噪声导致后续图像处理能力下降的问题,提出基于生成对抗网络(GAN)的多通道图像去噪算法。所提算法将含噪彩色图像分离为RGB三通道,各通道基于具有相同架构的端到端可训练的GAN实现去噪。GAN生成网络基于U-net衍生网络以及残差块构建,从而可参考低级特征信息以有效提取深度特征进而避免丢失细节信息;判别网络则基于全卷积网络构造,因而可获得像素级分类从而提升判别精确性。此外,为改善去噪能力且尽可能保留图像细节信息,所构建去噪网络基于对抗损失、视觉感知损失和均方误差损失这3类损失度量构建复合损失函数。最后,利用算术平均方法融合三通道输出信息以获得最终去噪图像。实验结果表明,与主流算法相比,所提算法可有效去除图像噪声,且可较好地恢复原始图像细节。     

非完备杂波先验知识场景下MIMO-STAP稳健波形设计

本文考虑了色高斯干扰条件下MIMO STAP稳健波形优化问题以提高非完备杂波先验知识条件下多输入多输出（MIMO）雷达体制下空时自适应处理（STAP）最坏情况下探测性能。由于高斯干扰（包括杂波、干扰以及热噪声）场景下最大化系统输出信干噪比（SINR）等价于最大化MIMO STAP检测性能,因而在本文所建立杂波协方差估计误差的模型基础上,总功率发射以及参数不确定凸集约束下,经推导可得稳健波形优化问题。为求解得到的复杂非线性问题,本文提出了一种迭代算法以优化发射波形相关阵（WCM）从而最大化凸不确定集上最差情况下的输出SINR进而改善最差情况下MIMO STAP的检测性能。通过利用对角加载（DL）方法,所提算法中的每个迭代步骤皆可表示为能获得高效求解的半定规划（SDP）问题。与非稳健方法及非相关波形相比,数值实验验证了本文所提方法的有效性。      

改善MIMO-STAP检测性能的收发空时资源配置方法

针对机载多输入多输出(Multiple-In Multiple-Out,MIMO)雷达资源受限,从而导致目标检测性能下降的问题,提出一种改善基于MIMO雷达的空时自适应处理(Space Time Adaptive Processing,STAP)检测性能的收发空时资源配置(Transceiver Space-Time Resource Allocation,TST-RA)方法 .所提方法利用所构建包含待配置收发空时资源的MIMO-STAP模型,基于最大化输出信杂噪比(Signal-Clutter-Noise Ratio,SCNR)准则,构造收发阵元、发射脉冲、基带波形以及接收权值联合设计问题.为求解所得复杂非线性联合优化问题,基于交替迭代策略将其分解为相互独立的子问题,而后利用如下方法高效求解各子问题：基于逐次凸逼近(Sequential Convex Approximations,SCA)方法选择最优天线脉冲子集,基于半正定规划(SemiDefinite Program,SDP)及随机化方法优化发射波形,基于最小方差无畸变响应(Minimum Variance Distortionl...     

基于协方差矩阵重构的离网格DOA估计方法

针对稀疏表示模型中网格失配导致波达方向角(DOA)估计存在较大估计误差的问题,该文提出一种基于协方差矩阵重构的离网格(Off-Grid)DOA估计方法(OGCMR).首先,将DOA与网格点之间偏移量包含进所构建接收数据空域离散稀疏表示模型;而后基于重构信号协方差矩阵建立关于DOA估计的稀疏表示凸优化问题;再构建采样协方差矩阵估计误差凸模型,并将此凸集显式包含进稀疏表示模型以改善稀疏信号重构性能;最后采用交替迭代方法求解所得联合优化问题以获得网格偏移参数及离网格DOA估计.数值仿真表明,与传统多重信号分类(MUSIC)、L1-SVD及基于稀疏和低秩恢复的稳健MVDR(SLRD-RMVDR)等估计算法相比,所提算法具有较好的角度分辨力以及较高的DOA估计精度.     

分辨率约束下毫米波雷达波形参数及接收权联合设计

针对自动驾驶中有限平台空间及发射功率导致毫米波雷达目标检测性能较低的问题,该文提出一种距离及速度分辨率约束下提升毫米波雷达目标检测概率的波形参数及接收权联合设计方法.首先,基于调频连续波(FMCW)信号,所提方法建立了毫米波相控阵阵列检测模型;其次,通过分析距离及速度分辨率与发射波形参数关系,构建考虑距离及速度分辨率的发射波形参数约束;然后,基于最大化输出信杂噪比(SCNR)准则,建立具有距离及速度分辨率约束的发射波形参数及接收权值联合优化模型以改善毫米波雷达目标检测及距离速度分辨性能;最后,所提方法基于交替迭代方法求解所得复杂非线性优化问题.仿真结果表明,所提方法可自适应调整发射波形参数和接收权以提升目标检测性能同时满足距离及速度分辨率需求.     

基于协方差矩阵重构的离网格DOA估计方法

针对稀疏表示模型中网格失配导致波达方向角(DOA)估计存在较大估计误差的问题,该文提出一种基于协方差矩阵重构的离网格(Off-Grid)DOA估计方法(OGCMR)。首先,将DOA与网格点之间偏移量包含进所构建接收数据空域离散稀疏表示模型;而后基于重构信号协方差矩阵建立关于DOA估计的稀疏表示凸优化问题;再构建采样协方差矩阵估计误差凸模型,并将此凸集显式包含进稀疏表示模型以改善稀疏信号重构性能;最后采用交替迭代方法求解所得联合优化问题以获得网格偏移参数及离网格DOA估计。数值仿真表明,与传统多重信号分类(MUSIC)、L1-SVD及基于稀疏和低秩恢复的稳健MVDR (SLRD-RMVDR)等估计算法相比,所提算法具有较好的角度分辨力以及较高的DOA估计精度。     

利用判别字典学习的视觉跟踪方法

针对复杂背景及遮挡等引起目标跟踪性能显著下降的问题,提出一种目标跟踪方法。该方法首先根据目标时空局部相关性获取目标及背景样本。而后建立字典学习模型:基于误差项捕获遮挡等产生的异常值,利用极大极小凹加函数惩罚稀疏编码及误差矩阵,且对字典施加不一致约束项以提高字典的鲁棒性和判别性。针对所构建的非凸字典学习优化问题,利用优化最小化方法对其求解以获得较好的收敛性。最后,由所得判别字典计算候选目标的重构误差以构建目标观测模型,并基于贝叶斯推理框架实现目标精确跟踪。仿真结果表明,与现有主流算法相比,所提方法在复杂环境下可显著地提高目标跟踪的精度及鲁棒性。