雷达信号处理系统中的脉冲压缩技术

介绍现代雷达信号处理系统中广泛应用的字脉冲压缩技术，及其具体实现方式。     

基于压缩感知的线性调频雷达信号截获方法

低采样率截获宽带线性调频信号(LFM)是电子侦察的难点。基于压缩感知理论,提出了分数阶变换(FrFT)域LFM信号截获方法。采用随机序列与低通滤波器实现信号的压缩,基于LFM在FrFT域的稀疏性,实现LFM信号的精确重构,得到重构精确度与减采样因子、信噪比(SNR)的关系,当减采样因子在20倍以内时,信号频域重构的归一化均方根误差(NRMSE)在2.2%以内,信噪比大于12 dB时,重构精确度优于90%。仿真表明该方案具有有效性和可行性。     

基于综合孔径辐射计稀疏阵列非均匀采样图像的快速重建

某些分时采样干涉式微波辐射计成像系统,通常采用稀疏阵列,如圆环稀疏阵列。由于天线阵列优化设计时天线排布位置受限以及天线物理尺寸等限制,具有非均匀空间频域采样的特点。传统的图像重构方法是将非均匀空间频域点插值到均匀的笛卡尔坐标下,补偿空间频率密度,再进行逆快速傅里叶变换。这些插值方法不可避免地会引入误差或者混叠,并且是以假设空间频域的光滑性为前提的,具有局限性。与传统的插值方法不同的是,该文采用最小最大优化准则,先假设图像,再进行共轭梯度迭代快速非均匀傅里叶变换匹配的算法,绕开了空间频域光滑的假设。模拟实验结果表明此算法能够更加快速精确地重建图像。     

基于OMP的非合作宽带脉冲压缩雷达信号的压缩感知研究

压缩感知技术可以用来实现对非合作宽带信号的欠采样快速处理。宽带脉冲压缩雷达能够有效解决雷达探测距离和距离分辨力的矛盾,在探测领域得到了广泛应用,为实现对非合作宽带脉冲压缩雷达信号的快速欠采样接收处理,本文首先开展了信号稀疏分解与重构算法研究,通过对贪婪算法、凸松弛类算法、组合类算法三大算法进行对比分析,选用了运行速度快且重构精度高的正交匹配追踪(OMP)算法针对非合作宽带脉冲压缩雷达信号进行压缩感知仿真分析。仿真结果表明:在一定信噪比条件下,OMP算法完全能够实现对非合作宽带脉冲压缩雷达信号的欠采样和信号重构,从而实现了对非合作宽带雷达信号的欠采样处理,为处理非合作超宽带雷达信号提供了很好的理论指导。     

基于谱分析的分布式无源雷达非均匀成像

分布式无源雷达空间构型不规则,导致目标回波采样在空间谱域分布不均匀,目标反演质量较差。首先构建三维投影模式下的二维成像模型;对非均匀谱域进行量化分析,建立空间谱支撑域、扭曲度和RMSE三项指标评价空间谱填充非均匀度;然后提出一种快速高斯网格NUFFT的成像方法,通过高斯卷积核对非均匀采样回波在空间谱上进行平滑处理并进行过采样FFT,同时对高斯核进行分裂处理实现快速重构。仿真实验表明,本文评价指标合理评估了空间谱非均匀性,成像方法进一步改善成像质量,且大幅提高计算速度,验证了空间谱非均匀度对成像质量的影响。     

基于PSO-LSSVM的非重构宽带压缩频谱感知方法

频谱感知是认知无线电的关键技术之一,而宽带环境使采样设备压力大,宽带压缩频谱感知有效地解决了此问题,但压缩重构造成巨大计算复杂度,并且传统检测方法受门限限制,在低信噪比下检测率低。提出将机器学习与非重构压缩感知技术应用到频谱感知当中的方法,原始信号经压缩感知得到测量值,对其进行采样协方差预处理后,通过改进PSO-LSSVM算法对数据进行训练分类,解决门限困扰,并适用于宽带频谱感知。仿真结果表明,此方法在低信噪比下,与传统检测相比有较好的检测结果。     

1-Bit压缩感知盲重构算法

1-Bit压缩感知(CS)是压缩感知理论的一个重要分支。该领域中二进制迭代硬阈值(BIHT)算法重构精度高且一致性好,是一种有效的重构算法。该文针对BIHT算法重构过程需要信号稀疏度为先验信息的问题,提出一种稀疏度自适应二进制迭代硬阈值算法,简称为SABIHT算法。该算法修正了BIHT算法,首先通过自适应过程自动调节硬阈值参数,然后利用测试条件估计信号的稀疏度,最终实现不需要确切信号稀疏度的1-Bit压缩感知盲重构。理论分析和仿真结果表明,该算法较好地实现了未知信号稀疏度的精确重建,并且与BIHT算法相比重构精度及算法复杂度均相当。     

基于FFT的信号谱分析

FFT作为时域和频域转换的基本运算,是谱分析的必要前提,广泛应用于信号的实时处理。本文介绍应用FFT对信号进行谱分析方法并进行MATLAB软件仿真。     

用于压缩感知信号重建的正则化自适应匹配追踪算法

压缩感知理论是一种充分利用信号稀疏性或者可压缩性的全新的信号采样理论。该理论表明,通过采集少量的信号值就可实现稀疏或可压缩信号的精确重建。该文在研究和总结已有重建算法的基础上,提出了一种新的基于正则化的自适应匹配追踪算法(Regularized Adaptive Matching Pursuit,RAMP)用于压缩感知信号的重建。该算法可在信号稀疏度未知的情况下,通过自适应过程自动调节候选集原子的个数,利用正则化过程实现支撑集的二次筛选,最终实现了信号的精确重建。实验结果表明,在相同测试条件下,该算法的重建效果无论从主观视觉上还是客观数据上均优于其它同类方法。     

用于压缩感知信号重建的SL0改进算法

SL0算法是一种基于近似l₀范数的压缩感知信号重建算法,其思想是用一个光滑函数来近似l₀范数,然后求解一个优化问题。目前采用的光滑函数都是高斯函数族,文中突破了以往采用高斯函数族近似l₀范数,提出了采用复合三角函数作为近似估计l₀范数的函数,然后结合修正牛顿法和阻尼牛顿法提出一种更精确的重建算法DNSL0。实验结果表明,在相同测试环境下,DNSL0算法在峰值信噪比和匹配度方面比SL0算法和NSL0算法都有了大幅提高。     

基于FGG NUFFT的穿墙成像雷达快速BP算法

针对穿墙成像雷达后向投影(Back Projection,BP)算法存在计算复杂度较高、内存需求较大等问题,本文提出了一种基于快速高斯网格化的非均匀快速傅里叶变换(Fast Gaussian Gridding Nonuniform Fast Fourier Transform,FGG NUFFT)成像算法,该算法能够有效加速BP算法。对经过联合熵值法抑制墙体杂波后得到的目标回波数据,首先将BP算法中像素点幅值与高斯核函数反卷积消除高斯平滑的影响,然后对均匀数据进行快速傅里叶变换,最后对得到的数据进行卷积运算实现对数据均匀平滑输出。该方法预先划分网格并存储系数,避免了重复运算。通过对基于时域有限差分法(Finite Different-Time Domain,FDTD)的仿真软件GprMax2D/3D所获得的穿墙雷达数据进行处理,仿真实验证明该方法在保证成像质量的情况下,有效降低计算复杂度与内存需求。     

一种改进的压缩感知信号重构算法

针对支撑集未知且变化时的稀疏信号的重构问题,本文基于卡尔曼滤波思想,结合压缩感知算法,给出了一种改进的卡尔曼-压缩感知（Modified Kalman Filter Compressive Sensing,MKFCS）信号重构算法,该算法首先利用Kalman滤波获得信号残差的有效估计,然后根据残差变突情况,用改进的CS算法估计突变位置以确定信号的新的支撑集,最后用最小二乘方法重构信号,从而自适应的实现支撑集未知且变化的稀疏信号的重构。最后对所改进的通过重构精度、重构误差、稳健性等方面进行了仿真,仿真结果表明所提算法重构信号具有需要量测个数少、重构精度高、鲁棒性强等特点。      

基于FFT系数的正弦信号频率估计算法

针对基于FFT系数实部的频率插值算法在峰值谱线相位接近于±π/2时频率估计误差较大的问题,提出了一种改进的正弦信号频率估计算法。该算法首先利用FFT系数的实部和虚部序列索引出峰值谱线位置,然后根据峰值谱线的相位,选取实部与虚部序列中幅度较大的序列进行频率插值。仿真结果表明：在信噪比为3 dB、采样点为128的情况下,整个频段上归一化频率估计误差均方根小于0.02,接近Cramer Rao下限,整体性能优于基于FFT系数实部的频率插值算法和Rife算法。改进的算法频率估计精度高,计算量小,易于硬件实现。     

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。     

非均匀MIMO-SAR体制基于衰减补偿的快速成像算法

提出了一种非均匀多输入多输出合成孔径雷达(MIMO-SAR)体制下基于衰减补偿的毫米波快速成像算法.在图像重构过程中,该算法通过考虑信号沿空间路径的传播衰减,保留了回波模型中的幅度因子,并对回波中包含不均匀阵列位置信息的幅度项和相位项采用菲涅尔近似,进而将目标图像重构分解为两个子图像的求解问题,最后通过快速傅里叶变换(...     

基于压缩感知的信号重构研究

按照Nyquist采样定理,信号的采样率必须为信号最高频率的2倍以上,这会产生大量的冗余数据。压缩感知是一种新兴的采样理论,对于可以稀疏表示的信号,它能够以远低于Nyquist采样速率对信号进行采样,并通过优化算法实现重构。介绍了压缩感知的基本理论,并分别选取时域稀疏、频域稀疏和图像信号进行了仿真分析,实验结果显示,压缩感知理论能较好的重构原始信号。     

基于压缩感知OMP改进算法的图像重构

正交匹配追踪(OMP)算法中迭代次数严格依赖信号的稀疏度K值,迭代次数选取适当会重构出高精确的图像,反之则会对图像重构质量造成严重影响.针对这一问题,提出了一种根据残差值的相对极差来确定最佳迭代次数的新方法.该方法要求在同一次迭代中对一幅图像的所有列同时进行迭代计算,根据极差的相对差值与门限值比较来确定最佳迭代次数,从而达到提高重构精度,消除对稀疏度K值依赖的目的.理论分析和仿真结果表明,改进的OMP算法比原有算法有更理想的重构效果,有更高的重构精度.