基于压缩感知的雷达前视向稀疏目标分辨

主动雷达使用多普勒波束锐化(DBS)和合成孔径雷达技术只能提高在斜视和侧视向的横向距离分辨,而对前视向波束内相同距离但不同方位-俯仰角度上的多个目标难以分辨。该文提出一种基于压缩感知理论(CS)的单接收通道结构雷达前视向稀疏目标分辨方法。多个天线子阵接收信号经随机加权求和后通过单个接收通道输出,同一距离单元上不同脉冲重复周期的接收机输出建模为对同一稀疏信号场景的多次观测,根据观测进行压缩感知信号重构得到稀疏目标场景估计。仿真表明,该方法能够实现雷达对前视向波束内的稀疏目标分辨。     

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。     

基于多维测量信息的压缩感知多目标无源被动定位算法

无源被动定位是入侵者检测、环境监测以及智能交通等应用的关键问题之一。现有的无源被动定位方法可通过信道状态信息获取多个维度上的测量信息,但是现有方案未能充分挖掘多个信道上的频率分集以提高定位性能。该文提出一种基于多维测量信息的压缩感知多目标无源被动定位算法,在压缩感知框架下利用多维测量信息的频率分集提高定位精度和鲁棒性。根据鞍面模型建立无源字典,将多目标无源被动定位问题建模成多测量向量联合稀疏恢复问题,并利用多维稀疏贝叶斯学习算法估计目标位置向量。仿真结果表明,该算法能有效利用多维测量信息提高定位性能。

     

压缩感知多目标无源定位中的字典适配方法

该文针对压缩感知多目标无源定位在无线定位环境中的字典失配问题,提出基于变分期望最大化算法的字典适配方法。该方法首先根据鞍面模型建立无源字典,并将与定位环境相关的字典参数作为可调参数。然后,为目标位置向量建立两层的混合高斯先验模型以诱导其稀疏性。最后,利用变分期望最大化算法估计隐藏变量的后验分布以及优化字典环境参数,实现多目标位置估计和字典适配。仿真结果表明,相较于传统的压缩感知多目标无源定位方法,在变化的无线定位环境下,所提定位方法的性能优势尤为明显。

     

一种联合Khatri-Rao子空间与块稀疏压缩感知的差分SAR层析成像方法

虽然采用压缩感知技术(Compressive Sensing, CS)的差分SAR层析成像方法实现了4维空间信息的重构,但是此方法仅利用了目标的稀疏特性并没有考虑目标的结构特性,因此对同时具有稀疏特性和结构特性的目标进行重构时其性能较差。针对这一问题,该文采用联合Khatri-Rao子空间和块压缩感知(Khatri-Rao Subspace and Block Compressive Sensing, KRS-BCS),提出一种差分SAR层析成像方法。该方法依据目标的结构特性和重构观测矩阵具有的Khatri-Rao积性质,将稀疏结构目标的差分SAR层析成像问题转化为Khatri-Rao子空间下的BCS问题,最后对目标进行块稀疏的l1/l2 范数最优化求解。相比CS差分SAR层析成像方法,该方法不仅保持了CS差分SAR层析成像方法的高分辨率特点,而且其重构精度更高性能更优。仿真数据和ENVISAT星载ASAR数据以及地面GPS实测数据的试验结果验证了该方法的有效性。     

基于多模型的实时压缩跟踪算法

目标跟踪易受光照、遮挡、尺度、背景及快速运动等因素的影响,还要求较高的实时性。目标跟踪中基于压缩感知的跟踪算法实时性好,但目标外观变化较大时跟踪效果不理想。该文基于压缩感知的框架提出多模型的实时压缩跟踪算法(MMCT),采用压缩感知来降低跟踪过程产生的高维特征,保证实时性能;通过判断前两帧的分类器最大分类分数的差值来选择最合适的模型,提高了定位的准确性;提出新的模型更新策略,按照决策分类器的不同采用固定或动态的学习率,提高了分类精度。MMCT引入的多模型没有增加计算负担,表现出优异的实时性能。实验结果表明,MMCT算法能够很好地适应光照、遮挡、复杂背景及平面旋转的情况。     

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。     

非均匀块稀疏信号的压缩采样与盲重构算法

该文对非均匀块稀疏信号的压缩采样速率下限进行了分析,并对测量矩阵的约束等距常数衰减特性进行了理论证明。在此基础上,提出了一种块稀疏阶数和块分布未知情况下的非均匀块稀疏信号盲重构算法,按照逐次递减的块长度,对非均匀块稀疏信号进行多次均匀切割,利用正交匹配追踪算法逐次剔除均匀块中的零值位置,从而精确估计信号中非零块位置,实现信号的准确重构。理论分析了算法的性能,仿真实验进一步验证了算法的有效性和实用性。     

一种基于随机滤波的神经动作电位信号压缩感知采样方法

神经元细胞通过动作电位进行通信,这些动作电位包含了神经元活动的最关键信息。在论述动作电位在离散小波变换(DWT)域的稀疏特性和分析压缩感知(Compressive Sensing, CS)测量动作电位的基础上,该文提出了一种采用随机滤波对动作电位进行压缩感知测量的方法。从信号恢复和物理可实现性两方面,对比了3种压缩测量的实现方法,从对实测数据的处理结果说明基于随机滤波CS的动作电位测量方案是一种能对动作电位进行压缩,系统复杂度低且最易实现的压缩采样方案。