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。      

收视危机下电视的全媒体转型与探索

从WEB2.0开始,互联网技术的发展与应用带来的不仅仅是媒介形态的变化,更是传媒行业生态环境的进化——媒体融合为代表的全媒体时代已经到来.受新媒体的冲击,电视收视率下滑、新闻话语设置权的更迭和新闻话语叙述方式的改变成为电视业危机最直接的表现.面对多屏世界、强调互动的新消费习惯,传统电视业的发展思路与体制机制显得愈加不合时宜.转变迎合受众的旧有思维模式,以满足用户需求为基础、增加原创内容制作、加强内容的聚合与渠道的多元分化,才是未来电视业变革的成功路径.     

基于属性散射中心模型的SAR 目标重构可视化增强方法

基于属性散射中心模型对实测SAR 数据进行参数估计,利用参数估计的结果对实测SAR 目标重构可视化增强对于辅助SAR 解译人员进行判别具有重要的意义。该文提出了一种新的可视化增强方法,利用成像操作(IFFT)的线性特征,在参数估计的基础上,基于属性散射中心模型分别对各个散射中心自适应成像,最后叠加重构整幅SAR 图像。实验结果表明,该方法可以有效提高目标重构的可视化效果。      

GTD模型参数估计的时域稀疏成分分析法

准确高效地估计GTD模型参数对目标特性研究和目标识别有重要的意义.本文根据雷达宽带时域信号能量集中的特点,建立稀疏成分分析的时域模型,实现GTD模型参数估计.该时域模型,根据高分辨率一维像自适应地缩小散射中心分布的可能区域,缩减字典的列数;利用GTD模型的时域响应构建时域字典,并截断字典中值较小的元素使字典成为稀疏矩阵.根据模型的特点设计了一个基于正交匹配追踪的求解方法.与现有频域模型相比,时域模型的字典不但维数减少而且是一个稀疏矩阵,能极大地降低字典的数据量和模型求解计算量.通过实验验证了时域字典的性能和参数估计方法的有效性.     

基于SAR 数据的三维散射中心模型位置重构方法

该文面向目标识别应用阐述了基于SAR 数据的3 维散射中心模型位置重构的基本方法。首先阐述了如何从SAR 数据中重构出目标的3 维散射中心模型的基本框架,然后提出了基于散射中心模型2 维参数的3 维散射中心模型重构方法,最后通过仿真实验验证了该方法的正确性。