平滑重构稀疏贝叶斯学习测向算法

针对二级嵌套阵列中的紧凑阵元结构易受互耦效应影响的问题,提出了两种不同的嵌套阵列结构改进方法：连续平移嵌套阵列和间隔平移嵌套阵列。通过对原有二级嵌套阵列阵元位置进行调整,形成了两种不同的平移嵌套阵列结构,这两种结构对应的差分共阵均"无孔",并且测向自由度和阵列稀疏度均大于原二级嵌套阵列。针对嵌套阵列的差分共阵测向模型为单测量矢量模型,稀疏贝叶斯学习测向算法复杂度高的问题,提出了平滑重构稀疏贝叶斯学习算法。该算法通过空间平滑重构将单测量矢量模型变为多测量矢量模型,降低了观测矩阵的维度,减小了计算复杂度。算法求解时,通过对变换后的观测矩阵进行奇异值分解,进一步降低了观测矩阵维度,利用稀疏贝叶斯学习算法估计辐射源角度。仿真表明,在信噪比和采样数相同的条件下,该算法收敛速度比单测量矢量稀疏贝叶斯学习（SMV-SBL）算法快,且测向精度高于SMV-SBL算法和空间平滑多重信号分类（MUSIC）算法;存在互耦影响时,两种平移嵌套阵列比原嵌套阵列受互耦影响小。     

基于滤波器结构的压缩感知雷达感知矩阵优化

 压缩感知雷达的目标场景恢复性能要求不同目标的反射回波在压缩空间上的互相关性尽可能小。基于该思想,提出了压缩感知雷达感知矩阵优化模型,根据系统参数和任务信息,以降低感知矩阵互相关性为目标,自适应地构造发射波形和测量矩阵,提升系统性能。分别给出了基于滤波器结构的压缩感知雷达发射波形优化、测量矩阵优化以及波形-测量矩阵联合优化算法。仿真结果表明:本文提出的压缩感知雷达感知矩阵优化模型和算法能够有效地提高场景恢复精度。     

基于压缩感知的多级风扇周向声模态重构

基于风扇单音噪声周向声模态在叶片通过频率下稀疏的特性,研究压缩感知方法在多级风扇周向主导声模态识别和幅值重构中的应用。开展多级风扇试验器的声场测量试验,利用压缩感知方法对管道周向声模态进行准确识别与分解。建立声模态重构的压缩感知模型,实现少数传声器对主导声模态的阶数识别和幅值精确重构,同时研究传声器数量和布局策略对重构精度的影响。试验结果表明:对于确定声场,当压缩感知常量C大于3.6时,随机布局的传声器有90%以上的概率可以以较高精度重构主导声模态幅值;建立压缩感知模型观测矩阵时应避免传声器的均匀和近似均匀布局,均匀布局的感知模型难以精准重构声模态。      

扩展酉矩阵束算法实现稀疏可重构天线阵的优化设计

针对方向图可重构天线阵列的稀疏布阵问题,提出一种基于扩展酉矩阵束算法的优化设计算法。首先建立以阵元位置和多组激励为变量的多方向图联合稀疏优化模型,并利用期望方向图采样数据构建Hankel块矩阵。然后通过centro-Hermitian化处理和酉变换将采样矩阵从复数域转换到实数域,舍弃实矩阵中较小的奇异值对可重构线阵进行稀疏。最后通过对等价矩阵束的广义特征值分解估计稀布阵元位置,进而得到每个方向图对应的激励。仿真验证了该方法能够以阵元非均匀稀疏分布的阵列形式有效实现多个方向图的精确重构。     

基于压缩感知的嵌套FDA 雷达距离- 角度联合估计

针对频率分集技术，与非均匀阵列、压缩感知理论相结合，实现目标距离- 角度的联合估计。通过 频率分集技术提高信号空间自由度，将距离参数引入导向矢量矩阵，实现距离- 角度参数的联合。并结合嵌套 阵列，显著提高雷达阵列孔径。该方法针对嵌套阵虚拟阵列流型矩阵的优化过程导致的秩亏缺问题，传统的空 间平滑算法会以牺牲部分阵列孔径为代价将单快拍问题转化为多快拍问题，采用正交匹配追踪算法可以实现单 快拍下的高精度参数估计，避免了空间平滑技术对阵列孔径的影响。并通过压缩感知理论的应用降低信号维度， 减小了计算复杂度。     

基于压缩感知的叶端定时信号参数辨识方法

叶端定时技术作为一种非接触式测量手段,在实际应用中的主要问题之一是测量信号欠采样。压缩感知方法是解决信号欠采样问题的有效手段,但由于求解过程中引入了正则化项,在提高稀疏度时,降低了幅值重构精度,而转子叶片振动幅值参数的准确辨识对于叶片动应力重构具有重要意义。将叶片振动方程设计矩阵与压缩感知字典相结合,在不依赖先验信息的条件下对叶片振动参数进行辨识。首先,根据振动方程设计矩阵形式及关注的最大振动频率,构造压缩感知字典;其次,通过叶端定时信号稀疏表示中的非零元素所在位置,从压缩感知字典中提取对应原子构成设计矩阵进而求得振动参数;接着,叶端定时（BTT）模拟仿真结果表明,所提方法可有效辨识叶片单模态、多模态振动参数;最后,开展旋转叶片振动测试试验,同时利用应变片和叶端定时系统采集振动信号,结果表明,与应变片测量结果相比,提出的方法振动频率辨识相对误差仅为0.14%;对比4个叶片的位移-应变传递比,其中偏离均值的最大百分比仅为2.15%。     

压缩感知在轴流压气机周向模态识别中的应用

研究了将压缩感知应用于轴流压气机管道周向模态识别的方法。采用数值实验的方法对稀疏模态信号进行压缩感知分析。对确定性信号，讨论了信号欠采样因子和感知常数对不同稀疏比信号重构成功率的影响，当感知常数大于3.5时，感知成功率超过90%；对未知信号，随机选取测量矩阵在感知失败时信号的模态分布没有规律。在此基础上，将Nyquist-Shannon采样定理和压缩感知方法结合，提出了轴流压气机管道周向模态传感器双均布测点布置方式，发现了其感知的成功与否与信号模态数的差值和测点数相关，选择合适的测点数，可用于基于动静干涉的压气机周向模态的可靠重构。讨论了双均布测点分布的鲁棒性，发现任意减少3个测点时仍可保证研究对象中至少5个叠加模态的成功感知。最后，将压缩感知方法应用于轴流压气机管道周向模态识别，成功感知到了基于Tyler-Sofrin的轴流压气机高阶动静干涉模态。该研究为轴流压气机管道模态分析和测量提供了新的实验数据处理方法。      

二维嵌套混合MIMO相控阵雷达接收阵列设计

针对二维混合多输入多输出（MIMO）相控阵雷达发射阵列子阵分割带来的自由度损失问题,提出一种基于二维嵌套阵列的二维混合MIMO相控阵雷达接收阵列设计新方法。首先,给出一种由稀疏阵列和密集阵列构成的嵌套阵接收阵列的二维混合MIMO相控阵雷达信号模型;其次,通过对接收信号的协方差矩阵进行Khatri-Rao乘积处理,得到阵元位置差的差异阵列,形成接收阵元数目的虚拟扩展;最后,通过空间平滑处理进行波达方向估计。仿真实验表明,与传统二维混合MIMO相控阵雷达相比,所提方法在不增加实际阵元数目的情况下可以有效扩展虚拟阵元数目,提高雷达阵列自由度,进而提高二维混合MIMO相控阵雷达波达方向估计精度。     

基于RIPless理论的层析SAR成像航迹分布优化方法

层析合成孔径雷达成像(TomoSAR)是通过同一观测区域不同入射角的多幅二维合成孔径雷达(SAR)图像在高程向进行孔径合成,从而实现三维成像。近年来,压缩感知(CS)被用于高程向稀疏场景的重建,高程向重建质量取决于观测矩阵的性质,而航迹分布是影响观测矩阵重构性能的重要因素。相比于度量观测矩阵重构性能的其他约束条件,RIPless理论具有有效、直观和计算简单等优点。提出了一种基于RIPless理论的压缩感知层析SAR成像航迹分布优化准则,从而在航迹数目一定的情况下,获取最优分布以实现高程向优化重建。最后,通过仿真和实验验证了所提优化准则的有效性。     

LFM宽带雷达信号的盲压缩感知模型

在欠采样测量基础上,提出了一种基于盲压缩感知(BCS)的线性调频(LFM)宽带雷达信号欠采样与重构新框架。这一机制利用LFM雷达信号在分数阶傅里叶变换(FRFT)域上良好的能量聚集特性,将LFM及其延迟信号看做是未知p阶次FRFT域上的稀疏线性组合。首先通过时延相关解线调欠采样得到最佳稀疏FRFT域,再以此构造出原信号对应的p阶次离散FRFT(DFRFT)稀疏基字典,最后结合离散FRFT系数的块稀疏性利用块重构算法从测量值中估计出稀疏系数,同时论证了LFM信号单通道BCS问题解的唯一性,从而实现了稀疏基未知情况下针对LFM宽带雷达信号的盲压缩感知,为非合作条件下LFM信号欠采样采集与无源探测提供了一种新思路。     

Adapitive waveform design for distributed OFDM MIMO radar system in multi-target scenario

In order to improve detection and estimation performance of distributed Orthogonal-Frequency-Division Multiplexing (OFDM) Multiple-Input Multiple-Output (MIMO) radar system in multi-target scene, we propose a novel approach of Adaptive Waveform Design (AWD) based on a constrained Multi-Objective Optimization (MOO). The sparse measurement model of this radar system is derived, and the method based on decomposed Dantzig selectors is applied for the sparse recovery according to the block structures of the sparse vector and the system matrix. An AWD approach is proposed, which optimizes two objective functions, namely minimizing the upper bound of the recovery error and maximizing the weakest-target return, by adjusting the complex weights of the emitting waveform amplitudes. Several numerical simulations are provided and their results show that the detection and estimation performance of the radar system is improved significantly when this MOO-based AWD approach is applied to the distributed OFDM MIMO radar system. Especially, we verify the effectiveness of our AWD approach when the available samples are reduced severally and the technique of compressed sensing is introduced.     

一种步进频率信号认知雷达波形优化设计方法

认知雷达常用于完成探测、跟踪、成像及识别等多重任务,为提高其综合性能,需兼顾多方面因素研究其波形优化设计问题。基于此,提出一种基于压缩感知（CS）RIPless准则的步进频率信号认知雷达波形优化设计方法。首先,建立了目标回波信号稀疏模型,分析了其与发射信号模糊函数之间的关系。其次,根据模型中观测矩阵的构造,基于RIPless准则,将波形设计问题转化为概率分布的互相干参数及其协方差矩阵的条件数的优化问题,从而通过自适应寻优算法,获得优化的步进频率信号脉冲重复时间间隔序列和子脉冲频率序列。相较于传统方法,所提方法在信号发射与接收之间形成了信息实时反馈和信号优化重构的闭环,在高概率准确重构目标径向一维距离像的同时,也实现了发射信号模糊函数的优化。最后,仿真计算验证了所提方法的有效性。     

基于矩阵填充的二维自适应波束形成算法

针对基于矩阵填充的二维自适应波束形成问题,提出一种基于奇异值门限(SVT)的特征分解线性约束最小方差(SVT-ELCMV)算法。首先建立二维自适应波束形成矩阵填充模型,其次验证接收信号矩阵满足零空间性质(NSP),并分析最小可恢复阵元数,最后以SVT算法将稀疏阵列信号恢复为完整信号,并通过修正的特征分解线性约束最小方差(LCMV)形成有效波束。算法解决了稀疏阵列平均副瓣大幅度上升的缺陷,且在平面阵列部分阵元无法正常工作时依然有效。计算机仿真表明:SVT-ELCMV算法可使稀疏阵列具有与完整阵列相同的二维波束形成能力,并可有效抑制干扰信号,验证了算法的有效性和优越性。     

基于DCT-CS的脉冲星周期超快速估计方法

受快速傅里叶变换（fast Fourier transform，FFT）的影响，基于FFT和压缩感知（compressive sensing, CS）的脉冲星周期快速估计算法的计算量大。为进一步减小计算量并提高计算精度，利用离散余弦变换（discrete cosine transform，DCT)取代FFT，提出了一种基于DCT-CS的脉冲星周期超快速估计算法。在该方法中，利用DCT提取脉冲星信号的低频部分构建低频DCT矩阵；构建畸变轮廓字典并获取累积轮廓；提出了利用最大值超分辨率稀疏恢复估计脉冲星周期的方法。仿真结果表明，DCT-CS的脉冲星周期估计精度达到了3.82×10-12 s，计算时间达到了9.31 ms。与FFT-CS相比，周期估计精度提高了约16%，计算时间缩短了约37.5%，实现了实时高精度的脉冲星周期估计。     

基于压缩感知的金属加筋板兰姆波健康监测技术

针对大型复杂板结构安全评价需要，发展了一种基于压缩感知的金属加筋板结构兰姆波健康监测技术。利用压缩感知技术从稀疏阵列得到的少量检测数据中恢复出加筋板结构中兰姆波的频散特性，并提出了一种将余弦相似度和皮尔森相似度相结合的稀疏阵列兰姆波复合成像方法，以实现加筋板结构中大范围缺陷检测和成像。实验结果表明，压缩感知技术可以恢复出金属加筋板中兰姆波的频率-波数关系，提出的兰姆波复合成像方法能够实现金属加筋板中单缺陷和多缺陷的检测及定位。研究工作为复杂板结构损伤检测提供了一种可行的技术方案。     

Method for denoising and reconstructing radar HRRP using modified sparse auto-encoder

A high resolution range profile (HRRP) is a summation vector of the sub-echoes of the target scattering points acquired by a wide-band radar. Generally, HRRPs obtained in a non-cooperative complex electromagnetic environment are contaminated by strong noise. Effective pre-processing of the HRRP data can greatly improve the accuracy of target recognition. In this paper, a denoising and reconstruction method for HRRP is proposed based on a Modified Sparse Auto-Encoder, which is a representative non-linear model. To better reconstruct the HRRP, a sparse constraint is added to the proposed model and the sparse coefficient is calculated based on the intrinsic dimension of HRRP. The denoising of the HRRP is performed by adding random noise to the input HRRP data during the training process and fine-tuning the weight matrix through singular-value decomposition. The results of simulations showed that the proposed method can both reconstruct the signal with fidelity and suppress noise effectively, significantly outperforming other methods, especially in low Signal-to-Noise Ratio conditions.